CN116051506A - 聚合物锂离子电池的智能化生产系统及其方法 - Google Patents
聚合物锂离子电池的智能化生产系统及其方法 Download PDFInfo
- Publication number
- CN116051506A CN116051506A CN202310042742.XA CN202310042742A CN116051506A CN 116051506 A CN116051506 A CN 116051506A CN 202310042742 A CN202310042742 A CN 202310042742A CN 116051506 A CN116051506 A CN 116051506A
- Authority
- CN
- China
- Prior art keywords
- feature
- lithium ion
- classification
- polymer lithium
- ion battery
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 229920000642 polymer Polymers 0.000 title claims abstract description 171
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 161
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 161
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 114
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 64
- 238000012512 characterization method Methods 0.000 claims abstract description 30
- 238000007689 inspection Methods 0.000 claims abstract description 16
- 238000013461 design Methods 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 31
- 230000007246 mechanism Effects 0.000 claims description 31
- 238000010586 diagram Methods 0.000 claims description 18
- 238000003062 neural network model Methods 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000003213 activating effect Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000004931 aggregating effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 150000002500 ions Chemical class 0.000 description 7
- 230000002776 aggregation Effects 0.000 description 6
- 238000004220 aggregation Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 229910052744 lithium Inorganic materials 0.000 description 4
- 238000007789 sealing Methods 0.000 description 3
- 238000004804 winding Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/05—Accumulators with non-aqueous electrolyte
- H01M10/058—Construction or manufacture
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
- Y02P70/50—Manufacturing or production processes characterised by the final manufactured product
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Chemical & Material Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Signal Processing (AREA)
- Manufacturing & Machinery (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种聚合物锂离子电池的智能化生产系统及其方法,其将第二次外观全检问题转化为基于图像的分类问题。具体地,其首先分别计算待检测聚合物锂离子电池的第一至第六检测图像通过第一卷积神经网络模型得到的第一至第六检测特征图和所述待检测聚合物锂离子电池的第一至第六参考图像分别通过第一卷积神经网络模型得到的第一至第六参考特征图中每组对应的检测特征图和参考特征图之间的差分以得到第一至第六差分特征图,接着,将所述第一至第六差分特征图聚合后通过第二卷积神经网络模型并进行类表征平展化以得到优化分类特征图,最后,将优化分类特征图通过分类器以得到分类结果。这样,就可以对待检测聚合物锂离子电池进行智能外观全检。
Description
技术领域
本申请涉及智能检测技术领域,且更为具体地,涉及一种聚合物锂离子电池的智能化生产系统及其方法。
背景技术
聚合物锂电池一般指锂聚合物电池,其具有能量高、小型化、轻量化的特点。近年来,随着人工智能、物联网和大数据等技术的发展为聚合物锂电池的智能产线的搭建提供了技术支持。
聚合物锂电池的制备工艺包括如下环节:配料、涂布、辊压、分条、制片、卷绕、卷芯外观全检、卷芯短路测试、四合一顶侧封、装篮扩口、真空烘烤、注液/预封、活化、化成、二封、真空搁置、分容、老化、电压/内阻测试、第一次外观全检、入库、Pack加工、第二次外观全检、打包入库和出货。
在聚合物离子电池的制备流程中,对锂离子电池的外观进行第二次全检出货前是重要工序。现有的外观全检方式是通过目测来进行,然后这种方式一方面依托于现场工人的自觉,另一方面,人眼能够观察分辨率是有限的,因此其不能观察到细微的外观差异,而这些细微的外观差异有可能会影响到产品的后续使用以及产品的质量评估。
因此,期待一种优化的聚合物锂离子电池的智能化生产方案,其能够对聚合物锂离子电池进行智能外观全检。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种聚合物锂离子电池的智能化生产系统及其方法,其将第二次外观全检问题转化为基于图像的分类问题。具体地,其首先分别计算待检测聚合物锂离子电池的第一至第六检测图像通过第一卷积神经网络模型得到的第一至第六检测特征图和所述待检测聚合物锂离子电池的第一至第六参考图像分别通过第一卷积神经网络模型得到的第一至第六参考特征图中每组对应的检测特征图和参考特征图之间的差分以得到第一至第六差分特征图,接着,将所述第一至第六差分特征图聚合后通过第二卷积神经网络模型并进行类表征平展化以得到优化分类特征图,最后,将优化分类特征图通过分类器以得到分类结果。这样,就可以对待检测聚合物锂离子电池进行智能外观全检。
根据本申请的一个方面,提供了一种聚合物锂离子电池的智能化生产系统,其包括:摄像模块,用于获取待检测聚合物锂离子电池的六视图,所述待检测聚合物锂离子电池的六视图为第一至第六检测图像;参考图像采集模块,用于获取所述待检测聚合物锂离子电池的参考设计六视图,其中,所述待检测聚合物锂离子电池的参考设计六视图为第一至第六参考图像;检测图像编码模块,用于将所述第一至第六检测图像中各个检测图像通过使用空间注意力机制的第一卷积神经网络模型以得到第一至第六检测特征图;参考图像编码模块,用于将所述第一至第六参考图像中各个参考图像分别通过所述使用空间注意力机制的第一卷积神经网络模型以得到第一至第六参考特征图;对应差分模块,用于分别计算所述第一至第六检测特征图和所述第一至第六参考特征图中每组对应的检测特征图和参考特征图之间的差分以得到第一至第六差分特征图;全局评估模块,用于将所述第一至第六差分特征图按照通道维度进行聚合为全局差分特征图后通过使用通道注意力的第二卷积神经网络模型以得到所述分类特征图,并对所述分类特征图进行类表征平展化以得到优化分类特征图;以及外观全检结果生成模块,用于将所述优化分类特征图通过分类器以得到分类结果,所述分类结果用于表示待检测聚合物锂离子电池的外观是否合格。
在上述的聚合物锂离子电池的智能化生产系统中,所述检测图像编码模块,包括:卷积编码单元,用于使用所述第一卷积神经网络模型的卷积编码部分分别对所述第一至第六检测图像进行深度卷积编码以得到第一至第六高维特征图;空间注意力单元,用于将所述第一至第六高维特征图输入所述第一卷积神经网络模型的空间注意力部分以得到第一至第六空间注意力图;以及空间注意力施加单元,用于分别计算所述第一至第六高维特征图和所述第一至第六空间注意力图的按位置点乘以得到所述第一至第六检测特征图。
在上述的聚合物锂离子电池的智能化生产系统中,所述对应差分模块,进一步用于:使用如下公式计算所述第一至第六检测特征图和所述第一至第六参考特征图中每组对应的检测特征图和参考特征图之间的差分以得到所述第一至第六差分特征图;其中,所述公式为:
其中和分别表示所述第一至第六参考特征图中每组对应的检测特征图和参考特征图,表示所述第一至第六差分特征图,表示特征图的按位置减法。
在上述的聚合物锂离子电池的智能化生产系统中,所述全局评估模块,包括:深度卷积编码单元,用于使用所述第二卷积神经网络模型对所述全局差分特征图进行显式空间编码以得到差分关联特征图;全局均值池化单元,用于计算所述差分关联特征图的沿通道维度的各个特征矩阵的全局均值以得到通道特征向量;激活单元,用于将所述通道特征向量输入Sigmoid激活函数以得到通道注意力加权特征向量;通道注意力施加单元,用于以所述通道注意力加权特征向量中各个位置的特征值作为权重分别对所述差分关联特征图的沿通道维度的各个特征矩阵进行加权以得到所述分类特征图;以及类表征平展化单元,用于对所述分类特征图进行类表征平展化以得到优化分类特征图。
在上述的聚合物锂离子电池的智能化生产系统中,所述类表征平展化单元,进一步用于:以如下公式对所述分类特征图进行类表征平展化以得到所述优化分类特征图;其中,所述公式为:
其中,是所述分类特征图的预定特征值,是所述分类特征图的所述预定特征值以外的其它特征值,且是所述分类特征图的所有特征值的均值,且是所述分类特征图的尺度,表示向量的指数运算,所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值,是所述优化分类特征图的特征值。
在上述的聚合物锂离子电池的智能化生产系统中,所述外观全检结果生成模块,进一步用于:使用所述分类器以如下公式对所述优化分类特征图进行处理以生成分类结果,其中,所述公式为:
其中表示将所述优化分类特征图投影为向量,和为各层全连接层的权重矩阵,和表示各层全连接层的偏置矩阵。
根据本申请的另一方面,提供了一种聚合物锂离子电池的智能化生产方法,其包括:获取待检测聚合物锂离子电池的六视图,所述待检测聚合物锂离子电池的六视图为第一至第六检测图像;获取所述待检测聚合物锂离子电池的参考设计六视图,其中,所述待检测聚合物锂离子电池的参考设计六视图为第一至第六参考图像;将所述第一至第六检测图像中各个检测图像通过使用空间注意力机制的第一卷积神经网络模型以得到第一至第六检测特征图;将所述第一至第六参考图像中各个参考图像分别通过所述使用空间注意力机制的第一卷积神经网络模型以得到第一至第六参考特征图;分别计算所述第一至第六检测特征图和所述第一至第六参考特征图中每组对应的检测特征图和参考特征图之间的差分以得到第一至第六差分特征图;将所述第一至第六差分特征图按照通道维度进行聚合为全局差分特征图后通过使用通道注意力的第二卷积神经网络模型以得到所述分类特征图,并对所述分类特征图进行类表征平展化以得到优化分类特征图;以及将所述优化分类特征图通过分类器以得到分类结果,所述分类结果用于表示待检测聚合物锂离子电池的外观是否合格。
在上述的聚合物锂离子电池的智能化生产方法中,所述将所述第一至第六检测图像中各个检测图像通过使用空间注意力机制的第一卷积神经网络模型以得到第一至第六检测特征图,包括:使用所述第一卷积神经网络模型的卷积编码部分分别对所述第一至第六检测图像进行深度卷积编码以得到第一至第六高维特征图;将所述第一至第六高维特征图输入所述第一卷积神经网络模型的空间注意力部分以得到第一至第六空间注意力图;以及分别计算所述第一至第六高维特征图和所述第一至第六空间注意力图的按位置点乘以得到所述第一至第六检测特征图。
在上述的聚合物锂离子电池的智能化生产方法中,所述分别计算所述第一至第六检测特征图和所述第一至第六参考特征图中每组对应的检测特征图和参考特征图之间的差分以得到第一至第六差分特征图,进一步包括:以如下公式计算所述第一至第六检测特征图和所述第一至第六参考特征图中每组对应的检测特征图和参考特征图之间的差分以得到所述第一至第六差分特征图;其中,所述公式为:
其中和分别表示所述第一至第六参考特征图中每组对应的检测特征图和参考特征图,表示所述第一至第六差分特征图,表示特征图的按位置减法。
在上述的聚合物锂离子电池的智能化生产方法中,所述将所述第一至第六差分特征图按照通道维度进行聚合为全局差分特征图后通过使用通道注意力的第二卷积神经网络模型以得到所述分类特征图,并对所述分类特征图进行类表征平展化以得到优化分类特征图,包括:使用所述第二卷积神经网络模型对所述全局差分特征图进行显式空间编码以得到差分关联特征图;计算所述差分关联特征图的沿通道维度的各个特征矩阵的全局均值以得到通道特征向量;将所述通道特征向量输入Sigmoid激活函数以得到通道注意力加权特征向量;以所述通道注意力加权特征向量中各个位置的特征值作为权重分别对所述差分关联特征图的沿通道维度的各个特征矩阵进行加权以得到所述分类特征图;以及对所述分类特征图进行类表征平展化以得到优化分类特征图。
与现有技术相比,本申请提供的聚合物锂离子电池的智能化生产系统及其方法,其将第二次外观全检问题转化为基于图像的分类问题。具体地,其首先分别计算待检测聚合物锂离子电池的第一至第六检测图像通过第一卷积神经网络模型得到的第一至第六检测特征图和所述待检测聚合物锂离子电池的第一至第六参考图像分别通过第一卷积神经网络模型得到的第一至第六参考特征图中每组对应的检测特征图和参考特征图之间的差分以得到第一至第六差分特征图,接着,将所述第一至第六差分特征图聚合后通过第二卷积神经网络模型并进行类表征平展化以得到优化分类特征图,最后,将优化分类特征图通过分类器以得到分类结果。这样,就可以对待检测聚合物锂离子电池进行智能外观全检。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1图示了根据本申请实施例的聚合物锂离子电池的智能化生产系统的应用场景图。
图2图示了根据本申请实施例的聚合物锂离子电池的智能化生产系统的框图示意图。
