CN116309576A - 一种锂电池焊缝缺陷检测方法、系统及存储介质 - Google Patents
一种锂电池焊缝缺陷检测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN116309576A CN116309576A CN202310565762.5A CN202310565762A CN116309576A CN 116309576 A CN116309576 A CN 116309576A CN 202310565762 A CN202310565762 A CN 202310565762A CN 116309576 A CN116309576 A CN 116309576A
- Authority
- CN
- China
- Prior art keywords
- defect
- point
- point cloud
- detection area
- detection
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 300
- 238000001514 detection method Methods 0.000 title claims abstract description 233
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 62
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 59
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000003466 welding Methods 0.000 claims abstract description 81
- 238000000034 method Methods 0.000 claims abstract description 59
- 238000001914 filtration Methods 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 239000013598 vector Substances 0.000 claims description 31
- 229910052782 aluminium Inorganic materials 0.000 claims description 26
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000009877 rendering Methods 0.000 claims description 4
- 230000001939 inductive effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 10
- 238000011179 visual inspection Methods 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 description 4
- 239000002893 slag Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 229910000733 Li alloy Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000001989 lithium alloy Substances 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 239000007773 negative electrode material Substances 0.000 description 1
- 239000011255 nonaqueous electrolyte Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 239000007774 positive electrode material Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000000126 substance Substances 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/64—Analysis of geometric attributes of convexity or concavity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20081—Training; Learning
-
- 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]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种锂电池焊缝缺陷检测方法、系统及存储介质,方法包括:S100.获取锂电池电芯的深度图像和2D灰度图,并进行滤波处理;S200.对滤波后的电芯深度图像进行缺陷检测区域的提取,得到各类缺陷对应的检测区域,检测区域至少包括凹凸缺陷检测区域、焊缝偏移检测区域、针孔缺陷检测区域其中之一;S300.根据深度图像,生成每个检测区域对应的三维线性点云;S400.分别对检测区域的深度图像及三维线性点云进行并行计算,以检测对应的缺陷。通过分别对不同检测区域检测不同类型的缺陷,实现了对锂电池缺陷的精细化自动检测,不需要依赖人工目检,能够快速、准确地提取锂电池缺陷,检测效果更佳,提高检测效率。
Description
技术领域
本发明涉及计算机视觉技术领域,特别是一种锂电池焊缝缺陷检测方法及其应用该方法的锂电池焊缝缺陷检测系统及计算机可读存储介质。
背景技术
锂电池是一类由锂金属或锂合金为正/负极材料、使用非水电解质溶液的电池。随着二十世纪微电子技术的发展,小型化的设备日益增多,对电源提出了很高的要求。因此,锂电池也随之进入了大规模的实用阶段,大量应用在手机、笔记本电脑、电动工具、电动车、路灯备用电源、航灯、家用小电器上。
由于锂金属的化学特性非常活泼,使得锂金属的加工、保存、使用,对环境要求非常高。目前,锂电池行业的焊缝缺陷检测主要是依赖目检人员的经验判断,或依靠视觉检测设备和人工目检相结合的方式进行缺陷检测。
对于人工目检,由于锂电池在焊接过程中产生的缺陷繁多、形态多样,导致人工目检难以清晰地界定多类不同的缺陷。并且,单纯依靠目检人员来判断锂电池焊缝缺陷,存在缺陷检测耗时长、检测结果存在极大的主观性,则容易导致同一个锂电池,在不同目检人员的判断下的检测结果却不一致,无法对产品的质检提供足够的保障。
对于依靠视觉检测设备进行缺陷检测,由于市面上的视觉检测设备对锂电池焊缝检测能力不足、大多局限于凹凸类缺陷的检测,因此面对焊缝偏移、针孔、细小尖刺、焊缝焊接不均等缺陷情况,无法进行有效的检测,只能选择依靠人工目检作为补充手段。
综上,现有技术中存在对于锂电池焊缝缺陷检测效果不佳、效率低下的问题。
发明内容
本发明的主要目的在于提供了一种锂电池焊缝缺陷检测方法系统及存储介质,旨在解决现有的锂电池焊缝缺陷检测方法检测效果不佳、效率低下的技术问题。
为实现上述目的,本发明提供了一种锂电池焊缝缺陷检测方法,其包括以下步骤:S100.获取锂电池电芯的深度图像和2D灰度图,并进行滤波处理;S200.对滤波后的电芯深度图像进行缺陷检测区域的提取,得到各类缺陷对应的检测区域,检测区域至少包括凹凸缺陷检测区域、焊缝偏移检测区域、针孔缺陷检测区域其中之一;S300.根据深度图像,生成每个检测区域对应的三维线性点云;S400.分别对检测区域的深度图像及三维线性点云进行并行计算,以检测对应的缺陷,S400至少包括以下步骤其中之一:S410.基于快速凸包算法以及基于欧氏距离的最近邻搜索方法,对凹凸缺陷检测区域进行检测;S420.基于AI缺陷检测与3D缺陷检测,对焊缝偏移检测区域进行检测;S430.基于快速凸包算法以及YOLO目标检测网络模型,对针孔缺陷检测区域进行检测。
可选的,所述步骤S100中,滤波处理具体为均值滤波处理。
可选的,步骤S300在根据深度图像生成点云时,遍历深度图像的每一行与每一列,将每一行像素转为点云,并分开存放,得到每个检测区域的三维单行点云集合。
可选的,所述步骤S410至少包括如下步骤:S411.基于快速凸包算法,将三维线性点云转换为面片结构,并在凸包上进行均匀采样,生成与焊缝点云点数相同的凸包点云;S412.获取凸包点云中与焊缝点云中每一点的最近邻点,并计算焊缝点云中每一点与其对应的最近邻点之间的距离;S413.判断焊缝点云中每一点与其对应的最近邻点之间的距离是否大于第一预设阈值,若是,则视为缺陷点,若否,则视为非缺陷点;S414.通过基于欧氏距离的最近邻搜索方法分割缺陷点,将缺陷点的点云分割至同一个集合内,形成缺陷点集。
可选的,所述步骤S420至少包括如下步骤:S421.计算深度图像上每一点对应的曲率数值,得到曲率图像;S422.根据曲率数值和图像深度对2D灰度图进行颜色渲染处理,形成伪彩色图,用于AI模型的识别训练,AI模型通过训练学习预先收集的缺陷数据集,以检测焊缝偏移缺陷,得到AI缺陷检测结果;S423.计算焊缝偏移检测区域点云的法向量和曲率值,并将焊缝偏移检测区域点云进行重新排序,得到有序点云;获取单行点云的法向量夹角的最大值和曲率变化平均值,并判断法向量夹角的最大值是否大于第二预设阈值,以及曲率变化平均值是否大于第三预设阈值,若是,则保留该行点云并将其作为可疑缺陷点云,若否,则视为不存在可疑缺陷点云;S424.对焊缝偏移检测区域的每一行点云分别进行圆拟合,得到圆心、半径以及焊缝高度分布情况,根据预设合格参数过滤合格的圆,并对步骤S423中被判定为可疑缺陷点云进行二次判断,若同一行点云被判定为合格的圆,则将所述可疑缺陷点云归纳为合格点云;S425.将所有合格点云通过圆拟合计算得到的圆心作为焊枪的假想轨迹,判断假想轨迹是否笔直,若是,则焊接轨迹正常,若否,则焊接轨迹偏移,得到3D缺陷检测结果,执行步骤S426;S426.根据直线拟合,计算每一点圆心与直线的距离,并将计算结果作为偏移量,选取偏移量中的最大值作为焊缝偏移输出值;S427.将步骤S422得到的AI缺陷检测结果与步骤S425得到的3D缺陷检测结果进行合并,保留相同缺陷结果至同一集合内,得到缺陷点集。
可选的,步骤S424中的圆拟合或步骤S426中直线拟合的具体包括如下步骤:步骤a.输入待拟合点云;步骤b.随机选取m个数据点;步骤c.根据m个数据点,计算得到圆模型或直线模型;步骤d.遍历待拟合点云,计算每一点到圆模型或直线模型的距离;步骤e.判断距离是否大于预设距离阈值,若距离大于预设距离阈值,则该点不属于圆模型或直线模型内的点;若距离小于或等于预设距离阈值,则该点属于圆模型或直线模型内的点;步骤f.判断圆模型或直线模型内的点数是否大于预设点数阈值,若圆模型或直线模型内的点数大于预设点数阈值,则选取所有属于圆模型或直线模型内的点作为数据点,重新计算模型,若圆模型或直线模型内的点数小于或等于预设点数阈值,则返回步骤b。
可选的,所述步骤S430至少包括如下步骤:S431.提取锂电池铝壳面点云,通过快速凸包算法,得到铝壳面点云的凸包;S432.判断凸包中是否存在高于铝壳平面或低于铝壳平面的顶点,若是,则执行步骤S433,若否,则视为不存在缺陷点;S433.以顶点作为圆心,将预设半径范围内的点均作为第一类可疑缺陷点云;S434.计算第一类可疑缺陷点云的法向量夹角和曲率特征,并基于区域生长的聚类算法,获取第二类可疑缺陷点云;S435.对比两类缺陷点云并保留相同的点云,形成缺陷点集;S436.根据缺陷点云包围盒计算缺陷信息,并根据缺陷点云在2D图像上分割出缺陷对应的位置区域,将其输入YOLO目标检测网络模型中,进行缺陷检测;S437.根据YOLO目标检测网络模型的置信度和缺陷信息,综合判断该位置区域的缺陷检测分数,并判断缺陷检测分数是否大于第四预设阈值,若是,则视为存在实际缺陷,若否,则视为不存在实际缺陷。
可选的,基于区域生长的聚类算法,获取第二类可疑缺陷点云,具体为:将铝壳面点云视为光滑的平面点云,并计算铝壳面点云所有点的法向量和曲率值;随机选取铝壳面点云中的任意一点作为初始点,依次比较初始点与其余点之间的法向量夹角和曲率差值,判断法向量夹角是否大于第五预设阈值,以及曲率差值是否大于第六预设阈值;若法向量夹角小于或等于第五预设阈值,且曲率差值小于或等于第六预设阈值的点为同类点,将同类点归类至聚类集合内;将法向量夹角大于第五预设阈值,且曲率差值大于第六预设阈值的点归类为第二类可疑缺陷点云。
与所述锂电池焊缝缺陷检测方法相对应的,本发明提供一种锂电池焊缝缺陷检测系统,其包括:图像获取模块,用于获取锂电池电芯的深度图像和2D灰度图,并进行滤波处理;检测区域提取模块,用于对滤波后的电芯深度图像进行缺陷检测区域的提取,得到各类缺陷对应的检测区域,检测区域至少包括凹凸缺陷检测区域、焊缝偏移检测区域、针孔缺陷检测区域其中之一;点云生成模块,用于根据深度图像,生成每个检测区域对应的三维线性点云;缺陷检测模块,用于分别对检测区域的深度图像及三维线性点云进行并行计算,以检测对应的缺陷,至少包括凹凸缺陷检测模块、焊缝偏移检测模块、针孔缺陷检测模块其中之一;凹凸缺陷检测模块,用于基于快速凸包算法以及基于欧氏距离的最近邻搜索方法,对凹凸缺陷检测区域进行检测;焊缝偏移检测模块,用于基于AI缺陷检测与3D缺陷检测,对焊缝偏移检测区域进行检测;针孔缺陷检测模块,用于基于快速凸包算法以及YOLO目标检测网络模型,对针孔缺陷检测区域进行检测。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有锂电池焊缝缺陷检测程序,所述程序被处理器执行时实现如上文所述的锂电池焊缝缺陷检测方法的步骤。
本发明的有益效果是:
(1)通过缺陷检测区域的提取,分别对不同检测区域检测不同类型的缺陷,基本能够覆盖业内对锂电池焊缝检测的需求,实现了新能源行业对电池焊缝的质量检测要求,不需要依赖人工目检,实现了对锂电池缺陷的精细化自动检测,能够快速、准确地提取电芯缺陷,检测效果更佳,并且节约人力成本,提高检测效率;
(2)在深度图像上进行均值滤波,算法复杂度低于三维点云,能够节省算法运行时间;由于电芯的深度图像中会存在一些微小的噪点(例如小毛刺等),因此采用均值滤波的方式能够有效地去除噪点,减少对后续缺陷检测步骤的干扰;
(3)由于点云存在无序性,因此在根据深度图像生成点云时,根据二维的深度图像行列排布,将点云按行存放,以得到有序点云;
(4)通过对凹凸缺陷检测区域的检测,能够准确判断焊缝上是否有凹型缺陷或凸起缺陷,进一步通过基于欧氏距离的最近邻搜索方法分割缺陷点,能够快速得到缺陷点集;
(5)通过对焊缝偏移检测区域的检测,能够实现对焊缝偏移缺陷的自动化检测,通过3D与AI共同检测的方式,进一步提高检测效果与准确率;
(6)通过对针孔缺陷检测区域的检测,能够准确地界定电芯焊接过程中易产生的熔渣、针孔、细微尖刺等细小缺陷,通过3D点云初步定位为缺陷,AI模型辅助判定的策略,能够对针孔缺陷检测区域进行综合判定,进一步提高检测效果、准确率与效率。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明锂电池焊缝缺陷检测方法的流程简图;
图2为本发明圆拟合或直线拟合的具体步骤的流程简图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明的一种锂电池焊缝缺陷检测方法,其包括以下步骤:S100.获取锂电池电芯的深度图像和2D灰度图,并进行滤波处理;S200.对滤波后的电芯深度图像进行缺陷检测区域的提取,得到各类缺陷对应的检测区域,检测区域至少包括凹凸缺陷检测区域、焊缝偏移检测区域、针孔缺陷检测区域其中之一;S300.根据深度图像,生成每个检测区域对应的三维线性点云;S400.分别对检测区域的深度图像及三维线性点云进行并行计算,以检测对应的缺陷,S400至少包括以下步骤其中之一:S410.基于快速凸包算法以及基于欧氏距离的最近邻搜索方法,对凹凸缺陷检测区域进行检测;S420.基于AI缺陷检测与3D缺陷检测,对焊缝偏移检测区域进行检测;S430.基于快速凸包算法以及YOLO目标检测网络模型,对针孔缺陷检测区域进行检测。
本发明通过缺陷检测区域的提取,分别对不同检测区域检测不同类型的缺陷,基本能够覆盖业内对锂电池焊缝检测的需求,实现了新能源行业对电池焊缝的质量检测要求,以及对锂电池缺陷的精细化自动检测,不需要依赖人工目检,能够快速、准确地提取电芯缺陷,检测效果更佳,并且节约人力成本,提高检测效率。
在本实施例中,步骤S100中,滤波处理具体为均值滤波处理。
本发明通过在二维的深度图像上进行均值滤波,算法复杂度低于三维点云,能够节省算法运行时间;由于电芯的深度图像中会存在一些微小的噪点(例如小毛刺等),因此采用均值滤波的方式能够有效地去除噪点,能够减少对后续缺陷检测步骤的干扰。
在本实施例中,步骤S300在根据深度图像生成点云时,遍历深度图像的每一行与每一列,将每一行像素转为点云,并分开存放,得到每个检测区域的三维单行点云集合。由于深度图像以行列分布存放像素,因此遍历深度图像的每一行每一列,并将每一行深度图像的像素转为点云,每一个行点云可以视为一个单独的点云,点云的内部排序依靠图像的列。例如:深度图像的第一行第一列即为第一个行点云的第一个点,图像第二行第一列是第二个行点云的第一个点,以此类推。
由于点云存在无序性,因此本发明在根据深度图像生成点云时,根据深度图像行列排布,将点云按行存放,以得到有序点云。
凹凸缺陷检测和焊缝偏移检测是专门针对焊缝的检测,由于在焊接过程中容易因为能量变化、焊枪设备不稳定、预设轨迹偏差等问题导致焊缝出现凹凸不平或焊接不充分的情况出现。
在本实施例中,步骤S410至少包括如下步骤:S411.基于快速凸包算法,将三维线性点云转换为面片结构,并在凸包上进行均匀采样,生成与焊缝点云点数相同的凸包点云;S412.获取凸包点云中与焊缝点云中每一点的最近邻点,并计算焊缝点云中每一点与其对应的最近邻点之间的距离;S413.判断焊缝点云中每一点与其对应的最近邻点之间的距离是否大于第一预设阈值,若是,则视为缺陷点,若否,则视为非缺陷点;S414.通过基于欧氏距离的最近邻搜索方法分割缺陷点,将缺陷点的点云分割至同一个集合内,形成缺陷点集。
本发明通过对凹凸缺陷检测区域的检测,能够准确判断焊缝上是否有凹型缺陷或凸起缺陷,若焊缝上有凹型缺陷或凸起缺陷,则在此处缺陷上会与凸包点云形成高度差,造成在缺陷处凸包点云高于焊缝点云的情况;因此进一步结合第一预设阈值,能够快速获取缺陷点。
由于所获得缺陷点在空间上是无序点云,无法构成一个集合。空间中单独的一个缺陷点无法计算长、宽、高等缺陷物理属性。因此再通过基于欧氏距离的最近邻搜索方法分割缺陷点,能够快速得到缺陷点集。
在本实施例中,步骤S420至少包括如下步骤:S421.计算深度图像上每一点对应的曲率数值,得到曲率图像;S422.根据曲率数值和图像深度对2D灰度图进行颜色渲染处理,形成伪彩色图,用于AI模型的识别训练,AI模型通过训练学习预先收集的缺陷数据集,以检测焊缝偏移缺陷,得到AI缺陷检测结果;S423.计算焊缝偏移检测区域点云的法向量和曲率值,并将焊缝偏移检测区域点云进行重新排序,得到有序点云;获取单行点云的法向量夹角的最大值和曲率变化平均值,并判断法向量夹角的最大值是否大于第二预设阈值,以及曲率变化平均值是否大于第三预设阈值,若是,则保留该行点云并将其作为可疑缺陷点云,若否,则视为不存在可疑缺陷点云;S424.对焊缝偏移检测区域的每一行点云分别进行圆拟合,得到圆心、半径以及焊缝高度分布情况,根据预设合格参数过滤合格的圆,并对步骤S423中被判定为可疑缺陷点云进行二次判断,若同一行点云被判定为合格的圆,则将所述可疑缺陷点云归纳为合格点云;S425.将所有合格点云通过圆拟合计算得到的圆心作为焊枪的假想轨迹,判断假想轨迹是否笔直,若是,则焊接轨迹正常,若否,则焊接轨迹偏移,得到3D缺陷检测结果,执行步骤S426;S426.根据直线拟合,计算每一点圆心与直线的距离,并将计算结果作为偏移量,选取偏移量中的最大值作为焊缝偏移输出值;S427.将步骤S422得到的AI缺陷检测结果与步骤S425得到的3D缺陷检测结果进行合并,保留相同缺陷结果至同一集合内,得到缺陷点集。
由于灰度图上只有灰度数值信息,伪彩色图在保留灰度信息的基础上,还可以通过伪彩的深浅及不同的颜色来识别焊缝特征,因此对2D灰度图进行颜色渲染处理,形成伪彩色图更有易于AI模型训练。
优选的,将焊缝偏移检测区域点云进行重新排序,得到有序点云,具体为根据深度图像的行列分布,将每一行像素转为对应的一行点云,分别存放,得到有序点云。
焊枪在焊接中会形成圆弧形态的焊缝,正常情况下,焊缝曲率数值相近,不存在曲率突变的情况,焊面圆滑且高于顶盖面区域,而对于具有焊缝偏移缺陷的焊缝,焊缝易呈现尖锐边缘或平直焊缝,曲率前后变化较大,因此可针对这一特性,计算单行点云最大曲率值和最小曲率值的差值,依据单行点数求取曲率变化平均值,再进行可疑缺陷点云检测,以及圆拟合,等到圆心、半径、焊缝高度分布情况,再根据预设合格参数就能过滤合格的圆,为后续判定焊接轨迹是否正常打下基础。
圆拟合为二维的拟合,因此步骤S424中需要对焊缝偏移检测区域的每一行点云分别进行圆拟合,此时点云输入信息为x、z两个方向信息,圆的个数与点云的行数相对应,有多少行点云,就会得到多少个圆。
优选的,预设合格参数至少包括预设半径阈值、预设焊接高度分布要求,通过判断半径是否满足预设半径阈值,焊缝高度分布是否符合预设参数要求,即可过滤合格的圆。
在本实施例中,曲率变化是指一行点云的曲率变化趋势,通过计算这一行点云的曲率值得到曲率变化趋势,再取这一行点云曲率值的平均值即可得到曲率变化平均值。
步骤S424中的圆拟合或步骤S426中直线拟合的具体包括如下步骤:步骤a.输入待拟合点云;步骤b.随机选取m个数据点;步骤c.根据m个数据点,计算得到圆模型或直线模型;步骤d.遍历待拟合点云,计算每一点到圆模型或直线模型的距离;步骤e.判断距离是否大于预设距离阈值,若距离大于预设距离阈值,则该点不属于圆模型或直线模型内的点;若距离小于或等于预设距离阈值,则该点属于圆模型或直线模型内的点;步骤f.判断圆模型或直线模型内的点数是否大于预设点数阈值,若圆模型或直线模型内的点数大于预设点数阈值,则选取所有属于圆模型或直线模型内的点作为数据点,重新计算模型,若圆模型或直线模型内的点数小于或等于预设点数阈值,则返回步骤b。
圆模型是由圆拟合计算得出的圆心和半径所作的标准圆,步骤d中计算每一点到圆模型的距离,以此作为是否和标准圆相近的判断依据。优选为计算每一点与标准圆的最近点之间的距离,或者计算每一点到圆心的距离。
本发明对于焊缝偏移缺陷,采用3D与AI共同检测的方式,通过YOLO目标检测网络模型进行缺陷数据训练,传统的采用灰度图训练的方式,所能获得的数据信息有限,学习得到的特征较为抽象,无法与2D图像处理技术一样,得到曲率、梯度等更丰富的信息,针对缺陷形态多样的焊缝检测,效果不佳;而本发明能够实现对焊缝偏移缺陷的自动化检测,不仅能在2D上捕捉缺陷的灰度、深度等特征信息以及缺陷的范围、尺度等量化信息外,还可以获取焊缝的曲率分布信息作为学习数据,通过3D与AI共同检测的方式,进一步提高检测效果与准确率。
在本实施例中,步骤S430至少包括如下步骤:S431.提取锂电池铝壳面点云,通过快速凸包算法,得到铝壳面点云的凸包;S432.判断凸包中是否存在高于铝壳平面或低于铝壳平面的顶点,若是,则执行步骤S433,若否,则视为不存在缺陷点;S433.以顶点作为圆心,将预设半径范围内的点均作为第一类可疑缺陷点云;S434.计算第一类可疑缺陷点云的法向量夹角和曲率特征,并基于区域生长的聚类算法,获取第二类可疑缺陷点云;S435.对比两类缺陷点云并保留相同的点云,形成缺陷点集;S436.根据缺陷点云包围盒计算缺陷信息,并根据缺陷点云在2D图像上分割出缺陷对应的位置区域,将其输入YOLO目标检测网络模型中,进行缺陷检测;S437.根据YOLO目标检测网络模型的置信度和缺陷信息,综合判断该位置区域的缺陷检测分数,并判断缺陷检测分数是否大于第四预设阈值,若是,则视为存在实际缺陷,若否,则视为不存在实际缺陷。
在本实施例中,步骤S436中根据缺陷点云在2D图像上分割出缺陷对应的位置区域,具体为根据缺陷点云中每一点的X、Y坐标,通过相机分辨率计算出对应的2D图像上的像素位置,从而分割出缺陷对应的位置区域。
优选的,预设半径范围为0.5mm。
由于焊接工艺的问题和设备清洁度问题,电芯焊接过程中易产生熔渣、针孔、细微尖刺等,针孔缺陷易导致电芯漏液造成严重安全事故,而熔渣、尖刺会掩盖缺陷,或对后续的电芯包装造成阻碍。这类缺陷往往较为细小,分布位置广泛,难以准确界定。若采用2D图像技术进行检测,容易在滤波过程中模糊掉缺陷特征,出现漏杀情况。另外,在工业生产中,缺陷图片收集困难,样本不足,易导致AI模型训练不充分,误判率高。
因此,本发明通过3D点云初步定位为缺陷,AI模型辅助判定的策略,能够准确地界定电芯焊接过程中易产生的熔渣、针孔、细微尖刺等细小缺陷。
常见的锂电池外壳有三部分组成:外围包裹的铝壳面、上方封顶的顶盖面、焊接形成的焊缝。针孔、细微尖刺等缺陷往往会出现在铝壳面上,电芯铝壳面通常会经过辊压,所得到的凸包常规下应为平整的长方体,受到细微焊刺和针孔影响,凸包会出现高于铝壳平面或低于铝壳平面的顶。
本发明通过初步定位与辅助判定,能够对针孔缺陷检测区域进行综合判定,进一步提高检测效果、准确率与效率。
在本实施例中,基于区域生长的聚类算法,获取第二类可疑缺陷点云,具体为:将铝壳面点云视为光滑的平面点云,并计算铝壳面点云所有点的法向量和曲率值;随机选取铝壳面点云中的任意一点作为初始点,依次比较初始点与其余点之间的法向量夹角和曲率差值,判断法向量夹角是否大于第五预设阈值,以及曲率差值是否大于第六预设阈值;若法向量夹角小于或等于第五预设阈值,且曲率差值小于或等于第六预设阈值的点为同类点,将同类点归类至聚类集合内;将法向量夹角大于第五预设阈值,且曲率差值大于第六预设阈值的点归类为第二类可疑缺陷点云。
上述基于区域生长的聚类算法与步骤S423的差异点在于:步骤S423采用的是区域内多点的比较方法;上述基于区域生长的聚类算法,获取第二类可疑缺陷点云,采用的是点对点的比较,因此不需要获取法向量夹角的最大值,只需要计算两个点的法向量夹角。上述基于区域生长的聚类算法是用于寻找同类点,对于平面而言,邻近点的法向量夹角极小,法向量趋于一致,相应的曲率值也是趋于一致,因此,可以通过上述方法得到正常的平面点云,而对于超出阈值的部分,即可视为可疑缺陷点云。
在本实施例中,锂电池焊缝缺陷检测方法还包括步骤S500.获取不同类型的缺陷点云,计算缺陷的二次检测参数,确认锂电池是否存在对应缺陷,具体包括如下步骤:S510.获取不同类型的缺陷点云,计算缺陷点集的空间包围盒;S520.基于缺陷点集的空间包围盒,计算缺陷的二次检测参数,二次检测参数至少包括缺陷点集的长、宽、高、投影面面积、曲率值,计算过程具体为:计算空间包围盒的长、宽、高,并将计算结果作为缺陷点集的长、宽、高;计算缺陷点集的二维投影面的面积,以及缺陷点集每个点的曲率值,对所有点的曲率值进行求和后取平均值,并将计算结果作为缺陷点集的曲率值;S530.根据项目规格书以及缺陷点集的二次检测参数的对应阈值,判断二次检测参数是否同时大于对应阈值,若是,则确认锂电池存在对应缺陷,若否,则判定锂电池不存在对应缺陷。
优选的,缺陷点集的曲率值还可以通过最大曲率值进行把控,具体为计算缺陷点集每个点的曲率值,并取最大值,将该最大值作为缺陷点集的曲率值。
由于客户对缺陷的规格会有具体的要求,对于不同规格的缺陷通常需要采取不同的措施,对于比较小的缺陷也可以当成OK品。因此,本发明通过计算二次检测参数,对缺陷点集进行二次检测,确认锂电池是否存在对应缺陷,对误判率进一步进行把控,降低误判率。
与锂电池焊缝缺陷检测方法相对应的,本发明提供一种锂电池焊缝缺陷检测系统,其包括:图像获取模块,用于获取锂电池电芯的深度图像和2D灰度图,并进行滤波处理;检测区域提取模块,用于对滤波后的电芯深度图像进行缺陷检测区域的提取,得到各类缺陷对应的检测区域,检测区域至少包括凹凸缺陷检测区域、焊缝偏移检测区域、针孔缺陷检测区域其中之一;点云生成模块,用于根据深度图像,生成每个检测区域对应的三维线性点云;缺陷检测模块,用于分别对检测区域的深度图像及三维线性点云进行并行计算,以检测对应的缺陷,至少包括凹凸缺陷检测模块、焊缝偏移检测模块、针孔缺陷检测模块其中之一;凹凸缺陷检测模块,用于基于快速凸包算法以及基于欧氏距离的最近邻搜索方法,对凹凸缺陷检测区域进行检测;焊缝偏移检测模块,用于基于AI缺陷检测与3D缺陷检测,对焊缝偏移检测区域进行检测;针孔缺陷检测模块,用于基于快速凸包算法以及YOLO目标检测网络模型,对针孔缺陷检测区域进行检测。
本发明实施例还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中的存储器中所包含的计算机可读存储介质;也可以是单独存在,未装配入设备中的计算机可读存储介质。计算机可读存储介质上存储有锂电池焊缝缺陷检测程序,该程序被处理器执行时实现如上文的锂电池焊缝缺陷检测方法的步骤。所述计算机可读存储介质可以是只读存储器,磁盘或光盘等。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置实施例、设备实施例及存储介质实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
并且,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
上述说明示出并描述了本发明的优选实施例,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文发明构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (10)
1.一种锂电池焊缝缺陷检测方法,其特征在于,包括以下步骤:
S100.获取锂电池电芯的深度图像和2D灰度图,并进行滤波处理;
S200.对滤波后的电芯深度图像进行缺陷检测区域的提取,得到各类缺陷对应的检测区域,检测区域至少包括凹凸缺陷检测区域、焊缝偏移检测区域、针孔缺陷检测区域其中之一;
S300.根据深度图像,生成每个检测区域对应的三维线性点云;
S400.分别对检测区域的深度图像及三维线性点云进行并行计算,以检测对应的缺陷,S400至少包括以下步骤其中之一:
S410.基于快速凸包算法以及基于欧氏距离的最近邻搜索方法,对凹凸缺陷检测区域进行检测;
S420.基于AI缺陷检测与3D缺陷检测,对焊缝偏移检测区域进行检测;
S430.基于快速凸包算法以及YOLO目标检测网络模型,对针孔缺陷检测区域进行检测。
2.根据权利要求1所述的一种锂电池焊缝缺陷检测方法,其特征在于:所述步骤S100中,滤波处理具体为均值滤波处理。
3.根据权利要求1所述的一种锂电池焊缝缺陷检测方法,其特征在于:
步骤S300在根据深度图像生成点云时,遍历深度图像的每一行与每一列,将每一行像素转为点云,并分开存放,生成每个检测区域对应的三维单行点云集合。
4.根据权利要求1所述的一种锂电池焊缝缺陷检测方法,其特征在于:所述步骤S410至少包括如下步骤:
S411.基于快速凸包算法,将三维线性点云转换为面片结构,并在凸包上进行均匀采样,生成与焊缝点云点数相同的凸包点云;
S412.获取凸包点云中与焊缝点云中每一点的最近邻点,并计算焊缝点云中每一点与其对应的最近邻点之间的距离;
S413.判断焊缝点云中每一点与其对应的最近邻点之间的距离是否大于第一预设阈值,若是,则视为缺陷点,若否,则视为非缺陷点;
S414.通过基于欧氏距离的最近邻搜索方法分割缺陷点,将缺陷点的点云分割至同一个集合内,形成缺陷点集。
5.根据权利要求1所述的一种锂电池焊缝缺陷检测方法,其特征在于:所述步骤S420至少包括如下步骤:
S421.计算深度图像上每一点对应的曲率数值,得到曲率图像;
S422.根据曲率数值和图像深度对2D灰度图进行颜色渲染处理,形成伪彩色图,用于AI模型的识别训练,AI模型通过训练学习预先收集的缺陷数据集,以检测焊缝偏移缺陷,得到AI缺陷检测结果;
S423.计算焊缝偏移检测区域点云的法向量和曲率值,并将焊缝偏移检测区域点云进行重新排序,得到有序点云;获取单行点云的法向量夹角的最大值和曲率变化平均值,并判断法向量夹角的最大值是否大于第二预设阈值,以及曲率变化平均值是否大于第三预设阈值,若是,则保留该行点云并将其作为可疑缺陷点云,若否,则视为不存在可疑缺陷点云;
S424.对焊缝偏移检测区域的每一行点云分别进行圆拟合,得到圆心、半径以及焊缝高度分布情况,根据预设合格参数过滤合格的圆,并对步骤S423中被判定为可疑缺陷点云进行二次判断,若同一行点云被判定为合格的圆,则将所述可疑缺陷点云归纳为合格点云;
S425.将所有合格点云通过圆拟合计算得到的圆心作为焊枪的假想轨迹,判断假想轨迹是否笔直,若是,则焊接轨迹正常,若否,则焊接轨迹偏移,得到3D缺陷检测结果,执行步骤S426;
S426.根据直线拟合,计算每一点圆心与直线的距离,并将计算结果作为偏移量,选取偏移量中的最大值作为焊缝偏移输出值;
S427.将步骤S422得到的AI缺陷检测结果与步骤S425得到的3D缺陷检测结果进行合并,保留相同缺陷结果至同一集合内,得到缺陷点集。
6.根据权利要求5所述的一种锂电池焊缝缺陷检测方法,其特征在于:步骤S424中的圆拟合或步骤S426中直线拟合的具体包括如下步骤:
步骤a.输入待拟合点云;
步骤b.随机选取m个数据点;
步骤c.根据m个数据点,计算得到圆模型或直线模型;
步骤d.遍历待拟合点云,计算每一点到圆模型或直线模型的距离;
步骤e.判断距离是否大于预设距离阈值,若距离大于预设距离阈值,则该点不属于圆模型或直线模型内的点;若距离小于或等于预设距离阈值,则该点属于圆模型或直线模型内的点;
步骤f.判断圆模型或直线模型内的点数是否大于预设点数阈值,若圆模型或直线模型内的点数大于预设点数阈值,则选取所有属于圆模型或直线模型内的点作为数据点,重新计算模型,若圆模型或直线模型内的点数小于或等于预设点数阈值,则返回步骤b。
7.根据权利要求1所述的一种锂电池焊缝缺陷检测方法,其特征在于:所述步骤S430至少包括如下步骤:
S431.提取锂电池铝壳面点云,通过快速凸包算法,得到铝壳面点云的凸包;
S432.判断凸包中是否存在高于铝壳平面或低于铝壳平面的顶点,若是,则执行步骤S433,若否,则视为不存在缺陷点;
S433.以顶点作为圆心,将预设半径范围内的点均作为第一类可疑缺陷点云;
S434.计算第一类可疑缺陷点云的法向量夹角和曲率特征,并基于区域生长的聚类算法,获取第二类可疑缺陷点云;
S435.对比两类缺陷点云并保留相同的点云,形成缺陷点集;
S436.根据缺陷点云包围盒计算缺陷信息,并根据缺陷点云在2D图像上分割出缺陷对应的位置区域,将其输入YOLO目标检测网络模型中,进行缺陷检测;
S437.根据YOLO目标检测网络模型的置信度和缺陷信息,综合判断该位置区域的缺陷检测分数,并判断缺陷检测分数是否大于第四预设阈值,若是,则视为存在实际缺陷,若否,则视为不存在实际缺陷。
8.根据权利要求7所述的一种锂电池焊缝缺陷检测方法,其特征在于:基于区域生长的聚类算法,获取第二类可疑缺陷点云,具体为:
将铝壳面点云视为光滑的平面点云,并计算铝壳面点云所有点的法向量和曲率值;
随机选取铝壳面点云中的任意一点作为初始点,依次比较初始点与其余点之间的法向量夹角和曲率差值,判断法向量夹角是否大于第五预设阈值,以及曲率差值是否大于第六预设阈值;
若法向量夹角小于或等于第五预设阈值,且曲率差值小于或等于第六预设阈值的点为同类点,将同类点归类至聚类集合内;将法向量夹角大于第五预设阈值,且曲率差值大于第六预设阈值的点归类为第二类可疑缺陷点云。
9.一种锂电池焊缝缺陷检测系统,其特征在于,包括:
图像获取模块,用于获取锂电池电芯的深度图像和2D灰度图,并进行滤波处理;
检测区域提取模块,用于对滤波后的电芯深度图像进行缺陷检测区域的提取,得到各类缺陷对应的检测区域,检测区域至少包括凹凸缺陷检测区域、焊缝偏移检测区域、针孔缺陷检测区域其中之一;
点云生成模块,用于根据深度图像,生成每个检测区域对应的三维线性点云;
缺陷检测模块,用于分别对检测区域的深度图像及三维线性点云进行并行计算,以检测对应的缺陷,至少包括凹凸缺陷检测模块、焊缝偏移检测模块、针孔缺陷检测模块其中之一;
凹凸缺陷检测模块,用于基于快速凸包算法以及基于欧氏距离的最近邻搜索方法,对凹凸缺陷检测区域进行检测;
焊缝偏移检测模块,用于基于AI缺陷检测与3D缺陷检测,对焊缝偏移检测区域进行检测;
针孔缺陷检测模块,用于基于快速凸包算法以及YOLO目标检测网络模型,对针孔缺陷检测区域进行检测。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有锂电池焊缝缺陷检测程序,该程序被处理器执行时实现如权利要求1至8任一项所述的锂电池焊缝缺陷检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310565762.5A CN116309576B (zh) | 2023-05-19 | 2023-05-19 | 一种锂电池焊缝缺陷检测方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310565762.5A CN116309576B (zh) | 2023-05-19 | 2023-05-19 | 一种锂电池焊缝缺陷检测方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116309576A true CN116309576A (zh) | 2023-06-23 |
CN116309576B CN116309576B (zh) | 2023-09-08 |
Family
ID=86781927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310565762.5A Active CN116309576B (zh) | 2023-05-19 | 2023-05-19 | 一种锂电池焊缝缺陷检测方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116309576B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116542967A (zh) * | 2023-06-29 | 2023-08-04 | 厦门微图软件科技有限公司 | 一种锂电池极柱缺陷的检测方法、装置以及设备 |
CN116699428A (zh) * | 2023-08-08 | 2023-09-05 | 深圳市杰成镍钴新能源科技有限公司 | 退役电池的缺陷检测方法及装置 |
CN116721104A (zh) * | 2023-08-10 | 2023-09-08 | 武汉大学 | 实景三维模型缺陷检测方法、装置、电子设备及存储介质 |
CN117054334A (zh) * | 2023-07-21 | 2023-11-14 | 常州超音速智能装备有限公司 | 一种基于多相机的顶盖焊缺陷质量检测方法及系统 |
CN117252883A (zh) * | 2023-11-20 | 2023-12-19 | 宁德时代新能源科技股份有限公司 | 焊接缺陷检测方法、装置和存储介质 |
CN117607154A (zh) * | 2023-12-27 | 2024-02-27 | 惠州学院 | 一种锂电池焊接缺陷检测方法及系统 |
CN117649406A (zh) * | 2024-01-29 | 2024-03-05 | 宁德时代新能源科技股份有限公司 | 密封钉焊接缺陷检测方法、装置、设备及存储介质 |
CN118071758A (zh) * | 2024-04-25 | 2024-05-24 | 苏州杰锐思智能科技股份有限公司 | Ccs电池盖板镍片偏移缺陷的检测方法、装置及电子设备 |
CN118275450A (zh) * | 2024-05-30 | 2024-07-02 | 菲特(天津)检测技术有限公司 | 焊缝检测方法和装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180211373A1 (en) * | 2017-01-20 | 2018-07-26 | Aquifi, Inc. | Systems and methods for defect detection |
CN114119534A (zh) * | 2021-11-24 | 2022-03-01 | 易思维(杭州)科技有限公司 | 一种基于三维点云的焊缝缺陷检测方法 |
CN114119464A (zh) * | 2021-10-08 | 2022-03-01 | 厦门微亚智能科技有限公司 | 一种基于深度学习的锂电池电芯顶盖焊缝外观检测算法 |
US20220198647A1 (en) * | 2021-02-09 | 2022-06-23 | Nanjing University Of Aeronautics And Astronautics | Method for detecting and recognizing surface defects of automated fiber placement composite based on image converted from point cloud |
CN115239625A (zh) * | 2022-06-21 | 2022-10-25 | 厦门微图软件科技有限公司 | 顶盖焊点云缺陷检测方法、装置、设备及存储介质 |
CN115601359A (zh) * | 2022-12-12 | 2023-01-13 | 广州超音速自动化科技股份有限公司(Cn) | 一种焊缝检测方法及装置 |
CN115797354A (zh) * | 2023-02-09 | 2023-03-14 | 厦门微亚智能科技有限公司 | 用于检测激光焊接焊缝外观缺陷的方法 |
-
2023
- 2023-05-19 CN CN202310565762.5A patent/CN116309576B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180211373A1 (en) * | 2017-01-20 | 2018-07-26 | Aquifi, Inc. | Systems and methods for defect detection |
US20220198647A1 (en) * | 2021-02-09 | 2022-06-23 | Nanjing University Of Aeronautics And Astronautics | Method for detecting and recognizing surface defects of automated fiber placement composite based on image converted from point cloud |
CN114119464A (zh) * | 2021-10-08 | 2022-03-01 | 厦门微亚智能科技有限公司 | 一种基于深度学习的锂电池电芯顶盖焊缝外观检测算法 |
CN114119534A (zh) * | 2021-11-24 | 2022-03-01 | 易思维(杭州)科技有限公司 | 一种基于三维点云的焊缝缺陷检测方法 |
CN115239625A (zh) * | 2022-06-21 | 2022-10-25 | 厦门微图软件科技有限公司 | 顶盖焊点云缺陷检测方法、装置、设备及存储介质 |
CN115601359A (zh) * | 2022-12-12 | 2023-01-13 | 广州超音速自动化科技股份有限公司(Cn) | 一种焊缝检测方法及装置 |
CN115797354A (zh) * | 2023-02-09 | 2023-03-14 | 厦门微亚智能科技有限公司 | 用于检测激光焊接焊缝外观缺陷的方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116542967A (zh) * | 2023-06-29 | 2023-08-04 | 厦门微图软件科技有限公司 | 一种锂电池极柱缺陷的检测方法、装置以及设备 |
CN116542967B (zh) * | 2023-06-29 | 2023-10-03 | 厦门微图软件科技有限公司 | 一种锂电池极柱缺陷的检测方法、装置以及设备 |
CN117054334A (zh) * | 2023-07-21 | 2023-11-14 | 常州超音速智能装备有限公司 | 一种基于多相机的顶盖焊缺陷质量检测方法及系统 |
CN116699428A (zh) * | 2023-08-08 | 2023-09-05 | 深圳市杰成镍钴新能源科技有限公司 | 退役电池的缺陷检测方法及装置 |
CN116721104A (zh) * | 2023-08-10 | 2023-09-08 | 武汉大学 | 实景三维模型缺陷检测方法、装置、电子设备及存储介质 |
CN116721104B (zh) * | 2023-08-10 | 2023-11-07 | 武汉大学 | 实景三维模型缺陷检测方法、装置、电子设备及存储介质 |
CN117252883A (zh) * | 2023-11-20 | 2023-12-19 | 宁德时代新能源科技股份有限公司 | 焊接缺陷检测方法、装置和存储介质 |
CN117252883B (zh) * | 2023-11-20 | 2024-04-02 | 宁德时代新能源科技股份有限公司 | 焊接缺陷检测方法、装置和存储介质 |
CN117607154A (zh) * | 2023-12-27 | 2024-02-27 | 惠州学院 | 一种锂电池焊接缺陷检测方法及系统 |
CN117607154B (zh) * | 2023-12-27 | 2024-04-30 | 惠州学院 | 一种锂电池焊接缺陷检测方法及系统 |
CN117649406A (zh) * | 2024-01-29 | 2024-03-05 | 宁德时代新能源科技股份有限公司 | 密封钉焊接缺陷检测方法、装置、设备及存储介质 |
CN117649406B (zh) * | 2024-01-29 | 2024-06-07 | 宁德时代新能源科技股份有限公司 | 密封钉焊接缺陷检测方法、装置、设备及存储介质 |
CN118071758A (zh) * | 2024-04-25 | 2024-05-24 | 苏州杰锐思智能科技股份有限公司 | Ccs电池盖板镍片偏移缺陷的检测方法、装置及电子设备 |
CN118275450A (zh) * | 2024-05-30 | 2024-07-02 | 菲特(天津)检测技术有限公司 | 焊缝检测方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116309576B (zh) | 2023-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116309576B (zh) | 一种锂电池焊缝缺陷检测方法、系统及存储介质 | |
CN107705288B (zh) | 伪目标运动强干扰下的危险气体泄漏红外视频检测方法 | |
CN111598916A (zh) | 一种基于rgb-d信息的室内占据栅格地图的制备方法 | |
CN114119464B (zh) | 一种基于深度学习的锂电池电芯顶盖焊缝外观检测方法 | |
CN105335973B (zh) | 运用于带钢加工生产线的视觉处理方法 | |
CN106408583B (zh) | 一种多边缘缺陷检测方法及装置 | |
CN104897062A (zh) | 一种零件异面平行孔形位偏差的视觉测量方法及装置 | |
CN107843818B (zh) | 基于异源图像温升与局部放电特征高压绝缘故障诊断方法 | |
CN107316301B (zh) | 一种便捷的污水中悬浮颗粒浓度在线检测系统 | |
CN104537650B (zh) | 一种铝电解电容器的极性方向判定方法及装置 | |
CN113345019A (zh) | 一种输电线路通道隐患目标测距方法、设备及介质 | |
CN108665468B (zh) | 一种提取直线塔绝缘子串的装置及方法 | |
CN108596062A (zh) | 基于深度学习的人脸图片实时高光去除方法及装置 | |
CN110796700A (zh) | 基于卷积神经网络的多物体抓取区域定位方法 | |
CN115239625B (zh) | 顶盖焊点云缺陷检测方法、装置、设备及存储介质 | |
CN111553881A (zh) | 基于三维点云识别的检测铁塔形变的方法和系统 | |
CN114332233B (zh) | 一种激光slam回环检测方法和系统 | |
CN114627080A (zh) | 基于计算机视觉的车辆冲压配件缺陷检测方法 | |
CN113513991A (zh) | 一种电池极片毛刺高度检测方法及装置 | |
EP3825804A1 (en) | Map construction method, apparatus, storage medium and electronic device | |
CN114581368A (zh) | 一种基于双目视觉的棒材焊牌方法及装置 | |
CN113932712A (zh) | 一种基于深度相机和关键点的瓜果类蔬菜尺寸测量方法 | |
CN112561989A (zh) | 一种建造场景下吊装对象的识别方法 | |
CN109146834A (zh) | 车辆定损方法及装置、计算机可读存储介质、终端 | |
CN111898552A (zh) | 一种判别人员关注目标物的方法、装置及计算机设备 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Room 201a, Jinfeng Building, information optoelectronic Park, torch high tech Zone, Xiamen, Fujian Province Applicant after: Xiamen Weiya Intelligent Technology Co.,Ltd. Applicant after: Xiamen Weitu Software Technology Co.,Ltd. Address before: Room 201a, Jinfeng Building, information optoelectronic Park, torch high tech Zone, Xiamen, Fujian Province Applicant before: XIAMEN WEIYA INTELLIGENCE TECHNOLOGY Co.,Ltd. Applicant before: Xiamen Weitu Software Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |