CN116503348A - 一种卷绕锂电池的电芯阴阳极片对齐度的检测方法及设备 - Google Patents
一种卷绕锂电池的电芯阴阳极片对齐度的检测方法及设备 Download PDFInfo
- Publication number
- CN116503348A CN116503348A CN202310451901.1A CN202310451901A CN116503348A CN 116503348 A CN116503348 A CN 116503348A CN 202310451901 A CN202310451901 A CN 202310451901A CN 116503348 A CN116503348 A CN 116503348A
- Authority
- CN
- China
- Prior art keywords
- cathode
- anode
- pole piece
- image
- contour
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 22
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 22
- 238000012216 screening Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000003384 imaging method Methods 0.000 claims abstract description 7
- 230000011218 segmentation Effects 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000004804 winding Methods 0.000 abstract description 24
- 238000010586 diagram Methods 0.000 description 12
- 238000010276 construction Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000592183 Eidolon Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
- G06T5/75—Unsharp masking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开一种卷绕锂电池的电芯阴阳极片对齐度的检测方法,包括以下步骤:获取电芯四个角的Overhang区域图像,并对图像方向进行标准化,以使多个图像的成像方向保持一致;对每一Overhang区域图像进行预处理;分别提取阴极极片的轮廓、阳极极片的轮廓;提取每一阴极极片轮廓尾部端点的点坐标,以此作为阴极参考点;提取筛选后的每一阳极极片轮廓尾部端点的点坐标,以此作为阳极参考点;基于提取的阴极参考点、阳极参考点,判断阴阳极片对齐度是否合格。本发明能够适用于动力卷绕类电池、数码卷绕类电池、圆柱卷绕类电池、纽扣卷绕类电池等电芯阴阳极片对齐度检测,并解决现有电芯阴阳极点提取不准确的技术问题。
Description
技术领域
本发明涉及锂电池阴阳极片对齐度检测技术领域,尤其涉及一种卷绕锂电池的电芯阴阳极片对齐度的检测方法及设备。
背景技术
锂电池,其是以卷绕方式组合成形的电芯所组成的电池,也称为卷绕电池,目前常用的卷绕类电池有动力卷绕类电池、数码卷绕类电池、圆柱卷绕类电池、纽扣卷绕类电池。锂电池的对齐度检测是锂电池生产过程中,品质检测的极为重要的一环,当锂电池出现折叠或对齐度较差时,在受到外界因素影响下,容易出现损坏(如电池短路起火)问题。
由于电池内部结构、密度不同,故对X射线的吸收能力不同,所以X-ray射线图像能够清晰地展现被检测样品内部的细微结构,因此,行业内普遍采用X-ray射线对卷绕电池的四个角的Overhang区域进行成像,通过对成像得到的Overhang图像进行分析,再提取阴极区域和阳极轮廓,通过阴阳极点间的距离,判断阳极overhang长度是否合格。
但目前所采用的基于图像处理算法,所使用的灰度阈值分割阴极区域、通过边缘检测提取阳极轮廓的方法容易受到X-ray光管功率与成像清晰度的影响,使检测算法的性能下降,同时,当前端卷绕工艺较差时,容易造成漏判风险。
发明内容
本发明的目的是提供一种卷绕锂电池的电芯阴阳极片对齐度的检测方法及设备,能够适用于动力卷绕类电池、数码卷绕类电池、圆柱卷绕类电池、纽扣卷绕类电池等电芯阴阳极片对齐度检测,并解决现有电芯阴阳极点提取不准确的技术问题。
为实现上述目的,采用以下技术方案:
一种卷绕锂电池的电芯阴阳极片对齐度的检测方法,包括以下步骤:
获取电芯四个角的Overhang区域图像,并对图像方向进行标准化,以使多个图像的成像方向保持一致;
对每一Overhang区域图像进行预处理;
预先构建阴极轮廓分割模型和阳极轮廓分割模型,并依据阴极轮廓分割模型、阳极轮廓分割模型,在预处理后的Overhang区域图像中,分别提取阴极极片的轮廓、阳极极片的轮廓;
对提取的阴极极片的轮廓进行筛选,并提取每一阴极极片轮廓尾部端点的点坐标,以此作为阴极参考点;
基于提取的若干阴极参考点,对提取的若干阳极极片的轮廓进行筛选,并提取筛选后的每一阳极极片轮廓尾部端点的点坐标,以此作为阳极参考点;
基于提取的阴极参考点、阳极参考点,判断阴阳极片对齐度是否合格。
进一步地,对每一Overhang区域图像进行预处理,具体包括如下步骤:
对每一Overhang区域图像中,靠近阴极片尾部的区域图像进行阴极梯度增强;
在与阴极片垂直的方向上,对阴极梯度增强后的Overhang区域图像进行低通滤波;
针对低通滤波后的图像,在与阴极片垂直的方向上,提取二阶梯度信息,得到梯度图像;
基于获取的梯度图像,对其进行归一化和直方图均衡化。
进一步地,对靠近阴极片尾部的区域图像进行阴极梯度增强,具体包括如下步骤:采用下式,对图像方向标准化后的Overhang区域图像Istandard进行归一化处理,
依据下式,计算权值图像W(x,y),
W(x,y)=(Inorm)n;
采用下式得到阴极梯度增强后的图像,
进一步地,采用高斯低通滤波器对阴极梯度增强后的图像Iusm(x,y)进行低通滤波,得到低通滤波后的图像Iblur=Iusm*G(σ);采用Sobel梯度提取算子,在与阴极片垂直的方向上,通过连续两次卷积的方式提取低通滤波后的图像Iblur的二阶梯度信息,得到梯度图Igradient。
进一步地,采用下式对得到的梯度图进行归一化,
其中,Inorm(x,y)为归一化后的Overhang区域图像。
进一步地,所述预先构建阴极轮廓分割模型和阳极轮廓分割模型,具体包括如下步骤:
预先获取若干预处理后的Overhang区域图像,并在图像中分别对阴极极片的轮廓、阳极极片的轮廓进行标注;
依据上述标注产生的阴极极片轮廓的样本集和阳极极片轮廓的样本集,均按8:2的比例,划分为训练集和验证集,并采用语义分割网络Unet++模型和pytorch深度学习框架进行模型训练,以分别得到阴极极片轮廓的pth训练模型、阳极极片轮廓的pth训练模型;
基于上述得到的pth训练模型,将其转换为ONNX模型,并选用TensorRT模型推理部署框架对其进行量化,以得到阴极轮廓分割模型和阳极轮廓分割模型。
进一步地,对提取的若干阳极极片的轮廓进行筛选,具体包括如下步骤:
查看图像中,处于第一层的阴极极片轮廓的阴极参考点的上方是否存在阳极极片候选轮廓,若有两个以上的阳极极片候选轮廓,则只选取离第一层阴极极片轮廓距离最近的那个阳极极片候选轮廓;
查看图像中,每相邻的两层阴极极片轮廓的阴极参考点之间,是否存在阳极极片候选轮廓,若有两个以上的阳极极片候选轮廓,则选取其轮廓首端端点距离阴极参考点最近的那一个阳极极片候选轮廓;
查看图像中,处于最底层的阴极极片轮廓的阴极参考点的下方是否存在阳极极片候选轮廓,若有两个以上的阳极极片候选轮廓,则只选取离最底层阴极极片轮廓距离最近的那个阳极极片候选轮廓。
进一步地,判断阴阳极片对齐度是否合格,具体包括如下步骤:
预先设定标准的Overhang长度的最大值lmax和最小值lmin;
计算每一阳极极片轮廓的阳极参考点与其对应的阴极极片轮廓的阴极参考点之间的水平距离;
若每一阳极极片轮廓的阳极参考点与其对应的阴极极片轮廓的阴极参考点之间的水平距离,均落在[lmin,lmax]区间范围内,则判断阴阳极片对齐度合格,否则为不合格。
进一步地,计算每一阳极极片轮廓的阳极参考点与其对应的阴极极片轮廓的阴极参考点之间的水平距离,具体包括如下步骤:
位于第一层的阳极参考点,计算其与位于第一层的阴极参考点之间的水平距离;
位于第一层与最底层之间的若干阳极参考点,分别计算每一阳极参考点与位于其上方、下方相邻的两个阴极参考点之间的水平距离;
位于最底层的阳极参考点,计算其与位于最底层的阴极参考点之间的水平距离。
还提供一种卷绕锂电池的电芯阴阳极片对齐度的检测设备,用于采用上述检测方法,对电芯阴阳极片对齐度进行检测,包括x-ray射线源和x-ray接收器。
采用上述方案,本发明的有益效果是:
通过该方法和设备,可对动力卷绕类电池、数码卷绕类电池、圆柱卷绕类电池、纽扣卷绕类电池等电芯阴阳极片对齐度进行精确、快速的检测,且该检测方法采用了图像预处理技术,可显著提高阴、阳极与背景区域的对比度,相较于传统的检测方法,该方法提取电芯阴阳极点更为精确,且鲁棒性强,误差小。
附图说明
图1为本发明的检测方法的流程性框图;
图2为本发明的检测设备的结构示意图;
图3为本发明,其中一实施例中,电芯在x-ray成像下的Overhang图;
图4为本发明的检测方法的图像预处理的流程性框图;
图5为本发明,其中一实施例中,图像方向标准化后的图;
图6为本发明,其中一实施例中,进行非线性反锐化掩膜的权重图;
图7为本发明,其中一实施例中,进行非线性反锐化掩膜增强的结果图;
图8为本发明,其中一实施例中,进行低通滤波后的结果图;
图9为本发明,其中一实施例中,进行梯度归一化后的结果图;
图10为本发明,其中一实施例中,进行直方图均衡化的结果图;
图11为本发明,其中一实施例中,阴极轮廓分割模型构建及推理的框图;
图12为本发明,其中一实施例中,对阴极极片轮廓进行标注的图;
图13为本发明,其中一实施例中,使用阴极轮廓分割模型对阴极极片轮廓进行分割、筛选及提取阴极参考点的图;
图14为本发明,其中一实施例中,阳极轮廓分割模型构建及推理的框图;
图15为本发明,其中一实施例中,对阳极极片轮廓进行标注的图;
图16为本发明,其中一实施例中,使用阳极轮廓分割模型对阳极极片轮廓进行分割、筛选及提取阳极参考点的图;
图17为本发明,其中一实施例中,阴、阳极参考点对比关系图;
图18为本发明,其中一实施例中,应用该检测方法实际检测的结果图;
其中,附图标识说明:
1—x-ray射线源;2—x-ray接收器;
3—阴极极片;4—阳极极片;
5—阴极参考点;6—阳极参考点。
具体实施方式
以下结合附图和具体实施例,对本发明进行详细说明。
参照图1至18所示,本发明提供一种卷绕锂电池的电芯阴阳极片对齐度的检测方法,包括以下步骤:
获取电芯四个角的Overhang区域图像,并对图像方向进行标准化,以使多个图像的成像方向保持一致;
对每一Overhang区域图像进行预处理;
预先构建阴极轮廓分割模型和阳极轮廓分割模型,并依据阴极轮廓分割模型、阳极轮廓分割模型,在预处理后的Overhang区域图像中,分别提取阴极极片3的轮廓、阳极极片4的轮廓;
对提取的阴极极片3的轮廓进行筛选,并提取每一阴极极片3轮廓尾部端点的点坐标,以此作为阴极参考点5;
基于提取的若干阴极参考点5,对提取的若干阳极极片4的轮廓进行筛选,并提取筛选后的每一阳极极片4轮廓尾部端点的点坐标,以此作为阳极参考点6;
基于提取的阴极参考点5、阳极参考点6,判断阴阳极片对齐度是否合格。
继续参照图1所示,首先需要获取电芯四个角的Overhang区域图像,由此,一实施例中,还提供一种卷绕锂电池的电芯阴阳极片对齐度的检测设备,其包括x-ray射线源1和x-ray接收器2,x-ray射线源1和x-ray接收器2间隔布置(可采用立式或卧式),将被检测的电芯放置于x-ray射线源1和x-ray接收器2之间,以x-ray射线源1作为光源,x-ray接收器2(可为平板探测器)作为射线接收器,采集电芯的四个角的图像(预先将电芯划分四个区域,即采集四个区域的图像);采集图像以后(一般为四幅),由于采集视角、角度的不同,需要将该图像进行方向标准化,以便后续的分析处理,在该实施例中,可以电芯左下角图像的方向为基准,将其余图像旋转到左下角(可采用OpenCV中间transpose与flip函数对图像进行旋转),使其图像方向保持一致,得到方向标准化的图像Istandard,如图5所示,以便于统一对其预处理等。
图像采集完成后,为了方便后续的对阴、阳极片轮廓进行标注,且使结果图具有较好的视觉效果,因此,需要对Istandard进行预处理与增强,该预处理的步骤如下:
对每一Overhang区域图像中,靠近阴极片尾部的区域图像进行阴极梯度增强;
在与阴极片垂直的方向上,对阴极梯度增强后的Overhang区域图像进行低通滤波;
针对低通滤波后的图像,在与阴极片垂直的方向上,提取二阶梯度信息,得到梯度图像;
基于获取的梯度图像,对其进行归一化和直方图均衡化。
在较优的一实施例中,首先需要对Overhang区域图像中,靠近阴极片尾部的区域图像进行阴极梯度增强。根据卷绕工艺可知,阴极片越靠里,所叠加的阴、阳极片就越多,其在图像中与背景的对比度就越差,因此,需要对靠近阴极片尾部的阴极梯度进行增强;在该实施例中,采用的是一种改进的非线性反锐掩模算法。
线性反锐化掩膜是将原图低通滤波后产生一个钝化的模糊图像,把原始图像减去这个模糊图像得到一个保留高频成分的图像,再把高频图像用一个参数放大后与图像叠加,产生一个增强边缘的图像,其函数表达式为:
由于线性的反锐化掩膜是对图像进行全局增强,但此处,只需对靠近阴极片尾部的区域图像进行增强。由其Overhang区域图像可知,尾部阴极区域的灰度值总是低于其它区域,因此,可以基于Overhang区域图像的灰度值,计算出一个权值图像W(x,y),使用尾部阴极区域获得一个较高的增益权值,该权值图像W(x,y)如图6所示,其计算过程如下:
先采用下式对方向标准化后的图像Istandard进行归一化处理,得到图像Inorm,其像素值分布在[0,1]内,
再对Inorm进行指数运算,W(x,y)=(Inorm)n,其中n越大,加权增益越集中在尾部阴极区域;
最后,再将W(x,y)引入上式,即,
其中,I(x,y)是方向标准化后的图像,K是增益系数(可取1、2、3…等),/>是对I(x,y)进行低通滤波后的图像,min(Istandard)和max(Istandard)分别是方向标准化后图像中像素的灰度值最小值、最大值。
通过上式,可对尾部阴极进行局部阴极增强,增强效果如图7所示。
随后,需要对阴极梯度增强后的Overhang区域图像进行低通滤波,根据方向标准化后的Overhang区域图像可知,阳极极片4Overhang在水平方向上,为保证检测的准确性,应避免在这个方向上进行滤波操作;在形态上阴极区域的阳极片与背景对比度小于阴极片且阴极片相对较粗,因此,可以在与阴极片垂直的方向上,用一个低通滤波器,过滤阴极区域中阳极的信息。
在较优的一实施例中,选用高斯低通滤波器,在与阴极片垂直的方向上(即图8中的y轴方向),进行滤波得到低通滤波后的图像Iblur=Iusm*G(σ),其滤波后的图像如图8所示。
随后,针对上述得到的图像Iblur,提取其y方向(与阴极片垂直的方向)的二阶梯度信息,在较优的一实施例中,选用Sobel梯度提取算子,连续对图像Iblur进行卷积操作,如下式所示,
针对二阶梯度的提取结果,将小于零的像素值设置为0,由此得到梯度图Igradient。
针对上述得到的梯度图Igradient,如图9所示,可再对其进行归一化操作,将像素值归一化到[0,255]区域内操作,得到归一化后的图像Inorm,其公式为:
归一化后的图像Inorm中,多数像素点的灰度值集中在低灰度区域,因此,需要对其进行直方图均衡化操作;直方图均衡化是图像处理领域中,利用图像直方图对对比度进行调整的方法,这种方法能提高全局对比度,对背景和前景过亮或过暗的图像非常有用;在对图像Inorm进行图像均衡化后,可得到图像Iequalization,如图10所示,该图像用于后续的阴阳极标注与最终结果显示。
在对Overhang区域图像进行预处理增强后,接下来需要对阴、阳极片轮廓进行提取,该提取操作分为线下与线上两部分,其中,线下部分包括样本标注、模型训练、构建与部署,线上部分包括阳极模型推理与阴极轮廓筛选两部分,其流程如图11所示,首先需要构建阴极轮廓分割模型和阳极轮廓分割模型,以阴极轮廓分割模型的构建进行说明:
在获取若干预处理后的Overhang区域图像后,可采用精灵标注助手,进行阴极极片3轮廓标注,得到阴极极片3轮廓的Mask图像IcathodeMask(如图12所示);随后,针对上述标注产生的样本集,按8:2的比例,划分为训练集与验证集,为了准确地提取阴极极片3轮廓,采用语义分割网络Unet++模型、pytorch深度学习框架进行模型训练;针对训练后得到的pth模型,再将其转换为ONNX(Open Neural Network Exchange)模型,ONNX是一种针对机器学习所设计的开放式的文件格式,用于存储训练好的模型;为了减少模型的推理耗时,使用TensorRT进行模型推理,它能显著提高网络的推理性能,因此,选用TensorRT对ONNX进行量化,得到engine模型(阴极轮廓分割模型),阳极轮廓分割模型的构建、训练与之类似,在此不再赘述。
较优的一实施例中,在构建完阴极轮廓分割模型和阳极轮廓分割模型后,可使用TensorRT C++调用该模型,用于推理方向标注化后的图像,得到模型的分割结果图IcathodeSgmRes,即依据阴极轮廓分割模型、阳极轮廓分割模型,分别提取阴极极片3的轮廓、阳极极片4的轮廓,如图13中处于最左边的图所示,对提取到的阴极极片3的轮廓,可利用已知的先验信息,即卷绕层数,对分割结果图IcathodeSgmRes的阴极极片3轮廓进行筛选,得到筛选后的阴极极片3轮廓图IcathodeContours,如图13中处于中间的图所示,再依次提取每一阴极极片3轮廓尾部端点的点坐标(即阴极极片3轮廓最右边的点),以此作为阴极参考点5(如图13中处于最右边的图所示),由此可得到阴极参考点5的点坐标集合C={c1,c2,Λ,cn},其中,n为阴极极片3轮廓的个数。
阳极极片4轮廓的分割,和阴极极片3轮廓分割步骤一致,在此不再赘述。在提取完阳极极片4轮廓后,为提高检测精度,可对提取的若干阳极极片4的轮廓进行筛选,筛选的步骤如下所示:
首先查看图像中,处于第一层的阴极极片3轮廓的阴极参考点5的上方是否存在阳极极片4候选轮廓,若有两个以上的阳极极片4候选轮廓,则只选取离第一层阴极极片3轮廓距离最近的那个阳极极片4候选轮廓;
查看图像中,每相邻的两层阴极极片3轮廓的阴极参考点5之间,是否存在阳极极片4候选轮廓,若有两个以上的阳极极片4候选轮廓,则选取其轮廓首端端点(轮廓左端点)距离阴极参考点5最近的那一个阳极极片4候选轮廓;
查看图像中,处于最底层的阴极极片3轮廓的阴极参考点5的下方是否存在阳极极片4候选轮廓,若有两个以上的阳极极片4候选轮廓,则只选取离最底层阴极极片3轮廓距离最近的那个阳极极片4候选轮廓。
针对筛选后的阳极极片4的轮廓,再依次提取每一阳极极片4轮廓尾部端点的点坐标(即阳极极片4轮廓最右边的点),以此作为阳极参考点6(如图16所示),得到阳极参考点6的集合A={a1,a2,Λ,an,an+1},其中,n为阳极极片4轮廓的个数。
在提取完阴极参考点5、阳极参考点6后,接下来可对阴阳极片的对齐度进行检测,根据卷绕类电池的结构得知,除第一条阳极极片4与最后一条阳极极片4只能找到一条对应的阴极极片3外,中间的阳极极片4对应该上、下各一个阴极极片3,故在计算阴极参考点5与阳极参考点6之间的水平距离时,需要对其进行分类计算(其阴、阳极参考点6之间的对应关系如图17所示):
1)当i=1时,此时,ai为第一层阳极极片4轮廓,其仅有第一层的阴极参考点5与之对应:
li_down=η(c1.x-a1.x),
2)当1<i<n+1时,此时,ai为中间层的阳极极片4轮廓,有上下两个阴极参考点5与其对应:
3)当i=n+1时,此时,ai为最底层的阳极极片4轮廓,仅有最底层的阴极参考点5与其对应:
li_up=η(cn.x-an+1.x),
其中,li_up为第i个阳极极片4轮廓到它上一个阴极极片3轮廓的对齐度长度;li_down为第i个阳极极片4轮廓到它下一个阴极极片3轮廓的对齐度长度;η表示一个像素代表多少物理尺寸,单位是mm/pixel,ci.x是第i个阴极参考点5的x轴坐标值,ai.x是第i个阳极参考点6的x轴坐标值。
在计算好每一阳极极片4轮廓的阳极参考点6与其对应的阴极极片3轮廓的阴极参考点5之间的水平距离后,将其依次与预先设定的Overhang长度的最大值lmax和最小值lmin进行比较,如果全都在[lmin,lmax]范围内,则判断阴阳极片对齐度合格,即电芯ok,否则为不合格,其中一实施例中,其最终的检测结果如图18所示。
以上仅为本发明的较佳实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种卷绕锂电池的电芯阴阳极片对齐度的检测方法,其特征在于,包括以下步骤:获取电芯四个角的Overhang区域图像,并对图像方向进行标准化,以使多个图像的成像方向保持一致;
对每一Overhang区域图像进行预处理;
预先构建阴极轮廓分割模型和阳极轮廓分割模型,并依据阴极轮廓分割模型、阳极轮廓分割模型,在预处理后的Overhang区域图像中,分别提取阴极极片的轮廓、阳极极片的轮廓;
对提取的阴极极片的轮廓进行筛选,并提取每一阴极极片轮廓尾部端点的点坐标,以此作为阴极参考点;
基于提取的若干阴极参考点,对提取的若干阳极极片的轮廓进行筛选,并提取筛选后的每一阳极极片轮廓尾部端点的点坐标,以此作为阳极参考点;
基于提取的阴极参考点、阳极参考点,判断阴阳极片对齐度是否合格。
2.根据权利要求1所述的卷绕锂电池的电芯阴阳极片对齐度的检测方法,其特征在于,对每一Overhang区域图像进行预处理,具体包括如下步骤:
对每一Overhang区域图像中,靠近阴极片尾部的区域图像进行阴极梯度增强;
在与阴极片垂直的方向上,对阴极梯度增强后的Overhang区域图像进行低通滤波;
针对低通滤波后的图像,在与阴极片垂直的方向上,提取二阶梯度信息,得到梯度图像;基于获取的梯度图像,对其进行归一化和直方图均衡化。
3.根据权利要求2所述的卷绕锂电池的电芯阴阳极片对齐度的检测方法,其特征在于,对靠近阴极片尾部的区域图像进行阴极梯度增强,具体包括如下步骤:
采用下式,对图像方向标准化后的Overhang区域图像Istandard进行归一化处理,
依据下式,计算权值图像W(x,y),
W(x,y)=(Inorm)n;
采用下式得到阴极梯度增强后的图像,
4.根据权利要求3所述的卷绕锂电池的电芯阴阳极片对齐度的检测方法,其特征在于,采用高斯低通滤波器对阴极梯度增强后的图像Iusm(x,y)进行低通滤波,得到低通滤波后的图像Iblur=Iusm*G(σ);采用Sobel梯度提取算子,在与阴极片垂直的方向上,提取低通滤波后的图像Iblur的二阶梯度信息,得到梯度图Igradient。
5.根据权利要求4所述的卷绕锂电池的电芯阴阳极片对齐度的检测方法,其特征在于,采用下式对得到的梯度图进行归一化,
其中,Inorm(x,y)为归一化后的Overhang区域图像。
6.根据权利要求1所述的卷绕锂电池的电芯阴阳极片对齐度的检测方法,其特征在于,所述预先构建阴极轮廓分割模型和阳极轮廓分割模型,具体包括如下步骤:
预先获取若干预处理后的Overhang区域图像,并在图像中分别对阴极极片的轮廓、阳极极片的轮廓进行标注;
依据上述标注产生的阴极极片轮廓的样本集和阳极极片轮廓的样本集,均按8:2的比例,划分为训练集和验证集,并采用语义分割网络Unet++模型和pytorch深度学习框架进行模型训练,以分别得到阴极极片轮廓的pth训练模型、阳极极片轮廓的pth训练模型;
基于上述得到的pth训练模型,将其转换为ONNX模型,并选用TensorRT模型对其进行量化,以得到阴极轮廓分割模型和阳极轮廓分割模型。
7.根据权利要求1所述的卷绕锂电池的电芯阴阳极片对齐度的检测方法,其特征在于,对提取的若干阳极极片的轮廓进行筛选,具体包括如下步骤:
查看图像中,处于第一层的阴极极片轮廓的阴极参考点的上方是否存在阳极极片候选轮廓,若有两个以上的阳极极片候选轮廓,则只选取离第一层阴极极片轮廓距离最近的那个阳极极片候选轮廓;
查看图像中,每相邻的两层阴极极片轮廓的阴极参考点之间,是否存在阳极极片候选轮廓,若有两个以上的阳极极片候选轮廓,则选取其轮廓首端端点距离阴极参考点最近的那一个阳极极片候选轮廓;
查看图像中,处于最底层的阴极极片轮廓的阴极参考点的下方是否存在阳极极片候选轮廓,若有两个以上的阳极极片候选轮廓,则只选取离最底层阴极极片轮廓距离最近的那个阳极极片候选轮廓。
8.根据权利要求1所述的卷绕锂电池的电芯阴阳极片对齐度的检测方法,其特征在于,判断阴阳极片对齐度是否合格,具体包括如下步骤:
预先设定标准的Overhang长度的最大值lmax和最小值lmin;
计算每一阳极极片轮廓的阳极参考点与其对应的阴极极片轮廓的阴极参考点之间的水平距离;
若每一阳极极片轮廓的阳极参考点与其对应的阴极极片轮廓的阴极参考点之间的水平距离,均落在[lmin,lmax]区间范围内,则判断阴阳极片对齐度合格,否则为不合格。
9.根据权利要求8所述的卷绕锂电池的电芯阴阳极片对齐度的检测方法,其特征在于,计算每一阳极极片轮廓的阳极参考点与其对应的阴极极片轮廓的阴极参考点之间的水平距离,具体包括如下步骤:
位于第一层的阳极参考点,计算其与位于第一层的阴极参考点之间的水平距离;
位于第一层与最底层之间的若干阳极参考点,分别计算每一阳极参考点与位于其上方、下方相邻的两个阴极参考点之间的水平距离;
位于最底层的阳极参考点,计算其与位于最底层的阴极参考点之间的水平距离。
10.一种卷绕锂电池的电芯阴阳极片对齐度的检测设备,用于采用权利要求1至9任意一项所述检测方法,对电芯阴阳极片对齐度进行检测,其特征在于,包括x-ray射线源和x-ray接收器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310451901.1A CN116503348A (zh) | 2023-04-23 | 2023-04-23 | 一种卷绕锂电池的电芯阴阳极片对齐度的检测方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310451901.1A CN116503348A (zh) | 2023-04-23 | 2023-04-23 | 一种卷绕锂电池的电芯阴阳极片对齐度的检测方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116503348A true CN116503348A (zh) | 2023-07-28 |
Family
ID=87322478
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310451901.1A Pending CN116503348A (zh) | 2023-04-23 | 2023-04-23 | 一种卷绕锂电池的电芯阴阳极片对齐度的检测方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116503348A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117557565A (zh) * | 2024-01-11 | 2024-02-13 | 深圳市大成精密设备股份有限公司 | 一种锂电池极片的检测方法及其装置 |
CN117589792A (zh) * | 2024-01-18 | 2024-02-23 | 江苏时代新能源科技有限公司 | 收尾位置检测方法、装置、计算机设备和存储介质 |
CN117974632A (zh) * | 2024-03-28 | 2024-05-03 | 大连理工大学 | 一种基于分割大模型的锂电池ct阴阳极对齐度检测方法 |
CN117974632B (zh) * | 2024-03-28 | 2024-06-07 | 大连理工大学 | 一种基于分割大模型的锂电池ct阴阳极对齐度检测方法 |
-
2023
- 2023-04-23 CN CN202310451901.1A patent/CN116503348A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117557565A (zh) * | 2024-01-11 | 2024-02-13 | 深圳市大成精密设备股份有限公司 | 一种锂电池极片的检测方法及其装置 |
CN117557565B (zh) * | 2024-01-11 | 2024-05-03 | 深圳市大成精密设备股份有限公司 | 一种锂电池极片的检测方法及其装置 |
CN117589792A (zh) * | 2024-01-18 | 2024-02-23 | 江苏时代新能源科技有限公司 | 收尾位置检测方法、装置、计算机设备和存储介质 |
CN117589792B (zh) * | 2024-01-18 | 2024-05-10 | 江苏时代新能源科技有限公司 | 收尾位置检测方法、装置、计算机设备和存储介质 |
CN117974632A (zh) * | 2024-03-28 | 2024-05-03 | 大连理工大学 | 一种基于分割大模型的锂电池ct阴阳极对齐度检测方法 |
CN117974632B (zh) * | 2024-03-28 | 2024-06-07 | 大连理工大学 | 一种基于分割大模型的锂电池ct阴阳极对齐度检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116503348A (zh) | 一种卷绕锂电池的电芯阴阳极片对齐度的检测方法及设备 | |
CN106846316B (zh) | 一种gis内部典型缺陷图像自动识别方法 | |
CN111462076B (zh) | 一种全切片数字病理图像模糊区域检测方法及系统 | |
CN108846397B (zh) | 一种基于图像处理的电缆半导电层自动检测方法 | |
CN111915704A (zh) | 一种基于深度学习的苹果分级识别方法 | |
CN109191421B (zh) | 柱形锂电池圆周面凹坑视觉检测方法 | |
CN115841434B (zh) | 一种用于气体浓度分析的红外图像增强方法 | |
CN111784633A (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
CN114372955A (zh) | 一种基于改进神经网络的铸件缺陷x射线图自动识别法 | |
CN116990323B (zh) | 一种高精密印刷版视觉检测系统 | |
CN108961307B (zh) | 基于核相关滤波跟踪的圆形目标尺度自适应跟踪方法 | |
CN112862744B (zh) | 一种基于超声图像的电容内部缺陷智能检测方法 | |
CN114594114A (zh) | 一种锂电芯全自动在线无损检测方法 | |
CN116416268B (zh) | 基于递归二分法的锂电池极片边缘位置检测方法及装置 | |
CN113034474A (zh) | 一种oled显示器晶圆图的测试方法 | |
CN114792316A (zh) | 一种盘刹车轴底板点焊缺陷检测方法 | |
CN116664565A (zh) | 一种光伏太阳能电池片的隐裂检测方法及系统 | |
CN115330796A (zh) | 一种铜线镀锡缺陷识别方法 | |
CN115272225A (zh) | 一种基于对抗学习网络的带钢表面缺陷检测方法及系统 | |
Liu et al. | An automatic defects detection scheme for lithium-ion battery electrode surface | |
CN113781413A (zh) | 一种基于Hough梯度法的电解电容定位方法 | |
CN116721055A (zh) | 一种叠片锂电池的电芯阴阳极片对齐度的检测方法及设备 | |
CN117541585A (zh) | 一种锂电池极片露箔缺陷检测方法及装置 | |
CN117351017A (zh) | 一种光伏钢结构组件缺陷视觉检测方法 | |
CN115330705A (zh) | 一种基于自适应加权模板ncc的蒙皮漆面缺陷检测方法 |
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 |