图3图示了根据本申请实施例的聚合物锂离子电池的智能化生产系统中所述检测图像编码模块的框图示意图。
图4图示了根据本申请实施例的聚合物锂离子电池的智能化生产系统中所述全局评估模块的框图示意图。
图5图示了根据本申请实施例的聚合物锂离子电池的智能化生产方法的流程图。
图6图示了根据本申请实施例的聚合物锂离子电池的智能化生产方法的系统架构的示意图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述:相应地,在本申请的技术方案中,聚合物锂离子电池的第二次外观全检问题可转化为基于图像的分类问题。也就是,采集待检测聚合物锂离子电池的外观图像,并利用基于卷积神经网络的特征提取器+分类器模型来对所述待检测聚合物锂离子电池的外观图像进行处理以得到用于待检测聚合物锂离子电池的外观是否合格的检测结果。
特别地,在本申请的技术场景中,首先通过摄像头采集待检测聚合物离子电池的六视图(为了便于说明定义为第一至第六检测图像),考虑到在图像采集过程中,摄像头可能无法精准地对齐待检测聚合物离子电池的各个侧面,例如因待检测聚合物离子电池的摆放不平整或者摄像头的朝向偏移这都会导致所采集的第一至第六检测图像与标准的六视图产生位置偏差和视角偏差。也就是,当直接拿摄像头采集的待检测聚合物离子电池的六视图与所述待检测聚合物锂离子电池的参考设计六视图进行比对时,因图像采集时的位置偏移和视角偏移会导致无法对聚合物锂离子电池的外观进行精准查验。
因此,在本申请的技术方案中,在采集到待检测聚合物锂离子电池的六视图以及获取所述待检测聚合物锂离子电池的参考设计六视图后,分别将所述待检测聚合物锂离子电池的六视图和所述待检测聚合物锂离子电池的参考设计六视图通过基于深度卷积神经网络的特征提取器以得到第一至第六检测特征图和第一至第六参考特征图。应特别指出,所述深度卷积神经网络在进行图像特征提取时具有位置不敏感性和旋转不敏感性,因此,即便在图像采集时因位置偏移或视角偏移而导致图像发生偏移和旋转,也不会影响到基于深度卷积神经网络的特征提取器的特征提取。
特别地,在本申请的技术方案中,待检测聚合物锂离子电池的各个侧表面具有不同的外观特征,这些外观特征在进行产品外观全检时具有不同的影响权重,因此,为了提高所述待检测聚合物锂离子电池的不同侧面的外观特征的空间可鉴别性,将空间注意力机制引入所述基于深度卷积神经网络的特征提取器。
然后,分别计算所述第一至第六检测特征图和所述第一至第六参考特征图中每组对应的检测特征图和参考特征图之间的差分以得到第一至第六差分特征图。也就是,以所述待检测聚合物锂离子电池中各个视角的图像特征与所述待检测聚合物锂离子电池的各个视角的参考设计的图像特征之间的差分来表示待检测聚合物锂离子电池各个视角与待检测聚合物锂离子电池的各个视角的参考设计之间的差异性。例如,在本申请一个具体的示例中,计算所述第一至第六检测特征图和所述第一至第六参考特征图中每组对应的检测特征图和参考特征图之间的按位置差分以得到所述第一至第六差分特征图。
接着,将所述第一至第六差分特征图按照通道维度进行聚合为全局差分特征图后通过使用通道注意力的第二卷积神经网络模型以得到分类特征图。也就是,将各个视角的高维特征差异性表达在数据层面进行聚合为三维输入张量,然后,通过使用通道注意力机制的卷积神经网络模型提取各个视角的高维特征差异之间的高维隐含关联模式。这里,之所以使用通道注意力机制的原因为,特征图的通道维度更多表示不同类型的对象,因此,使用通道注意力机制能够捕捉不同类型的各个视角的高维特征差异对后续外观全检分类的影响权重。
具体地,在本申请实施例中,所述使用通道注意力机制的卷积神经网络模型的编码过程包括首先使用所述第二卷积神经网络模型对由所述第一至第六差分特征图通过聚合得到的全局差分特征图(三维输入张量)进行显式空间编码以得到差分关联特征图;然后,计算所述差分关联特征图的沿通道维度的各个特征矩阵的全局均值以得到通道特征向量,并将所述通道特征向量输入Sigmoid激活函数以得到通道注意力加权特征向量。然后,以所述通道注意力加权特征向量中各个位置的特征值作为权重分别对差分关联特征图的沿通道维度的各个特征矩阵进行加权以得到所述分类特征图。
在本申请的技术方案中,在对于全局差分特征图通过使用通道注意力的第二卷积神经网络得到所述分类特征图时,由于通道注意力的加权系数对所述全局差分特征图的每个特征矩阵进行了整体加权,这就使得所述分类特征图的沿通道维度的特征分布变得离散,导致所述分类特征图在通过分类器进行分类时,其与所述分类器的权重矩阵之间的拟合负担重,从而影响所述分类特征图的分类结果的准确性。
因此,优选地对所述分类特征图进行类表征平展化,具体表示为:
是所述分类特征图的预定特征值,是所述分类特征图的所述预定特征值以外的其它特征值,且是所述分类特征图的所有特征值的均值,且是所述分类特征图的尺度,即宽度乘以高度乘以通道数。
这里,所述分类特征图的类表征平展化将用于高维特征空间内的特征分布的类表征的有限多面体流形进行平展,同时保持流形的各平面之间的固有距离,并基于空间直观地避免交叉,其实质上是将该有限多面体流形分解为基于直角面相交和同顶点相交的立方体晶格,从而获得类平面的平展的“切片”聚集性,即所述分类特征图沿各个维度的特征分布的聚集性。这样,就增强了所述分类特征图对于分类器的权重矩阵的拟合性能,从而提升了所述分类特征图通过分类器进行分类的分类结果的准确性。
基于此,本申请提供了一种聚合物锂离子电池的智能化生产系统,其包括:摄像模块,用于获取待检测聚合物锂离子电池的六视图,所述待检测聚合物锂离子电池的六视图为第一至第六检测图像;参考图像采集模块,用于获取所述待检测聚合物锂离子电池的参考设计六视图,其中,所述待检测聚合物锂离子电池的参考设计六视图为第一至第六参考图像;检测图像编码模块,用于将所述第一至第六检测图像中各个检测图像通过使用空间注意力机制的第一卷积神经网络模型以得到第一至第六检测特征图;参考图像编码模块,用于将所述第一至第六参考图像中各个参考图像分别通过所述使用空间注意力机制的第一卷积神经网络模型以得到第一至第六参考特征图;对应差分模块,用于分别计算所述第一至第六检测特征图和所述第一至第六参考特征图中每组对应的检测特征图和参考特征图之间的差分以得到第一至第六差分特征图;全局评估模块,用于将所述第一至第六差分特征图按照通道维度进行聚合为全局差分特征图后通过使用通道注意力的第二卷积神经网络模型以得到所述分类特征图,并对所述分类特征图进行类表征平展化以得到优化分类特征图;以及,外观全检结果生成模块,用于将所述优化分类特征图通过分类器以得到分类结果,所述分类结果用于表示待检测聚合物锂离子电池的外观是否合格。
图1图示了根据本申请实施例的聚合物锂离子电池的智能化生产系统的应用场景图。如图1所示,在该应用场景中,通过摄像模块(例如,如图1中所示意的C)获取待检测聚合物锂离子电池(例如,如图1中所示意的L)的六视图(例如,如图1中所示意的P1),所述待检测聚合物锂离子电池的六视图为第一至第六检测图像,然后,获取所述待检测聚合物锂离子电池的参考设计六视图(例如,如图1中所示意的P2),其中,所述待检测聚合物锂离子电池的参考设计六视图为第一至第六参考图像。然后将获取的所述待检测聚合物锂离子电池的所述第一至第六检测图像和所述第一至第六参考图像输入至部署有聚合物锂离子电池的智能化生产算法的服务器中(例如,图1中所示意的S),其中,所述服务器能够使用所述聚合物锂离子电池的智能化生产算法对所述第一至第六检测图像和所述第一至第六参考图像进行处理以生成用于表示待检测聚合物锂离子电池的外观是否合格的分类结果。
在一个具体示例中,所述摄像模块可以包括多个摄像头,例如,针对所述待检测聚合物锂离子电池的六视图的六个方向分别设置六个摄像头。可以理解的是,由于摄像头的视场角大小不同和设置位置的不同,所述摄像模块包括的摄像头的数量也可以小于六个或者多于六个,能够获取所述待检测聚合物锂离子电池的六视图即可,本申请并不受此所限。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统:图2图示了根据本申请实施例的聚合物锂离子电池的智能化生产系统100的框图示意图。如图2所示,根据本申请实施例的聚合物锂离子电池的智能化生产系统100,包括:摄像模块110,用于获取待检测聚合物锂离子电池的六视图,所述待检测聚合物锂离子电池的六视图为第一至第六检测图像;参考图像采集模块120,用于获取所述待检测聚合物锂离子电池的参考设计六视图,其中,所述待检测聚合物锂离子电池的参考设计六视图为第一至第六参考图像;检测图像编码模块130,用于将所述第一至第六检测图像中各个检测图像通过使用空间注意力机制的第一卷积神经网络模型以得到第一至第六检测特征图;参考图像编码模块140,用于将所述第一至第六参考图像中各个参考图像分别通过所述使用空间注意力机制的第一卷积神经网络模型以得到第一至第六参考特征图;对应差分模块150,用于分别计算所述第一至第六检测特征图和所述第一至第六参考特征图中每组对应的检测特征图和参考特征图之间的差分以得到第一至第六差分特征图;全局评估模块160,用于将所述第一至第六差分特征图按照通道维度进行聚合为全局差分特征图后通过使用通道注意力的第二卷积神经网络模型以得到所述分类特征图,并对所述分类特征图进行类表征平展化以得到优化分类特征图;以及,外观全检结果生成模块170,用于将所述优化分类特征图通过分类器以得到分类结果,所述分类结果用于表示待检测聚合物锂离子电池的外观是否合格。
更具体地,在本申请实施例中,所述摄像模块110,用于获取待检测聚合物锂离子电池的六视图,所述待检测聚合物锂离子电池的六视图为第一至第六检测图像。在本申请的技术方案中,聚合物锂离子电池的第二次外观全检问题可转化为基于图像的分类问题。也就是,采集待检测聚合物锂离子电池的外观图像,并利用基于卷积神经网络的特征提取器+分类器模型来对所述待检测聚合物锂离子电池的外观图像进行处理以得到用于待检测聚合物锂离子电池的外观是否合格的检测结果。
更具体地,在本申请实施例中,所述参考图像采集模块120,用于获取所述待检测聚合物锂离子电池的参考设计六视图,其中,所述待检测聚合物锂离子电池的参考设计六视图为第一至第六参考图像。获取所述待检测聚合物锂离子电池的参考设计六视图,并以其作为所述待检测聚合物锂离子电池的外观的检测的标准。
更具体地,在本申请实施例中,所述检测图像编码模块130,用于将所述第一至第六检测图像中各个检测图像通过使用空间注意力机制的第一卷积神经网络模型以得到第一至第六检测特征图。
相应地,在一个具体示例中,如图3所示,所述检测图像编码模块130,包括:卷积编码单元131,用于使用所述第一卷积神经网络模型的卷积编码部分分别对所述第一至第六检测图像进行深度卷积编码以得到第一至第六高维特征图;空间注意力单元132,用于将所述第一至第六高维特征图输入所述第一卷积神经网络模型的空间注意力部分以得到第一至第六空间注意力图;以及,空间注意力施加单元133,用于分别计算所述第一至第六高维特征图和所述第一至第六空间注意力图的按位置点乘以得到所述第一至第六检测特征图。
更具体地,在本申请实施例中,所述参考图像编码模块140,用于将所述第一至第六参考图像中各个参考图像分别通过所述使用空间注意力机制的第一卷积神经网络模型以得到第一至第六参考特征图。
可以理解的是,通过摄像头采集待检测聚合物离子电池的六视图,在图像采集过程中,摄像头可能无法精准地对齐待检测聚合物离子电池的各个侧面,例如因待检测聚合物离子电池的摆放不平整或者摄像头的朝向偏移这都会导致所采集的第一至第六检测图像与标准的六视图产生位置偏差和视角偏差。也就是,当直接拿摄像头采集的待检测聚合物离子电池的六视图与所述待检测聚合物锂离子电池的参考设计六视图进行比对时,因图像采集时的位置偏移和视角偏移会导致无法对聚合物锂离子电池的外观进行精准查验。因此,在本申请的技术方案中,在采集到待检测聚合物锂离子电池的六视图以及获取所述待检测聚合物锂离子电池的参考设计六视图后,分别将所述待检测聚合物锂离子电池的六视图和所述待检测聚合物锂离子电池的参考设计六视图通过基于深度卷积神经网络的特征提取器以得到第一至第六检测特征图和第一至第六参考特征图。应特别指出,所述深度卷积神经网络在进行图像特征提取时具有位置不敏感性和旋转不敏感性,因此,即便在图像采集时因位置偏移或视角偏移而导致图像发生偏移和旋转,也不会影响到基于深度卷积神经网络的特征提取器的特征提取。
特别地,在本申请的技术方案中,待检测聚合物锂离子电池的各个侧表面具有不同的外观特征,这些外观特征在进行产品外观全检时具有不同的影响权重,因此,为了提高所述待检测聚合物锂离子电池的不同侧面的外观特征的空间可鉴别性,将空间注意力机制引入所述基于深度卷积神经网络的特征提取器。
更具体地,在本申请实施例中,所述对应差分模块150,用于分别计算所述第一至第六检测特征图和所述第一至第六参考特征图中每组对应的检测特征图和参考特征图之间的差分以得到第一至第六差分特征图。也就是,以所述待检测聚合物锂离子电池中各个视角的图像特征与所述待检测聚合物锂离子电池的各个视角的参考设计的图像特征之间的差分来表示待检测聚合物锂离子电池各个视角与待检测聚合物锂离子电池的各个视角的参考设计之间的差异性。例如,在本申请一个具体的示例中,计算所述第一至第六检测特征图和所述第一至第六参考特征图中每组对应的检测特征图和参考特征图之间的按位置差分以得到所述第一至第六差分特征图。
相应地,在一个具体示例中,所述对应差分模块150,进一步用于:使用如下公式计算所述第一至第六检测特征图和所述第一至第六参考特征图中每组对应的检测特征图和参考特征图之间的差分以得到所述第一至第六差分特征图;其中,所述公式为:
其中和分别表示所述第一至第六参考特征图中每组对应的检测特征图和参考特征图,表示所述第一至第六差分特征图,表示特征图的按位置减法。
更具体地,在本申请实施例中,所述全局评估模块160,用于将所述第一至第六差分特征图按照通道维度进行聚合为全局差分特征图后通过使用通道注意力的第二卷积神经网络模型以得到所述分类特征图,并对所述分类特征图进行类表征平展化以得到优化分类特征图。也就是,将各个视角的高维特征差异性表达在数据层面进行聚合为三维输入张量,然后,通过使用通道注意力机制的卷积神经网络模型提取各个视角的高维特征差异之间的高维隐含关联模式。这里,之所以使用通道注意力机制的原因为,特征图的通道维度更多表示不同类型的对象,因此,使用通道注意力机制能够捕捉不同类型的各个视角的高维特征差异对后续外观全检分类的影响权重。
具体地,在本申请实施例中,所述使用通道注意力机制的卷积神经网络模型的编码过程包括首先使用所述第二卷积神经网络模型对由所述第一至第六差分特征图通过聚合得到的全局差分特征图(三维输入张量)进行显式空间编码以得到差分关联特征图;然后,计算所述差分关联特征图的沿通道维度的各个特征矩阵的全局均值以得到通道特征向量,并将所述通道特征向量输入Sigmoid激活函数以得到通道注意力加权特征向量。然后,以所述通道注意力加权特征向量中各个位置的特征值作为权重分别对差分关联特征图的沿通道维度的各个特征矩阵进行加权以得到所述分类特征图。
相应地,在一个具体示例中,如图4所示,所述全局评估模块160,包括:深度卷积编码单元161,用于使用所述第二卷积神经网络模型对所述全局差分特征图进行显式空间编码以得到差分关联特征图;全局均值池化单元162,用于计算所述差分关联特征图的沿通道维度的各个特征矩阵的全局均值以得到通道特征向量;激活单元163,用于将所述通道特征向量输入Sigmoid激活函数以得到通道注意力加权特征向量;通道注意力施加单元164,用于以所述通道注意力加权特征向量中各个位置的特征值作为权重分别对所述差分关联特征图的沿通道维度的各个特征矩阵进行加权以得到所述分类特征图;以及,类表征平展化单元165,用于对所述分类特征图进行类表征平展化以得到优化分类特征图。
特别地,在本申请的技术方案中,在本申请的技术方案中,在对于全局差分特征图通过使用通道注意力的第二卷积神经网络得到所述分类特征图时,由于通道注意力的加权系数对所述全局差分特征图的每个特征矩阵进行了整体加权,这就使得所述分类特征图的沿通道维度的特征分布变得离散,导致所述分类特征图在通过分类器进行分类时,其与所述分类器的权重矩阵之间的拟合负担重,从而影响所述分类特征图的分类结果的准确性。
相应地,在一个具体示例中,所述类表征平展化单元,进一步用于:以如下公式对所述分类特征图进行类表征平展化以得到所述优化分类特征图;
其中,所述公式为:
是所述分类特征图的预定特征值,是所述分类特征图的所述预定特征值以外的其它特征值,且是所述分类特征图的所有特征值的均值,且是所述分类特征图的尺度,表示向量的指数运算,所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值,是所述优化分类特征图的特征值。
这里,所述分类特征图的类表征平展化将用于高维特征空间内的特征分布的类表征的有限多面体流形进行平展,同时保持流形的各平面之间的固有距离,并基于空间直观地避免交叉,其实质上是将该有限多面体流形分解为基于直角面相交和同顶点相交的立方体晶格,从而获得类平面的平展的“切片”聚集性,即所述分类特征图沿各个维度的特征分布的聚集性。这样,就增强了所述分类特征图对于分类器的权重矩阵的拟合性能,从而提升了所述分类特征图通过分类器进行分类的分类结果的准确性。
更具体地,在本申请实施例中,所述外观全检结果生成模块170,用于将所述优化分类特征图通过分类器以得到分类结果,所述分类结果用于表示待检测聚合物锂离子电池的外观是否合格。
相应地,在一个具体示例中,所述外观全检结果生成模块170,进一步用于:使用所述分类器以如下公式对所述优化分类特征图进行处理以生成分类结果,其中,所述公式为:
,
其中表示将所述优化分类特征图投影为向量,和为各层全连接层的权重矩阵,和表示各层全连接层的偏置矩阵。
综上,基于本申请实施例的聚合物锂离子电池的智能化生产系统100被阐明,其将第二次外观全检问题转化为基于图像的分类问题。具体地,其首先分别计算待检测聚合物锂离子电池的第一至第六检测图像通过第一卷积神经网络模型得到的第一至第六检测特征图和所述待检测聚合物锂离子电池的第一至第六参考图像分别通过第一卷积神经网络模型得到的第一至第六参考特征图中每组对应的检测特征图和参考特征图之间的差分以得到第一至第六差分特征图,接着,将所述第一至第六差分特征图聚合后通过第二卷积神经网络模型并进行类表征平展化以得到优化分类特征图,最后,将优化分类特征图通过分类器以得到分类结果。这样,就可以对待检测聚合物锂离子电池进行智能外观全检。
如上所述,根据本申请实施例的所述聚合物锂离子电池的智能化生产系统100可以实现在各种终端设备中,例如具有聚合物锂离子电池的智能化生产算法的服务器等。在一个示例中,聚合物锂离子电池的智能化生产系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该聚合物锂离子电池的智能化生产系统100可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该聚合物锂离子电池的智能化生产系统100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该聚合物锂离子电池的智能化生产系统100与该终端设备也可以是分立的设备,并且聚合物锂离子电池的智能化生产系统100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性方法:图5图示了根据本申请实施例的聚合物锂离子电池的智能化生产方法的流程图。如图5所示,根据本申请实施例的聚合物锂离子电池的智能化生产方法,其包括:S110,获取待检测聚合物锂离子电池的六视图,所述待检测聚合物锂离子电池的六视图为第一至第六检测图像;S120,获取所述待检测聚合物锂离子电池的参考设计六视图,其中,所述待检测聚合物锂离子电池的参考设计六视图为第一至第六参考图像;S130,将所述第一至第六检测图像中各个检测图像通过使用空间注意力机制的第一卷积神经网络模型以得到第一至第六检测特征图;S140,将所述第一至第六参考图像中各个参考图像分别通过所述使用空间注意力机制的第一卷积神经网络模型以得到第一至第六参考特征图;S150,分别计算所述第一至第六检测特征图和所述第一至第六参考特征图中每组对应的检测特征图和参考特征图之间的差分以得到第一至第六差分特征图;S160,将所述第一至第六差分特征图按照通道维度进行聚合为全局差分特征图后通过使用通道注意力的第二卷积神经网络模型以得到所述分类特征图,并对所述分类特征图进行类表征平展化以得到优化分类特征图;以及,S170,将所述优化分类特征图通过分类器以得到分类结果,所述分类结果用于表示待检测聚合物锂离子电池的外观是否合格。
图6图示了根据本申请实施例的聚合物锂离子电池的智能化生产方法的系统架构的示意图。如图6所示,在所述聚合物锂离子电池的智能化生产方法的系统架构中,首先,获取待检测聚合物锂离子电池的六视图,所述待检测聚合物锂离子电池的六视图为第一至第六检测图像;接着,获取所述待检测聚合物锂离子电池的参考设计六视图,其中,所述待检测聚合物锂离子电池的参考设计六视图为第一至第六参考图像;然后,将所述第一至第六检测图像中各个检测图像通过使用空间注意力机制的第一卷积神经网络模型以得到第一至第六检测特征图;接着,将所述第一至第六参考图像中各个参考图像分别通过所述使用空间注意力机制的第一卷积神经网络模型以得到第一至第六参考特征图;然后,分别计算所述第一至第六检测特征图和所述第一至第六参考特征图中每组对应的检测特征图和参考特征图之间的差分以得到第一至第六差分特征图;接着,将所述第一至第六差分特征图按照通道维度进行聚合为全局差分特征图后通过使用通道注意力的第二卷积神经网络模型以得到所述分类特征图,并对所述分类特征图进行类表征平展化以得到优化分类特征图;最后,将所述优化分类特征图通过分类器以得到分类结果,所述分类结果用于表示待检测聚合物锂离子电池的外观是否合格。
在一个具体示例中,在上述聚合物锂离子电池的智能化生产方法中,所述将所述第一至第六检测图像中各个检测图像通过使用空间注意力机制的第一卷积神经网络模型以得到第一至第六检测特征图,包括:使用所述第一卷积神经网络模型的卷积编码部分分别对所述第一至第六检测图像进行深度卷积编码以得到第一至第六高维特征图;将所述第一至第六高维特征图输入所述第一卷积神经网络模型的空间注意力部分以得到第一至第六空间注意力图;以及,分别计算所述第一至第六高维特征图和所述第一至第六空间注意力图的按位置点乘以得到所述第一至第六检测特征图。
在一个具体示例中,在上述聚合物锂离子电池的智能化生产方法中,所述分别计算所述第一至第六检测特征图和所述第一至第六参考特征图中每组对应的检测特征图和参考特征图之间的差分以得到第一至第六差分特征图,进一步包括:以如下公式计算所述第一至第六检测特征图和所述第一至第六参考特征图中每组对应的检测特征图和参考特征图之间的差分以得到所述第一至第六差分特征图;其中,所述公式为:
其中和分别表示所述第一至第六参考特征图中每组对应的检测特征图和参考特征图,表示所述第一至第六差分特征图,表示特征图的按位置减法。
在一个具体示例中,在上述聚合物锂离子电池的智能化生产方法中,所述将所述第一至第六差分特征图按照通道维度进行聚合为全局差分特征图后通过使用通道注意力的第二卷积神经网络模型以得到所述分类特征图,并对所述分类特征图进行类表征平展化以得到优化分类特征图,包括:使用所述第二卷积神经网络模型对所述全局差分特征图进行显式空间编码以得到差分关联特征图;计算所述差分关联特征图的沿通道维度的各个特征矩阵的全局均值以得到通道特征向量;将所述通道特征向量输入Sigmoid激活函数以得到通道注意力加权特征向量;基于所述通道注意力加权特征向量的自协方差矩阵,对所述通道注意力加权特征向量中各个位置的特征值进行校正以得到优化通道注意力加权特征向量;以及,以所述通道注意力加权特征向量中各个位置的特征值作为权重分别对所述差分关联特征图的沿通道维度的各个特征矩阵进行加权以得到所述分类特征图。
在一个具体示例中,在上述聚合物锂离子电池的智能化生产方法中,所述对所述分类特征图进行类表征平展化以得到优化分类特征图,进一步包括:以如下公式对所述分类特征图进行类表征平展化以得到所述优化分类特征图;其中,所述公式为:
是所述分类特征图的预定特征值,是所述分类特征图的所述预定特征值以外的其它特征值,且是所述分类特征图的所有特征值的均值,且是所述分类特征图的尺度,表示向量的指数运算,所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值,是所述优化分类特征图的特征值。
在一个具体示例中,在上述聚合物锂离子电池的智能化生产方法中,所述将所述优化分类特征图通过分类器以得到分类结果,进一步包括:使用所述分类器以如下公式对所述优化分类特征图进行处理以生成分类结果,其中,所述公式为:
,
其中表示将所述优化分类特征图投影为向量,和为各层全连接层的权重矩阵,和表示各层全连接层的偏置矩阵。
这里,本领域技术人员可以理解,上述聚合物锂离子电池的智能化生产方法中的各个步骤的具体操作已经在上面参考图1到图4的聚合物锂离子电池的智能化生产系统的描述中得到了详细介绍,并因此,将省略其重复描述。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种聚合物锂离子电池的智能化生产系统,其特征在于,包括:摄像模块,用于获取待检测聚合物锂离子电池的六视图,所述待检测聚合物锂离子电池的六视图为第一至第六检测图像;参考图像采集模块,用于获取所述待检测聚合物锂离子电池的参考设计六视图,其中,所述待检测聚合物锂离子电池的参考设计六视图为第一至第六参考图像;检测图像编码模块,用于将所述第一至第六检测图像中各个检测图像通过使用空间注意力机制的第一卷积神经网络模型以得到第一至第六检测特征图;参考图像编码模块,用于将所述第一至第六参考图像中各个参考图像分别通过所述使用空间注意力机制的第一卷积神经网络模型以得到第一至第六参考特征图;对应差分模块,用于分别计算所述第一至第六检测特征图和所述第一至第六参考特征图中每组对应的检测特征图和参考特征图之间的差分以得到第一至第六差分特征图;全局评估模块,用于将所述第一至第六差分特征图按照通道维度进行聚合为全局差分特征图后通过使用通道注意力的第二卷积神经网络模型以得到分类特征图,并对所述分类特征图进行类表征平展化以得到优化分类特征图;以及外观全检结果生成模块,用于将所述优化分类特征图通过分类器以得到分类结果,所述分类结果用于表示待检测聚合物锂离子电池的外观是否合格。
2.根据权利要求1所述的聚合物锂离子电池的智能化生产系统,其特征在于,所述检测图像编码模块,包括:卷积编码单元,用于使用所述第一卷积神经网络模型的卷积编码部分分别对所述第一至第六检测图像进行深度卷积编码以得到第一至第六高维特征图;空间注意力单元,用于将所述第一至第六高维特征图输入所述第一卷积神经网络模型的空间注意力部分以得到第一至第六空间注意力图;以及空间注意力施加单元,用于分别计算所述第一至第六高维特征图和所述第一至第六空间注意力图的按位置点乘以得到所述第一至第六检测特征图。
3.根据权利要求2所述的聚合物锂离子电池的智能化生产系统,其特征在于,所述对应差分模块,进一步用于:使用如下公式计算所述第一至第六检测特征图和所述第一至第六参考特征图中每组对应的检测特征图和参考特征图之间的差分以得到所述第一至第六差分特征图;其中,所述公式为:
其中和分别表示所述第一至第六参考特征图中每组对应的检测特征图和参考特征图,表示所述第一至第六差分特征图,表示特征图的按位置减法。
4.根据权利要求3所述的聚合物锂离子电池的智能化生产系统,其特征在于,所述全局评估模块,包括:深度卷积编码单元,用于使用所述第二卷积神经网络模型对所述全局差分特征图进行显式空间编码以得到差分关联特征图;全局均值池化单元,用于计算所述差分关联特征图的沿通道维度的各个特征矩阵的全局均值以得到通道特征向量;激活单元,用于将所述通道特征向量输入Sigmoid激活函数以得到通道注意力加权特征向量;通道注意力施加单元,用于以所述通道注意力加权特征向量中各个位置的特征值作为权重分别对所述差分关联特征图的沿通道维度的各个特征矩阵进行加权以得到所述分类特征图;以及类表征平展化单元,用于对所述分类特征图进行类表征平展化以得到优化分类特征图。
5.根据权利要求4所述的聚合物锂离子电池的智能化生产系统,其特征在于,所述类表征平展化单元,进一步用于:以如下公式对所述分类特征图进行类表征平展化以得到所述优化分类特征图;其中,所述公式为:
其中,是所述分类特征图的预定特征值,是所述分类特征图的所述预定特征值以外的其它特征值,且是所述分类特征图的所有特征值的均值,且是所述分类特征图的尺度,表示向量的指数运算,所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值,是所述优化分类特征图的特征值。
6.根据权利要求5所述的聚合物锂离子电池的智能化生产系统,其特征在于,所述外观全检结果生成模块,进一步用于:使用所述分类器以如下公式对所述优化分类特征图进行处理以生成分类结果,其中,所述公式为:
,
其中表示将所述优化分类特征图投影为向量,和为各层全连接层的权重矩阵,和表示各层全连接层的偏置矩阵。
7.一种聚合物锂离子电池的智能化生产方法,其特征在于,包括:获取待检测聚合物锂离子电池的六视图,所述待检测聚合物锂离子电池的六视图为第一至第六检测图像;获取所述待检测聚合物锂离子电池的参考设计六视图,其中,所述待检测聚合物锂离子电池的参考设计六视图为第一至第六参考图像;将所述第一至第六检测图像中各个检测图像通过使用空间注意力机制的第一卷积神经网络模型以得到第一至第六检测特征图;将所述第一至第六参考图像中各个参考图像分别通过所述使用空间注意力机制的第一卷积神经网络模型以得到第一至第六参考特征图;分别计算所述第一至第六检测特征图和所述第一至第六参考特征图中每组对应的检测特征图和参考特征图之间的差分以得到第一至第六差分特征图;将所述第一至第六差分特征图按照通道维度进行聚合为全局差分特征图后通过使用通道注意力的第二卷积神经网络模型以得到分类特征图,并对所述分类特征图进行类表征平展化以得到优化分类特征图;以及将所述优化分类特征图通过分类器以得到分类结果,所述分类结果用于表示待检测聚合物锂离子电池的外观是否合格。
8.根据权利要求7所述的聚合物锂离子电池的智能化生产方法,其特征在于,所述将所述第一至第六检测图像中各个检测图像通过使用空间注意力机制的第一卷积神经网络模型以得到第一至第六检测特征图,包括:使用所述第一卷积神经网络模型的卷积编码部分分别对所述第一至第六检测图像进行深度卷积编码以得到第一至第六高维特征图;将所述第一至第六高维特征图输入所述第一卷积神经网络模型的空间注意力部分以得到第一至第六空间注意力图;以及分别计算所述第一至第六高维特征图和所述第一至第六空间注意力图的按位置点乘以得到所述第一至第六检测特征图。
9.根据权利要求8所述的聚合物锂离子电池的智能化生产方法,其特征在于,所述分别计算所述第一至第六检测特征图和所述第一至第六参考特征图中每组对应的检测特征图和参考特征图之间的差分以得到第一至第六差分特征图,进一步包括:以如下公式计算所述第一至第六检测特征图和所述第一至第六参考特征图中每组对应的检测特征图和参考特征图之间的差分以得到所述第一至第六差分特征图;其中,所述公式为:
其中和分别表示所述第一至第六参考特征图中每组对应的检测特征图和参考特征图,表示所述第一至第六差分特征图,表示特征图的按位置减法。
10.根据权利要求9所述的聚合物锂离子电池的智能化生产方法,其特征在于,所述将所述第一至第六差分特征图按照通道维度进行聚合为全局差分特征图后通过使用通道注意力的第二卷积神经网络模型以得到分类特征图,并对所述分类特征图进行类表征平展化以得到优化分类特征图,包括:使用所述第二卷积神经网络模型对所述全局差分特征图进行显式空间编码以得到差分关联特征图;计算所述差分关联特征图的沿通道维度的各个特征矩阵的全局均值以得到通道特征向量;将所述通道特征向量输入Sigmoid激活函数以得到通道注意力加权特征向量;以所述通道注意力加权特征向量中各个位置的特征值作为权重分别对所述差分关联特征图的沿通道维度的各个特征矩阵进行加权以得到所述分类特征图;以及对所述分类特征图进行类表征平展化以得到优化分类特征图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310042742.XA CN116051506B (zh) | 2023-01-28 | 2023-01-28 | 聚合物锂离子电池的智能化生产系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310042742.XA CN116051506B (zh) | 2023-01-28 | 2023-01-28 | 聚合物锂离子电池的智能化生产系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116051506A true CN116051506A (zh) | 2023-05-02 |
CN116051506B CN116051506B (zh) | 2023-06-16 |
Family
ID=86112958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310042742.XA Active CN116051506B (zh) | 2023-01-28 | 2023-01-28 | 聚合物锂离子电池的智能化生产系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116051506B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116536906A (zh) * | 2023-05-11 | 2023-08-04 | 杭州探观科技有限公司 | 一种用于内裤的立体裁剪方法 |
CN116580029A (zh) * | 2023-07-12 | 2023-08-11 | 浙江海威汽车零件有限公司 | 铝合金铸造成品的质检管控系统及其方法 |
CN116739868A (zh) * | 2023-07-05 | 2023-09-12 | 浙江星宸环境建设有限公司 | 基于人工智能的园林绿化管理系统及其方法 |
CN117173100A (zh) * | 2023-07-31 | 2023-12-05 | 东莞市言科新能源有限公司 | 聚合物锂离子电池生产控制系统及其方法 |
CN117726574A (zh) * | 2023-09-13 | 2024-03-19 | 东莞市言科新能源有限公司 | 聚合物锂离子电池生产用封装系统及其方法 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112733750A (zh) * | 2021-01-14 | 2021-04-30 | 成都缘能缘彩网络科技有限公司 | 基于动态水流图像的污水处理检测的神经网络的训练方法 |
WO2022000225A1 (zh) * | 2020-06-30 | 2022-01-06 | 华为技术有限公司 | 一种卷积神经网络数据处理方法及其相关设备 |
CN114092819A (zh) * | 2022-01-19 | 2022-02-25 | 成都四方伟业软件股份有限公司 | 一种图像分类方法及装置 |
CN114825257A (zh) * | 2022-06-27 | 2022-07-29 | 江苏烨明光电有限公司 | Led灯检测的漏电保护装置及其漏电保护方法 |
CN114882021A (zh) * | 2022-07-07 | 2022-08-09 | 江苏中清先进电池制造有限公司 | 电池锂膜的高效加工方法及其系统 |
CN115082390A (zh) * | 2022-06-10 | 2022-09-20 | 大畏机床(江苏)有限公司 | 可快速更换刨刀的龙门刨床及其方法 |
CN115239515A (zh) * | 2022-07-28 | 2022-10-25 | 德玛克(长兴)精密机械有限公司 | 用于机械部件的精密智能化加工制造系统及其制造方法 |
CN115311338A (zh) * | 2022-08-11 | 2022-11-08 | 浙江盛发纺织印染有限公司 | 军用帐篷内衬面料智能化生产系统及其方法 |
CN115375691A (zh) * | 2022-10-26 | 2022-11-22 | 济宁九德半导体科技有限公司 | 基于图像的半导体扩散纸源缺陷检测系统及其方法 |
CN115393316A (zh) * | 2022-08-24 | 2022-11-25 | 维都利阀门有限公司 | 具有冲蚀状态监测系统的闪蒸阀及其监测方法 |
CN115471781A (zh) * | 2022-09-22 | 2022-12-13 | 美欣达欣环卫科技有限公司 | 智能垃圾分类系统及其分类方法 |
CN115471480A (zh) * | 2022-09-20 | 2022-12-13 | 宁波共振运动科技有限公司 | 提臀运动裤的智能化生产工艺 |
CN115496740A (zh) * | 2022-10-10 | 2022-12-20 | 湖北华鑫光电有限公司 | 基于卷积神经网络的镜片缺陷检测方法及其系统 |
CN115526865A (zh) * | 2022-09-30 | 2022-12-27 | 深圳市创瑞鑫科技有限公司 | 笔记本电脑的散热模块的绝缘性检验方法及其系统 |
CN115601318A (zh) * | 2022-10-10 | 2023-01-13 | 广东昱升个人护理用品股份有限公司(Cn) | 快吸收低反渗纸尿裤智能生产方法及其系统 |
CN115631176A (zh) * | 2022-11-02 | 2023-01-20 | 浙江理工大学 | 艺术设计教学系统及其方法 |
-
2023
- 2023-01-28 CN CN202310042742.XA patent/CN116051506B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022000225A1 (zh) * | 2020-06-30 | 2022-01-06 | 华为技术有限公司 | 一种卷积神经网络数据处理方法及其相关设备 |
CN112733750A (zh) * | 2021-01-14 | 2021-04-30 | 成都缘能缘彩网络科技有限公司 | 基于动态水流图像的污水处理检测的神经网络的训练方法 |
CN114092819A (zh) * | 2022-01-19 | 2022-02-25 | 成都四方伟业软件股份有限公司 | 一种图像分类方法及装置 |
CN115082390A (zh) * | 2022-06-10 | 2022-09-20 | 大畏机床(江苏)有限公司 | 可快速更换刨刀的龙门刨床及其方法 |
CN114825257A (zh) * | 2022-06-27 | 2022-07-29 | 江苏烨明光电有限公司 | Led灯检测的漏电保护装置及其漏电保护方法 |
CN114882021A (zh) * | 2022-07-07 | 2022-08-09 | 江苏中清先进电池制造有限公司 | 电池锂膜的高效加工方法及其系统 |
CN115239515A (zh) * | 2022-07-28 | 2022-10-25 | 德玛克(长兴)精密机械有限公司 | 用于机械部件的精密智能化加工制造系统及其制造方法 |
CN115311338A (zh) * | 2022-08-11 | 2022-11-08 | 浙江盛发纺织印染有限公司 | 军用帐篷内衬面料智能化生产系统及其方法 |
CN115393316A (zh) * | 2022-08-24 | 2022-11-25 | 维都利阀门有限公司 | 具有冲蚀状态监测系统的闪蒸阀及其监测方法 |
CN115471480A (zh) * | 2022-09-20 | 2022-12-13 | 宁波共振运动科技有限公司 | 提臀运动裤的智能化生产工艺 |
CN115471781A (zh) * | 2022-09-22 | 2022-12-13 | 美欣达欣环卫科技有限公司 | 智能垃圾分类系统及其分类方法 |
CN115526865A (zh) * | 2022-09-30 | 2022-12-27 | 深圳市创瑞鑫科技有限公司 | 笔记本电脑的散热模块的绝缘性检验方法及其系统 |
CN115496740A (zh) * | 2022-10-10 | 2022-12-20 | 湖北华鑫光电有限公司 | 基于卷积神经网络的镜片缺陷检测方法及其系统 |
CN115601318A (zh) * | 2022-10-10 | 2023-01-13 | 广东昱升个人护理用品股份有限公司(Cn) | 快吸收低反渗纸尿裤智能生产方法及其系统 |
CN115375691A (zh) * | 2022-10-26 | 2022-11-22 | 济宁九德半导体科技有限公司 | 基于图像的半导体扩散纸源缺陷检测系统及其方法 |
CN115631176A (zh) * | 2022-11-02 | 2023-01-20 | 浙江理工大学 | 艺术设计教学系统及其方法 |
Non-Patent Citations (1)
Title |
---|
刘伟森;方亦建;: "基于多尺度轻量级卷积网络的PCB裸板缺陷识别算法", 自动化与信息工程, no. 05 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116536906A (zh) * | 2023-05-11 | 2023-08-04 | 杭州探观科技有限公司 | 一种用于内裤的立体裁剪方法 |
CN116536906B (zh) * | 2023-05-11 | 2023-09-22 | 杭州探观科技有限公司 | 一种立体裁剪内裤的成型质量检测方法 |
CN116739868A (zh) * | 2023-07-05 | 2023-09-12 | 浙江星宸环境建设有限公司 | 基于人工智能的园林绿化管理系统及其方法 |
CN116739868B (zh) * | 2023-07-05 | 2024-04-23 | 浙江星宸环境建设有限公司 | 基于人工智能的园林绿化管理系统及其方法 |
CN116580029A (zh) * | 2023-07-12 | 2023-08-11 | 浙江海威汽车零件有限公司 | 铝合金铸造成品的质检管控系统及其方法 |
CN116580029B (zh) * | 2023-07-12 | 2023-10-13 | 浙江海威汽车零件有限公司 | 铝合金铸造成品的质检管控系统及其方法 |
CN117173100A (zh) * | 2023-07-31 | 2023-12-05 | 东莞市言科新能源有限公司 | 聚合物锂离子电池生产控制系统及其方法 |
CN117173100B (zh) * | 2023-07-31 | 2024-04-05 | 东莞市言科新能源有限公司 | 聚合物锂离子电池生产控制系统及其方法 |
CN117726574A (zh) * | 2023-09-13 | 2024-03-19 | 东莞市言科新能源有限公司 | 聚合物锂离子电池生产用封装系统及其方法 |
CN117726574B (zh) * | 2023-09-13 | 2024-04-26 | 东莞市言科新能源有限公司 | 聚合物锂离子电池生产用封装系统及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116051506B (zh) | 2023-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116051506B (zh) | 聚合物锂离子电池的智能化生产系统及其方法 | |
CN107909640B (zh) | 基于深度学习的人脸重光照方法及装置 | |
CN111340944B (zh) | 基于隐式函数和人体模板的单图像人体三维重建方法 | |
CN108317953A (zh) | 一种基于无人机的双目视觉目标表面3d检测方法及系统 | |
CN106485753B (zh) | 用于无人驾驶汽车的摄像机标定的方法和装置 | |
NZ761745A (en) | Systems and methods for analyzing cutaneous conditions | |
CN101610425B (zh) | 一种评测立体图像质量的方法和装置 | |
US20230206603A1 (en) | High-precision point cloud completion method based on deep learning and device thereof | |
CN107560592B (zh) | 一种用于光电跟踪仪联动目标的精确测距方法 | |
WO2021169404A1 (zh) | 深度图像生成方法、装置及存储介质 | |
CN107133986B (zh) | 一种基于二维标定物的相机标定方法 | |
EP3389014B1 (en) | Specularity determination from images | |
CN111582072A (zh) | 结合ResNet50+FPN+DCN的变电站图片鸟巢检测方法 | |
CN110674925B (zh) | 基于3d卷积神经网络的无参考vr视频质量评价方法 | |
CN113435282A (zh) | 基于深度学习的无人机影像麦穗识别方法 | |
CN115561243B (zh) | 锂电池制备中极片质量监测系统及其方法 | |
CN116071424A (zh) | 基于单目视觉的果实空间坐标定位方法 | |
CN115809986A (zh) | 一种多传感器融合的输电走廊智能外破检测方法 | |
CN112150518A (zh) | 一种基于注意力机制的图像立体匹配方法及双目设备 | |
CN116580330A (zh) | 一种基于双流网络的机考异常行为检测方法 | |
CN114820563A (zh) | 一种基于多视点立体视觉的工业部件尺寸估计方法及系统 | |
US20240005541A1 (en) | Image depth prediction method and electronic device | |
CN110610503B (zh) | 一种基于立体匹配的电力刀闸三维信息恢复方法 | |
CN113670268B (zh) | 基于双目视觉的无人机和电力杆塔距离测量方法 | |
CN111563895A (zh) | 一种图片清晰度确定方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |