CN116385444B - 一种锂电池用蓝膜外观缺陷检测网络及其缺陷检测方法 - Google Patents
一种锂电池用蓝膜外观缺陷检测网络及其缺陷检测方法 Download PDFInfo
- Publication number
- CN116385444B CN116385444B CN202310659314.1A CN202310659314A CN116385444B CN 116385444 B CN116385444 B CN 116385444B CN 202310659314 A CN202310659314 A CN 202310659314A CN 116385444 B CN116385444 B CN 116385444B
- Authority
- CN
- China
- Prior art keywords
- feature
- network
- detection
- neural network
- model
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 195
- 230000007547 defect Effects 0.000 title claims abstract description 97
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 61
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 60
- 239000013598 vector Substances 0.000 claims abstract description 75
- 230000004927 fusion Effects 0.000 claims abstract description 74
- 238000004458 analytical method Methods 0.000 claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 claims abstract description 46
- 238000003062 neural network model Methods 0.000 claims description 67
- 238000013461 design Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 10
- 238000000034 method Methods 0.000 claims description 8
- 230000000295 complement effect Effects 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 4
- 238000007670 refining Methods 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 10
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 239000012528 membrane Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003792 electrolyte Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 229910000733 Li alloy Inorganic materials 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 239000010405 anode material Substances 0.000 description 1
- 239000010406 cathode material Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000001989 lithium alloy Substances 0.000 description 1
- 239000011255 nonaqueous electrolyte Substances 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000011179 visual inspection 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供了一种锂电池用蓝膜外观缺陷检测网络及其缺陷检测方法,包括:对锂电池用蓝膜图像进行特征提取,得到多个特征;基于多个特征对神经网络模块进行分析,得到最优网络参数;为神经网络模块配置最优网络参数,并得到多个目标特征;分别对多个目标特征进行单独分析和融合分析,得到单特征向量和融合特征向量;基于单特征向量和融合特征向量,确定外观缺陷检测结果;通过分析得到单特征向量和融合特征向量来确定外观缺陷检测结果,保证对特征分析的全面性,提高缺陷检测的准确度,同时仅使用一种检测网络保证缺陷检测的效率。
Description
技术领域
本发明涉及锂电池检测技术领域,特别涉及一种锂电池用蓝膜外观缺陷检测网络及其缺陷检测方法。
背景技术
在国家政策的大力支持下,锂电池技术得到了迅速发展,它是一种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高性能电池,因它具有能量密度高、自放电率低及使用寿命长的特点而广泛应用于新能源汽车、航空航天、移动设备等领域。
锂电池在生产过程中由于生产工艺的原因会有部分锂电池密封不严电解液溢出导致电池表面腐蚀,或者在生产过程中的磕碰、刮蹭导致电池表面出现鼓包、凹坑、划痕、脏污、电解液残留、防爆阀膜破损缺陷,这种缺陷极大的影响了电池的安全性及品质,因此现在会现在常在锂电池的外部添加蓝膜用于保护锂电池内部,但锂电池用蓝膜也会存在缺损,对锂电池用蓝膜外观缺陷检测尤为重要。
公开号为CN 114119462 A的发明专利公开了一种基于深度学习的锂电池电芯铝壳蓝膜外观检测算法,解决锂电池人工肉眼目检,导致的检测可靠性以及效率较低以及传统机器视觉算法检测误检率较高以及检测不稳定的问题,但是上述方案仅通过对里电磁表面图像的处理来实现对图像特征的更易提取,造成提取特征单一化,缺陷检测不准确,且使用传统算法结合深度学习的方式来对缺陷进行双重检测,导致算法运算时间长,无法满足实时检测和分布式的检测要求。
发明内容
本发明提供一种锂电池用蓝膜外观缺陷检测网络及其缺陷检测方法,保证对特征分析的全面性,提高缺陷检测的准确度,同时仅使用一种检测网络保证缺陷检测的效率。
本发明提供一种锂电池用蓝膜外观缺陷检测网络,包括:
神经网络模块,用于对锂电池用蓝膜图像进行特征提取,得到多个特征;
网络参数确定模块,用于基于多个特征对神经网络模块进行分析,得到最优网络参数;
特征向量获取模块,用于为神经网络模块配置最优网络参数,并得到多个目标特征;
特征分析融合模块,用于分别对多个目标特征进行单独分析和融合分析,得到单特征向量和融合特征向量;
结果确定模块,用于基于单特征向量和融合特征向量,确定外观缺陷检测结果。
优选的,还包括,模型构建模块,用于构建神经网络模块中的神经网络模型;
模型构建模块,包括:
初始化获取单元,用于获取只有一条支路的初始化神经网络模型;
第一扩展单元,用于以历史蓝膜图像为训练样本对初始化神经网络模型进行训练,基于初始化神经网络模型的响应速度与预设速度之间的差值,对初始化神经网络模型进行第一扩展,得到第一神经网络模型;
第二扩展单元,用于对训练样本划分为训练集和验证集,对第一神经网络模型进行交叉验证,得到平均识别率,基于平均识别率和预设识别率之间的差值,对第一神经网络模型进行第二扩展,得到第二神经网络模型;
将第二神经网络模型作为神经网络模块中使用的神经网络模型。
优选的,神经网络模块,包括:
图像分层单元,用于基于缺陷检测类型对应的标准特征,确定对神经网络模型的分层结构,对基于分层结构,对锂电池用蓝膜图像进行图像分层,得到多个层图像;
匹配单元,用于基于标准特征的特征结构,设计神经网络模型的检测通道,并将检测通道与层结构进行匹配,根据匹配结果将层图像自动导入对应的检测通道中;
特征提取单元,用于在对应的检测通道中对层图像进行特征提取,得到对应的特征,所有检测通道的特征组成多个特征。
优选的,匹配单元,包括:
结构分析单元,用于对标准特征的特征结构进行分析,确定对每个层图像的特征检测点,特征检测方式和检测精度;
第一层设计单元,用于基于特征检测点所在的图像区域作为目标检测区域,为目标检测区域设计图像提取规则,基于图像提取规则设计检测通道的第一层;
第二层设计单元,用于基于特征检测方式确定对提取到的目标检测图像的初始检测算法,将初始检测算法作为检测通道的第二层;
精度判断单元,用于基于检测精度确定对层图像的检测算法的算法精度,判断所述算法精度是否大于初始检测算法的预设检测精度;
若是,确定算法精度和预设检测精度之间的精度差值,若精度差值大于预设差值,则对初始检测算法进行缩减,得到目标检测算法,否则,确定初始检测算法为目标检测算法;
否则,基于算法精度和预设检测精度之间的精度差值,对初始检测算法进行细化,得到目标检测算法;
第二层更新单元,用于基于目标检测算法对第二层中的初始检测算法进行更新。
优选的,网络参数确定模块,包括:
权重设置单元,用于对多个特征进行分类,得到同一类型的特征集合,并确定特征类型与外观缺陷类型之间的对应关系,并基于对应关系为特征类型设置权重系数;
第一参数确定单元,用于基于特征集合中的特征表现,确定对每个特征的分析方式,基于分析方式为每个特征选择对应的网络节点,并为选择的网络节点配置对应的第一网络参数;
第二参数确定单元,获取神经网络模块中与特征类型对应的网络节点,并基于网络节点的节点连接关系,结合权重系数,为网络节点对应的第一网络参数进行权重赋值得到第二网络参数;
判断单元,用于将特征集合中特征表现的表现差异与特征类型的权重系数进行联系,确定表现差异与权重系数之间的比值,判断比值是否在预设比值范围内;
若是,确定对神经网络模块中神经网络模型的初始模型网络参数为第三网络参数;
否则,从初始模型网络参数中提取出与特征类型相关的第三网络参数,若比值小于预设比值范围,对第三网络参数进行调整,调整方向为向缩小表现差异进行,得到第四网络参数,若比值大于预设比值范围,调整方向为向放大表现差异进行,得到第四网络参数;
最优确定单元,用于将第四网络参数对第三网络参数进行替换,将第一网络参数,第二网络参数和第四网络参数作为最优网络参数。
优选的,特征向量获取模块,包括:
配置单元,用于为神经网络模块中的神经网络模型配置最优网络参数,得到目标神经网络模型;
特征输出单元,用于将锂电池用蓝膜图像输入目标神经网络模型,得到多个目标特征。
优选的,特征分析融合模块,包括:
模型构建单元,获取将每个目标特征的特征类型和特征位置,利用特征类型之间的关联和特征位置之间的关联为目标特征建模图谱结构模型,确定图谱结构模型中的节点和边;
模型处理单元,用于基于边实现节点之间的消息传播,并基于节点之间的距离对节点进行聚合,根据聚合结果确定图谱结构模型中的中心节点,对中心节点在图谱结构模型中的发散方向进行扩展,增强中心节点的特征学习能力;
模型分析单元,用于根据中心节点在图谱结构模型中的深度,建立第一融合规则,基于中心节点对应的目标特征与其他中心节点之间的目标特征之间的空间关联,建立第二融合规则,基于第一融合规则和第二融合规则建立特征融合策略;
标记单元,用于获取相邻中心节点之间的输入输出残差,并基于输入输出残差在中心节点的前端和后端嵌入补充子节点,利用特征融合策略为每个中心节点及其关联的补充子节点进行自适应标记;
融合单元,用于将多个目标输入图谱结构模型中,匹配到对应深度的中心节点,基于自适应标记,选择每个中心节点的局部或全部特征进行融合,输出融合特征;
向量确定单元,用于将融合特征输入特征向量分析模型中,得到融合特征向量,将目标特征输入特征向量分析模型中,得到单特征向量。
优选的,图谱结构模型根据目标特征的特性建立得到,用于实现目标特征的融合。
优选的,结果确定模块,包括:
向量匹配单元,用于根据融合特征向量与缺陷类型特征向量进行匹配,确定外观缺陷类型;
类型验证单元,用于基于单特征向量对外观缺陷类型进行验证,分析确定的外观缺陷类型的准确度。
一种锂电池用蓝膜外观缺陷检测方法,包括:
步骤1:对锂电池用蓝膜图像进行特征提取,得到多个特征;
步骤2:基于多个特征对神经网络模块进行分析,得到最优网络参数;
步骤3:为神经网络模块配置最优网络参数,并得到多个目标特征;
步骤4:分别对多个目标特征进行单独分析和融合分析,得到单特征向量和融合特征向量;
步骤5:基于单特征向量和融合特征向量,确定外观缺陷检测结果。
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为本发明实施例中一种锂电池用蓝膜外观缺陷检测网络的结构图;
图2为本发明实施例中模型构建模块的结构图;
图3为本发明实施例中一种锂电池用蓝膜外观缺陷检测方法的流程图。
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:
本发明实施例提供一种锂电池用蓝膜外观缺陷检测网络,如图1所示,包括:
神经网络模块,用于对锂电池用蓝膜图像进行特征提取,得到多个特征;
网络参数确定模块,用于基于多个特征对神经网络模块进行分析,得到最优网络参数;
特征向量获取模块,用于为神经网络模块配置最优网络参数,并得到多个目标特征;
特征分析融合模块,用于分别对多个目标特征进行单独分析和融合分析,得到单特征向量和融合特征向量;
结果确定模块,用于基于单特征向量和融合特征向量,确定外观缺陷检测结果。
在该实施例中,所述多个特征表示多个特征类型下的特征,多个特征分别与多个目标特征的特征类型对应。
在该实施例中,所述最优网络参数包括网络权重值的设置,网络节点的选择,学习率的设置等。
在该实施例中,基于多个特征对神经网络模块进行训练具体为按照多个特征的输出结果来确定最优网络参数。
在该实施例中,基于单特征向量和融合特征向量,确定外观缺陷检测结果为确定缺陷的位置和缺陷类型。
在该实施例中,还包括,图像获取处理模块,用于对锂电池用蓝膜外观进行图像采集和处理,得到分析用的锂电池用蓝膜图像;
图像获取处理模块,包括:
采集单元,用于采集得到锂电池用蓝膜外观各个角度的初始图像;
处理单元,用于对初始图像进行预处理,得到锂电池用蓝膜图像。
在该实施例中,预处理包括去噪,灰度化等。
通过采集得到初始图像后进行预处理,使得到的锂电池用蓝膜图像能够更好的用于神经网络模块的检测中。
上述设计方案的有益效果是:通过建立神经网络模块对锂电池用蓝膜图像进行检测,并在检测过程中确定适合当前图像的最优网络参数,来得到目标特征,保证获取的目标特征的多样性和准确性,通过分析得到单特征向量和融合特征向量来确定外观缺陷检测结果,保证对特征分析的全面性,提高缺陷检测的准确度,同时仅使用一种检测网络保证缺陷检测的效率。
实施例2:
基于实施例1的基础上,本发明实施例提供一种锂电池用蓝膜外观缺陷检测网络,还包括:如图2所示,模型构建模块,用于构建神经网络模块中的神经网络模型;
模型构建模块,包括:
初始化获取单元,用于获取只有一条支路的初始化神经网络模型;
第一扩展单元,用于以历史蓝膜图像为训练样本对初始化神经网络模型进行训练,基于初始化神经网络模型的响应速度与预设速度之间的差值,对初始化神经网络模型进行第一扩展,得到第一神经网络模型;
根据如下公式计算第一扩展的扩展深度;
其中,表示第一扩展的扩展深度,/>表示初始训练样本的容量,/>表示标准训练样本容量,/>表示初始化神经网络模型的响应速度,/>表示预设速度,其中/>,/>表示单位速度差异,/>表示初始化神经网络模型的网络深度,取值为整数,/>表示最大网络深度,/>表示不超过x 的最大整数;
按照第一扩展的扩展深度对初始化神经网络模型进行第一扩展,得到第一神经网络模型;
第二扩展单元,用于对训练样本划分为训练集和验证集,对第一神经网络模型进行交叉验证,得到平均识别率,基于平均识别率和预设识别率之间的差值,对第一神经网络模型进行第二扩展,得到第二神经网络模型;
其中,表示第二扩展的扩展深度,/>表示训练集的样本容量,/>表示验证集的样本容量,/>表示第一神经网络模型的平均识别率,/>表示预设识别率,其中/>,单位识别率差异;
按照第二扩展的扩展深度对第一神经网络模型进行第二扩展,得到第二神经网络模型;
将第二神经网络模型作为神经网络模块中使用的神经网络模型。
在该实施例中,单位速度差异和单位识别率差异用于根据模型精度确定。
上述设计方案的有益效果是:通过先获取初始化神经网络模型,结合响应速度和识别率进行模型扩展,保证确定的神经网络模块中的神经网络模型的运行速度和运行精度,保证缺陷检测的效率。
实施例3:
基于实施例1的基础上,本发明实施例提供一种锂电池用蓝膜外观缺陷检测网络,神经网络模块,包括:
图像分层单元,用于基于缺陷检测类型对应的标准特征,确定对神经网络模型的分层结构,对基于分层结构,对锂电池用蓝膜图像进行图像分层,得到多个层图像;
匹配单元,用于基于标准特征的特征结构,设计神经网络模型的检测通道,并将检测通道与层结构进行匹配,根据匹配结果将层图像自动导入对应的检测通道中;
特征提取单元,用于在对应的检测通道中对层图像进行特征提取,得到对应的特征,所有检测通道的特征组成多个特征。
在该实施例中,所述层图像例如包括边缘,纹理和空间关系,颜色等。
上述设计方案的有益效果是:通过基于缺陷检测类型对应的标准特征,确定对神经网络模型的分层结构,保证得到分层结构对图像特征检测的针对性,同时建立对每个层图像的加测通道,实现对图像不同的分析提取,保证神经网络模型对图像检测的准确性,为最终的外观缺陷检测提供基础。
实施例4:
基于实施例3的基础上,本发明实施例提供一种锂电池用蓝膜外观缺陷检测网络,匹配单元,包括:
结构分析单元,用于对标准特征的特征结构进行分析,确定对每个层图像的特征检测点,特征检测方式和检测精度;
第一层设计单元,用于基于特征检测点所在的图像区域作为目标检测区域,为目标检测区域设计图像提取规则,基于图像提取规则设计检测通道的第一层;
第二层设计单元,用于基于特征检测方式确定对提取到的目标检测图像的初始检测算法,将初始检测算法作为检测通道的第二层;
精度判断单元,用于基于检测精度确定对层图像的检测算法的算法精度,判断所述算法精度是否大于初始检测算法的预设检测精度;
若是,确定算法精度和预设检测精度之间的精度差值,若精度差值大于预设差值,则对初始检测算法进行缩减,得到目标检测算法,否则,确定初始检测算法为目标检测算法;
否则,基于算法精度和预设检测精度之间的精度差值,对初始检测算法进行细化,得到目标检测算法;
第二层更新单元,用于基于目标检测算法对第二层中的初始检测算法进行更新。
在该实施例中,对初始检测算法进行缩减为对初始检测算法某些子算法进行删减,对初始检测算法进行细化对某些子算法添加更加小的算法。
在该实施例中,提取到的目标检测图像为金国第一层处理之后得到的图像。
在该实施例中,所述初始检测算法为从算法数据库中确定的对图像检测的算法。
上述设计方案的有益效果是:通过根据标准特征的特征结构,设计神经网络模型的检测通道,第一层首先确定检测区域,第二层确定检测算法,并在确定检测算法的过程中根据对层图像的检测要求来对检测算法进行更新,保证得到的目标检测算法在保证检测要求的情况下,提高检测效率,避免多余检测,最终保证设计得到的神经网络模型的检测通道的合理性和准确性,为进一步图像特征的提取提供基础。
实施例5:
基于实施例1的基础上,本发明实施例提供一种锂电池用蓝膜外观缺陷检测网络,网络参数确定模块,包括:
权重设置单元,用于对多个特征进行分类,得到同一类型的特征集合,并确定特征类型与外观缺陷类型之间的对应关系,并基于对应关系为特征类型设置权重系数;
第一参数确定单元,用于基于特征集合中的特征表现,确定对每个特征的分析方式,基于分析方式为每个特征选择对应的网络节点,并为选择的网络节点配置对应的第一网络参数;
第二参数确定单元,获取神经网络模块中与特征类型对应的网络节点,并基于网络节点的节点连接关系,结合权重系数,为网络节点对应的第一网络参数进行权重赋值得到第二网络参数;
判断单元,用于将特征集合中特征表现的表现差异与特征类型的权重系数进行联系,确定表现差异与权重系数之间的比值,判断比值是否在预设比值范围内;
若是,确定对神经网络模块中神经网络模型的初始模型网络参数为第三网络参数;
否则,从初始模型网络参数中提取出与特征类型相关的第三网络参数,若比值小于预设比值范围,对第三网络参数进行调整,调整方向为向缩小表现差异进行,得到第四网络参数,若比值大于预设比值范围,调整方向为向放大表现差异进行,得到第四网络参数;
最优确定单元,用于将第四网络参数对第三网络参数进行替换,将第一网络参数,第二网络参数和第四网络参数作为最优网络参数。
在该实施例中,多个特征有多个图像得到,因此同一特征类型对应的特征数量为图像的数量。
在该实施例中,特征类型与外观缺陷类型之间的对应关系例如为第一特征类型参与多个外观缺陷类型的确定过程,且对多个外观缺陷类型的影响系数为0.5,0.8,…,0.6。
在该实施例中,每个网络节点中有不同的算子,因此需要确定每个特征类型对应的网络节点,第一网络参数主要用于确定特征类型检测和网络节点之间的对应关系,且每个网络节点在特征类型的分析中作用大小不同,由第二网络参数确定。
在该实施例中,特征表现的表现差异与特征类型的权重系数之间的比值与特征提取过程中参数的取值相关。
在该实施例中,模型网络参数包括分辨率,损失函数选择和模型权重等。
在该实施例中,特征表现的表现差异与特征类型的权重系数之间的比值过大表明在当前特征类型分下特征的表现差异较大,会影响缺陷类型的检测,相反过小表明在当前特征类型分下特征的表现差异较小,会影响缺陷类型的检测。
上述设计方案的有益效果是:通过初步获取的多个特征的特征类型与缺陷检测类型之间的关联,来对配置第一网络参数和第二网络参数,实现对网络节点的准确选择和运算,提高神经网络模块的运行效率,同时对模型网络参数进行调整,提高神经网络模块的准确率,为图像特征的提取提供基础。
实施例6:
基于实施例1的基础上,本发明实施例提供一种锂电池用蓝膜外观缺陷检测网络,特征向量获取模块,包括:
配置单元,用于为神经网络模块中的神经网络模型配置最优网络参数,得到目标神经网络模型;
特征输出单元,用于将锂电池用蓝膜图像输入目标神经网络模型,得到多个目标特征。
上述设计方案的有益效果是:通过对获取的最优网络参数对神经网络模块中的神经网络模型进行配置后,将锂电池用蓝膜图像输入目标神经网络模型,得到多个目标特征,保证得到的目标特征的准确性和特征的多样化,为缺陷检测提供基础。
实施例7:
基于实施例1的基础上,本发明实施例提供一种锂电池用蓝膜外观缺陷检测网络,特征分析融合模块,包括:
模型构建单元,获取将每个目标特征的特征类型和特征位置,利用特征类型之间的关联和特征位置之间的关联为目标特征建模图谱结构模型,确定图谱结构模型中的节点和边;
模型处理单元,用于基于边实现节点之间的消息传播,并基于节点之间的距离对节点进行聚合,根据聚合结果确定图谱结构模型中的中心节点,对中心节点在图谱结构模型中的发散方向进行扩展,增强中心节点的特征学习能力;
模型分析单元,用于根据中心节点在图谱结构模型中的深度,建立第一融合规则,基于中心节点对应的目标特征与其他中心节点之间的目标特征之间的空间关联,建立第二融合规则,基于第一融合规则和第二融合规则建立特征融合策略;
标记单元,用于获取相邻中心节点之间的输入输出残差,并基于输入输出残差在中心节点的前端和后端嵌入补充子节点,利用特征融合策略为每个中心节点及其关联的补充子节点进行自适应标记;
融合单元,用于将多个目标输入图谱结构模型中,匹配到对应深度的中心节点,基于自适应标记,选择每个中心节点的局部或全部特征进行融合,输出融合特征;
向量确定单元,用于将融合特征输入特征向量分析模型中,得到融合特征向量,将目标特征输入特征向量分析模型中,得到单特征向量。
在该实施例中,特征位置为在图像上的分布位置。
在该实施例中,图谱结构模型中的节点和边中节点用于确定目标特征,便用于确定目标特征之间的关联。
在该实施例中,对节点进行聚合的目的是消除类似的节点,对图谱结构模型进行简化,从而提高模型的运行效率。
在该实施例中,对中心节点在图谱结构模型中的发散方向进行扩展为增加能够对特征分析的节点,增强中心节点的特征学习能力。
在该实施例中,第一融合规则根据深度大小确定,例如深度大于预设值时,两个相关的中心节点不能直接融合。
在该实施例中,第二融合规则根据特征确定,例如特征之间的空间关联大于预设关联时,可进行特征融合。
在该实施例中,相邻中心节点之间的输入输出残差是由经过不同节点后,节点对应的特征会有一部分的损失造成的。
在该实施例中,自适应标记可以在子使用选择中心节点的目标特征部分,最后得到融合特征。
上述设计方案的有益效果是:通过根据目标特征建立图谱结构模型后,对图谱结构中的节点进行调整,嵌入和自适应标记等,保证得到最终的图谱结构模型的特征融合效果和运行效率,为缺陷检测提供全面又准确的特征基础。
实施例8:
基于实施例1的基础上,本发明实施例提供一种锂电池用蓝膜外观缺陷检测网络,图谱结构模型根据目标特征的特性建立得到,用于实现目标特征的融合。
上述设计方案的有益效果是:通过建立图谱结构模型实现目标特征的融合。
实施例9:
基于实施例1的基础上,本发明实施例提供一种锂电池用蓝膜外观缺陷检测网络,一种锂电池用蓝膜外观缺陷检测网络,结果确定模块,包括:
向量匹配单元,用于根据融合特征向量与缺陷类型特征向量进行匹配,确定外观缺陷类型;
类型验证单元,用于基于单特征向量对外观缺陷类型进行验证,分析确定的外观缺陷类型的准确度。
在该实施例中,对外观缺陷类型进行验证具体为确定每个单特征向量与外观缺陷类型的匹配度,平均匹配度作为准确度。
上述设计方案的有益效果是:通过根据融合特征向量与缺陷类型特征向量进行匹配,基于单特征向量对外观缺陷类型进行验证,双重保证了确定的外观缺陷类型的准确性。
实施例10:
本发明实施例提供一种锂电池用蓝膜外观缺陷检测方法,如图3所示,包括:
步骤1:对锂电池用蓝膜图像进行特征提取,得到多个特征;
步骤2:基于多个特征对神经网络模块进行分析,得到最优网络参数;
步骤3:为神经网络模块配置最优网络参数,并得到多个目标特征;
步骤4:分别对多个目标特征进行单独分析和融合分析,得到单特征向量和融合特征向量;
步骤5:基于单特征向量和融合特征向量,确定外观缺陷检测结果。
在该实施例中,所述多个特征表示多个特征类型下的特征,多个特征分别与多个目标特征的特征类型对应。
在该实施例中,所述最优网络参数包括网络权重值的设置,网络节点的选择,学习率的设置等。
在该实施例中,基于多个特征对神经网络模块进行训练具体为按照多个特征的输出结果来确定最优网络参数。
在该实施例中,基于单特征向量和融合特征向量,确定外观缺陷检测结果为确定缺陷的位置和缺陷类型。
上述设计方案的有益效果是:通过建立神经网络模块对锂电池用蓝膜图像进行检测,并在检测过程中确定适合当前图像的最优网络参数,来得到目标特征,保证获取的目标特征的多样性和准确性,通过分析得到单特征向量和融合特征向量来确定外观缺陷检测结果,保证对特征分析的全面性,提高缺陷检测的准确度,同时仅使用一种检测网络保证缺陷检测的效率。
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 (9)
1.一种锂电池用蓝膜外观缺陷检测网络,其特征在于,包括:
神经网络模块,用于对锂电池用蓝膜图像进行特征提取,得到多个特征;
网络参数确定模块,用于基于多个特征对神经网络模块进行分析,得到最优网络参数;
特征向量获取模块,用于为神经网络模块配置最优网络参数,并得到多个目标特征;
特征分析融合模块,用于分别对多个目标特征进行单独分析和融合分析,得到单特征向量和融合特征向量;
结果确定模块,用于基于单特征向量和融合特征向量,确定外观缺陷检测结果;
网络参数确定模块,包括:
权重设置单元,用于对多个特征进行分类,得到同一类型的特征集合,并确定特征类型与外观缺陷类型之间的对应关系,并基于对应关系为特征类型设置权重系数;
第一参数确定单元,用于基于特征集合中的特征表现,确定对每个特征的分析方式,基于分析方式为每个特征选择对应的网络节点,并为选择的网络节点配置对应的第一网络参数;
第二参数确定单元,获取神经网络模块中与特征类型对应的网络节点,并基于网络节点的节点连接关系,结合权重系数,为网络节点对应的第一网络参数进行权重赋值得到第二网络参数;
判断单元,用于将特征集合中特征表现的表现差异与特征类型的权重系数进行联系,确定表现差异与权重系数之间的比值,判断比值是否在预设比值范围内;
若是,确定对神经网络模块中神经网络模型的初始模型网络参数为第三网络参数;
否则,从初始模型网络参数中提取出与特征类型相关的第三网络参数,若比值小于预设比值范围,对第三网络参数进行调整,调整方向为向缩小表现差异进行,得到第四网络参数,若比值大于预设比值范围,调整方向为向放大表现差异进行,得到第四网络参数;
最优确定单元,用于将第四网络参数对第三网络参数进行替换,将第一网络参数,第二网络参数和第四网络参数作为最优网络参数。
2.根据权利要求1所述的一种锂电池用蓝膜外观缺陷检测网络,其特征在于,还包括,模型构建模块,用于构建神经网络模块中的神经网络模型;
模型构建模块,包括:
初始化获取单元,用于获取只有一条支路的初始化神经网络模型;
第一扩展单元,用于以历史蓝膜图像为训练样本对初始化神经网络模型进行训练,基于初始化神经网络模型的响应速度与预设速度之间的差值,对初始化神经网络模型进行第一扩展,得到第一神经网络模型;
第二扩展单元,用于对训练样本划分为训练集和验证集,对第一神经网络模型进行交叉验证,得到平均识别率,基于平均识别率和预设识别率之间的差值,对第一神经网络模型进行第二扩展,得到第二神经网络模型;
将第二神经网络模型作为神经网络模块中使用的神经网络模型。
3.根据权利要求1所述的一种锂电池用蓝膜外观缺陷检测网络,其特征在于,神经网络模块,包括:
图像分层单元,用于基于缺陷检测类型对应的标准特征,确定对神经网络模型的分层结构,对基于分层结构,对锂电池用蓝膜图像进行图像分层,得到多个层图像;
匹配单元,用于基于标准特征的特征结构,设计神经网络模型的检测通道,并将检测通道与层结构进行匹配,根据匹配结果将层图像自动导入对应的检测通道中;
特征提取单元,用于在对应的检测通道中对层图像进行特征提取,得到对应的特征,所有检测通道的特征组成多个特征。
4.根据权利要求3所述的一种锂电池用蓝膜外观缺陷检测网络,其特征在于,匹配单元,包括:
结构分析单元,用于对标准特征的特征结构进行分析,确定对每个层图像的特征检测点,特征检测方式和检测精度;
第一层设计单元,用于基于特征检测点所在的图像区域作为目标检测区域,为目标检测区域设计图像提取规则,基于图像提取规则设计检测通道的第一层;
第二层设计单元,用于基于特征检测方式确定对提取到的目标检测图像的初始检测算法,将初始检测算法作为检测通道的第二层;
精度判断单元,用于基于检测精度确定对层图像的检测算法的算法精度,判断所述算法精度是否大于初始检测算法的预设检测精度;
若是,确定算法精度和预设检测精度之间的精度差值,若精度差值大于预设差值,则对初始检测算法进行缩减,得到目标检测算法,否则,确定初始检测算法为目标检测算法;
否则,基于算法精度和预设检测精度之间的精度差值,对初始检测算法进行细化,得到目标检测算法;
第二层更新单元,用于基于目标检测算法对第二层中的初始检测算法进行更新。
5.根据权利要求1所述的一种锂电池用蓝膜外观缺陷检测网络,其特征在于,特征向量获取模块,包括:
配置单元,用于为神经网络模块中的神经网络模型配置最优网络参数,得到目标神经网络模型;
特征输出单元,用于将锂电池用蓝膜图像输入目标神经网络模型,得到多个目标特征。
6.根据权利要求1所述的一种锂电池用蓝膜外观缺陷检测网络,其特征在于,特征分析融合模块,包括:
模型构建单元,获取将每个目标特征的特征类型和特征位置,利用特征类型之间的关联和特征位置之间的关联为目标特征建模图谱结构模型,确定图谱结构模型中的节点和边;
模型处理单元,用于基于边实现节点之间的消息传播,并基于节点之间的距离对节点进行聚合,根据聚合结果确定图谱结构模型中的中心节点,对中心节点在图谱结构模型中的发散方向进行扩展,增强中心节点的特征学习能力;
模型分析单元,用于根据中心节点在图谱结构模型中的深度,建立第一融合规则,基于中心节点对应的目标特征与其他中心节点之间的目标特征之间的空间关联,建立第二融合规则,基于第一融合规则和第二融合规则建立特征融合策略;
标记单元,用于获取相邻中心节点之间的输入输出残差,并基于输入输出残差在中心节点的前端和后端嵌入补充子节点,利用特征融合策略为每个中心节点及其关联的补充子节点进行自适应标记;
融合单元,用于将多个目标输入图谱结构模型中,匹配到对应深度的中心节点,基于自适应标记,选择每个中心节点的局部或全部特征进行融合,输出融合特征;
向量确定单元,用于将融合特征输入特征向量分析模型中,得到融合特征向量,将目标特征输入特征向量分析模型中,得到单特征向量。
7.根据权利要求6所述的一种锂电池用蓝膜外观缺陷检测网络,其特征在于,图谱结构模型根据目标特征的特性建立得到,用于实现目标特征的融合。
8.根据权利要求1所述的一种锂电池用蓝膜外观缺陷检测网络,其特征在于,结果确定模块,包括:
向量匹配单元,用于根据融合特征向量与缺陷类型特征向量进行匹配,确定外观缺陷类型;
类型验证单元,用于基于单特征向量对外观缺陷类型进行验证,分析确定的外观缺陷类型的准确度。
9.一种锂电池用蓝膜外观缺陷检测方法,应用在如权利要求1-8任一项所述的一种锂电池用蓝膜外观缺陷检测网络中,其特征在于,包括:
步骤1:对锂电池用蓝膜图像进行特征提取,得到多个特征;
步骤2:基于多个特征对神经网络模块进行分析,得到最优网络参数;
步骤3:为神经网络模块配置最优网络参数,并得到多个目标特征;
步骤4:分别对多个目标特征进行单独分析和融合分析,得到单特征向量和融合特征向量;
步骤5:基于单特征向量和融合特征向量,确定外观缺陷检测结果;
步骤2包括:
对多个特征进行分类,得到同一类型的特征集合,并确定特征类型与外观缺陷类型之间的对应关系,并基于对应关系为特征类型设置权重系数;
基于特征集合中的特征表现,确定对每个特征的分析方式,基于分析方式为每个特征选择对应的网络节点,并为选择的网络节点配置对应的第一网络参数;
获取神经网络模块中与特征类型对应的网络节点,并基于网络节点的节点连接关系,结合权重系数,为网络节点对应的第一网络参数进行权重赋值得到第二网络参数;
将特征集合中特征表现的表现差异与特征类型的权重系数进行联系,确定表现差异与权重系数之间的比值,判断比值是否在预设比值范围内;
若是,确定对神经网络模块中神经网络模型的初始模型网络参数为第三网络参数;
否则,从初始模型网络参数中提取出与特征类型相关的第三网络参数,若比值小于预设比值范围,对第三网络参数进行调整,调整方向为向缩小表现差异进行,得到第四网络参数,若比值大于预设比值范围,调整方向为向放大表现差异进行,得到第四网络参数;
将第四网络参数对第三网络参数进行替换,将第一网络参数,第二网络参数和第四网络参数作为最优网络参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310659314.1A CN116385444B (zh) | 2023-06-06 | 2023-06-06 | 一种锂电池用蓝膜外观缺陷检测网络及其缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310659314.1A CN116385444B (zh) | 2023-06-06 | 2023-06-06 | 一种锂电池用蓝膜外观缺陷检测网络及其缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116385444A CN116385444A (zh) | 2023-07-04 |
CN116385444B true CN116385444B (zh) | 2023-08-11 |
Family
ID=86961962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310659314.1A Active CN116385444B (zh) | 2023-06-06 | 2023-06-06 | 一种锂电池用蓝膜外观缺陷检测网络及其缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116385444B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102169047B1 (ko) * | 2020-07-14 | 2020-10-22 | 지엘홀딩스 주식회사 | 딥러닝 기능이 탑재된 연료 전지 제어 시스템 및 이를 이용한 제어 방법 |
CN114119462A (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铝壳蓝膜外观检测算法 |
CN114184616A (zh) * | 2021-11-25 | 2022-03-15 | 安徽布拉特智能科技有限公司 | 一种锂电池用蓝膜的检测装置及其控制方法 |
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 |
CN115494080A (zh) * | 2022-09-22 | 2022-12-20 | 章鱼博士智能技术(上海)有限公司 | 一种电池包蓝膜外观缺陷检测方法及系统 |
CN115937195A (zh) * | 2022-12-29 | 2023-04-07 | 凌云光技术股份有限公司 | 表面缺陷检测方法、装置和计算机设备 |
CN116026843A (zh) * | 2023-01-17 | 2023-04-28 | 凌云光技术股份有限公司 | 电池外观的缺陷检测方法、装置和检测系统 |
WO2023096908A1 (en) * | 2021-11-23 | 2023-06-01 | Trustees Of Tufts College | Detection and identification of defects using artificial intelligence analysis of multi-dimensional information data |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019018693A2 (en) * | 2017-07-19 | 2019-01-24 | Altius Institute For Biomedical Sciences | METHODS OF ANALYZING MICROSCOPIC IMAGES USING AUTOMATIC LEARNING |
-
2023
- 2023-06-06 CN CN202310659314.1A patent/CN116385444B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102169047B1 (ko) * | 2020-07-14 | 2020-10-22 | 지엘홀딩스 주식회사 | 딥러닝 기능이 탑재된 연료 전지 제어 시스템 및 이를 이용한 제어 방법 |
CN114119462A (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铝壳蓝膜外观检测算法 |
WO2023096908A1 (en) * | 2021-11-23 | 2023-06-01 | Trustees Of Tufts College | Detection and identification of defects using artificial intelligence analysis of multi-dimensional information data |
CN114184616A (zh) * | 2021-11-25 | 2022-03-15 | 安徽布拉特智能科技有限公司 | 一种锂电池用蓝膜的检测装置及其控制方法 |
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 |
CN115494080A (zh) * | 2022-09-22 | 2022-12-20 | 章鱼博士智能技术(上海)有限公司 | 一种电池包蓝膜外观缺陷检测方法及系统 |
CN115937195A (zh) * | 2022-12-29 | 2023-04-07 | 凌云光技术股份有限公司 | 表面缺陷检测方法、装置和计算机设备 |
CN116026843A (zh) * | 2023-01-17 | 2023-04-28 | 凌云光技术股份有限公司 | 电池外观的缺陷检测方法、装置和检测系统 |
Non-Patent Citations (1)
Title |
---|
基于机器学习的天文光电图像特征细节识别研究;黄小龙;;自动化与仪器仪表(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116385444A (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108681692B (zh) | 一种基于深度学习的遥感图像内新增建筑识别方法 | |
CN107808133B (zh) | 基于无人机巡线的油气管道安全监测方法、系统及软件存储器 | |
CN106454747B (zh) | 手机终端的无线定位方法 | |
WO2023071121A1 (zh) | 一种基于多模型融合的目标检测方法、装置、设备及介质 | |
CN111860596B (zh) | 基于深度学习的无监督路面裂缝分类方法及模型建立方法 | |
CN111242026B (zh) | 一种基于空间层次感知模块和度量学习的遥感图像目标检测方法 | |
CN111832615A (zh) | 一种基于前景背景特征融合的样本扩充方法及系统 | |
CN112288758B (zh) | 一种电力设备红外与可见光图像配准方法 | |
CN114501530B (zh) | 基于深度强化学习的天线参数的确定方法和装置 | |
CN116228754B (zh) | 一种基于深度学习和全局差异性信息的表面缺陷检测方法 | |
CN112581445A (zh) | 一种输电线路螺栓的检测方法、装置、存储介质及电子设备 | |
CN112711981A (zh) | 一种高精度输电线路缺陷识别方法 | |
CN114419007A (zh) | 多策略融合深度学习网络模型的缺陷类型识别方法及系统 | |
CN111476307A (zh) | 一种基于深度领域适应的锂电池表面缺陷检测方法 | |
CN104680549B (zh) | 基于高阶邻域tmf模型的sar图像变化检测方法 | |
CN116385444B (zh) | 一种锂电池用蓝膜外观缺陷检测网络及其缺陷检测方法 | |
WO2022222036A1 (zh) | 车位确定方法及装置 | |
CN116664579B (zh) | 一种电池包焊接质量图像检测方法 | |
CN111031258B (zh) | 月球车导航相机曝光参数确定方法及装置 | |
CN115908999B (zh) | 配电杆塔顶部金具锈蚀检测方法、介质和边缘终端设备 | |
CN115620083B (zh) | 模型训练方法、人脸图像质量评价方法、设备及介质 | |
CN107564045A (zh) | 基于梯度域引导滤波的立体匹配算法 | |
CN115239733B (zh) | 裂缝检测方法、装置、终端设备以及存储介质 | |
CN104050665B (zh) | 一种视频图像中前景停留时间的估计方法及装置 | |
CN114092462A (zh) | 基于语义分割和目标检测融合模型的复合缺陷检测方法 |
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 |