CN116402828A - 一种基于显著图的电池片缺陷检测方法及系统 - Google Patents
一种基于显著图的电池片缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN116402828A CN116402828A CN202310681619.2A CN202310681619A CN116402828A CN 116402828 A CN116402828 A CN 116402828A CN 202310681619 A CN202310681619 A CN 202310681619A CN 116402828 A CN116402828 A CN 116402828A
- Authority
- CN
- China
- Prior art keywords
- data
- image
- pixel
- saliency
- heat treatment
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 84
- 230000007547 defect Effects 0.000 title claims abstract description 77
- 238000010438 heat treatment Methods 0.000 claims abstract description 137
- 238000004458 analytical method Methods 0.000 claims abstract description 122
- 238000012545 processing Methods 0.000 claims abstract description 85
- 230000003287 optical effect Effects 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000013075 data extraction Methods 0.000 claims abstract description 11
- 230000009467 reduction Effects 0.000 claims description 48
- 238000005457 optimization Methods 0.000 claims description 45
- 238000004422 calculation algorithm Methods 0.000 claims description 43
- 238000013507 mapping Methods 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 28
- 230000002950 deficient Effects 0.000 claims description 20
- 238000007669 thermal treatment Methods 0.000 claims description 20
- 230000005856 abnormality Effects 0.000 claims description 17
- 239000002245 particle Substances 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000002372 labelling Methods 0.000 claims description 13
- 238000001931 thermography Methods 0.000 claims description 12
- 125000004122 cyclic group Chemical group 0.000 claims description 11
- 230000001276 controlling effect Effects 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims 2
- 230000008569 process Effects 0.000 description 13
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000000877 morphologic effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011895 specific detection 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N25/00—Investigating or analyzing materials by the use of thermal means
- G01N25/72—Investigating presence of flaws
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/10—Measuring as part of the manufacturing process
- H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
-
- 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
- G06T2207/10048—Infrared image
-
- 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
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- 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
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- General Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biochemistry (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Medical Informatics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Radiation Pyrometers (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明涉及电池片检测技术领域,尤其是涉及一种基于显著图的电池片缺陷检测方法及系统。所述方法包括以下步骤:获取热处理操作数据集,其中热处理操作数据集包括热循环次数、热处理温度以及热处理持温时间,基于热处理操作数据集进行双重序列数据提取操作,生成像素点位显著性分析数据,利用像素点位显著性分析数据进行点位数据对比分析,生成强显著性位点数据以及弱显著性位点数据,对于强显著性位点数据,生成二维拓扑光学显著性图;对于弱显著性位点数据,基于热处理持温时间对电池片进行环境等待处理;本发明通过对热处理操作数据集进行数据处理,提高电池片缺陷检测的效率以及隐私安全性。
Description
技术领域
本发明涉及电池片检测技术领域,尤其是涉及一种基于显著图的电池片缺陷检测方法及系统。
背景技术
在光伏电池制造过程中,电池片的质量问题是制约其性能和寿命的重要因素之一。传统的电池片质量检测方法主要依赖于人工目视检查或使用特定的检测设备,存在效率低下、易受人为因素影响、成本高昂等缺点,因此,需要一种高效、准确、自动化的电池片缺陷检测方法及系统来提高电池片制造的质量和效率。
发明内容
本发明提供一种基于显著图的电池片缺陷检测方法及系统,以解决至少一个上述技术问题。
为实现上述目的,一种基于显著图的电池片缺陷检测方法,包括以下步骤:
步骤S1:获取热处理操作数据集,其中热处理操作数据集包括热循环次数、热处理温度以及热处理持温时间;基于热处理操作数据集进行双重序列数据提取操作,生成像素点位显著性分析数据;利用像素点位显著性分析数据进行点位数据对比分析,生成强显著性位点数据以及弱显著性位点数据;对于强显著性位点数据,执行步骤S2;对于弱显著性位点数据,基于热处理持温时间对电池片进行环境等待处理,生成静置电池片,选取静置电池片作为步骤S3中的电池片执行步骤S3;
步骤S2:基于像素点位显著性分析数据利用光学显微镜进行图像空域化处理,生成空域显著图像数据,利用空域显著图像数据进行拓扑转换标注,生成二维拓扑光学显著性图;
步骤S3:获取初始特征空间数据集,对二维拓扑光学显著性图进行判空处理,生成零显著性拓扑数据集以及非零显著性拓扑数据集,对于非零显著性拓扑数据集,选取非零显著性拓扑数据集作为初始特征空间数据集,基于初始特征空间数据集对电池片利用SGD优化算法进行优化数据训练模型构建,生成优化数据训练模型,利用优化数据训练模型进行优化数据获取处理,生成优化数据集,其中优化数据集包括优化热处理持温时间、优化热循环次数以及优化热处理温度,基于优化热循环次数与预设的基准循环次数进行数据对比,当优化热循环次数大于预设的基准循环次数时,选取优化热处理持温时间作为步骤S1中的热处理持温时间,选取优化热循环次数作为步骤S1中的热循环次数,选取优化热处理温度作为步骤S1中的热处理温度,返回步骤S1;当优化热循环次数小于预设的基准循环次数时,执行步骤S4;
步骤S4:基于空域显著图像数据以及像素点位显著性分析数据进行热循环缺陷检测指令传输处理,从而实现基于显著图的电池片缺陷检测。
本发明提供了一种基于显著图的电池片缺陷检测方法,通过从形态学、电池片热处理表面温度角度通过对热循环过程中的循环条件因素判断,实现对电池片的高效、高精度检测,热循环处理过程中的循通过获取热处理操作数据集,双重序列数据提取操作,生成像素点位显著性分析数据,利用像素点位显著性分析数据进行点位数据对比分析,生成强显著性位点数据以及弱显著性位点数据,利用优化数据集进行热循环返回操作,基于像素点位显著性分析数据生成空域显著图像数据,进一步进行二维拓扑光学显著性图标注,从而选取初始特征空间数据集进行优化数据训练模型构建,并基于该优化数据训练模型进行优化数据获取处理,生成优化数据集,实现了基于显著图的电池片缺陷检测,准确迅速检测电池片缺陷,提高电池片的生产效率和产品质量。
优选地,步骤S1包括以下步骤:
步骤S101:获取热处理操作数据集,其中热处理操作收集包括热循环次数、热处理温度以及热处理持温时间;
步骤S102:基于热处理温度以及热处理持温时间进行热处理环境部署,构建热处理环境;
步骤S103:基于热处理环境利用红外相机对电池片进行热处理数据收集,生成电池片热像图;
步骤S104:获取热像图温度匹配规则库,利用热像图温度匹配规则库进行规则数据检索,生成热像图规则数据;
步骤S105:基于热像图规则数据对电池片热像图进行循环像素点解析处理,生成热像图像素点解析数据;
步骤S106:利用热像图像素点解析数据进行像素点序列化数据处理,生成热像图像素点序列化数据;
步骤S107:利用热像图像素点序列化数据进行热像图序列化处理,热像图序列数据;
步骤S108:基于热像图序列数据利用序列显著性分析算法进行序列数据显著性分析,生成像素点位显著性分析数据;
步骤S109:基于像素点位显著性分析数据与预设的基准显著性位点数据进行点位数据对比分析,当像素点位显著性分析数据大于预设的基准显著性位点数据时,标记为强显著性位点数据,当像素点位显著性分析数据小于预设的基准显著性位点数据时,标记为弱显著性位点数据;
步骤S110:对于强显著性位点数据,执行步骤S2;对于弱显著性位点数据,基于热处理持温时间对电池片进行环境等待处理,生成静置电池片,选取静置电池片作为步骤S3中电池片执行步骤S3。
其中步骤S1中的基于热处理操作数据集进行双重序列数据提取操作,生成像素点位显著性分析数据具体为:步骤S102-步骤S108。其中的双重序列具体是指热像图像素点序列化数据和热像图序列数据。
本发明利用热像图数据对电池片进行热处理环境部署和优化,通过对热像图像素点解析、序列化和显著性分析,结合预设的基准显著性位点数据,实现了对热处理效果的评估和优化,提高电池片热处理的效率和准确性,降低生产成本,提高产品质量,特别地,本发明重点关注电池片的循环测试,通过后续步骤S3对于循环条件的更改,来实现较高效率的数据获取,通过对电池片热处理操作数据集的收集和对热像图的规则数据检索、像素点位显著性分析等操作,利用电池片缺陷部位与正常部位的高温环境表面温度差异性,实现了对电池片热处理效果的循环检测和优化,保证了电池片的长期稳定性和可靠性,获取热循环数据集。
优选地,步骤S108中的序列化显著性分析算法具体为:
其中,为像素点局部温度导数值,/>为热像图序列数据中的像素点温度值,/>为热像图序列数据中的像素点位置,/>为归一化温度值,/>为热像图序列数据中的像素点温度最小值,/>为热像图序列数据中的像素点温度最大值,/>为像素点/>的初级显著性,/>为热像图序列数据中的热成像图像像素点总数,/>为自然指数函数,/>为序列化调节参数,为像素点/>的位置向量,/>为像素点/>的位置向量,/>为像素点/>的归一化温度值,/>为像素点位显著性数据,/>为热像图最小显著性像素点,/>为热像图最大显著性像素点。
本发明利用一种序列化显著性分析算法,该算法从热循环处理中规定环境下收集的电池片热像图像素点数据入手,通过将热像图按照收集时间进行序列化排序并将热像图中像素点按从左向右顺序存储,利用存储的热像图像素点数据实现序列化显著性分析算法,该算法利用热像图序列数据中的像素点位置,以及该像素点对应的温度,即热像图序列数据中的像素点温度值/>,利用微积分分析算法,利用函数关系/>求解像素点局部温度导数值/>,利用像素点局部温度导数值/>、热像图序列数据中的像素点温度最小值/>以及热像图序列数据中的像素点温度最大值/>将像素点的局部导数进行归一化处理,利用函数关系/>,消除不同像素点之间温度差异的影响,获取归一化温度值/>,基于归一化的像素点数据,通过自然指数函数/>,利用序列化调节参数/>、像素点/>的位置向量/>、像素点/>的位置向量/>以及像素点/>的归一化温度值/>形成函数关系,利用求和符号基于热像图序列数据中的热成像图像像素点总数/>对函数关系/>进行求和,通过函数关系/>计算每个像素点的显著性得分,从而获取像素点/>的初级显著性/>,利用像素点/>的初级显著性/>、热像图最小显著性像素点/>、热像图最大显著性像素点/>进行得分归一化处理,将不同图像的得分进行比较,获取像素点位显著性数据/>。
优选地,步骤S2包括以下步骤:
步骤S21:基于像素点位显著性分析数据进行温度异常点位存储,生成温度异常点位数据集;
步骤S22:利用光学显微镜对电池片进行检测台检测,生成表面显微结构图像集;
步骤S23:基于表面显微结构图像集进行图像空域化处理,生成空域显著图像数据;
步骤S24:基于空域显著图像数据利用降维相似度计算公式进行降维相似度计算,生成频域降维相似度数据;
步骤S25:获取降维映射规则数据库,根据映射规则数据库进行规则检索提取,生成降维映射规则数据;
步骤S26:基于降维映射规则数据、频域降维相似度数据以及空域显著图像数据进行二维拓扑结构映射,二维数据融合拓扑映射;
步骤S27:基于二维数据融合拓扑映射利用显著性标注算法进行节点显著性标注,生成二维拓扑光学显著性图。
本发明基于像素点位显著性分析数据进行温度异常点位存储,生成温度异常点位数据集能实现有效地识别和存储电池片中存在的温度异常点位,为后续步骤提供数据基础,利用光学显微镜对电池片进行检测台检测,生成表面显微结构图像集,对热循环处理中温度显著性小于预设的基准显著位点数据的电池片进行光学显微镜检测,获取光学显微图像,基于表面显微结构图像集进行图像空域化处理,将电池片表面显微结构信息转化为数字图像数据,利用降维相似度计算公式进行降维相似度计算,将高维的空域显著图像数据降维为低维的频域相似度数据,减少数据处理的复杂度和计算量,利用映射规则数据库进行规则检索,通过降维映射规则进行二维拓扑结构映射,将空域显著图像数据以及频域相似度数据融合为一个二维拓扑结构图像,有效综合运用不同类型的数据特征,基于二维数据融合拓扑映射利用显著性算法进行节点显著性标注,生成二维拓扑光学显著性图,突出表示电池片的重要结构和异常区域,提高了数据分析和诊断的效率和准确性。
优选地,步骤S23包括以下步骤:
步骤S231:对表面显微结构图像集进行灰度化处理,生成显微灰度图像数据集;
步骤S232:对显微灰度图像数据集进行傅里叶变换,生成频域图像数据集;
步骤S233:对频域图像数据集进行幅值归一化处理,生成归一化频域图像数据集;
步骤S234:基于显微灰度图像数据集以及温度异常点位数据集对归一化频域图像数据集进行像素点位屏蔽操作,生成标准频域图像数据集;
步骤S235:对标准频域图像数据集进行反傅里叶变换,生成空域显著图像数据。
本发明实现了电池片表面显微结构图像数据的采集和处理,并基于温度异常点位数据进行了像素点位屏蔽操作,生成了标准频域图像数据集,有效地提高了电池片表面显微结构图像数据的质量和准确性,此外,通过傅里叶变换和反傅里叶变换的处理,将表面显微结构图像数据转化为频域图像数据,再反向转化为空域显著图像数据,从而进一步增强了对表面显微结构的分析能力,为电池片的质量检测和控制提供了有力的技术支持。
优选地,步骤S24中的降维相似度计算公式具体为:
其中,为空域显著图像数据中第/>个样本与第/>个样本之间的降维相似度,/>为空域显著图像数据的最大横坐标,/>为空域显著图像数据的最大纵坐标,/>为第t个样本在空域显著图像数据中横坐标为/>、纵坐标为/>的像素点灰度值,/>为第/>个样本在空域显著图像数据中横坐标为/>、纵坐标为/>的像素点位颗粒分布坡度值,/>为第/>个样本在空域显著图像数据中横坐标为/>、纵坐标为/>的像素点位颗粒分布坡度值,/>为第/>个样本在空域显著图像数据中横坐标为/>、纵坐标为/>的像素点灰度值。
本发明提供一种降维相似度计算公式,该公式从空域显著图像数据中图像像素点所蕴含的图像特征数据入手实现对降维相似度的计算,通过选取图像左上角像素点作为坐标原点,建立像素坐标系,选取最大横坐标作为空域显著图像数据的最大横坐标,选取最大纵坐标/>为空域显著图像数据的最大纵坐标,利用第/>个样本在空域显著图像数据中横坐标为/>、纵坐标为/>的像素点位颗粒分布坡度值/>,第/>个样本在空域显著图像数据中横坐标为/>、纵坐标为/>的像素点位颗粒分布坡度值/>以及第t个样本在空域显著图像数据中横坐标为/>、纵坐标为/>的像素点灰度值/>、第/>个样本在空域显著图像数据中横坐标为/>、纵坐标为/>的像素点灰度值/>利用降维后所保留的像素点位颗粒分布数据以及像素点灰度值通过函数关系/>进行计算不同样本中同一相对位置像素点的单例相似度,通过求和公式对单例相似度进行求和计算,获取降维相似度第一运算数据,通过利用各自像素点图像特征数据的平方和的平方根进行乘积计算,形成函数关系,获取降维相似度第二运算数据,从而实现对空域显著图像数据中第/>个样本与第/>个样本之间的降维相似度/>的计算。
优选,步骤S27中的显著性标注算法具体为:
其中,为节点/>的显著性数据,/>为二维数据融合拓扑映射中的节点总数,/>为拓扑映射后的特征空间维数,/>表示节点/>在第/>个特征维度上的权重,/>表示节点/>在第/>个特征维度上的权重,/>表示节点/>在第/>个特征维度上的特征值,/>表示节点/>在第/>个特征维度上的特征值,/>为自然指数函数,/>为控制距离惩罚权重的参数,/>为控制温度异常程度权重参数,/>表示节点/>在温度异常点位数据集中的温度异常程度,/>为温度异常点位数据集中的最大异常值。
本发明提供一种显著性标注算法,该公式利用电池片缺陷在高温环境以及光学显微镜下的特征数据,从温度、电池表面颗粒角度时间对拓扑结构中节点显著性数据的计算,公式首先利用求和公式基于节点数目对按照规则映射的拓扑结构的节点进行遍历,并利用拓扑映射后的特征空间维数/>,运用节点/>在第/>个特征维度上的权重/>以及节点/>在第/>个特征维度上的权重/>进行比值计算/>,获取节点初级相似度,其次,运用节点/>在第/>个特征维度上的特征值/>以及节点/>在第/>个特征维度上的特征值/>,利用函数关系计算节点在该特征维度上的差异,作为控制节点间距离的惩罚项,/>为控制距离惩罚权重的参数,当/>与/>之间的差距越大时,该惩罚项的值越大,从而增加节点相似度计算精度,利用控制温度异常程度权重参数/>、节点/>在温度异常点位数据集中的温度异常程度/>以及温度异常点位数据集中的最大异常值/>形成函数关系/>,加强温度异常程度高的节点的显著性特征表现,从而实现对节点显著性数据的计算。
优选地,步骤S3的具体步骤为:
步骤S31:获取初始特征空间数据集,对二维拓扑光学显著性图进行判空处理,生成零显著性拓扑数据集以及非零显著性拓扑数据集,对于非零显著性拓扑数据集,选取非零显著性拓扑数据集作为初始特征空间数据集;
步骤S32:对电池片进行热循环历史数据提取数据,生成热循环历史数据;
步骤S33:基于热循环历史数据、热处理温度、热循环次数、热处理持温时间以及初始特征数据集进行特征提取处理,生成训练数据集;
步骤S34:基于热循环历史数据、热处理温度、热循环次数、热处理持温时间以及初始特征数据集进行数据归一化处理,生成验证数据集;
步骤S35:基于训练数据集以及验证数据集利用SGD优化算法进行模型构建,生成优化数据训练模型;
步骤S36:利用优化数据训练模型进行优化数据获取处理,生成优化数据集,其中优化数据集包括优化热处理持温时间、优化热循环次数以及优化热处理温度。
步骤S37:基于优化热循环次数与预设的基准循环次数进行数据对比,当优化热循环次数大于预设的基准循环次数时,选取优化热处理持温时间作为步骤S1中的热处理持温时间,选取优化热循环次数作为步骤S1中的热循环次数,选取优化热处理温度作为步骤S1中的热处理温度,返回步骤S1;当优化热循环次数小于预设的基准循环次数时,执行步骤S4。
本发明获取初始特征空间数据集,利用SGD优化算法构建数据训练模型,实现在细分情况下对于热处理持温时间、热循环次数以及热处理温度的数据优化,基于前述步骤中弱显著性位点数据利用光学显微镜对电池表面颗粒分布进行数据收集,并进行形态学分析,从温度数据、形态学数据作为对电池片表面缺陷分析的基础数据,在此步骤中通过联结前述S1步骤中的热循环处理,对热循环过程数据进行多维数据判断,从而获取优化热处理持温时间、优化热循环次数以及优化热处理温度,在多次循环过程的热循环处理中,从数据精度以及数据收集效率之间实现极大平衡。
优选地,步骤S4的具体步骤为:
步骤S41:基于空域显著图像数据以及像素点位显著性分析数据利用SIFT算法进行缺陷像素检测数据分割处理,生成电池片缺陷像素检测块;
步骤S42:根据电池片缺陷像素检测块进行系统微型红外相机部署,生成缺陷像素红外相机集;
步骤S43:基于优化数据集对缺陷像素红外相机集进行热循环缺陷检测指令传输处理,从而实现基于显著图的电池片缺陷检测。
本发明利SIFT算法对基于空域显著图像数据以及像素点位显著性分析数据进行缺陷像素检测数据分割处理,生成电池片缺陷像素检测块,能够高效准确地检测电池片缺陷像素,并提高了电池片缺陷检测的精度和效率,利用生成的电池片缺陷像素检测块从物理层面进行微型红外相机部署,以极小的代价实现对于电池片缺陷数据的检测。
在本说明书的一个实施例中,提供了一种基于显著图的电池片缺陷检测系统,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上任一项的基于显著图的电池片缺陷检测方法。
本发明提供一种基于显著图的电池片缺陷检测系统,该系统能够实现本发明所述任意一种基于显著图的电池片缺陷检测方法,实现数据的获取、运算、生成,通过对热处理操作数据集进行获取,并对其中的图文体征信息按照已设计的指令顺序进行操作,生成预处理图文信息,再通过预处理图文信息进行循环判断数据计算处理,生成像素点位显著性分析数据,根据像素点位显著性分析数据进行循环判断,实现对热处理操作数据集的数据处理,系统内部遵循设定的指令集完成方法运行步骤,推动完成基于显著图的电池片缺陷检测方法。
本发明结合多学科多类型模型,提出一种基于显著图的电池片缺陷检测方法,解决电池片缺陷检测中检测效率与检测精度数据关系之间的权重平衡,实现在电池片缺陷检测中从检测效率以及检测精度数据选取极大均衡值,高效、高精准地实现电池片缺陷检测。
附图说明
图1为本发明一种基于显著图的电池片缺陷检测方法的步骤流程示意图;
图2为步骤S2的详细实施步骤流程示意图;
图3为步骤S23的详细实施步骤流程示意图。
具体实施方式
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。
本申请实施例提供一种基于显著图的缺陷检测方法及系统。所述基于显著图的缺陷检测方法及系统的执行主体包括但不限于搭载该系统的:机械设备、数据处理平台、云服务器节点、网络传输设备等可看作本申请的通用计算节点。所述数据处理平台包括但不限于:音频管理系统、图像管理系统、信息管理系统至少一种。
请参阅图1至图3,本发明提供了一种基于显著图的电池片缺陷检测方法,所述方法包括以下步骤:
步骤S1:获取热处理操作数据集,其中热处理操作数据集包括热循环次数、热处理温度以及热处理持温时间;基于热处理操作数据集进行双重序列数据提取操作,生成像素点位显著性分析数据;利用像素点位显著性分析数据进行点位数据对比分析,生成强显著性位点数据以及弱显著性位点数据;对于强显著性位点数据,执行步骤S2;对于弱显著性位点数据,基于热处理持温时间对电池片进行环境等待处理,生成静置电池片,选取静置电池片作为步骤S3中的电池片执行步骤S3;
步骤S2:基于像素点位显著性分析数据利用光学显微镜进行图像空域化处理,生成空域显著图像数据,利用空域显著图像数据进行拓扑转换标注,生成二维拓扑光学显著性图;
步骤S3:获取初始特征空间数据集,对二维拓扑光学显著性图进行判空处理,生成零显著性拓扑数据集以及非零显著性拓扑数据集,对于非零显著性拓扑数据集,选取非零显著性拓扑数据集作为初始特征空间数据集,基于初始特征空间数据集对电池片利用SGD优化算法进行优化数据训练模型构建,生成优化数据训练模型,利用优化数据训练模型进行优化数据获取处理,生成优化数据集,其中优化数据集包括优化热处理持温时间、优化热循环次数以及优化热处理温度,基于优化热循环次数与预设的基准循环次数进行数据对比,当优化热循环次数大于预设的基准循环次数时,选取优化热处理持温时间作为步骤S1中的热处理持温时间,选取优化热循环次数作为步骤S1中的热循环次数,选取优化热处理温度作为步骤S1中的热处理温度,返回步骤S1;当优化热循环次数小于预设的基准循环次数时,执行步骤S4;
步骤S4:基于空域显著图像数据以及像素点位显著性分析数据进行热循环缺陷检测指令传输处理,从而实现基于显著图的电池片缺陷检测。
本发明提供了一种基于显著图的电池片缺陷检测方法,通过从形态学、电池片热处理表面温度角度通过对热循环过程中的循环条件因素判断,实现对电池片的高效、高精度检测,热循环处理过程中的循通过获取热处理操作数据集,双重序列数据提取操作,生成像素点位显著性分析数据,利用像素点位显著性分析数据进行点位数据对比分析,生成强显著性位点数据以及弱显著性位点数据,利用优化数据集进行热循环返回操作,基于像素点位显著性分析数据生成空域显著图像数据,进一步进行二维拓扑光学显著性图标注,从而选取初始特征空间数据集进行优化数据训练模型构建,并基于该优化数据训练模型进行优化数据获取处理,生成优化数据集,实现了基于显著图的电池片缺陷检测,准确迅速检测电池片缺陷,提高电池片的生产效率和产品质量。
本发明实施例中,参考图1所述,为本发明一种基于显著图的电池片缺陷检测方法的步骤流程示意图,在本实例中,所述基于显著图的电池片缺陷检测方法包括以下步骤:
步骤S1:获取热处理操作数据集,其中热处理操作数据集包括热循环次数、热处理温度以及热处理持温时间;基于热处理操作数据集进行双重序列数据提取操作,生成像素点位显著性分析数据;利用像素点位显著性分析数据进行点位数据对比分析,生成强显著性位点数据以及弱显著性位点数据;对于强显著性位点数据,执行步骤S2;对于弱显著性位点数据,基于热处理持温时间对电池片进行环境等待处理,生成静置电池片,选取静置电池片作为步骤S3中的电池片执行步骤S3;
在本发明实施例中,例如获取热处理操作数据集,其中热处理操作收集包括热循环次数、热处理温度以及热处理持温时间,根据前面收集到的热处理操作数据,设置相应的热处理温度和持温时间,并将电池片放入热处理环境中进行处理,利用红外相机对电池片进行拍摄,获取电池片的热像图像,获取一个热像图温度匹配规则库,用于对热像图进行规则匹配。利用该规则库进行规则数据检索,生成热像图规则数据,利用前面生成的热像图规则数据对电池片热像图进行循环像素点解析处理,生成热像图像素点解析数据,前面生成的热像图像素点解析数据根据像素点坐标进行像素点序列化数据处理,生成热像图像素点序列化数据,根据生成的热像图像素点序列化数据按照热像图获取时间进行热像图序列化处理,生成序列化热像图,获取电池片的热像图序列数据,将热像图序列数据转换为可视化图像,将可视化图像进行序列显著性分析,生成像素点位显著性分析数据,获取像素点位显著性分析数据,获取预设的基准显著性位点数据,将像素点位显著性分析数据与基准显著性位点数据进行对比分析,当像素点位显著性分析数据大于预设的基准显著性位点数据时,标记为强显著性位点数据,当像素点位显著性分析数据小于预设的基准显著性位点数据时,标记为弱显著性位点数据,获取强显著性位点数据或经环境等待处理后的弱显著性位点数据,若为强显著性位点数据,则执行步骤S2,若为弱显著性位点数据,则对电池片进行环境等待处理,生成静置电池片,选取静置电池片作为步骤S3中电池片执行步骤S3。
步骤S2:基于像素点位显著性分析数据利用光学显微镜进行图像空域化处理,生成空域显著图像数据,利用空域显著图像数据进行拓扑转换标注,生成二维拓扑光学显著性图;
本发明实施例中,例如利用像素点位显著性分析数据对电池片进行光学显微镜成像,并进行图像空域化处理,生成空域显著图像数据;接着,利用空域显著图像数据进行拓扑转换标注,将每个像素点的空域显著性值转化为该像素点的拓扑显著性值,生成二维拓扑光学显著性图。
步骤S3:获取初始特征空间数据集,对二维拓扑光学显著性图进行判空处理,生成零显著性拓扑数据集以及非零显著性拓扑数据集,对于非零显著性拓扑数据集,选取非零显著性拓扑数据集作为初始特征空间数据集,基于初始特征空间数据集对电池片利用SGD优化算法进行优化数据训练模型构建,生成优化数据训练模型,利用优化数据训练模型进行优化数据获取处理,生成优化数据集,其中优化数据集包括优化热处理持温时间、优化热循环次数以及优化热处理温度,基于优化热循环次数与预设的基准循环次数进行数据对比,当优化热循环次数大于预设的基准循环次数时,选取优化热处理持温时间作为步骤S1中的热处理持温时间,选取优化热循环次数作为步骤S1中的热循环次数,选取优化热处理温度作为步骤S1中的热处理温度,返回步骤S1;当优化热循环次数小于预设的基准循环次数时,执行步骤S4;
本发明实施例中,例如获取初始特征空间数据集,此处初始特征空间数据集为对电池片预设的标准特征空间数据集,为电池片在理想状态下的特征空间数据集,对二维拓扑光学显著性图进行判空处理,通过二维拓扑光学显著性图是否为空,判断步骤S1热循环过程中是否经过步骤S2步骤,从而生成零显著性拓扑数据集以及非零显著性拓扑数据集,对于非零显著性拓扑数据集,选取非零显著性拓扑数据集作为初始特征空间数据集,基于初始特征空间数据集对电池片利用SGD优化算法进行优化数据训练模型构建,生成优化数据训练模型,利用优化数据训练模型进行优化数据获取处理,生成优化数据集,其中优化数据集包括优化热处理持温时间、优化热循环次数以及优化热处理温度,基于优化热循环次数与预设的基准循环次数进行数据对比,当优化热循环次数大于预设的基准循环次数时,选取优化热处理持温时间作为步骤S1中的热处理持温时间,选取优化热循环次数作为步骤S1中的热循环次数,选取优化热处理温度作为步骤S1中的热处理温度,返回步骤S1;当优化热循环次数小于预设的基准循环次数时,执行步骤S4。
步骤S4:基于空域显著图像数据以及像素点位显著性分析数据进行热循环缺陷检测指令传输处理,从而实现基于显著图的电池片缺陷检测。
本发明实施例中,例如获取微型红外设备,基于空域显著图像数据以及像素点位显著性分析数据获取缺陷红外检测像素点位以及优化后的热循环缺陷检测数据,将红外设备利用USB接口进行计算机连接,输入根据空域显著图像数据以及像素点位显著性分析数据形成的热循环缺陷检测指令,实现基于显著图的电池片缺陷检测。
在本说明书的一个实施例中,步骤S1的具体步骤为:
步骤S101:获取热处理操作数据集,其中热处理操作收集包括热循环次数、热处理温度以及热处理持温时间;
步骤S102:基于热处理温度以及热处理持温时间进行热处理环境部署,构建热处理环境;
步骤S103:基于热处理环境利用红外相机对电池片进行热处理数据收集,生成电池片热像图;
步骤S104:获取热像图温度匹配规则库,利用热像图温度匹配规则库进行规则数据检索,生成热像图规则数据;
步骤S105:基于热像图规则数据对电池片热像图进行循环像素点解析处理,生成热像图像素点解析数据;
步骤S106:利用热像图像素点解析数据进行像素点序列化数据处理,生成热像图像素点序列化数据;
步骤S107:利用热像图像素点序列化数据进行热像图序列化处理,热像图序列数据;
步骤S108:基于热像图序列数据利用序列显著性分析算法进行序列数据显著性分析,生成像素点位显著性分析数据;
步骤S109:基于像素点位显著性分析数据与预设的基准显著性位点数据进行点位数据对比分析,当像素点位显著性分析数据大于预设的基准显著性位点数据时,标记为强显著性位点数据,当像素点位显著性分析数据小于预设的基准显著性位点数据时,标记为弱显著性位点数据;
步骤S110:对于强显著性位点数据,执行步骤S2;对于弱显著性位点数据,基于热处理持温时间对电池片进行环境等待处理,生成静置电池片,选取静置电池片作为步骤S3中电池片执行步骤S3。
本发明利用热像图数据对电池片进行热处理环境部署和优化,通过对热像图像素点解析、序列化和显著性分析,结合预设的基准显著性位点数据,实现了对热处理效果的评估和优化,提高电池片热处理的效率和准确性,降低生产成本,提高产品质量,特别地,本发明重点关注电池片的循环测试,通过后续步骤S3对于循环条件的更改,来实现较高效率的数据获取,通过对电池片热处理操作数据集的收集和对热像图的规则数据检索、像素点位显著性分析等操作,利用电池片缺陷部位与正常部位的高温环境表面温度差异性,实现了对电池片热处理效果的循环检测和优化,保证了电池片的长期稳定性和可靠性,获取热循环数据集。
本发明实施例中,例如获取热处理操作数据集,其中热处理操作收集包括热循环次数、热处理温度以及热处理持温时间,根据前面收集到的热处理操作数据,设置相应的热处理温度和持温时间,并将电池片放入热处理环境中进行处理,利用红外相机对电池片进行拍摄,获取电池片的热像图像,获取一个热像图温度匹配规则库,用于对热像图进行规则匹配。利用该规则库进行规则数据检索,生成热像图规则数据,利用前面生成的热像图规则数据对电池片热像图进行循环像素点解析处理,生成热像图像素点解析数据,前面生成的热像图像素点解析数据根据像素点坐标进行像素点序列化数据处理,生成热像图像素点序列化数据,根据生成的热像图像素点序列化数据按照热像图获取时间进行热像图序列化处理,生成序列化热像图,获取电池片的热像图序列数据,将热像图序列数据转换为可视化图像,将可视化图像进行序列显著性分析,生成像素点位显著性分析数据,获取像素点位显著性分析数据,获取预设的基准显著性位点数据,将像素点位显著性分析数据与基准显著性位点数据进行对比分析,当像素点位显著性分析数据大于预设的基准显著性位点数据时,标记为强显著性位点数据,当像素点位显著性分析数据小于预设的基准显著性位点数据时,标记为弱显著性位点数据,获取强显著性位点数据或经环境等待处理后的弱显著性位点数据,若为强显著性位点数据,则执行步骤S2,若为弱显著性位点数据,则对电池片进行环境等待处理,生成静置电池片,选取静置电池片作为步骤S3中电池片执行步骤S3。
在本说明书的一个实施例中,步骤S108中的序列化显著性分析算法具体为:
其中,为像素点局部温度导数值,/>为热像图序列数据中的像素点温度值,/>为热像图序列数据中的像素点位置,/>为归一化温度值,/>为热像图序列数据中的像素点温度最小值,/>为热像图序列数据中的像素点温度最大值,/>为像素点/>的初级显著性,/>为热像图序列数据中的热成像图像像素点总数,/>为自然指数函数,/>为序列化调节参数,/>为像素点/>的位置向量,/>为像素点/>的位置向量,/>为像素点/>的归一化温度值,/>为像素点位显著性数据,/>为热像图最小显著性像素点,/>为热像图最大显著性像素点。
本发明利用一种序列化显著性分析算法,该算法从热循环处理中规定环境下收集的电池片热像图像素点数据入手,通过将热像图按照收集时间进行序列化排序并将热像图中像素点按从左向右顺序存储,利用存储的热像图像素点数据实现序列化显著性分析算法,该算法利用热像图序列数据中的像素点位置,以及该像素点对应的温度,即热像图序列数据中的像素点温度值/>,利用微积分分析算法,利用函数关系/>求解像素点局部温度导数值/>,利用像素点局部温度导数值/>、热像图序列数据中的像素点温度最小值/>以及热像图序列数据中的像素点温度最大值/>将像素点的局部导数进行归一化处理,利用函数关系/>,消除不同像素点之间温度差异的影响,获取归一化温度值/>,基于归一化的像素点数据,通过自然指数函数/>,利用序列化调节参数/>、像素点/>的位置向量/>、像素点/>的位置向量/>以及像素点/>的归一化温度值/>形成函数关系/>,利用求和符号基于热像图序列数据中的热成像图像像素点总数对函数关系/>进行求和,通过函数关系/>计算每个像素点的显著性得分,从而获取像素点/>的初级显著性/>,利用像素点/>的初级显著性/>、热像图最小显著性像素点/>、热像图最大显著性像素点/>进行得分归一化处理,将不同图像的得分进行比较,获取像素点位显著性数据/>。
本发明实施例中,参考图2所述,为步骤S2的详细实施步骤流程示意图,在本说明书的一个实施例中,所述步骤S2的详细实施步骤包括:
步骤S21:基于像素点位显著性分析数据进行温度异常点位存储,生成温度异常点位数据集;
步骤S22:利用光学显微镜对电池片进行检测台检测,生成表面显微结构图像集;
步骤S23:基于表面显微结构图像集进行图像空域化处理,生成空域显著图像数据;
步骤S24:基于空域显著图像数据利用降维相似度计算公式进行降维相似度计算,生成频域降维相似度数据;
步骤S25:获取降维映射规则数据库,根据映射规则数据库进行规则检索提取,生成降维映射规则数据;
步骤S26:基于降维映射规则数据、频域降维相似度数据以及空域显著图像数据进行二维拓扑结构映射,二维数据融合拓扑映射;
步骤S27:基于二维数据融合拓扑映射利用显著性标注算法进行节点显著性标注,生成二维拓扑光学显著性图。
本发明基于像素点位显著性分析数据进行温度异常点位存储,生成温度异常点位数据集能实现有效地识别和存储电池片中存在的温度异常点位,为后续步骤提供数据基础,利用光学显微镜对电池片进行检测台检测,生成表面显微结构图像集,对热循环处理中温度显著性小于预设的基准显著位点数据的电池片进行光学显微镜检测,获取光学显微图像,基于表面显微结构图像集进行图像空域化处理,将电池片表面显微结构信息转化为数字图像数据,利用降维相似度计算公式进行降维相似度计算,将高维的空域显著图像数据降维为低维的频域相似度数据,减少数据处理的复杂度和计算量,利用映射规则数据库进行规则检索,通过降维映射规则进行二维拓扑结构映射,将空域显著图像数据以及频域相似度数据融合为一个二维拓扑结构图像,有效综合运用不同类型的数据特征,基于二维数据融合拓扑映射利用显著性算法进行节点显著性标注,生成二维拓扑光学显著性图,突出表示电池片的重要结构和异常区域,提高了数据分析和诊断的效率和准确性。
本发明实施例中,例如基于像素点位显著性分析数据,通过像素点位坐标数据对电池片进行温度异常点位存储,生成温度异常点位数据集,利用光学显微镜对电池片进行检测台检测,获取表面显微结构图像集,基于空域显著图像数据,利用降维相似度计算公式进行降维相似度计算,生成频域降维相似度数据,获取降维映射规则数据库,根据映射规则数据库进行规则检索提取,生成降维映射规则数据,基于降维映射规则数据、频域降维相似度数据以及空域显著图像数据进行二维拓扑结构映射,实现二维数据融合拓扑映射,基于二维数据融合拓扑映射,利用显著性标注算法对节点进行显著性标注,生成二维拓扑光学显著性图。
本发明实施例中,参考图3所述,为步骤S23的详细实施步骤流程示意图,在本说明书的一个实施例中,所述步骤S23的详细实施步骤包括:
步骤S231:对表面显微结构图像集进行灰度化处理,生成显微灰度图像数据集;
步骤S232:对显微灰度图像数据集进行傅里叶变换,生成频域图像数据集;
步骤S233:对频域图像数据集进行幅值归一化处理,生成归一化频域图像数据集;
步骤S234:基于显微灰度图像数据集以及温度异常点位数据集对归一化频域图像数据集进行像素点位屏蔽操作,生成标准频域图像数据集;
步骤S235:对标准频域图像数据集进行反傅里叶变换,生成空域显著图像数据。
本发明实现了电池片表面显微结构图像数据的采集和处理,并基于温度异常点位数据进行了像素点位屏蔽操作,生成了标准频域图像数据集,有效地提高了电池片表面显微结构图像数据的质量和准确性,此外,通过傅里叶变换和反傅里叶变换的处理,将表面显微结构图像数据转化为频域图像数据,再反向转化为空域显著图像数据,从而进一步增强了对表面显微结构的分析能力,为电池片的质量检测和控制提供了有力的技术支持。
本发明实施例中,例如将表面显微结构图像集转换为灰度图像数据集,通过像素点的亮度值表示图像信息,方便对电池片表面的颗粒数据进行点位提取,对灰度图像数据集进行傅里叶变换,将其从空间域转换为频率域,并得到频域图像数据集,对频域图像数据集进行幅值归一化处理,将其幅值归一化到0到1之间的范围内,基于显微灰度图像数据集和温度异常点位数据集,对归一化频域图像数据集进行像素点位屏蔽操作,将温度异常点位所对应的像素点在频域图像数据集中的值设为0,生成标准频域图像数据集,对标准频域图像数据集进行反傅里叶变换,将其从频率域转换回空间域,得到空域显著图像数据。
在本说明书的一个实施例中,步骤S24中的降维相似度计算公式具体为:
其中,为空域显著图像数据中第/>个样本与第/>个样本之间的降维相似度,/>为空域显著图像数据的最大横坐标,/>为空域显著图像数据的最大纵坐标,/>为第t个样本在空域显著图像数据中横坐标为/>、纵坐标为/>的像素点灰度值,/>为第/>个样本在空域显著图像数据中横坐标为/>、纵坐标为/>的像素点位颗粒分布坡度值,/>为第/>个样本在空域显著图像数据中横坐标为/>、纵坐标为/>的像素点位颗粒分布坡度值,/>为第/>个样本在空域显著图像数据中横坐标为/>、纵坐标为/>的像素点灰度值。
本发明提供一种降维相似度计算公式,该公式从空域显著图像数据中图像像素点所蕴含的图像特征数据入手实现对降维相似度的计算,通过选取图像左上角像素点作为坐标原点,建立像素坐标系,选取最大横坐标作为空域显著图像数据的最大横坐标,选取最大纵坐标/>为空域显著图像数据的最大纵坐标,利用第/>个样本在空域显著图像数据中横坐标为/>、纵坐标为/>的像素点位颗粒分布坡度值/>,第/>个样本在空域显著图像数据中横坐标为、纵坐标为/>的像素点位颗粒分布坡度值/>以及第t个样本在空域显著图像数据中横坐标为/>、纵坐标为/>的像素点灰度值/>、第/>个样本在空域显著图像数据中横坐标为/>、纵坐标为/>的像素点灰度值/>利用降维后所保留的像素点位颗粒分布数据以及像素点灰度值通过函数关系/>进行计算不同样本中同一相对位置像素点的单例相似度,通过求和公式对单例相似度进行求和计算,获取降维相似度第一运算数据,通过利用各自像素点图像特征数据的平方和的平方根进行乘积计算,形成函数关系/>,获取降维相似度第二运算数据,从而实现对空域显著图像数据中第/>个样本与第/>个样本之间的降维相似度/>的计算。
在本说明书的一个实施例中,步骤S27中的显著性标注算法具体为:
其中,为节点/>的显著性数据,/>为二维数据融合拓扑映射中的节点总数,/>为拓扑映射后的特征空间维数,/>表示节点/>在第/>个特征维度上的权重,/>表示节点/>在第/>个特征维度上的权重,/>表示节点/>在第/>个特征维度上的特征值,/>表示节点/>在第/>个特征维度上的特征值,/>为自然指数函数,/>为控制距离惩罚权重的参数,/>为控制温度异常程度权重参数,/>表示节点/>在温度异常点位数据集中的温度异常程度,/>为温度异常点位数据集中的最大异常值。
本发明提供一种显著性标注算法,该公式利用电池片缺陷在高温环境以及光学显微镜下的特征数据,从温度、电池表面颗粒角度时间对拓扑结构中节点显著性数据的计算,公式首先利用求和公式基于节点数目对按照规则映射的拓扑结构的节点进行遍历,并利用拓扑映射后的特征空间维数/>,运用节点/>在第/>个特征维度上的权重/>以及节点/>在第/>个特征维度上的权重/>进行比值计算/>,获取节点初级相似度,其次,运用节点/>在第/>个特征维度上的特征值/>以及节点/>在第/>个特征维度上的特征值/>,利用函数关系/>计算节点在该特征维度上的差异,作为控制节点间距离的惩罚项,/>为控制距离惩罚权重的参数,当/>与/>之间的差距越大时,该惩罚项的值越大,从而增加节点相似度计算精度,利用控制温度异常程度权重参数/>、节点/>在温度异常点位数据集中的温度异常程度/>以及温度异常点位数据集中的最大异常值/>形成函数关系/>,加强温度异常程度高的节点的显著性特征表现,从而实现对节点显著性数据的计算。
在本说明书的一个实施例中,步骤S3的具体步骤为:
步骤S31:获取初始特征空间数据集,对二维拓扑光学显著性图进行判空处理,生成零显著性拓扑数据集以及非零显著性拓扑数据集,对于非零显著性拓扑数据集,选取非零显著性拓扑数据集作为初始特征空间数据集;
步骤S32:对电池片进行热循环历史数据提取数据,生成热循环历史数据;
步骤S33:基于热循环历史数据、热处理温度、热循环次数、热处理持温时间以及初始特征数据集进行特征提取处理,生成训练数据集;
步骤S34:基于热循环历史数据、热处理温度、热循环次数、热处理持温时间以及初始特征数据集进行数据归一化处理,生成验证数据集;
步骤S35:基于训练数据集以及验证数据集利用SGD优化算法进行模型构建,生成优化数据训练模型;
步骤S36:利用优化数据训练模型进行优化数据获取处理,生成优化数据集,其中优化数据集包括优化热处理持温时间、优化热循环次数以及优化热处理温度。
步骤S37:基于优化热循环次数与预设的基准循环次数进行数据对比,当优化热循环次数大于预设的基准循环次数时,选取优化热处理持温时间作为步骤S1中的热处理持温时间,选取优化热循环次数作为步骤S1中的热循环次数,选取优化热处理温度作为步骤S1中的热处理温度,返回步骤S1;当优化热循环次数小于预设的基准循环次数时,执行步骤S4。
本发明获取初始特征空间数据集,利用SGD优化算法构建数据训练模型,实现在细分情况下对于热处理持温时间、热循环次数以及热处理温度的数据优化,基于前述步骤中弱显著性位点数据利用光学显微镜对电池表面颗粒分布进行数据收集,并进行形态学分析,从温度数据、形态学数据作为对电池片表面缺陷分析的基础数据,在此步骤中通过联结前述S1步骤中的热循环处理,对热循环过程数据进行多维数据判断,从而获取优化热处理持温时间、优化热循环次数以及优化热处理温度,在多次循环过程的热循环处理中,从数据精度以及数据收集效率之间实现极大平衡。
本发明实施例中,例如对二维拓扑光学显著性图进行判空处理,当二维拓扑光学显著性图为空时,证明在步骤S1的热循环判断处理中为强显著性位点数据,执行过步骤S2中的电池片形态学数据采集,则将二维拓扑光学显著性图标记为非零显著性拓扑数据集,并对初始特征空间数据集进行替换,若为零显著性拓扑数据集,则后续步骤使用初始特征空间数据集,对电池片进行热循环历史数据提取,生成热循环历史数据,获取电池片在热循环处理中所处于的循环次数以及热处理环境,基于热循环历史数据、热处理温度、热循环次数、热处理持温时间以及初始特征数据集进行特征参数提取处理,生成训练数据集,基于热循环历史数据、热处理温度、热循环次数、热处理持温时间以及初始特征数据集进行数据归一化处理,生成验证数据集,基于训练数据集以及验证数据集利用SGD优化算法进行模型构建,生成优化数据训练模型,利用优化数据训练模型进行优化数据获取处理,生成优化数据集,获取预设的基准循环次数与优化循环次数进行比对处理,当优化热循环次数大于预设的基准循环次数时,选取优化热处理持温时间作为步骤S1中的热处理持温时间,选取优化热循环次数作为步骤S1中的热循环次数,选取优化热处理温度作为步骤S1中的热处理温度,返回步骤S1;当优化热循环次数小于预设的基准循环次数时,执行步骤S4。
在本说明书的一个实施例中,步骤S4的具体步骤为:
步骤S41:基于空域显著图像数据以及像素点位显著性分析数据利用SIFT算法进行缺陷像素检测数据分割处理,生成电池片缺陷像素检测块;
步骤S42:根据电池片缺陷像素检测块进行系统微型红外相机部署,生成缺陷像素红外相机集;
步骤S43:基于优化数据集对缺陷像素红外相机集进行热循环缺陷检测指令传输处理,从而实现基于显著图的电池片缺陷检测。
本发明利SIFT算法对基于空域显著图像数据以及像素点位显著性分析数据进行缺陷像素检测数据分割处理,生成电池片缺陷像素检测块,能够高效准确地检测电池片缺陷像素,并提高了电池片缺陷检测的精度和效率,利用生成的电池片缺陷像素检测块从物理层面进行微型红外相机部署,以极小的代价实现对于电池片缺陷数据的检测。
本发明实施例中,例如从热处理操作数据集中提取像素点位显著性分析数据,利用SIFT算法对该数据进行缺陷像素检测数据分割处理,得到电池片缺陷像素检测块,以电池片缺陷像素检测块作为参考,在电池片表面部署系统微型红外相机,形成缺陷像素红外相机集,利用优化数据集中的热处理参数,对缺陷像素红外相机集进行热循环缺陷检测指令传输处理,对电池片进行缺陷检测,具体地,对每个像素点进行红外图像采集,利用优化数据集中的热处理参数进行热循环处理,检测缺陷像素,最终实现基于显著图的电池片缺陷检测。
在本说明书的一个实施例中,提供了一种基于显著图的电池片缺陷检测系统,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述基于显著图的电池片缺陷检测方法。
本发明提供一种基于显著图的电池片缺陷检测系统,该系统能够实现本发明所述任意一种基于显著图的电池片缺陷检测方法,实现数据的获取、运算、生成,通过对热处理操作数据集进行获取,并对其中的图文体征信息按照已设计的指令顺序进行操作,生成预处理图文信息,再通过预处理图文信息进行循环判断数据计算处理,生成像素点位显著性分析数据,根据像素点位显著性分析数据进行循环判断,实现对热处理操作数据集的数据处理,系统内部遵循设定的指令集完成方法运行步骤,推动完成基于显著图的电池片缺陷检测方法。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种基于显著图的电池片缺陷检测方法,其特征在于,包括以下步骤:
步骤S1,包括:
步骤S101:获取热处理操作数据集,其中热处理操作数据集包括热循环次数、热处理温度以及热处理持温时间;
步骤S102:基于热处理温度以及热处理持温时间进行热处理环境部署,构建热处理环境;
步骤S103:基于热处理环境利用红外相机对电池片进行热处理数据收集,生成电池片热像图;
步骤S104:获取热像图温度匹配规则库,利用热像图温度匹配规则库进行规则数据检索,生成热像图规则数据;
步骤S105:基于热像图规则数据对电池片热像图进行循环像素点解析处理,生成热像图像素点解析数据;
步骤S106:利用热像图像素点解析数据进行像素点序列化数据处理,生成热像图像素点序列化数据;
步骤S107:利用热像图像素点序列化数据进行热像图序列化处理,热像图序列数据;
步骤S108:基于热像图序列数据利用序列显著性分析算法进行序列数据显著性分析,生成像素点位显著性分析数据;
其中,序列显著性分析算法具体为:
其中,为像素点局部温度导数值,/>为热像图序列数据中的像素点温度值,/>为热像图序列数据中的像素点位置,/>为归一化温度值,/>为热像图序列数据中的像素点温度最小值,/>为热像图序列数据中的像素点温度最大值,/>为像素点/>的初级显著性,/>为热像图序列数据中的热成像图像像素点总数,/>为自然指数函数,/>为序列化调节参数,/>为像素点/>的位置向量,/>为像素点/>的位置向量,/>为像素点/>的归一化温度值,/>为像素点位显著性数据,/>为热像图最小显著性像素点,/>为热像图最大显著性像素点;
步骤S109:基于像素点位显著性分析数据与预设的基准显著性位点数据进行点位数据对比分析,当像素点位显著性分析数据大于预设的基准显著性位点数据时,标记为强显著性位点数据,当像素点位显著性分析数据小于预设的基准显著性位点数据时,标记为弱显著性位点数据;
步骤S110:对于强显著性位点数据,执行步骤S2;对于弱显著性位点数据,基于热处理持温时间对电池片进行环境等待处理,生成静置电池片,选取静置电池片作为步骤S3中电池片执行步骤S3;
步骤S2:基于像素点位显著性分析数据利用光学显微镜进行图像空域化处理,生成空域显著图像数据,利用空域显著图像数据进行拓扑转换标注,生成二维拓扑光学显著性图;
步骤S3:获取初始特征空间数据集,对二维拓扑光学显著性图进行判空处理,生成零显著性拓扑数据集以及非零显著性拓扑数据集,对于非零显著性拓扑数据集,选取非零显著性拓扑数据集作为初始特征空间数据集,基于初始特征空间数据集对电池片利用SGD优化算法进行优化数据训练模型构建,生成优化数据训练模型,利用优化数据训练模型进行优化数据获取处理,生成优化数据集,其中优化数据集包括优化热处理持温时间、优化热循环次数以及优化热处理温度,基于优化热循环次数与预设的基准循环次数进行数据对比,当优化热循环次数大于预设的基准循环次数时,选取优化热处理持温时间作为步骤S1中的热处理持温时间,选取优化热循环次数作为步骤S1中的热循环次数,选取优化热处理温度作为步骤S1中的热处理温度,返回步骤S1;当优化热循环次数小于预设的基准循环次数时,执行步骤S4;
步骤S4:基于空域显著图像数据以及像素点位显著性分析数据进行热循环缺陷检测指令传输处理,从而实现基于显著图的电池片缺陷检测。
2.根据权利要求1所述的方法,其特征在于,步骤S2的具体步骤为:
步骤S21:基于像素点位显著性分析数据进行温度异常点位存储,生成温度异常点位数据集;
步骤S22:利用光学显微镜对电池片进行检测台检测,生成表面显微结构图像集;
步骤S23:基于表面显微结构图像集进行图像空域化处理,生成空域显著图像数据;
步骤S24:基于空域显著图像数据利用降维相似度计算公式进行降维相似度计算,生成频域降维相似度数据;
步骤S25:获取降维映射规则数据库,根据映射规则数据库进行规则检索提取,生成降维映射规则数据;
步骤S26:基于降维映射规则数据、频域降维相似度数据以及空域显著图像数据进行二维拓扑结构映射,二维数据融合拓扑映射;
步骤S27:基于二维数据融合拓扑映射利用显著性标注算法进行节点显著性标注,生成二维拓扑光学显著性图。
3.根据权利要求2所述的方法,其特征在于,其中步骤S23的具体步骤为:
步骤S231:对表面显微结构图像集进行灰度化处理,生成显微灰度图像数据集;
步骤S232:对显微灰度图像数据集进行傅里叶变换,生成频域图像数据集;
步骤S233:对频域图像数据集进行幅值归一化处理,生成归一化频域图像数据集;
步骤S234:基于显微灰度图像数据集以及温度异常点位数据集对归一化频域图像数据集进行像素点位屏蔽操作,生成标准频域图像数据集;
步骤S235:对标准频域图像数据集进行反傅里叶变换,生成空域显著图像数据。
6.根据权利要求5所述的方法,其特征在于,步骤S3的具体步骤为:
步骤S31:获取初始特征空间数据集,对二维拓扑光学显著性图进行判空处理,生成零显著性拓扑数据集以及非零显著性拓扑数据集,对于非零显著性拓扑数据集,选取非零显著性拓扑数据集作为初始特征空间数据集;
步骤S32:对电池片进行热循环历史数据提取数据,生成热循环历史数据;
步骤S33:基于热循环历史数据、热处理温度、热循环次数、热处理持温时间以及初始特征数据集进行特征提取处理,生成训练数据集;
步骤S34:基于热循环历史数据、热处理温度、热循环次数、热处理持温时间以及初始特征数据集进行数据归一化处理,生成验证数据集;
步骤S35:基于训练数据集以及验证数据集利用SGD优化算法进行模型构建,生成优化数据训练模型;
步骤S36:利用优化数据训练模型进行优化数据获取处理,生成优化数据集,其中优化数据集包括优化热处理持温时间、优化热循环次数以及优化热处理温度;
步骤S37:基于优化热循环次数与预设的基准循环次数进行数据对比,当优化热循环次数大于预设的基准循环次数时,选取优化热处理持温时间作为步骤S1中的热处理持温时间,选取优化热循环次数作为步骤S1中的热循环次数,选取优化热处理温度作为步骤S1中的热处理温度,返回步骤S1;当优化热循环次数小于预设的基准循环次数时,执行步骤S4。
7.根据权利要求6所述的方法,其特征在于,步骤S4的具体步骤为:
步骤S41:基于空域显著图像数据以及像素点位显著性分析数据利用SIFT算法进行缺陷像素检测数据分割处理,生成电池片缺陷像素检测块;
步骤S42:根据电池片缺陷像素检测块进行系统微型红外相机部署,生成缺陷像素红外相机集;
步骤S43:基于优化数据集对缺陷像素红外相机集进行热循环缺陷检测指令传输处理,从而实现基于显著图的电池片缺陷检测。
8.一种基于显著图的电池片缺陷检测系统,其特征在于,包括:
至少一个处理器;
与至少一个处理器通信连接的存储器;
存储器存储有可被至少一个处理器执行的计算机程序,计算机程序被至少一个处理器执行,以使至少一个处理器能够执行如权利要求1至7中任一项所述的基于显著图的电池片缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310681619.2A CN116402828B (zh) | 2023-06-09 | 2023-06-09 | 一种基于显著图的电池片缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310681619.2A CN116402828B (zh) | 2023-06-09 | 2023-06-09 | 一种基于显著图的电池片缺陷检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116402828A true CN116402828A (zh) | 2023-07-07 |
CN116402828B CN116402828B (zh) | 2023-09-08 |
Family
ID=87014692
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310681619.2A Active CN116402828B (zh) | 2023-06-09 | 2023-06-09 | 一种基于显著图的电池片缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116402828B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117232792A (zh) * | 2023-11-14 | 2023-12-15 | 南京木木西里科技有限公司 | 基于图像信息的显微镜缺陷检测系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107833220A (zh) * | 2017-11-28 | 2018-03-23 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
CN110633708A (zh) * | 2019-06-28 | 2019-12-31 | 中国人民解放军军事科学院国防科技创新研究院 | 一种基于全局模型和局部优化的深度网络显著性检测方法 |
WO2020248866A1 (en) * | 2019-06-14 | 2020-12-17 | Huawei Technologies Co., Ltd. | Method and system for image search and cropping |
-
2023
- 2023-06-09 CN CN202310681619.2A patent/CN116402828B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107833220A (zh) * | 2017-11-28 | 2018-03-23 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
WO2020248866A1 (en) * | 2019-06-14 | 2020-12-17 | Huawei Technologies Co., Ltd. | Method and system for image search and cropping |
CN110633708A (zh) * | 2019-06-28 | 2019-12-31 | 中国人民解放军军事科学院国防科技创新研究院 | 一种基于全局模型和局部优化的深度网络显著性检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117232792A (zh) * | 2023-11-14 | 2023-12-15 | 南京木木西里科技有限公司 | 基于图像信息的显微镜缺陷检测系统 |
CN117232792B (zh) * | 2023-11-14 | 2024-01-30 | 南京木木西里科技有限公司 | 基于图像信息的显微镜缺陷检测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116402828B (zh) | 2023-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kalidindi et al. | Microstructure informatics using higher-order statistics and efficient data-mining protocols | |
US20190102605A1 (en) | Method and apparatus for generating information | |
WO2020046960A1 (en) | System and method for optimizing damage detection results | |
CN116402828B (zh) | 一种基于显著图的电池片缺陷检测方法及系统 | |
CN112102294B (zh) | 生成对抗网络的训练方法及装置、图像配准方法及装置 | |
Ali et al. | Vision-based concrete crack detection technique using cascade features | |
Wong et al. | Segmentation of additive manufacturing defects using U-net | |
Zhang et al. | Automatic generation of as-built geometric civil infrastructure models from point cloud data | |
Karimi et al. | Feature extraction, supervised and unsupervised machine learning classification of PV cell electroluminescence images | |
CN112288761A (zh) | 一种异常发热的电力设备检测方法、装置和可读存储介质 | |
CN113128550A (zh) | 用于数据有效的主动机器学习的设备和计算机实现的方法 | |
CN116681962A (zh) | 基于改进YOLOv5的电力设备热图像检测方法及系统 | |
Namuduri et al. | Automated quantification of DNA damage via deep transfer learning based analysis of comet assay images | |
CN114187506A (zh) | 视点意识的动态路由胶囊网络的遥感图像场景分类方法 | |
CN117095236A (zh) | 一种用于评估叶根轮槽试验精确性的方法及系统 | |
Schultz et al. | Bayesian inference for uncertainty quantification in point-based deformable image registration | |
CN116823739A (zh) | 一种基于空域显著图像的数据处理方法及系统 | |
CN116310194A (zh) | 一种配电站房三维模型重建方法、系统、设备和存储介质 | |
CN102722718A (zh) | 一种细胞分类方法 | |
CN115205877A (zh) | 一种不规则排版发票单据布局预测方法、装置及存储介质 | |
CN115311553A (zh) | 目标检测方法、装置、电子设备及存储介质 | |
Whinery et al. | Thermal image processing for feature extraction from encapsulated phase change materials | |
Vasudevan et al. | Deep convolutional neural networks for symmetry detection | |
Koelle et al. | Which 3D Data representation does the crowd like best? Crowd-based active learning for coupled semantic segmentation of point clouds and textured meshes | |
Ferrarini et al. | Evaluation of clustering algorithms for the analysis of thermal NDT inspections |
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 |
Address after: Room 102, Building 39, Software Park, Zhongguancun, Wuxi, Xinwu District, Wuxi City, Jiangsu Province, 214111 (Building D8-2) Applicant after: Jiangsu senbiao Technology Co.,Ltd. Address before: 2201, Wuxi Chamber of Commerce Building, No.1 Financial 8th Street, Economic Development Zone, Wuxi City, Jiangsu Province, 214000 Applicant before: Jiangsu senbiao Technology Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |