CN116363125B - 基于深度学习的电池模组外观缺陷检测方法及系统 - Google Patents
基于深度学习的电池模组外观缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN116363125B CN116363125B CN202310617580.8A CN202310617580A CN116363125B CN 116363125 B CN116363125 B CN 116363125B CN 202310617580 A CN202310617580 A CN 202310617580A CN 116363125 B CN116363125 B CN 116363125B
- Authority
- CN
- China
- Prior art keywords
- appearance
- battery module
- image
- data
- target
- 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.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 351
- 238000013135 deep learning Methods 0.000 title claims abstract description 87
- 238000001514 detection method Methods 0.000 title claims abstract description 63
- 238000012549 training Methods 0.000 claims abstract description 114
- 238000013136 deep learning model Methods 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000002372 labelling Methods 0.000 claims abstract description 13
- 230000002159 abnormal effect Effects 0.000 claims description 39
- 238000004458 analytical method Methods 0.000 claims description 38
- 238000000605 extraction Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000013500 data storage Methods 0.000 claims description 7
- 230000002950 deficient Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
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
- 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
- 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
- G06T2207/20—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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了基于深度学习的电池模组外观缺陷检测方法及系统，其方法包括：获取电池模组的外观缺陷样本数据，并提取外观缺陷样本数据的数据特征，且基于数据特征对外观缺陷样本数据进行类别标注；基于缺陷检测要求确定对预设深度学习模型的训练终止条件，并基于类别标注的外观缺陷样本数据和训练终止条件对预设深度学习模型的初始模型参数进行迭代训练，构建目标深度学习预测模型；采集电池模组外观图像，并将电池模组外观图像输入目标深度学习预测模型进行缺陷预测，得到电池模组外观存在的缺陷以及缺陷类别。实现对电池模组外观存在的缺陷以及缺陷类别进行快速准确的预测判断，从而便于根据预测判断结果及时采取相应的应急措施。
Description
技术领域
本发明涉及数据处理技术领域，特别涉及一种基于深度学习的电池模组外观缺陷检测方法及系统。
背景技术
随着科技的不断发展，越来越多的智能产品出现在人们生活，但是智能产品的运行离不开电源，尤其是大型智能设备，更是需要庞大的电池提供动力输出，电池模组就是将多个电芯用同一个外壳框架封装在一起，并通过统一的边界与外部进行联系，最终实现对智能设备提供动力输出，对电池模组外观缺陷进行有效预测或检测，可对电池模组的运行情况进行有效把握，确保设备的正常运行；
但是，目前在对电池模组外观缺陷检测时，大都依靠工作人员定时定点的对电池模组外观的时时状态进行人为检测，不仅工作效率，而且由于是人为检测，检测准确率得不到保证，更不便于提前发现电池模组外观存在的缺陷情况发，从而导致对电池模组外观状态了解效果较差；
因此，为了克服上述问题，本发明提供了一种基于深度学习的电池模组外观缺陷检测方法及系统。
发明内容
本发明提供一种基于深度学习的电池模组外观缺陷检测方法及系统，用以通过对电池模组的外观缺陷样本数据进行深度学习，实现对目标深度学习预测模型进行准确可靠的构建，便于通过构建的目标深度学习预测模型对电池模组外观图像进行可靠分析，实现对电池模组外观存在的缺陷以及缺陷类别进行快速准确的预测判断，从而便于根据预测判断结果及时采取相应的应急措施，同时在优化检测步骤的同时保障了对电池模组外观缺陷检测的准确度以及效率。
本发明提供了一种基于深度学习的电池模组外观缺陷检测方法，包括：
步骤1：获取电池模组的外观缺陷样本数据，并提取外观缺陷样本数据的数据特征，且基于数据特征对外观缺陷样本数据进行类别标注；
步骤2：基于缺陷检测要求确定对预设深度学习模型的训练终止条件，并基于类别标注的外观缺陷样本数据和训练终止条件对预设深度学习模型的初始模型参数进行迭代训练，构建目标深度学习预测模型；
步骤3：采集电池模组外观图像，并将电池模组外观图像输入目标深度学习预测模型进行缺陷预测，得到电池模组外观存在的缺陷以及缺陷类别。
优选的，一种基于深度学习的电池模组外观缺陷检测方法，步骤1中，获取电池模组的外观缺陷样本数据，包括：
获取待检测电池模组的装置标识，并基于装置标识生成数据获取指令，且将数据获取指令传输至预设服务器；
基于预设服务器对数据获取指令进行解析，并基于解析结果根据携带的装置标识对设备数据库进行检索，确定目标设备数据库，且提取目标设备数据库的数据存储信息；
基于数据存储信息确定目标设备数据库中不同类别的外观缺陷样本数据对应的子存储区域，并确定不同子存储区域的存储索引，同时，基于数据调取要求确定对外观缺陷样本数据的需求量，并基于需求量以及存储索引从不同子存储区域中调取相应类别的外观缺陷样本数据。
优选的，一种基于深度学习的电池模组外观缺陷检测方法，步骤1中，提取外观缺陷样本数据的数据特征，包括：
