CN116563233A - 电芯缺陷检测方法、装置和计算机可读存储介质 - Google Patents
电芯缺陷检测方法、装置和计算机可读存储介质 Download PDFInfo
- Publication number
- CN116563233A CN116563233A CN202310475085.8A CN202310475085A CN116563233A CN 116563233 A CN116563233 A CN 116563233A CN 202310475085 A CN202310475085 A CN 202310475085A CN 116563233 A CN116563233 A CN 116563233A
- Authority
- CN
- China
- Prior art keywords
- defect
- contour
- area
- target
- region
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 215
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 61
- 238000000605 extraction Methods 0.000 claims description 17
- 230000004048 modification Effects 0.000 claims description 11
- 238000012986 modification Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 80
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000002950 deficient Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 230000007306 turnover Effects 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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
- G06T2207/30148—Semiconductor; IC; Wafer
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本申请提出了一种电芯缺陷检测方法、装置和计算机可读存储介质,包括如下步骤:获取电芯图像;对电芯图像进行区域截取,得到目标区域;根据目标区域的位置信息确定对应的目标分类函数,并根据目标分类函数对目标区域中的缺陷进行特征提取,得到缺陷特征参数;根据缺陷特征参数和预设特征参数对目标区域中的缺陷进行分类。由于本申请实施例能够根据目标区域的位置确定调用对应的目标分类函数,针对性强;另外,本申请实施例还能够根据缺陷特征参数进行缺陷分类,能够准确识别到电芯缺陷的类型,可用于后续通过缺陷反推产生缺陷的原因,从而提高电芯检测效能。
Description
技术领域
本申请涉及电池制造技术领域,特别涉及一种电芯缺陷检测方法、装置和计算机可读存储介质。
背景技术
在相关技术中,对于电池电芯的生产过程,为了避免出现因表面缺陷而导致的质量问题,往往需要对电池电芯进行外观检测以筛选掉出现缺陷的电芯,而现有的用于检测电芯外观缺陷的方法,难以准确识别具体的缺陷特征,无法对缺陷进行识别,导致难以通过缺陷反推产生缺陷原因的问题。
发明内容
本申请旨在至少解决现有技术中存在的技术问题之一。为此,本申请提出一种电芯缺陷检测方法、装置和计算机可读存储介质。
第一方面,本申请实施例提供了一种电芯缺陷检测方法,包括:
获取电芯图像;
对所述电芯图像进行区域截取,得到目标区域;
根据所述目标区域的位置信息确定对应的目标分类函数,并根据所述目标分类函数对所述目标区域中的缺陷进行特征提取,得到缺陷特征参数;
根据所述缺陷特征参数和预设特征参数对所述目标区域中的缺陷进行分类。
在一些实施例中,所述对所述电芯图像进行区域截取,得到目标区域,包括:
通过区域截取模型对所述电芯图像进行区域截取,得到初始区域,其中,所述区域截取模型由样本电芯图像训练得到;
根据区域截取函数对所述初始区域进行区域截取,得到目标区域。
在一些实施例中,所述根据区域截取函数对所述初始区域进行区域截取,得到目标区域,包括:
接收尺寸修改指令,根据所述尺寸修改指令修改所述区域截取函数中的配置参数;
从所述初始区域中确定基准点,基于所述基准点采用修改后的所述区域截取函数进行区域截取,得到目标尺寸的目标区域。
在一些实施例中,所述根据所述目标区域的位置信息确定对应的目标分类函数,包括如下之一:
当所述目标区域位于极耳区域,调用预设的极耳缺陷分类函数作为目标分类函数;
当所述目标区域位于长侧边区域,调用预设的长侧边缺陷分类函数作为目标分类函数;
当所述目标区域位于角位区域,调用预设的角位缺陷分类函数作为目标分类函数;
当所述目标区域位于头部区域,调用预设的头部缺陷分类函数作为目标分类函数;
当所述目标区域位于尾部区域,调用预设的尾部缺陷分类函数作为目标分类函数。
在一些实施例中,所述缺陷特征参数包括如下至少之一:灰度值、轮廓面积、轮廓最小外接矩形、轮廓中心点坐标、近似圆的程度、长宽比。
在一些实施例中,在所述缺陷特征参数包括灰度值的情况下,所述灰度值通过如下步骤得到:
获取所述目标区域中的缺陷的红色通道特征值、绿色通道特征值和蓝色通道特征值,以及获取红色通道权重、绿色通道权重和蓝色通道权重;
通过灰度值公式、所述红色通道特征值、所述绿色通道特征值、所述蓝色通道特征值、所述红色通道权重、所述绿色通道权重和蓝色通道权重计算出灰度值,其中,所述灰度值公式如下:
灰度值=红色通道权重*红色通道特征值+绿色通道权重*绿色通道特征值+蓝色通道权重*蓝色通道特征值。
在一些实施例中,在所述缺陷特征参数包括轮廓面积的情况下,所述轮廓面积通过如下步骤得到:
获取所述目标区域中的缺陷的轮廓点集P={P1,P2,…,Pn},其中Pi=(xi,yi);
通过轮廓面积公式和所述轮廓点集计算出轮廓面积,其中,所述轮廓面积公式如下:
轮廓面积=0.5*|(x1y2+x2y3+…+xny1)-(y1x2+y2x3+…+ynx1)|。
在一些实施例中,在所述缺陷特征参数包括轮廓最小外接矩形的情况下,所述轮廓最小外接矩形通过如下步骤得到:
获取所述目标区域中的缺陷的轮廓点集P={P1,P2,…,Pn},其中Pi=(xi,yi);
通过轮廓最小外接矩形公式和所述轮廓点集计算出轮廓最小外接矩形,其中,所述轮廓最小外接矩形公式如下:
轮廓最小外接矩形的长=max(x1,x2,...,xn)-min(x1,x2,...,xn);
轮廓最小外接矩形的宽=max(y1,y2,...,yn)-min(y1,y2,...,yn);
轮廓最小外接矩形的角度=-arctan(v2/v1)其中,v1和v2是主轴的向量。
在一些实施例中,在所述缺陷特征参数包括轮廓中心点坐标的情况下,所述轮廓中心点坐标通过如下步骤得到:
获取所述目标区域中的缺陷的轮廓点集P={P1,P2,…,Pn},其中Pi=(xi,yi);
通过轮廓中心点坐标公式和所述轮廓点集计算出轮廓中心点坐标,其中,所述轮廓中心点坐标公式如下:
轮廓中心点横坐标x=(x1+x2+...+xn)/n;
轮廓中心点纵坐标y=(y1+y2+...+yn)/n。
在一些实施例中,在所述缺陷特征参数包括近似圆的程度的情况下,所述近似圆的程度通过如下步骤得到:
获取所述目标区域中的缺陷的面积和周长;
通过近似圆的程度公式、所述面积和所述周长计算出近似圆的程度,其中,所述近似圆的程度公式如下:
近似圆的程度=(4*π*面积)/周长的平方。
在一些实施例中,在所述缺陷特征参数包括长宽比的情况下,所述长宽比通过如下步骤得到:
获取所述目标区域中的缺陷的长度和宽度;
通过长宽比公式、所述长度和所述宽度计算出长宽比,其中,所述长宽比公式如下:
长宽比=长度/宽度。
第二方面,本申请实施例提供了一种电芯缺陷检测装置,包括:
图像获取单元,用于获取电芯图像;
区域截取单元,用于对所述电芯图像进行区域截取,得到目标区域;
特征提取单元,用于根据所述目标区域的位置信息确定对应的目标分类函数,并根据所述目标分类函数对所述目标区域中的缺陷进行特征提取,得到缺陷特征参数;
缺陷分类单元,用于根据所述缺陷特征参数和预设特征参数对所述目标区域中的缺陷进行分类。
第三方面,本申请实施例提供了一种计算机可读存储介质,存储有计算机可执行指令,所述计算机可执行指令用于执行如上述第一方面的电芯缺陷检测方法。
根据本申请实施例的技术方案,至少具有如下有益效果:首先,本申请实施例能够获取电芯图像;然后,再对电芯图像进行区域截取,得到目标区域;接着,本申请实施例可以根据目标区域的位置信息确定对应的目标分类函数,并根据目标分类函数对目标区域中的缺陷进行特征提取,得到缺陷特征参数;最后,本申请实施例可以根据缺陷特征参数和预设特征参数对目标区域中的缺陷进行分类。由于本申请实施例能够根据目标区域的位置确定调用对应的目标分类函数,针对性强;另外,本申请实施例还能够根据缺陷特征参数进行缺陷分类,能够准确识别到电芯缺陷的类型,可用于后续通过缺陷反推产生缺陷的原因,从而提高电芯检测效能。
本申请的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
附图用来提供对本申请技术方案的进一步理解,并且构成说明书的一部分,与本申请的实施例一起用于解释本申请的技术方案,并不构成对本申请技术方案的限制。
图1是本申请一个实施例提供的电芯缺陷检测方法的步骤流程图;
图2是本申请另一个实施例提供的电芯缺陷检测方法的步骤流程图;
图3是本申请另一个实施例提供的电芯缺陷检测方法的步骤流程图;
图4是本申请另一个实施例提供的电芯缺陷检测方法的步骤流程图;
图5是本申请另一个实施例提供的电芯缺陷检测方法的步骤流程图;
图6是本申请另一个实施例提供的电芯缺陷检测方法的步骤流程图;
图7是本申请另一个实施例提供的电芯缺陷检测方法的步骤流程图;
图8是本申请另一个实施例提供的电芯缺陷检测方法的步骤流程图;
图9是本申请另一个实施例提供的电芯缺陷检测方法的步骤流程图;
图10是本申请一个实施例提供的用于执行电芯缺陷检测方法的电子设备的结构示意图;
图11是本申请一个实施例提供的电芯缺陷检测装置的结构示意图。
具体实施方式
下面详细描述本申请的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能理解为对本申请的限制。
在本申请的描述中,需要理解的是,涉及到方位描述,例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。
在本申请的描述中,若干的含义是一个或者多个,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本申请的描述中,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本申请中的具体含义。
在一些情形下,对于电池电芯的生产过程,为了避免出现因表面缺陷而导致的质量问题,往往需要对电池电芯进行外观检测以筛选掉出现缺陷的电芯,而现有的用于检测电芯外观缺陷的方法,难以准确识别具体的缺陷特征,无法对缺陷进行识别,导致难以通过缺陷反推产生缺陷原因的问题。
基于上述情况,本申请实施例提出一种电芯缺陷检测方法、装置和计算机可读存储介质,旨在准确识别缺陷特征并对缺陷进行分类。
下面结合附图,对本申请实施例的电芯缺陷检测方法作进一步阐述。
如图1所示,图1是本申请一个实施例提供的电芯缺陷检测方法的步骤流程图。本申请实施例的电芯缺陷检测方法包括但不限于步骤S110、步骤S120、步骤S130和步骤S140。
步骤S110、获取电芯图像;
步骤S120、对电芯图像进行区域截取,得到目标区域;
步骤S130、根据目标区域的位置信息确定对应的目标分类函数,并根据目标分类函数对目标区域中的缺陷进行特征提取,得到缺陷特征参数;
步骤S140、根据缺陷特征参数和预设特征参数对目标区域中的缺陷进行分类。
在一实施例中,在电芯缺陷检测期间,首先,本申请实施例可以通过图像采集设备获取电芯图像;接着,由于电芯图像所包括的区域较大,因此,为了能够更好地检测到需要检测的区域,本申请实施例可以对电芯图像进行区域截取,从而截取到目标区域,其中,该目标区域即为需要检测的区域;接着,本申请实施例还会识别出目标区域的位置信息,并基于该位置信息确定与该位置信息对应的目标分类函数,然后再采用该目标分类函数提取出目标区域中的缺陷的缺陷特征参数;最后,本申请实施例会将提取得到的缺陷特征参数和在先获得的预设特征参数进行匹配,然后根据匹配结果来对目标区域中的缺陷进行分类。
需要说明的是,关于上述的目标区域的数量,可以是一个,也可以是多个,本申请实施例对目标区域的数量不作具体限定。
另外,需要说明的是,关于上述的目标区域的类型,可以是极耳区域,也可以是长侧边区域,也可以是角位区域,也可以是头部区域,也可以是尾部区域,也可以是其他区域,本申请实施例对目标区域的类型不作具体限定。
另外,需要说明的是,关于上述步骤S130中的根据目标区域的位置信息确定对应的目标分类函数,可以包括但不限于如下多种情况,具体分别如下:当目标区域位于极耳区域,调用预设的极耳缺陷分类函数作为目标分类函数;当目标区域位于长侧边区域,调用预设的长侧边缺陷分类函数作为目标分类函数;当目标区域位于角位区域,调用预设的角位缺陷分类函数作为目标分类函数;当目标区域位于头部区域,调用预设的头部缺陷分类函数作为目标分类函数;当目标区域位于尾部区域,调用预设的尾部缺陷分类函数作为目标分类函数。
另外,需要说明的是,本申请实施例能够根据目标区域的位置信息选择与该位置信息对应的目标分类函数,例如,对于极耳区域,选择极耳缺陷分类函数作为目标分类函数;对于角位区域,选择角位缺陷分类函数作为目标分类函数。本申请实施例能够针对不同位置的区域选择合适的目标分类函数,其目标分类函数的配置参数和规则均针对对应区域进行设置,针对性强,能够更快更准确地对目标区域中的缺陷进行识别。
另外,需要说明的是,关于预设特征参数,其可以是预先设定得到的。另外,对于不同种类的缺陷,其对应的预设特征参数是不同的,例如,划痕缺陷和极耳翻折缺陷两者所对应的预设特征参数是不同的。
另外,需要说明的是,关于上述缺陷特征参数,可以包括如下至少之一:灰度值、轮廓面积、轮廓最小外接矩形、轮廓中心点坐标、近似圆的程度、长宽比。
根据本申请实施例的电芯缺陷检测方法的技术方案,由于本申请实施例能够根据目标区域的位置确定调用对应的目标分类函数,针对性强;另外,本申请实施例还能够根据缺陷特征参数进行缺陷分类,能够准确识别到电芯缺陷的类型,可用于后续通过缺陷反推产生缺陷的原因,从而提高电芯检测效能。
另外,如图2所示,图2是本申请另一个实施例提供的电芯缺陷检测方法的步骤流程图。关于上述步骤S120中的对电芯图像进行区域截取,得到目标区域,可以包括但不限于步骤S210和步骤S220。
步骤S210、通过区域截取模型对电芯图像进行区域截取,得到初始区域,其中,区域截取模型由样本电芯图像训练得到;
步骤S220、根据区域截取函数对初始区域进行区域截取,得到目标区域。
在一实施例中,在获取电芯图像之后,本申请实施例可以用区域截取模型对电芯图像进行区域截取,从而得到初始区域,例如,通过区域截取模型将电芯图像大概划分为极耳区域或角位区域等等;接着,本申请实施例再在初始区域的基础上,采用区域截取函数对初始区域进行区域截取,从而得到目标区域,例如,通过区域截取函数对划分的极耳区域进行更精准的区域截取。
另外,如图3所示,图3是本申请另一个实施例提供的电芯缺陷检测方法的步骤流程图。关于上述步骤S220中的根据区域截取函数对初始区域进行区域截取,得到目标区域,可以包括但不限于步骤S310和步骤S320。
步骤S310、接收尺寸修改指令,根据尺寸修改指令修改区域截取函数中的配置参数;
步骤S320、从初始区域中确定基准点,基于基准点采用修改后的区域截取函数进行区域截取,得到目标尺寸的目标区域。
在一实施例中,本申请实施例可以在初始区域中确定基准点,然后再修改区域截取函数中的配置参数,并采用修改后的区域截取函数进行区域截取,得到与尺寸修改指令对应目标尺寸的目标区域。
需要说明的是,关于上述的区域截取函数中的配置参数,可以是指左边界的坐标值,也可以是右边界的坐标值,也可以是上边界的坐标值,也可以是下边界的坐标值,也可以是左边界和右边界之间的距离值,也可以是上边界和下边界之间的距离值,也可以是其他类型的数值,本申请实施例对区域截取函数中的配置参数不作具体限定。
另外,需要说明的是,关于上述的基准点,可以是指初始区域的左上角位置,也可以是指初始区域的左下角位置,也可以是其他位置点,本申请实施例对上述的基准点的位置不作具体限定。
基于上述图1至图3中的方法步骤,主要是通过对电芯图像进行区域截取,再通过缺陷模型进行缺陷识别,之后通过灰度值、中心坐标、缺陷面积、长宽比等等来进行分类。具体地可以包括如下步骤:
一、对电芯图像进行区域截取包括:通过区域截取模型进行区域的截取,再通过区域截取函数进行区域截取,通过区域截取模型截取的左上角的点作为原点调整截取区域的大小。
二、通过缺陷模型进行缺陷识别包括:每个位置的缺陷分类都有对应的函数,在它出现的部位进行缺陷分类判断,通过缺陷的灰度值、中心坐标、缺陷面积、长宽比来进行缺陷的分类,每个缺陷的参数设定都不一样,根据具体的缺陷样本来计算出参数范围,再进行对应每个位置缺陷的范围的设置。主要通过轮廓面积的计算函数、近似圆的程度函数、长宽比函数、缺陷中心点的坐标函数进行计算。
三、通过灰度值、中心坐标、缺陷面积、长宽比来进行分类包括:每个缺陷分类需要的参数都不一样,设定的范围的值也不一样,通过样本缺陷不断的进行测试,最终确定一个范围值。在系统内置有缺陷内置有缺陷数据库,获取当前电芯缺陷后,可通过与数据库的缺陷项相对比,将当前电芯缺陷分类出来。
需要说明的是,每个缺陷分类需要的参数都不一样,设定的范围的值也不一样,通过样本缺陷不断的进行测试,最终确定一个范围值。例如:划痕,是通过长宽比和面积进行确定缺陷属于划痕的。划痕的宽很小,长比较长,因此长宽比会比较大。
另外,如图4所示,图4是本申请另一个实施例提供的电芯缺陷检测方法的步骤流程图。在缺陷特征参数包括灰度值的情况下,灰度值可以通过步骤S410和步骤S420得到。
步骤S410、获取目标区域中的缺陷的红色通道特征值、绿色通道特征值和蓝色通道特征值,以及获取红色通道权重、绿色通道权重和蓝色通道权重;
步骤S420、通过灰度值公式、红色通道特征值、绿色通道特征值、蓝色通道特征值、红色通道权重、绿色通道权重和蓝色通道权重计算出灰度值。
在一实施例中,关于上述灰度值的计算方式,具体如下:灰度值=红色通道权重*红色通道特征值+绿色通道权重*绿色通道特征值+蓝色通道权重*蓝色通道特征值。
例如,灰度值=0.299*r+0.587*g+0.114*b,其中,0.299、0.587和0.114是根据人眼的敏感度对应的R、G、B三个通道的权重。
另外,如图5所示,图5是本申请另一个实施例提供的电芯缺陷检测方法的步骤流程图。在缺陷特征参数包括轮廓面积的情况下,轮廓面积可以通过步骤S510和步骤S520得到。
步骤S510、获取目标区域中的缺陷的轮廓点集P={P1,P2,…,Pn},其中Pi=(xi,yi);
步骤S520、通过轮廓面积公式和轮廓点集计算出轮廓面积,其中,轮廓面积公式如下:轮廓面积=0.5*|(x1y2+x2y3+…+xny1)-(y1x2+y2x3+…+ynx1)|。
在一实施例中,关于上述轮廓面积的计算方式,具体如下:给定轮廓中的一组点集P={P1,P2,…,Pn},其中Pi=(xi,yi),轮廓的面积可以表示为:轮廓面积=0.5*|(x1y2+x2y3+...+xny1)-(y1x2+y2x3+...+ynx1)|。
另外,如图6所示,图6是本申请另一个实施例提供的电芯缺陷检测方法的步骤流程图。在缺陷特征参数包括轮廓最小外接矩形的情况下,轮廓最小外接矩形可以通过步骤S610和步骤S620得到。
步骤S610、获取目标区域中的缺陷的轮廓点集P={P1,P2,…,Pn},其中Pi=(xi,yi);
步骤S620、通过轮廓最小外接矩形公式和轮廓点集计算出轮廓最小外接矩形,其中,轮廓最小外接矩形公式如下:轮廓最小外接矩形的长=max(x1,x2,...,xn)-min(x1,x2,...,xn);轮廓最小外接矩形的宽=max(y1,y2,...,yn)-min(y1,y2,...,yn);轮廓最小外接矩形的角度=-arctan(v2/v1)其中,v1和v2是主轴的向量。
在一实施例中,关于上述轮廓最小外接矩形的计算方式,具体如下:给定一组点集P={P1,P2,…,Pn},其中Pi=(xi,yi),矩形的长宽可以表示为:长=max(x1,x2,...,xn)-min(x1,x2,...,xn);宽=max(y1,y2,...,yn)-min(y1,y2,...,yn);最小外接矩形的角度θ可以使用以下公式计算:θ=-arctan(v2/v1)其中,v1和v2是主轴的向量,本申请实施例可以通过调用OpenCV的minAreaRect函数计算这些向量。
另外,如图7所示,图7是本申请另一个实施例提供的电芯缺陷检测方法的步骤流程图。在缺陷特征参数包括轮廓中心点坐标的情况下,轮廓中心点坐标可以通过步骤S710和步骤S720得到。
步骤S710、获取目标区域中的缺陷的轮廓点集P={P1,P2,…,Pn},其中Pi=(xi,yi);
步骤S720、通过轮廓中心点坐标公式和轮廓点集计算出轮廓中心点坐标,其中,轮廓中心点坐标公式如下:轮廓中心点横坐标x=(x1+x2+...+xn)/n;轮廓中心点纵坐标y=(y1+y2+...+yn)/n。
在一实施例中,关于上述轮廓中心点坐标的计算方式,具体如下:给定轮廓中的一组点集P={P1,P2,…,Pn},其中Pi=(xi,yi),轮廓的中心坐标可以表示为:x=(x1+x2+...+xn)/n y=(y1+y2+...+yn)/n,其中,n是轮廓中点的数量,本申请实施例可以使用OpenCV函数moments()来计算轮廓的矩,然后从中提取中心坐标。
另外,如图8所示,图8是本申请另一个实施例提供的电芯缺陷检测方法的步骤流程图。在缺陷特征参数包括近似圆的程度的情况下,近似圆的程度可以通过步骤S810和步骤S820得到。
步骤S810、获取目标区域中的缺陷的面积和周长;
步骤S820、通过近似圆的程度公式、面积和周长计算出近似圆的程度,其中,近似圆的程度公式如下:近似圆的程度=(4*π*面积)/周长的平方。
另外,如图9所示,图9是本申请另一个实施例提供的电芯缺陷检测方法的步骤流程图。在缺陷特征参数包括长宽比的情况下,长宽比可以通过步骤S910和步骤S920得到。
步骤S910、获取目标区域中的缺陷的长度和宽度;
步骤S920、通过长宽比公式、长度和宽度计算出长宽比,其中,长宽比公式如下:长宽比=长度/宽度。
基于上述各个实施例的电芯缺陷检测方法,下面分别提出本申请的电子设备、电芯缺陷检测装置和计算机可读存储介质的各个实施例。
如图10所示,图10是本申请一个实施例提供的用于执行电芯缺陷检测方法的电子设备的结构示意图。本申请实施的电子设备100包括:处理器110、存储器120及存储在存储器120上并可在处理器110上运行的计算机程序,其中,图10中以一个处理器110及一个存储器120为例。
处理器110和存储器120可以通过总线或者其他方式连接,图10中以通过总线连接为例。
存储器120作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器120可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器120可选包括相对于处理器110远程设置的存储器120,这些远程存储器120可以通过网络连接至该电子设备100。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本领域技术人员可以理解,图10中示出的装置结构并不构成对电子设备100的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
在图10所示的电子设备100中,处理器110可以用于调用存储器120中储存的电芯缺陷检测程序,从而实现上述的电芯缺陷检测方法。具体地,实现上述实施例的电芯缺陷检测方法所需的非暂态软件程序以及指令存储在存储器120中,当被处理器110执行时,执行上述实施例的电芯缺陷检测方法。
值得注意的是,由于本申请实施例的电子设备100能够执行上述任一实施例的电芯缺陷检测方法,因此,本申请实施例的电子设备100的具体实施方式和技术效果,可以参照上述任一实施例的电芯缺陷检测方法的具体实施方式和技术效果。
此外,如图11所示,图11是本申请一个实施例提供的电芯缺陷检测装置的结构示意图。本申请实施的电芯缺陷检测装置200包括但不限于图像获取单元210、区域截取单元220、特征提取单元230和缺陷分类单元240。
具体地,图像获取单元210用于获取电芯图像;区域截取单元220用于对电芯图像进行区域截取,得到目标区域;特征提取单元230用于根据目标区域的位置信息确定对应的目标分类函数,并根据目标分类函数对目标区域中的缺陷进行特征提取,得到缺陷特征参数;缺陷分类单元240用于根据缺陷特征参数和预设特征参数对目标区域中的缺陷进行分类。
另外,在一实施例中,区域截取单元220还用于通过区域截取模型对电芯图像进行区域截取,得到初始区域,其中,区域截取模型由样本电芯图像训练得到;接着,根据区域截取函数对初始区域进行区域截取,得到目标区域。
另外,在一实施例中,区域截取单元220还用于接收尺寸修改指令,根据尺寸修改指令修改区域截取函数中的配置参数;接着,从初始区域中确定基准点,基于基准点采用修改后的区域截取函数进行区域截取,得到目标尺寸的目标区域。
另外,在一实施例中,当目标区域位于极耳区域,特征提取单元230还用于调用预设的极耳缺陷分类函数作为目标分类函数;当目标区域位于长侧边区域,特征提取单元230还用于调用预设的长侧边缺陷分类函数作为目标分类函数;当目标区域位于角位区域,特征提取单元230还用于调用预设的角位缺陷分类函数作为目标分类函数;当目标区域位于头部区域,特征提取单元230还用于调用预设的头部缺陷分类函数作为目标分类函数;当目标区域位于尾部区域,特征提取单元230还用于调用预设的尾部缺陷分类函数作为目标分类函数。
另外,在一实施例中,特征提取单元230还用于获取目标区域中的缺陷的红色通道特征值、绿色通道特征值和蓝色通道特征值,以及获取红色通道权重、绿色通道权重和蓝色通道权重;接着,通过灰度值公式、红色通道特征值、绿色通道特征值、蓝色通道特征值、红色通道权重、绿色通道权重和蓝色通道权重计算出灰度值。
另外,在一实施例中,特征提取单元230还用于获取目标区域中的缺陷的轮廓点集,并通过轮廓面积公式和轮廓点集计算出轮廓面积。
另外,在一实施例中,特征提取单元230还用于获取目标区域中的缺陷的轮廓点集,并通过轮廓最小外接矩形公式和轮廓点集计算出轮廓最小外接矩形。
另外,在一实施例中,特征提取单元230还用于获取目标区域中的缺陷的轮廓点集,并通过轮廓中心点坐标公式和轮廓点集计算出轮廓中心点坐标。
另外,在一实施例中,特征提取单元230还用于获取目标区域中的缺陷的面积和周长,并通过近似圆的程度公式、面积和周长计算出近似圆的程度。
另外,在一实施例中,特征提取单元230还用于获取目标区域中的缺陷的长度和宽度,并通过长宽比公式、长度和宽度计算出长宽比。
值得注意的是,由于本申请实施例的电芯缺陷检测装置200对应于上述任一实施例的电芯缺陷检测方法,因此,本申请实施例的电芯缺陷检测装置200的具体实施方式和技术效果,可以参照上述任一实施例的电芯缺陷检测方法的具体实施方式和技术效果。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的模块可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,上述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
上述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
此外,本申请的一个实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机可执行指令,计算机可执行指令用于执行上述的电芯缺陷检测方法。示例性地,执行以上描述的图1至图9中的方法步骤。
值得注意的是,由于本申请实施例的计算机可读存储介质能够执行上述任一实施例的电芯缺陷检测方法,因此,本申请实施例的计算机可读存储介质的具体实施方式和技术效果,可以参照上述任一实施例的电芯缺陷检测方法的具体实施方式和技术效果。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包括计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
本申请实施例提供的电芯缺陷检测方法、电芯缺陷检测装置、电子设备及存储介质,其通过用户输入的物料信息、物料数量和目标匹配条件信息自动匹配到尺寸和匹配条件均合适的目标安装板布局模板,从而可以在安装板上自动生成电气器件布局,使得设备、线槽和导轨等都可以快速并精确在安装板上放置,从而极大地提高了电气装配效率。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域技术人员可知,随着技术的演变和新应用场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
本领域技术人员可以理解的是,图中示出的技术方案并不构成对本申请实施例的限定,可以包括比图示更多或更少的步骤,或者组合某些步骤,或者不同的步骤。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
以上是对本申请的较佳实施进行了具体说明,但本申请并不局限于上述实施方式,熟悉本领域的技术人员在不违背本申请精神的共享条件下还可作出种种等同的变形或替换,这些等同的变形或替换均包括在本申请权利要求所限定的范围内。
Claims (13)
1.一种电芯缺陷检测方法,其特征在于,包括:
获取电芯图像;
对所述电芯图像进行区域截取,得到目标区域;
根据所述目标区域的位置信息确定对应的目标分类函数,并根据所述目标分类函数对所述目标区域中的缺陷进行特征提取,得到缺陷特征参数;
根据所述缺陷特征参数和预设特征参数对所述目标区域中的缺陷进行分类。
2.根据权利要求1所述的电芯缺陷检测方法,其特征在于,所述对所述电芯图像进行区域截取,得到目标区域,包括:
通过区域截取模型对所述电芯图像进行区域截取,得到初始区域,其中,所述区域截取模型由样本电芯图像训练得到;
根据区域截取函数对所述初始区域进行区域截取,得到目标区域。
3.根据权利要求2所述的电芯缺陷检测方法,其特征在于,所述根据区域截取函数对所述初始区域进行区域截取,得到目标区域,包括:
接收尺寸修改指令,根据所述尺寸修改指令修改所述区域截取函数中的配置参数;
从所述初始区域中确定基准点,基于所述基准点采用修改后的所述区域截取函数进行区域截取,得到目标尺寸的目标区域。
4.根据权利要求1所述的电芯缺陷检测方法,其特征在于,所述根据所述目标区域的位置信息确定对应的目标分类函数,包括如下之一:
当所述目标区域位于极耳区域,调用预设的极耳缺陷分类函数作为目标分类函数;
当所述目标区域位于长侧边区域,调用预设的长侧边缺陷分类函数作为目标分类函数;
当所述目标区域位于角位区域,调用预设的角位缺陷分类函数作为目标分类函数;
当所述目标区域位于头部区域,调用预设的头部缺陷分类函数作为目标分类函数;
当所述目标区域位于尾部区域,调用预设的尾部缺陷分类函数作为目标分类函数。
5.根据权利要求1所述的电芯缺陷检测方法,其特征在于,所述缺陷特征参数包括如下至少之一:灰度值、轮廓面积、轮廓最小外接矩形、轮廓中心点坐标、近似圆的程度、长宽比。
6.根据权利要求5所述的电芯缺陷检测方法,其特征在于,在所述缺陷特征参数包括灰度值的情况下,所述灰度值通过如下步骤得到:
获取所述目标区域中的缺陷的红色通道特征值、绿色通道特征值和蓝色通道特征值,以及获取红色通道权重、绿色通道权重和蓝色通道权重;
通过灰度值公式、所述红色通道特征值、所述绿色通道特征值、所述蓝色通道特征值、所述红色通道权重、所述绿色通道权重和蓝色通道权重计算出灰度值,其中,所述灰度值公式如下:
灰度值=红色通道权重*红色通道特征值+绿色通道权重*绿色通道特征值+蓝色通道权重*蓝色通道特征值。
7.根据权利要求5所述的电芯缺陷检测方法,其特征在于,在所述缺陷特征参数包括轮廓面积的情况下,所述轮廓面积通过如下步骤得到:
获取所述目标区域中的缺陷的轮廓点集P={P1,P2,…,Pn},其中Pi=(xi,yi);
通过轮廓面积公式和所述轮廓点集计算出轮廓面积,其中,所述轮廓面积公式如下:
轮廓面积=0.5*|(x1y2+x2y3+…+xny1)-(y1x2+y2x3+…+ynx1)|。
8.根据权利要求5所述的电芯缺陷检测方法,其特征在于,在所述缺陷特征参数包括轮廓最小外接矩形的情况下,所述轮廓最小外接矩形通过如下步骤得到:
获取所述目标区域中的缺陷的轮廓点集P={P1,P2,…,Pn},其中Pi=(xi,yi);
通过轮廓最小外接矩形公式和所述轮廓点集计算出轮廓最小外接矩形,其中,所述轮廓最小外接矩形公式如下:
轮廓最小外接矩形的长=max(x1,x2,...,xn)-min(x1,x2,...,xn);
轮廓最小外接矩形的宽=max(y1,y2,...,yn)-min(y1,y2,...,yn);
轮廓最小外接矩形的角度=-arctan(v2/v1)其中,v1和v2是主轴的向量。
9.根据权利要求5所述的电芯缺陷检测方法,其特征在于,在所述缺陷特征参数包括轮廓中心点坐标的情况下,所述轮廓中心点坐标通过如下步骤得到:
获取所述目标区域中的缺陷的轮廓点集P={P1,P2,…,Pn},其中Pi=(xi,yi);
通过轮廓中心点坐标公式和所述轮廓点集计算出轮廓中心点坐标,其中,所述轮廓中心点坐标公式如下:
轮廓中心点横坐标x=(x1+x2+...+xn)/n;
轮廓中心点纵坐标y=(y1+y2+...+yn)/n。
10.根据权利要求5所述的电芯缺陷检测方法,其特征在于,在所述缺陷特征参数包括近似圆的程度的情况下,所述近似圆的程度通过如下步骤得到:
获取所述目标区域中的缺陷的面积和周长;
通过近似圆的程度公式、所述面积和所述周长计算出近似圆的程度,其中,所述近似圆的程度公式如下:
近似圆的程度=(4*π*面积)/周长的平方。
11.根据权利要求5所述的电芯缺陷检测方法,其特征在于,在所述缺陷特征参数包括长宽比的情况下,所述长宽比通过如下步骤得到:
获取所述目标区域中的缺陷的长度和宽度;
通过长宽比公式、所述长度和所述宽度计算出长宽比,其中,所述长宽比公式如下:
长宽比=长度/宽度。
12.一种电芯缺陷检测装置,其特征在于,包括:
图像获取单元,用于获取电芯图像;
区域截取单元,用于对所述电芯图像进行区域截取,得到目标区域;
特征提取单元,用于根据所述目标区域的位置信息确定对应的目标分类函数,并根据所述目标分类函数对所述目标区域中的缺陷进行特征提取,得到缺陷特征参数;
缺陷分类单元,用于根据所述缺陷特征参数和预设特征参数对所述目标区域中的缺陷进行分类。
13.一种计算机可读存储介质,其特征在于,存储有计算机可执行指令,所述计算机可执行指令用于执行如权利要求1至11中任意一项所述的电芯缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310475085.8A CN116563233A (zh) | 2023-04-27 | 2023-04-27 | 电芯缺陷检测方法、装置和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310475085.8A CN116563233A (zh) | 2023-04-27 | 2023-04-27 | 电芯缺陷检测方法、装置和计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116563233A true CN116563233A (zh) | 2023-08-08 |
Family
ID=87495814
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310475085.8A Pending CN116563233A (zh) | 2023-04-27 | 2023-04-27 | 电芯缺陷检测方法、装置和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116563233A (zh) |
-
2023
- 2023-04-27 CN CN202310475085.8A patent/CN116563233A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101599175B (zh) | 确定拍摄背景发生改变的检测方法及图像处理设备 | |
CN115272280A (zh) | 一种缺陷检测方法、装置、设备及存储介质 | |
EP1217572A2 (en) | Digital image processing method and computer program product for detecting human irises in an image | |
CN112184639B (zh) | 圆孔检测方法、装置、电子设备及存储介质 | |
CN112102409B (zh) | 目标检测方法、装置、设备及存储介质 | |
CN110827244A (zh) | 一种用于电子设备外观瑕疵检测的方法与设备 | |
CN109613000B (zh) | 锂电池涂布缺陷检测方法、系统、设备及存储介质 | |
CN109886918A (zh) | 锂电池极片的拉丝毛刺检测方法、电子设备及存储介质 | |
CN116721107B (zh) | 一种电缆生产质量智能监控系统 | |
CN104537650A (zh) | 一种铝电解电容器的极性方向判定方法及装置 | |
CN112270659A (zh) | 一种动力电池极片表面缺陷快速检测方法和系统 | |
CN107832598B (zh) | 解锁控制方法及相关产品 | |
CN113269769A (zh) | 一种基于图像配准的缺陷检测方法、系统及设备 | |
CN111047624A (zh) | 图像弱小目标检测方法、装置、设备及存储介质 | |
CN116337412A (zh) | 屏幕检测方法、设备及存储介质 | |
CN115018565A (zh) | 一种广告传媒图像识别方法、系统、设备及可读存储介质 | |
CN113065454B (zh) | 一种高空抛物目标识别比较的方法及装置 | |
CN111050027B (zh) | 镜头畸变补偿方法、装置、设备和存储介质 | |
CN116563233A (zh) | 电芯缺陷检测方法、装置和计算机可读存储介质 | |
CN115564719A (zh) | 电池检测方法、控制器和计算机可读存储介质 | |
CN116030013A (zh) | 多目标多类别破损缺陷检测方法、系统及计算机存储介质 | |
CN109635684A (zh) | 一种食品追溯系统 | |
CN110018174B (zh) | 一种检测物体外观的方法和装置 | |
CN110853059B (zh) | 一种靶子环数的图像识别方法 | |
CN113989743A (zh) | 垃圾满溢检测方法、检测设备及系统 |
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 |