获取得到的电池模组的外观缺陷样本数据，并将外观缺陷样本数据分为M组，且分别确定每一组内外观缺陷样本数据的目标取值；
基于目标取值将每一组内外观缺陷样本数据在预设二维坐标系中进行可视化点位标记，并基于标记结果确定每一组内的孤立外观缺陷样本数据，且对孤立外观缺陷样本数据进行剔除，得到标准外观缺陷样本数据；
将标准外观缺陷样本数据输入至特征提取网络进行分析，并基于分析结果得到外观缺陷样本数据的数据特征。
优选的，一种基于深度学习的电池模组外观缺陷检测方法，将标准外观缺陷样本数据输入至特征提取网络进行分析，包括：
获取电池模组外观无缺陷时的第一外观特征数据，并基于第一外观特征数据构建数据特征库，同时，获取电池模组外观有缺陷时的第二外观特征数据，并基于电池模组外观位置点将数据特征库中的第一外观特征数据与第二外观特征数据进行关联；
基于关联结果确定电池模组外观从无缺陷到有缺陷的外观特征变化数据，并确定外观特征变化数据的特征序列，且基于特征序列构建目标特征提取函数；
基于目标特征提取函数对预设基础网络进行训练，得到特征提取网络，并基于特征提取网络对标准外观缺陷样本数据进行分析，得到外观缺陷样本数据的数据特征。
优选的，一种基于深度学习的电池模组外观缺陷检测方法，步骤1中，基于数据特征对外观缺陷样本数据进行类别标注，包括：
获取得到的外观缺陷样本数据的数据特征，并将数据特征与预设基准类别特征进行相似度匹配，且基于相似度匹配结果确定数据特征对应的外观缺陷类别，其中，预设基准类别特征与外观缺陷一一对应；
基于预设编码规则将外观缺陷类别转换为目标类别编码，同时，提取外观缺陷样本数据的结构配置信息，并基于结构配置信息确定外观缺陷样本数据的段头位置；
基于段头位置将目标类别编码与外观缺陷样本数据进行拼接，并将拼接后的目标类别编码与外观缺陷样本数据进行封装，完成对外观缺陷样本数据进行类别标注。
优选的，一种基于深度学习的电池模组外观缺陷检测方法，步骤2中，基于缺陷检测要求确定对预设深度学习模型的训练终止条件，并基于类别标注的外观缺陷样本数据和训练终止条件对预设深度学习模型的初始模型参数进行迭代训练，构建目标深度学习预测模型，包括：
获取缺陷检测要求，并基于缺陷检测要求确定对电池模组外观进行的缺陷检测类别以及每一缺陷检测类别的检测精度，同时，获取预设深度学习模型的初始模型参数，并确定缺陷检测类别以及每一缺陷检测类别的检测精度与初始模型参数的参数差异特征，且基于参数差异特征确定对预设深度学习模型的训练终止条件；
获取类别标注的外观缺陷样本数据，并基于标注结果构建不同类别的外观缺陷样本数据对应的训练分支，同时，提取预设初始学习模型的配置参数，并基于配置参数确定预设深度学习模型的模型描述信息，且基于模型描述信息以及训练分支的目标数量将初始模型参数进行同比例拆分，得到子初始模型参数；
基于拆分结果确定对各子初始模型参数的训练顺序，并基于训练顺序将上层子初始模型参数训练结果设置为下层子初始模型参数训练的触发条件；
基于设置结果依次通过训练分支对应的外观缺陷样本数据对相应子初始模型参数进行迭代训练，构建每一训练分支对应的网络结构，并确定每一次迭代训练后网络结构对电池模组外观数据处理的精度值以及损失值；
将精度值以及损失值与训练终止条件进行比较，并当比较结果判定各训练分支对应的网络结构均满足要求时，停止对相应子初始模型参数进行训练，且保存当前得到的目标子初始模型参数，得到目标网络结构；
将目标网络结构在预设深度学习模型中进行部署，并基于部署结果将各目标网络结构在预设深度学习模型中进行关联，且基于关联结果得到目标深度学习预测模型。
优选的，一种基于深度学习的电池模组外观缺陷检测方法，步骤3中，采集电池模组外观图像，包括：
获取电池模组的形状特征，并基于形状特征确定对电池模组外观进行图像采集的目标角度；
基于目标角度对电池模组进行N次图像采集，得到N张子电池模组外观图像，并分别确定每一目标角度下的每一张子电池模组外观图像的图像分辨率；
将图像分辨率小于预设分辨率阈值的子电池模组外观图像进行剔除，并基于剔除结果提取每一子电池模组外观图像的图像特征，且基于图像特征确定每一子电池模组外观图像中包含的电池模组的外观区域特征；
确定每一目标角度下外观区域特征不存在重叠的目标子电池模组外观图像集，并基于外观区域特征将目标子电池模组外观图像集进行拼接，得到每一目标角度下电池模组的全景外观图像；
将每一目标角度下的全景外观图像进行汇总，得到最终的电池模组外观图像。
优选的，一种基于深度学习的电池模组外观缺陷检测方法，步骤3中，将电池模组外观图像输入目标深度学习预测模型进行缺陷预测，得到电池模组外观存在的缺陷以及缺陷类别，包括：
获取得到的电池模组外观图像，并将电池模组外观图像输入至目标深度学习预测模型；
基于目标深度学习预测模型对电池模组外观图像进行第一分析，确定电池模组外观图像相对基准电池模组外观图像存在的异常图像区域，并提取异常图像区域的区域特征，且将区域特征一致的异常图像区域进行区域合并，得到待分析图像；
基于预设卷积网络对待分析图像进行格式转换，得到待分析图像记录的电池模组的异常外观数据，并基于目标深度学习预测模型对电池模组的异常外观数据进行第二分析；
基于第二分析结果确定电池模组的异常外观数据与基准电池模组外观缺陷数据的匹配度，并当存在目标基准电池模组外观缺陷数据与电池模组的异常外观数据匹配时，判定电池模组外观存在缺陷；
将目标基准电池模组外观缺陷数据的缺陷类别判定为当前电池模组外观存在的缺陷类别，同时，确定异常外观数据与目标基准电池模组外观缺陷数据的差异值，并基于差异值确定电池模组外观存在的缺陷程度。
优选的，一种基于深度学习的电池模组外观缺陷检测方法，步骤3中，采集电池模组外观图像之后，包括：
将采集到的电池模组外观图像进行读取，并分别确定电池模组外观图像的前景图像与背景图像；
基于电池模组外观图像的前景图像与背景图像计算电池模组外观图像的方差值；
基于电池模组外观图像的方差值计算电池模组外观图像的目标函数；
根据电池模组外观图像的目标函数确定电池模组外观图像的目标噪声，并根据目标噪声生成去噪方案；
基于去噪方案对电池模组外观图像进行去噪操作，同时，当完成对电池模组外观图像的去噪操作后将电池模组外观图像输入目标深度学习预测模型中。
本发明提供了一种基于深度学习的电池模组外观缺陷检测系统，包括：
数据处理单元，用于获取电池模组的外观缺陷样本数据，并提取外观缺陷样本数据的数据特征，且基于数据特征对外观缺陷样本数据进行类别标注；
模型构建单元，用于基于缺陷检测要求确定对预设深度学习模型的训练终止条件，并基于类别标注的外观缺陷样本数据和训练终止条件对预设深度学习模型的初始模型参数进行迭代训练，构建目标深度学习预测模型；
缺陷预测单元，用于采集电池模组外观图像，并将电池模组外观图像输入目标深度学习预测模型进行缺陷预测，得到电池模组外观存在的缺陷以及缺陷类别。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中基于深度学习的电池模组外观缺陷检测方法的流程图；
图2为本发明实施例中基于深度学习的电池模组外观缺陷检测方法中步骤1的流程图；
图3为本发明实施例中基于深度学习的电池模组外观缺陷检测系统的结构图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例1：
本实施例提供了一种基于深度学习的电池模组外观缺陷检测方法，如图1所示，包括：
步骤1：获取电池模组的外观缺陷样本数据，并提取外观缺陷样本数据的数据特征，且基于数据特征对外观缺陷样本数据进行类别标注；
步骤2：基于缺陷检测要求确定对预设深度学习模型的训练终止条件，并基于类别标注的外观缺陷样本数据和训练终止条件对预设深度学习模型的初始模型参数进行迭代训练，构建目标深度学习预测模型；
步骤3：采集电池模组外观图像，并将电池模组外观图像输入目标深度学习预测模型进行缺陷预测，得到电池模组外观存在的缺陷以及缺陷类别。
该实施例中，电池模组指的是当多个电芯被同一个外壳框架封装在一起，并通过统一的边界与外部进行联系时，这就组成了一个模组。
该实施例中，外观缺陷样本数据是提前已知的，用于表征电池模组外观具有的缺陷，且不为唯一，例如可以是电池模组外观是否破损或者是否将内部包含的电芯进行稳固固定。
该实施例中，数据特征指的是能够表征外观缺陷样本数据对应的缺陷类型的特征值以及数据取值范围等。
该实施例中，类别标注指的是对外观缺陷样本数据对应的外观缺陷类型进行标注，从而便于根据标注结果对模型进行全面训练。
该实施例中，缺陷检测要求指的是对电池模组外观缺陷进行检测的准确度以及严谨性要求等。
该实施例中，预设深度学习模型是提前已知的，只包含基础的模型框架以及模型参数，需要通过外观缺陷样本数据进行训练。
该实施例中，训练终止条件指的是对预设深度学习模型结束训练时对应的条件，例如可以是当预设深度学习模型的处理准确度以及检测速度达到预设要求时，即可停止对预设学习模型的训练。
该实施例中，初始模型参数指的是预设深度学习模型的最初的模型参数，不具备分析某一具体业务的功能，只表征预设深度学习模型的基本结构以及结构之间的关联情况。
该实施例中，迭代训练指的是通过类别标注的外观缺陷样本数据和训练终止条件对预设深度学习模型内部的初始模型参数进行循环训练，每训练一次就对预设深度学习模型的初始模型参数进行一次优化，直至最后达到训练终止条件。
该实施例中，目标深度学习预测模型指的是通过类别标注的外观缺陷样本数据和训练终止条件对预设深度学习模型的初始模型参数进行训练后得到的最终的模型，可对电池模组外观缺陷进行直接检测的模型。
该实施例中，电池模组外观图像指的是通过图像采集设备对电池模组外观进行图像采集后得到的图像信息，用于记录电池模组外观的具体情况。
该实施例中，将电池模组外观图像输入目标深度学习预测模型进行缺陷预测指的是通过目标深度学习预测模型对电池模组外观图像进行图像识别，得到电池模组外观当前状态对应的外观数据，从而调用训练好的目标深度学习预测模型对外观数据进行分析，实现对电池模组外观存在的缺陷进行确定。
上述技术方案的有益效果是：通过对电池模组的外观缺陷样本数据进行深度学习，实现对目标深度学习预测模型进行准确可靠的构建，便于通过构建的目标深度学习预测模型对电池模组外观图像进行可靠分析，实现对电池模组外观存在的缺陷以及缺陷类别进行快速准确的预测判断，从而便于根据预测判断结果及时采取相应的应急措施，同时在优化检测步骤的同时保障了对电池模组外观缺陷检测的准确度以及效率。
实施例2：
在实施例1的基础上，本实施例提供了一种基于深度学习的电池模组外观缺陷检测方法，如图2所示，步骤1中，获取电池模组的外观缺陷样本数据，包括：
步骤101：获取待检测电池模组的装置标识，并基于装置标识生成数据获取指令，且将数据获取指令传输至预设服务器；
步骤102：基于预设服务器对数据获取指令进行解析，并基于解析结果根据携带的装置标识对设备数据库进行检索，确定目标设备数据库，且提取目标设备数据库的数据存储信息；
步骤103：基于数据存储信息确定目标设备数据库中不同类别的外观缺陷样本数据对应的子存储区域，并确定不同子存储区域的存储索引，同时，基于数据调取要求确定对外观缺陷样本数据的需求量，并基于需求量以及存储索引从不同子存储区域中调取相应类别的外观缺陷样本数据。
该实施例中，装置标识是用于标记不同待检测电池模组的标记标签，通过该标识可快速对待检测电池模组进行区分和识别。
该实施例中，待检测电池模组指的是需要进行外观检测的电池模组。
该实施例中，预设服务器是提前设定好的，用于存储不同待检测电池模组对应的外观缺陷样本数据。
该实施例中，设备数据库是存储在预设服务器中，内部包含具体的外观缺陷数据。
该实施例中，目标设备数据库指的是装置标识对应的设备数据库。
该实施例中，数据存储信息指的是目标设备数据库内存储的外观缺陷数据类型以及对应的具体存储位置。
该实施例中，子存储区域指的是预设服务器中用于存储外观缺陷数据的存储空间。
该实施例中，存储索引是用于表征对不同子存储区域在目标设备数据库中的存储位置，从而便于对需要调取的外观缺陷样本数据进行调取。
该实施例中，数据调取要求是用于表征对不同类别的外观缺陷样本数据的调取量，从而便于实现对电池模组的外观缺陷样本数据进行全面有效的获取。
上述技术方案的有益效果是：通过确定待检测电池模组的装置标识，实现根据装置标识从预设服务器中对待检测电池模组的外观缺陷数据进行准确有效的获取，为实现构建目标深度学习预测模型提供了便利与保障，也确保了对目标深度学习预测模型进行准确可靠的构建。
实施例3：
在实施例1的基础上，本实施例提供了一种基于深度学习的电池模组外观缺陷检测方法，步骤1中，提取外观缺陷样本数据的数据特征，包括：
获取得到的电池模组的外观缺陷样本数据，并将外观缺陷样本数据分为M组，且分别确定每一组内外观缺陷样本数据的目标取值；
基于目标取值将每一组内外观缺陷样本数据在预设二维坐标系中进行可视化点位标记，并基于标记结果确定每一组内的孤立外观缺陷样本数据，且对孤立外观缺陷样本数据进行剔除，得到标准外观缺陷样本数据；
将标准外观缺陷样本数据输入至特征提取网络进行分析，并基于分析结果得到外观缺陷样本数据的数据特征。
该实施例中，目标取值指的是每一组内外观缺陷样本数据的具体取值大小情况。
该实施例中，预设二维坐标系是提前设定好的，用于将每一组内外观缺陷样本数据的目标取值在预设二维坐标系中进行展示，从而便于对每一组内外观缺陷样本数据中的孤立外观缺陷样本数据进行确定。
该实施例中，可视化点位标记指的是将每一组内外观缺陷样本数据的目标取值采用展示点进行展示，从而便于对每一组内外观缺陷样本数据中的孤立外观缺陷样本数据进行确定。
该实施例中，孤立外观缺陷样本数据指的是与每组外观缺陷样本数据平均取值偏差过大的外观缺陷样本数据。
该实施例中，标准外观缺陷样本数据指的是将每一组内外观缺陷样本数据中的孤立外观缺陷样本数据进行剔除后得到的最终的外观缺陷样本数据。
该实施例中，特征提取网络是提前设定好的，用于提取外观缺陷样本数据的数据特征。
上述技术方案的有益效果是：通过对电池模组的外观缺陷样本数据进行分组和筛选，确保最终得到的外观缺陷样本数据的可靠性，最后，将筛选得到的标准外观缺陷样本数据输入特征提取网络进行分析，实现对外观缺陷样本数据的数据特征进行准确有效的提取，为实现构建目标深度学习预测模型提供了可靠的数据支撑，保障了对电池模组外观缺陷检测的准确度。
实施例4：
在实施例3的基础上，本实施例提供了一种基于深度学习的电池模组外观缺陷检测方法，将标准外观缺陷样本数据输入至特征提取网络进行分析，包括：
获取电池模组外观无缺陷时的第一外观特征数据，并基于第一外观特征数据构建数据特征库，同时，获取电池模组外观有缺陷时的第二外观特征数据，并基于电池模组外观位置点将数据特征库中的第一外观特征数据与第二外观特征数据进行关联；
基于关联结果确定电池模组外观从无缺陷到有缺陷的外观特征变化数据，并确定外观特征变化数据的特征序列，且基于特征序列构建目标特征提取函数；
基于目标特征提取函数对预设基础网络进行训练，得到特征提取网络，并基于特征提取网络对标准外观缺陷样本数据进行分析，得到外观缺陷样本数据的数据特征。
该实施例中，第一外观特征数据指的是电池模组在无缺陷时对应的外观特征。
该实施例中，数据特征库是用于将第一外观特征数据进行汇总后得到的数据库信息，从而便于构建特征提取网络。
该实施例中，第二外观特征数据指的是电池模组在有缺陷时，电池模组外观呈现的具体状态。
该实施例中，电池模组外观位置点指的是在电池模组外观上选取参考点，从而便于将第一外观特征数据与第二外观特征数据进行关联，即将同一位置的第一外观特征数据与第二外观特征数据进行绑定。
该实施例中，外观特征变化数据指的是第一外观特征数据转变到第二外观特征数据时，发生变化的具体数据内容以及变化规律。
该实施例中，特征序列指的是外观特征变化数据在不同时间点对应具体数据。
该实施例中，目标特征提取函数指的是根据外观特征变化数据的变化规律构建相应的函数，用于表征电池模组外观无缺陷时的外观特征数据与有缺陷时的外观特征数据之间的变化关系。
该实施例中，预设基础网络是提前设定后的，是构建特征提取网络的基本框架。
上述技术方案的有益效果是：通过确定电池模组外观无缺陷时的第一外观特征数据以及有缺陷时的第二外观特征数据，并对第一外观特征数据与第二外观特征数据之间的相互作用关系进行准确分析，从而便于根据相互作用关系对预设基础网络进行训练，实现对特征提取网络进行准确有效训练，最终实现通过特征提取网络对标准外观缺陷样本数据的数据特征进行准确有效的提取，为实现构建目标深度学习预测模型提供了便利与保障，也便于对电池模组外观是否存在缺陷进行准确有效的预测判断。
实施例5：
在实施例1的基础上，本实施例提供了一种基于深度学习的电池模组外观缺陷检测方法，步骤1中，基于数据特征对外观缺陷样本数据进行类别标注，包括：
获取得到的外观缺陷样本数据的数据特征，并将数据特征与预设基准类别特征进行相似度匹配，且基于相似度匹配结果确定数据特征对应的外观缺陷类别，其中，预设基准类别特征与外观缺陷一一对应；
基于预设编码规则将外观缺陷类别转换为目标类别编码，同时，提取外观缺陷样本数据的结构配置信息，并基于结构配置信息确定外观缺陷样本数据的段头位置；
基于段头位置将目标类别编码与外观缺陷样本数据进行拼接，并将拼接后的目标类别编码与外观缺陷样本数据进行封装，完成对外观缺陷样本数据进行类别标注。
该实施例中，预设基准类别特征是提前设定好的，用于表征不同外观缺陷对应的数据特征。
该实施例中，预设编码规则是提前设定好的，用于将外观缺陷类别转换为相应的编码形式，从而便于对外观缺陷数据进行类别标记操作。
该实施例中，目标类别编码指的是通过预设编码规则将外观缺陷类别转换为具体的数据形式。
该实施例中，结构配置信息是用于表征外观缺陷样本数据中的结构成分，具体可以是段头以及段尾等。
上述技术方案的有益效果是：通过将外观缺陷样本数据的数据特征与预设基准类别特征进行相似度匹配，实现根据匹配结果对外观缺陷样本数据的外观缺陷类别进行准确有效的判断，其次，通过预设编码规则将外观缺陷类别转换为对应的目标类别编码，实现通过目标类别编码对外观缺陷样本数据进行准确有效的类别标记，从而保障了对目标深度学习预测模型训练的全面性以及可靠性，也提高了通过目标深度学习预测模型对电池模组外观缺陷进行预测的准确率。
实施例6：
在实施例1的基础上，本实施例提供了一种基于深度学习的电池模组外观缺陷检测方法，步骤2中，基于缺陷检测要求确定对预设深度学习模型的训练终止条件，并基于类别标注的外观缺陷样本数据和训练终止条件对预设深度学习模型的初始模型参数进行迭代训练，构建目标深度学习预测模型，包括：
获取缺陷检测要求，并基于缺陷检测要求确定对电池模组外观进行的缺陷检测类别以及每一缺陷检测类别的检测精度，同时，获取预设深度学习模型的初始模型参数，并确定缺陷检测类别以及每一缺陷检测类别的检测精度与初始模型参数的参数差异特征，且基于参数差异特征确定对预设深度学习模型的训练终止条件；
获取类别标注的外观缺陷样本数据，并基于标注结果构建不同类别的外观缺陷样本数据对应的训练分支，同时，提取预设初始学习模型的配置参数，并基于配置参数确定预设深度学习模型的模型描述信息，且基于模型描述信息以及训练分支的目标数量将初始模型参数进行同比例拆分，得到子初始模型参数；
基于拆分结果确定对各子初始模型参数的训练顺序，并基于训练顺序将上层子初始模型参数训练结果设置为下层子初始模型参数训练的触发条件；
基于设置结果依次通过训练分支对应的外观缺陷样本数据对相应子初始模型参数进行迭代训练，构建每一训练分支对应的网络结构，并确定每一次迭代训练后网络结构对电池模组外观数据处理的精度值以及损失值；
将精度值以及损失值与训练终止条件进行比较，并当比较结果判定各训练分支对应的网络结构均满足要求时，停止对相应子初始模型参数进行训练，且保存当前得到的目标子初始模型参数，得到目标网络结构；
将目标网络结构在预设深度学习模型中进行部署，并基于部署结果将各目标网络结构在预设深度学习模型中进行关联，且基于关联结果得到目标深度学习预测模型。
该实施例中，缺陷检测类别指的是需要对电池模组外观缺陷进行检测的种类，例如可以是破损或是对电芯固定的是否牢固等。
该实施例中，检测精度指的是电池模组外观缺陷进行检测的准确率的要求。
该实施例中，参数差异特征指的是缺陷检测类别以及每一缺陷检测类别的检测精度与预设深度学习模型的初始模型参数之间的差异情况，从而便于对预设深度学习模型的训练终止条件进行准确有效的确定。
该实施例中，训练分支是用于表征不同外观缺陷类别对应的训练数据，用于对预设深度学习模型进行训练，从而确保最终得到的目标深度学习预测模型对电池模组外观缺陷分析的全面性以及可靠性。
该实施例中，配置参数指的是预设初始学习模型的内部结构以及对应的运算量等。
该实施例中，模型描述信息是用于描述预设深度学习模型具体结构特征的数据信息，从而便于根据模型描述信息对预设深度学习模型进行针对有效的训练。
该实施例中，目标数量指的是训练分支的数量，每一训练分支对应一种外观缺陷类别。
该实施例中，将初始模型参数进行同比例拆分指的是将预设深度学习模型的初始模型参数进行针对性拆分，具体可以是根据训练分支的数量将预设深度学习模型的初始模型参数拆分为与训练分支同等数量的数据块，且每一数据块中的初始模型参数类型与每一训练分支对应的缺陷类别检测所需的数据类型相对应，即确保初始模型参数与训练分支一一对应，从而保障对预设深度学习模型进行有效的训练。
该实施例中，子初始模型参数指的是对预设深度学习模型的初始模型参数进行拆分后得到的初始模型参数的参数片段。
该实施例中，基于拆分结果确定对各子初始模型参数的训练顺序指的是根据外观缺陷类别的训练顺序确定对各子初始模型参数的训练顺序。
该实施例中，基于训练顺序将上层子初始模型参数训练结果设置为下层子初始模型参数训练的触发条件指的是只有当上一个训练分支对相应子初始模型参数的训练结果满足要求时，才能进行下一个训练分支对相应子初始模型参数的训练。
该实施例中，网络结构指的是训练分支对相应的子初始模型参数进行训练后得到的能够对当前电池模组外观缺陷类别进行分析的分析策略。
该实施例中，精度值以及损失值是用于表征网络结构对当前电池模组外缺陷类别进行分析的可靠程度，精度值越高，损失值越小则表明当前网络结构的效果越好。
该实施例中，保存当前得到的目标子初始模型参数指的是当训练效果达到训练终止条件时，对当前的训练结果进行保存，从而确保最终得到的网络框架的准确可靠性。
该实施例中，目标网络结构指的是当训练要求达到训练终止条件时，最终得到的能够对各类电池模组外观缺陷进行检测的模型框架。
上述技术方案的有益效果是：通过对缺陷检测要求进行有效分析，实现对预设深度学习模型的训练终止条件进行准确有效的分析，其次，通过类别标注的外观缺陷数据对预设深度学习模型的初始模型参数进行针对有效的训练，确保最终得到的目标深度学习预测模型的全面性，保障了对电池模型外观缺陷进行预测分析的准确度以及可靠度，也便于根据预测判断结果及时采取相应的应急措施，提高了对电池模组外观缺陷检测的效果。
实施例7：
在实施例1的基础上，本实施例提供了一种基于深度学习的电池模组外观缺陷检测方法，步骤3中，采集电池模组外观图像，包括：
获取电池模组的形状特征，并基于形状特征确定对电池模组外观进行图像采集的目标角度；
基于目标角度对电池模组进行N次图像采集，得到N张子电池模组外观图像，并分别确定每一目标角度下的每一张子电池模组外观图像的图像分辨率；
将图像分辨率小于预设分辨率阈值的子电池模组外观图像进行剔除，并基于剔除结果提取每一子电池模组外观图像的图像特征，且基于图像特征确定每一子电池模组外观图像中包含的电池模组的外观区域特征；
确定每一目标角度下外观区域特征不存在重叠的目标子电池模组外观图像集，并基于外观区域特征将目标子电池模组外观图像集进行拼接，得到每一目标角度下电池模组的全景外观图像；
将每一目标角度下的全景外观图像进行汇总，得到最终的电池模组外观图像。
该实施例中，形状特征指的是电池模组当前的形状特点，具体可以是正方体或是不规则形状等。
该实施例中，目标角度是用于表征对电池模组外观进行图像采集的角度，从而确保对电池模组外观进行全面可靠的图像采集。
该实施例中，基于目标角度对电池模组进行N次图像采集的目的是便于从中选取到合格的电池模组外观图像。
该实施例中，子电池模组外观图像指的是每一目标角度下采集到的电池模组外观图像。
该实施例中，预设分辨率阈值是提前设定好的，用于衡量子电池模组外观图像的图像分辨率是否满足要求的最低标准。
该实施例中，图像特征是用于每一子电池模组外观图像中包含的电池模组外观区域大小以及电池模组外观在子电池模组外观图像中出现的具体位置。
该实施例中，外观区域特征指的是电池模组外观在子电池模组外观图像出现的具体位置，从而便于将多张包含电池模组外观的子电池模组外观图像进行拼接，实现对当前目标角度下电池模组外观进行准确有效的图像采集。
该实施例中，目标子电池模组外观图像集指的是每一目标角度下用于记录电池模组外观情况的多张子电池模组外观图像。
该实施例中，基于外观区域特征将目标子电池模组外观图像集进行拼接指的是根据外观区域特征（即存在连接关系）将相邻的目标子电池模组外观图像进行拼接。
该实施例中，全景外观图像指的是每一目标角度下采集到的电池模组外观的完整图像。
上述技术方案的有益效果是：通过确定电池模组的形状特征，实现对电池模组外观进行图像采集的目标角度进行准确有效的确定，其次，通过目标角度对电池模组外观进行准确有效的图像采集，从而保障了通过图像对电池模组外观进行准确有效的记录，也便于通过目标深度学习预测模型对采集到的图像进行准确可靠的分析，保障了对电池模组外观缺陷检测的准确率以及可靠性。
实施例8：
在实施例1的基础上，本实施例提供了一种基于深度学习的电池模组外观缺陷检测方法，步骤3中，将电池模组外观图像输入目标深度学习预测模型进行缺陷预测，得到电池模组外观存在的缺陷以及缺陷类别，包括：
获取得到的电池模组外观图像，并将电池模组外观图像输入至目标深度学习预测模型；
基于目标深度学习预测模型对电池模组外观图像进行第一分析，确定电池模组外观图像相对基准电池模组外观图像存在的异常图像区域，并提取异常图像区域的区域特征，且将区域特征一致的异常图像区域进行区域合并，得到待分析图像；
基于预设卷积网络对待分析图像进行格式转换，得到待分析图像记录的电池模组的异常外观数据，并基于目标深度学习预测模型对电池模组的异常外观数据进行第二分析；
基于第二分析结果确定电池模组的异常外观数据与基准电池模组外观缺陷数据的匹配度，并当存在目标基准电池模组外观缺陷数据与电池模组的异常外观数据匹配时，判定电池模组外观存在缺陷；
将目标基准电池模组外观缺陷数据的缺陷类别判定为当前电池模组外观存在的缺陷类别，同时，确定异常外观数据与目标基准电池模组外观缺陷数据的差异值，并基于差异值确定电池模组外观存在的缺陷程度。
该实施例中，第一分析指的是通过目标深度学习模型对电池模组外观图像进行分析，目的是将电池模组外观图像转换为相应的外观数据，从而便于对电池模组外观缺陷进行准确有效的分析。
该实施例中，基准电池模组外观图像是提前设定好的，用于表征电池模组外观无缺陷时对应的具体状态。
该实施例中，异常图像区域指的是当前采集到的电池模组外观图像与基准电池模组外观图像存在的不同之处。
该实施例中，区域特征指的是异常图像区域在电池模组外观图像中所处的位置以及记录的电池模组外观的具体位置等。
该实施例中，待分析图像指的是将区域特征一致的异常图像区域进行区域合并后得到的图像，目的是将同一种外观缺陷的图像进行合并，从而便于提高对电池模组外观缺陷进行检测的效率。
该实施例中，预设卷积网络是提前训练好的，用于将待分析图像转换为相应的外观数据，从而便于通过目标深度学习预测模型对电池模型外观缺陷进行有效分析。
该实施例中，异常外观数据指的是通过预设卷积网络对待分析图像进行格式转换后得到的图像数据。
该实施例中，第二分析指的是通过训练好的目标深度学习预测模型对电池模组的异常外观数据进行缺陷检测，从而实现对电池模组外观缺陷进行准确可靠的分析。
该实施例中，基准电池模组外观缺陷数据是提前设定好的，用于表征电池模组外观存在缺陷时对应的外观缺陷数据。
该实施例中，目标基准电池模组外观缺陷数据指的是基准电池模组外观缺陷数据中与异常外观数据相匹配的数据。
该实施例中，差异值是用于表征异常外观数据与目标基准电池模组外观缺陷数据存在的差别情况大小，从而便于对电池模组外观存在的缺陷程度进行有效分析。
上述技术方案的有益效果是：通过目标深度学习预测模型对得到的电池模组外观图像进行分析，实现对电池模组外观是否存在外观缺陷以及存在外观缺陷的缺陷程度进行准确有效的预测判断，便于提醒管理人员及时采取相应的应急操作，同时，也保障了对电池模组外观缺陷分析的准确率以及效率。
实施例9：
在实施例1的基础上，本实施例提供了一种基于深度学习的电池模组外观缺陷检测方法，步骤3中，采集电池模组外观图像之后，包括：
将采集到的电池模组外观图像进行读取，并分别确定电池模组外观图像的前景图像与背景图像；
基于电池模组外观图像的前景图像与背景图像计算电池模组外观图像的方差值；
；
其中，标识电池模组外观图像的方差值；/>表示前景图像的像素点占电池模组外观图像总像素点的比例；/>表示前景图像像素的平均灰度；/>表示电池模组外观图像所有像素的平均灰度；/>表示后景图像的像素点占电池模组外观图像总像素点的比例；/>表示后景图像像素的平均灰度；
基于电池模组外观图像的方差值计算电池模组外观图像的目标函数；
；
其中，表示电池模组外观图像的目标函数；/>表示电池模组外观图像中不同像素点的灰度值；
根据电池模组外观图像的目标函数确定电池模组外观图像的目标噪声，并根据目标噪声生成去噪方案；
基于去噪方案对电池模组外观图像进行去噪操作，同时，当完成对电池模组外观图像的去噪操作后将电池模组外观图像输入目标深度学习预测模型中。
该实施例中，目标函数指的是高斯噪声的概率密度函数。
该实施例中，在进行电池模组外观图像的方差值计算时，通过分别确定前景图像以及后景图像最后综合求得电池模组外观图像的方差值，有利于更好的掌握电池模组的灰度特点，从而使得电池模组外观图像的方差值更具客观性。
该实施例中，去噪方案可以是基于电池模组外观图像的目标噪声提前设定好的图像去噪的策略。
上述技术方案的有益效果是：通过电池模组外观图像的前景图像与背景图像计算电池模组外观图像的方差值，可以使得更好的掌握电池模组的灰度特点，从而使得电池模组外观图像的方差值更具客观性，进而准确构建目标函数，实现对电池模组外观图像目标噪声的确定，从而有效实现对电池模组外观图像的目标噪声的取除，避免了电池模组外观图像噪声的干扰，从而有利于与提高对电池模组外观图像进行缺陷预测的准确性。
实施例10：
本实施例提供了一种基于深度学习的电池模组外观缺陷检测系统，如图3所示，包括：
数据处理单元，用于获取电池模组的外观缺陷样本数据，并提取外观缺陷样本数据的数据特征，且基于数据特征对外观缺陷样本数据进行类别标注；
模型构建单元，用于基于缺陷检测要求确定对预设深度学习模型的训练终止条件，并基于类别标注的外观缺陷样本数据和训练终止条件对预设深度学习模型的初始模型参数进行迭代训练，构建目标深度学习预测模型；
缺陷预测单元，用于采集电池模组外观图像，并将电池模组外观图像输入目标深度学习预测模型进行缺陷预测，得到电池模组外观存在的缺陷以及缺陷类别。
上述技术方案的有益效果是：通过对电池模组的外观缺陷样本数据进行深度学习，实现对目标深度学习预测模型进行准确可靠的构建，便于通过构建的目标深度学习预测模型对电池模组外观图像进行可靠分析，实现对电池模组外观存在的缺陷以及缺陷类别进行快速准确的预测判断，从而便于根据预测判断结果及时采取相应的应急措施，同时在优化检测步骤的同时保障了对电池模组外观缺陷检测的准确度以及效率。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种基于深度学习的电池模组外观缺陷检测方法，其特征在于，包括：
步骤1：获取电池模组的外观缺陷样本数据，并提取外观缺陷样本数据的数据特征，且基于数据特征对外观缺陷样本数据进行类别标注；
步骤2：基于缺陷检测要求确定对预设深度学习模型的训练终止条件，并基于类别标注的外观缺陷样本数据和训练终止条件对预设深度学习模型的初始模型参数进行迭代训练，构建目标深度学习预测模型；
步骤3：采集电池模组外观图像，并将电池模组外观图像输入目标深度学习预测模型进行缺陷预测，得到电池模组外观存在的缺陷以及缺陷类别；
其中，步骤3中，采集电池模组外观图像，包括：
获取电池模组的形状特征，并基于形状特征确定对电池模组外观进行图像采集的目标角度；
基于目标角度对电池模组进行N次图像采集，得到N张子电池模组外观图像，并分别确定每一目标角度下的每一张子电池模组外观图像的图像分辨率；
将图像分辨率小于预设分辨率阈值的子电池模组外观图像进行剔除，并基于剔除结果提取每一子电池模组外观图像的图像特征，且基于图像特征确定每一子电池模组外观图像中包含的电池模组的外观区域特征；
确定每一目标角度下外观区域特征不存在重叠的目标子电池模组外观图像集，并基于外观区域特征将目标子电池模组外观图像集进行拼接，得到每一目标角度下电池模组的全景外观图像；
将每一目标角度下的全景外观图像进行汇总，得到最终的电池模组外观图像；
其中，步骤3中，将电池模组外观图像输入目标深度学习预测模型进行缺陷预测，得到电池模组外观存在的缺陷以及缺陷类别，包括：
获取得到的电池模组外观图像，并将电池模组外观图像输入至目标深度学习预测模型；
基于目标深度学习预测模型对电池模组外观图像进行第一分析，确定电池模组外观图像相对基准电池模组外观图像存在的异常图像区域，并提取异常图像区域的区域特征，且将区域特征一致的异常图像区域进行区域合并，得到待分析图像；
基于预设卷积网络对待分析图像进行格式转换，得到待分析图像记录的电池模组的异常外观数据，并基于目标深度学习预测模型对电池模组的异常外观数据进行第二分析；
基于第二分析结果确定电池模组的异常外观数据与基准电池模组外观缺陷数据的匹配度，并当存在目标基准电池模组外观缺陷数据与电池模组的异常外观数据匹配时，判定电池模组外观存在缺陷；
将目标基准电池模组外观缺陷数据的缺陷类别判定为当前电池模组外观存在的缺陷类别，同时，确定异常外观数据与目标基准电池模组外观缺陷数据的差异值，并基于差异值确定电池模组外观存在的缺陷程度；
其中，步骤3中，采集电池模组外观图像之后，包括：
将采集到的电池模组外观图像进行读取，并分别确定电池模组外观图像的前景图像与背景图像；
基于电池模组外观图像的前景图像与背景图像计算电池模组外观图像的方差值；
基于电池模组外观图像的方差值计算电池模组外观图像的目标函数；
根据电池模组外观图像的目标函数确定电池模组外观图像的目标噪声，并根据目标噪声生成去噪方案；
基于去噪方案对电池模组外观图像进行去噪操作，同时，当完成对电池模组外观图像的去噪操作后将电池模组外观图像输入目标深度学习预测模型中。
2.根据权利要求1所述的一种基于深度学习的电池模组外观缺陷检测方法，其特征在于，步骤1中，获取电池模组的外观缺陷样本数据，包括：
获取待检测电池模组的装置标识，并基于装置标识生成数据获取指令，且将数据获取指令传输至预设服务器；
基于预设服务器对数据获取指令进行解析，并基于解析结果根据携带的装置标识对设备数据库进行检索，确定目标设备数据库，且提取目标设备数据库的数据存储信息；
基于数据存储信息确定目标设备数据库中不同类别的外观缺陷样本数据对应的子存储区域，并确定不同子存储区域的存储索引，同时，基于数据调取要求确定对外观缺陷样本数据的需求量，并基于需求量以及存储索引从不同子存储区域中调取相应类别的外观缺陷样本数据。
3.根据权利要求1所述的一种基于深度学习的电池模组外观缺陷检测方法，其特征在于，步骤1中，提取外观缺陷样本数据的数据特征，包括：
获取得到的电池模组的外观缺陷样本数据，并将外观缺陷样本数据分为M组，且分别确定每一组内外观缺陷样本数据的目标取值；
基于目标取值将每一组内外观缺陷样本数据在预设二维坐标系中进行可视化点位标记，并基于标记结果确定每一组内的孤立外观缺陷样本数据，且对孤立外观缺陷样本数据进行剔除，得到标准外观缺陷样本数据；
将标准外观缺陷样本数据输入至特征提取网络进行分析，并基于分析结果得到外观缺陷样本数据的数据特征。
4.根据权利要求3所述的一种基于深度学习的电池模组外观缺陷检测方法，其特征在于，将标准外观缺陷样本数据输入至特征提取网络进行分析，包括：
获取电池模组外观无缺陷时的第一外观特征数据，并基于第一外观特征数据构建数据特征库，同时，获取电池模组外观有缺陷时的第二外观特征数据，并基于电池模组外观位置点将数据特征库中的第一外观特征数据与第二外观特征数据进行关联；
基于关联结果确定电池模组外观从无缺陷到有缺陷的外观特征变化数据，并确定外观特征变化数据的特征序列，且基于特征序列构建目标特征提取函数；
基于目标特征提取函数对预设基础网络进行训练，得到特征提取网络，并基于特征提取网络对标准外观缺陷样本数据进行分析，得到外观缺陷样本数据的数据特征。
5.根据权利要求1所述的一种基于深度学习的电池模组外观缺陷检测方法，其特征在于，步骤1中，基于数据特征对外观缺陷样本数据进行类别标注，包括：
获取得到的外观缺陷样本数据的数据特征，并将数据特征与预设基准类别特征进行相似度匹配，且基于相似度匹配结果确定数据特征对应的外观缺陷类别，其中，预设基准类别特征与外观缺陷一一对应；
基于预设编码规则将外观缺陷类别转换为目标类别编码，同时，提取外观缺陷样本数据的结构配置信息，并基于结构配置信息确定外观缺陷样本数据的段头位置；
基于段头位置将目标类别编码与外观缺陷样本数据进行拼接，并将拼接后的目标类别编码与外观缺陷样本数据进行封装，完成对外观缺陷样本数据进行类别标注。
6.根据权利要求1所述的一种基于深度学习的电池模组外观缺陷检测方法，其特征在于，步骤2中，基于缺陷检测要求确定对预设深度学习模型的训练终止条件，并基于类别标注的外观缺陷样本数据和训练终止条件对预设深度学习模型的初始模型参数进行迭代训练，构建目标深度学习预测模型，包括：
获取缺陷检测要求，并基于缺陷检测要求确定对电池模组外观进行的缺陷检测类别以及每一缺陷检测类别的检测精度，同时，获取预设深度学习模型的初始模型参数，并确定缺陷检测类别以及每一缺陷检测类别的检测精度与初始模型参数的参数差异特征，且基于参数差异特征确定对预设深度学习模型的训练终止条件；
获取类别标注的外观缺陷样本数据，并基于标注结果构建不同类别的外观缺陷样本数据对应的训练分支，同时，提取预设初始学习模型的配置参数，并基于配置参数确定预设深度学习模型的模型描述信息，且基于模型描述信息以及训练分支的目标数量将初始模型参数进行同比例拆分，得到子初始模型参数；
基于拆分结果确定对各子初始模型参数的训练顺序，并基于训练顺序将上层子初始模型参数训练结果设置为下层子初始模型参数训练的触发条件；
基于设置结果依次通过训练分支对应的外观缺陷样本数据对相应子初始模型参数进行迭代训练，构建每一训练分支对应的网络结构，并确定每一次迭代训练后网络结构对电池模组外观数据处理的精度值以及损失值；
将精度值以及损失值与训练终止条件进行比较，并当比较结果判定各训练分支对应的网络结构均满足要求时，停止对相应子初始模型参数进行训练，且保存当前得到的目标子初始模型参数，得到目标网络结构；
将目标网络结构在预设深度学习模型中进行部署，并基于部署结果将各目标网络结构在预设深度学习模型中进行关联，且基于关联结果得到目标深度学习预测模型。
7.一种基于深度学习的电池模组外观缺陷检测系统，其特征在于，包括：
数据处理单元，用于获取电池模组的外观缺陷样本数据，并提取外观缺陷样本数据的数据特征，且基于数据特征对外观缺陷样本数据进行类别标注；
模型构建单元，用于基于缺陷检测要求确定对预设深度学习模型的训练终止条件，并基于类别标注的外观缺陷样本数据和训练终止条件对预设深度学习模型的初始模型参数进行迭代训练，构建目标深度学习预测模型；
缺陷预测单元，用于采集电池模组外观图像，并将电池模组外观图像输入目标深度学习预测模型进行缺陷预测，得到电池模组外观存在的缺陷以及缺陷类别；
其中，缺陷预测单元，包括：
获取电池模组的形状特征，并基于形状特征确定对电池模组外观进行图像采集的目标角度；
基于目标角度对电池模组进行N次图像采集，得到N张子电池模组外观图像，并分别确定每一目标角度下的每一张子电池模组外观图像的图像分辨率；
将图像分辨率小于预设分辨率阈值的子电池模组外观图像进行剔除，并基于剔除结果提取每一子电池模组外观图像的图像特征，且基于图像特征确定每一子电池模组外观图像中包含的电池模组的外观区域特征；
确定每一目标角度下外观区域特征不存在重叠的目标子电池模组外观图像集，并基于外观区域特征将目标子电池模组外观图像集进行拼接，得到每一目标角度下电池模组的全景外观图像；
将每一目标角度下的全景外观图像进行汇总，得到最终的电池模组外观图像；
获取得到的电池模组外观图像，并将电池模组外观图像输入至目标深度学习预测模型；
基于目标深度学习预测模型对电池模组外观图像进行第一分析，确定电池模组外观图像相对基准电池模组外观图像存在的异常图像区域，并提取异常图像区域的区域特征，且将区域特征一致的异常图像区域进行区域合并，得到待分析图像；
基于预设卷积网络对待分析图像进行格式转换，得到待分析图像记录的电池模组的异常外观数据，并基于目标深度学习预测模型对电池模组的异常外观数据进行第二分析；
基于第二分析结果确定电池模组的异常外观数据与基准电池模组外观缺陷数据的匹配度，并当存在目标基准电池模组外观缺陷数据与电池模组的异常外观数据匹配时，判定电池模组外观存在缺陷；
将目标基准电池模组外观缺陷数据的缺陷类别判定为当前电池模组外观存在的缺陷类别，同时，确定异常外观数据与目标基准电池模组外观缺陷数据的差异值，并基于差异值确定电池模组外观存在的缺陷程度；
将采集到的电池模组外观图像进行读取，并分别确定电池模组外观图像的前景图像与背景图像；
基于电池模组外观图像的前景图像与背景图像计算电池模组外观图像的方差值；
基于电池模组外观图像的方差值计算电池模组外观图像的目标函数；
根据电池模组外观图像的目标函数确定电池模组外观图像的目标噪声，并根据目标噪声生成去噪方案；
基于去噪方案对电池模组外观图像进行去噪操作，同时，当完成对电池模组外观图像的去噪操作后将电池模组外观图像输入目标深度学习预测模型中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310617580.8A CN116363125B (zh) | 2023-05-30 | 2023-05-30 | 基于深度学习的电池模组外观缺陷检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310617580.8A CN116363125B (zh) | 2023-05-30 | 2023-05-30 | 基于深度学习的电池模组外观缺陷检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116363125A CN116363125A (zh) | 2023-06-30 |
| CN116363125B true CN116363125B (zh) | 2023-08-11 |
Family
ID=86941906
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310617580.8A Active CN116363125B (zh) | 2023-05-30 | 2023-05-30 | 基于深度学习的电池模组外观缺陷检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116363125B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116580025B (zh) * | 2023-07-12 | 2024-04-02 | 宁德时代新能源科技股份有限公司 | 缺陷过滤方法、装置、计算机设备和存储介质 |
| 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 |
| CN117058138B (zh) * | 2023-10-11 | 2024-03-22 | 宁德时代新能源科技股份有限公司 | 电池模组的校验方法及设备 |
| CN117710310A (zh) * | 2023-12-14 | 2024-03-15 | 上海千映智能科技有限公司 | 基于人工智能实现芯片外观缺陷检测的系统及其方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112907543A (zh) * | 2021-02-24 | 2021-06-04 | 胡志雄 | 一种基于随机缺陷模型的产品外观缺陷检测方法 |
| CN113588562A (zh) * | 2021-09-30 | 2021-11-02 | 高视科技(苏州)有限公司 | 应用多轴机械臂的锂电池外观检测方法 |
| CN114119461A (zh) * | 2021-10-08 | 2022-03-01 | 厦门微亚智能科技有限公司 | 基于深度学习的锂电池模组侧面焊缝外观检测算法及系统 |
| CN114898088A (zh) * | 2022-05-18 | 2022-08-12 | 河北工业大学 | 基于嵌入余弦自注意力模块的光伏电池外观缺陷检测方法 |
| CN115494078A (zh) * | 2022-08-29 | 2022-12-20 | 广州超音速自动化科技股份有限公司 | 一种方形铝壳电池包蓝膜后的外观检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113295697A (zh) * | 2021-04-14 | 2021-08-24 | 蔚来汽车科技(安徽)有限公司 | 换电站的电池更换检测方法 |
-
2023
- 2023-05-30 CN CN202310617580.8A patent/CN116363125B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112907543A (zh) * | 2021-02-24 | 2021-06-04 | 胡志雄 | 一种基于随机缺陷模型的产品外观缺陷检测方法 |
| CN113588562A (zh) * | 2021-09-30 | 2021-11-02 | 高视科技(苏州)有限公司 | 应用多轴机械臂的锂电池外观检测方法 |
| CN114119461A (zh) * | 2021-10-08 | 2022-03-01 | 厦门微亚智能科技有限公司 | 基于深度学习的锂电池模组侧面焊缝外观检测算法及系统 |
| CN114898088A (zh) * | 2022-05-18 | 2022-08-12 | 河北工业大学 | 基于嵌入余弦自注意力模块的光伏电池外观缺陷检测方法 |
| CN115494078A (zh) * | 2022-08-29 | 2022-12-20 | 广州超音速自动化科技股份有限公司 | 一种方形铝壳电池包蓝膜后的外观检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116363125A (zh) | 2023-06-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116363125B (zh) | 基于深度学习的电池模组外观缺陷检测方法及系统 | |
| CN112070135B (zh) | 电力设备图像检测方法、装置、电力设备及存储介质 | |
| CN112115927B (zh) | 一种基于深度学习的机房设备智能识别方法及系统 | |
| CN108830332A (zh) | 一种视觉车辆检测方法及系统 | |
| CN108711148A (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
| CN111044149A (zh) | 电压互感器的温度异常点检测方法、装置及可读存储介质 | |
| CN113674216A (zh) | 一种基于深度学习的地铁隧道病害检测方法 | |
| CN118130005B (zh) | 一种植物纤维包装制品密封性检测方法及其应用 | |
| CN110688955A (zh) | 一种基于yolo神经网络的建筑构建目标检测方法 | |
| CN116188433A (zh) | 一种绝缘子缺陷检测方法、装置和设备 | |
| CN114972880A (zh) | 一种标签识别方法、装置、电子设备及存储介质 | |
| CN115019294A (zh) | 一种指针式仪表读数识别方法及系统 | |
| CN115171045A (zh) | 一种基于yolo的电网作业现场违章识别方法及终端 | |
| CN117498225B (zh) | 一种无人机智能电力线路巡检系统 | |
| CN113191362B (zh) | 一种变电设备油渗漏缺陷检测装置及方法 | |
| CN117114420B (zh) | 一种基于图像识别的工贸安全事故风险管控系统和方法 | |
| CN112446343B (zh) | 一种融合多尺度特征的车载点云道路杆状物机器学习自动提取方法 | |
| CN113850773A (zh) | 一种检测方法、装置、设备及计算机可读存储介质 | |
| CN112529836A (zh) | 高压线路缺陷检测方法、装置、存储介质及电子设备 | |
| CN116721083A (zh) | 一种检测电力设备瑕疵的背夹及其检测方法 | |
| US11727673B1 (en) | Visual analysis method for cable element identification | |
| CN110689028A (zh) | 现场图测评方法、现场勘查记录测评方法及其装置 | |
| CN111047731A (zh) | 一种基于ar技术的电信机房巡检方法及系统 | |
| CN114493291B (zh) | 一种高填方质量智能检测方法及系统 | |
| CN115438945A (zh) | 基于电力设备巡检的风险识别方法、装置、设备及介质 |
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 |