CN116630305A - 电池盖板外观检测方法、装置、设备及存储介质 - Google Patents
电池盖板外观检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116630305A CN116630305A CN202310879230.9A CN202310879230A CN116630305A CN 116630305 A CN116630305 A CN 116630305A CN 202310879230 A CN202310879230 A CN 202310879230A CN 116630305 A CN116630305 A CN 116630305A
- Authority
- CN
- China
- Prior art keywords
- battery cover
- cover plate
- image data
- data
- power battery
- 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 157
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 78
- 238000013528 artificial neural network Methods 0.000 claims abstract description 53
- 239000000463 material Substances 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims description 34
- 238000012360 testing method Methods 0.000 claims description 31
- 238000003062 neural network model Methods 0.000 claims description 27
- 230000007547 defect Effects 0.000 claims description 22
- 238000004140 cleaning Methods 0.000 claims description 19
- 230000006872 improvement Effects 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 8
- 238000013519 translation Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012896 Statistical algorithm Methods 0.000 claims description 6
- 229910052751 metal Inorganic materials 0.000 claims description 5
- 239000002184 metal Substances 0.000 claims description 5
- 238000013526 transfer learning Methods 0.000 claims description 5
- 230000003014 reinforcing effect Effects 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 31
- 230000008569 process Effects 0.000 abstract description 11
- 238000004891 communication Methods 0.000 description 5
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 229910001416 lithium ion Inorganic materials 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 2
- 208000025962 Crush injury Diseases 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007789 sealing 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
- G06N3/08—Learning methods
- G06N3/096—Transfer learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20—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)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及图像数据处理技术领域,公开了一种电池盖板外观检测方法、装置、设备及存储介质,所述方法包括:获取动力电池盖板表面的原始图像数据和材质数据,以及获取动力电池盖板的特性信息;根据材质数据和特性信息确定目标数字图像处理策略;根据目标数字图像处理策略对原始图像数据进行数据增强处理,得到目标图像数据;通过初始化神经网络权重后的表面瑕疵检测模型根据目标图像数据对动力电池盖板表面进行检测;通过上述方式,再利用初始化神经网络权重后的表面瑕疵检测模型通过分析目标图像数据的方式实现对动力电池盖板表面的检测,从而能够有效提高检测动力电池盖板表面的效率和准确率,以及降低模型从初始化到收敛过程所需样本集的数量。
Description
技术领域
本发明涉及图像数据处理技术领域,尤其涉及电池盖板外观检测方法、装置、设备及存储介质。
背景技术
随着科学技术的蓬勃发展和人类知识文化水平的进步,延缓气候的恶化和实现能源的高效利用成为了近年来技术发展的重要导向,其中,推动新能源电动汽车的自主研发是近年来重要的战略举措,在新能源电动汽车的自主研发中,锂离子动力电池作为车载动力源,对新能源电动汽车的性能提升有重要研究价值,并且在实际生产过程中,锂离子动力电池的外观检测是衡量产品是否合格的重要指标。
目前而言,在实际生产过程中检测锂离子动力电池的外观的现有技术主要基于质检人工的判断,且存在判断标准不统一、判断结果易受疲劳等主观因素的影响,除此之外,质检工人的工作时长与工作时间内的工作量都有所限制,由于上述缺陷导致最终检测的动力电池盖板表面的效率和准确率较低。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种电池盖板外观检测方法、装置、设备及存储介质,旨在解决现有技术检测动力电池盖板表面的效率和准确率较低的技术问题。
为实现上述目的,本发明提供了一种电池盖板外观检测方法,所述电池盖板外观检测方法包括以下步骤:
获取动力电池盖板表面的原始图像数据和材质数据,以及获取动力电池盖板的特性信息;
根据所述材质数据和所述特性信息确定目标数字图像处理策略;
根据所述目标数字图像处理策略对所述原始图像数据进行数据增强处理,得到目标图像数据;
通过初始化神经网络权重后的表面瑕疵检测模型根据所述目标图像数据对所述动力电池盖板表面进行检测。
可选地,所述根据所述材质数据和所述特性信息确定目标数字图像处理策略,包括:
根据所述材质数据得到所述动力电池盖板表面的反光特性数据;
根据所述特性信息得到所述动力电池盖板的对称特性信息;
根据所述对称特性信息确定所述动力电池盖板的缺陷产生位置;
在所述反光特性数据对应的数值大于预设反光特性数值且所述缺陷产生位置为预设随机缺陷位置时,根据所述反光特性数据和所述对称特性信息生成目标数字图像处理策略。
可选地,所述根据所述目标数字图像处理策略对所述原始图像数据进行数据增强处理,得到目标图像数据,包括:
根据预设对焦数据和预设表面清晰度对所述原始图像数据进行数据清洗,保证清洗后的原始图像数据的图像对焦数据对应的数值大于预设对焦数值且表面清晰度大于预设清晰度阈值;
根据所述目标数字图像处理策略对所述数据清洗后的原始图像数据进行预处理,得到目标图像数据。
可选地,所述根据所述目标数字图像处理策略对所述数据清洗后的原始图像数据进行预处理,得到目标图像数据,包括:
根据所述目标数字图像处理策略对所述数据清洗后的原始图像数据进行可见度提升处理;
对可见度提升后的原始图像数据进行对比度提升处理;
根据所述目标数字图像处理策略对对比度提升处理后的原始图像数据进行平移变换;
根据所述目标数字图像处理策略对平移变换后的原始图像数据进行伽马校正;
根据所述目标数字图像处理策略对伽马校正后的原始图像数据进行翻转变换,得到目标图像数据。
可选地,所述通过初始化神经网络权重后的表面瑕疵检测模型根据所述目标图像数据对所述动力电池盖板表面进行检测,包括:
通过目标统计学算法对所述目标图像数据进行重新清洗,得到清洗后的当前图像数据;
按照预设划分比例将所述清洗后的当前图像数据划分为样本训练集、样本测试集,并将所述样本训练集划分为小样本训练集和样本验证集;
通过迁移学习算法对神经网络模型的权重进行初始化处理;
利用所述样本验证集选取初始化后的神经网络模型中用于表面纹理图像训练的目标神经网络模型,并对所述目标神经网络模型进行调参并重新通过增量学习算法加强所述目标神经网络模型对所述小样本训练集的迭代参数至网络收敛,以训练得到初始化神经网络权重后的表面瑕疵检测模型;
通过所述初始化神经网络权重后的表面瑕疵检测模型根据所述目标图像数据和样本测试集对所述动力电池盖板表面进行检测。
可选地,所述通过所述初始化神经网络权重后的表面瑕疵检测模型根据所述目标图像数据和样本测试集对所述动力电池盖板表面进行检测,包括:
利用所述样本测试集对所述初始化神经网络权重后的表面瑕疵检测模型进行测试,得到当前模型测试结果;
在所述当前模型测试结果满足预设测试要求时,通过所述初始化神经网络权重后的表面瑕疵检测模型对所述目标图像数据进行分析,以完成对所述动力电池盖板表面的检测。
可选地,所述通过初始化神经网络权重后的表面瑕疵检测模型根据所述目标图像数据对所述动力电池盖板表面进行检测之后,还包括:
获取所述动力电池盖板表面的当前检测结果和当前检测时长;
获取所述动力电池盖板表面的人为检测结果和人为检测时长;
分别计算所述当前检测结果的准确率和所述人为检测结果的准确率;
在所述当前检测结果的准确率大于或等于所述人为检测结果的准确率时,判断所述当前检测时长是否小于所述人为检测时长;
在所述当前检测时长小于所述人为检测时长时,通过所述初始化神经网络权重后的表面瑕疵检测模型对其他金属工件的表面进行检测。
此外,为实现上述目的,本发明还提出一种电池盖板外观检测装置,所述电池盖板外观检测装置包括:
获取模块,用于获取动力电池盖板表面的原始图像数据和材质数据,以及获取动力电池盖板的特性信息;
确定模块,用于根据所述材质数据和所述特性信息确定目标数字图像处理策略;
处理模块,用于根据所述目标数字图像处理策略对所述原始图像数据进行数据增强处理,得到目标图像数据;
检测模块,用于通过初始化神经网络权重后的表面瑕疵检测模型根据所述目标图像数据对所述动力电池盖板表面进行检测。
此外,为实现上述目的,本发明还提出一种电池盖板外观检测设备,所述电池盖板外观检测设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的电池盖板外观检测程序,所述电池盖板外观检测程序配置为实现如上文所述的电池盖板外观检测方法。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有电池盖板外观检测程序,所述电池盖板外观检测程序被处理器执行时实现如上文所述的电池盖板外观检测方法。
本发明提出的电池盖板外观检测方法,通过获取动力电池盖板表面的原始图像数据和材质数据,以及获取动力电池盖板的特性信息;根据所述材质数据和所述特性信息确定目标数字图像处理策略;根据所述目标数字图像处理策略对所述原始图像数据进行数据增强处理,得到目标图像数据;通过初始化神经网络权重后的表面瑕疵检测模型根据所述目标图像数据对所述动力电池盖板表面进行检测;通过上述方式,再利用初始化神经网络权重后的表面瑕疵检测模型通过分析目标图像数据的方式实现对动力电池盖板表面的检测,从而能够有效提高检测动力电池盖板表面的效率和准确率,以及降低模型从初始化到收敛过程所需样本集的数量。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的电池盖板外观检测设备的结构示意图;
图2为本发明电池盖板外观检测方法第一实施例的流程示意图;
图3为本发明电池盖板外观检测方法第二实施例的流程示意图;
图4为本发明电池盖板外观检测装置第一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
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。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的电池盖板外观检测设备结构示意图。
如图1所示,该电池盖板外观检测设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity,Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对电池盖板外观检测设备的限定,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。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及电池盖板外观检测程序。
在图1所示的电池盖板外观检测设备中,网络接口1004主要用于与网络一体化平台工作站进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明电池盖板外观检测设备中的处理器1001、存储器1005可以设置在电池盖板外观检测设备中,所述电池盖板外观检测设备通过处理器1001调用存储器1005中存储的电池盖板外观检测程序,并执行本发明实施例提供的电池盖板外观检测方法。
基于上述硬件结构,提出本发明电池盖板外观检测方法实施例。
参照图2,图2为本发明电池盖板外观检测方法第一实施例的流程示意图。
在第一实施例中,所述电池盖板外观检测方法包括以下步骤:
步骤S10,获取动力电池盖板表面的原始图像数据和材质数据,以及获取动力电池盖板的特性信息。
需要说明的是,本实施例的执行主体为电池盖板外观检测设备,还可为其他可实现相同或相似功能的设备,例如电池检测控制器等,本实施例对此不作限制,在本实施例中,以电池检测控制器为例进行说明。
应当理解的是,原始图像数据指的是动力电池盖板进行外观检测时表面的图像数据,该动力电池盖板的表面可能存在瑕疵、磨损等不合格缺陷,动力电池盖板可以为应用于新能源电动汽车的动力电池的盖板,该动力电池可以为锂离子动力电池,材质数据指的是制造动力电池盖板表面的材质数据,该材质数据包括但不限于金属和塑料,特性信息指的是动力电池盖板所具有的独特特性信息,该特性信息包括对称特性信息、耐高温、高绝缘以及高密封等。
步骤S20,根据所述材质数据和所述特性信息确定目标数字图像处理策略。
可以理解的是,目标数字图像处理策略指的是用于处理图像数据的策略,该目标数字图像处理策略是根据动力电池盖板表面的材质数据和动力电池盖板的特性信息共同确定的。
进一步地,步骤S20,包括:根据所述材质数据得到所述动力电池盖板表面的反光特性数据;根据所述特性信息得到所述动力电池盖板的对称特性信息;根据所述对称特性信息确定所述动力电池盖板的缺陷产生位置;在所述反光特性数据对应的数值大于预设反光特性数值且所述缺陷产生位置为预设随机缺陷位置时,根据所述反光特性数据和所述对称特性信息生成目标数字图像处理策略。
应当理解的是,反光特性数据指的是动力电池盖板表面对光线进行反射的特性数据,在得到动力电池盖板表面的材质数据后,从动力电池盖板表面的材质数据中提取出反光特性数据,对称特性信息指的是动力电池盖板产品本身具有的对称的特性信息,在得到动力电池盖板的特性信息后,从动力电池盖板的特性信息中提取出对称特性信息,然后根据对称特性信息确定动力电池盖板的缺陷产生位置,再判断是否满足反光特性数据对应的数值大于预设反光特性数值以及缺陷产生位置为预设随机缺陷位置的所有条件,若是,则根据材质数据和特性信息确定目标数字图像处理策略。
步骤S30,根据所述目标数字图像处理策略对所述原始图像数据进行数据增强处理,得到目标图像数据。
应当理解的是,目标图像数据指的是经过数据增强处理后的图像数据,该数据增强处理包括但不限于数据清洗、可见度提升、对比度提升、平移变换、伽马校正以及翻转变换等,在得到动力电池盖板表面的原始图像数据后,利用目标数字图像处理策略对原始图像数据进行数据增强处理,以得到目标图像数据。
进一步地,步骤S30,包括:根据预设对焦数据和预设表面清晰度对所述原始图像数据进行数据清洗,保证清洗后的原始图像数据的图像对焦数据对应的数值大于预设对焦数值且表面清晰度大于预设清晰度阈值;根据所述目标数字图像处理策略对所述数据清洗后的原始图像数据进行预处理,得到目标图像数据。
可以理解的是,在得到原始图像数据后,根据对焦数据和表面清晰度对原始图像数据进行数据清洗,保证清洗后的原始图像数据的图像对焦数据对应的数值大于预设对焦数值且表面清晰度大于预设清晰度阈值,从而保证图像数据的质量,然后根据目标数字图像处理策略预处理数据清洗后的原始图像数据,该预处理包括但不限于可见度提升、对比度提升、平移变换、伽马校正以及翻转变换等。
进一步地,所述根据所述目标数字图像处理策略对所述数据清洗后的原始图像数据进行预处理,得到目标图像数据,包括:根据所述目标数字图像处理策略对所述数据清洗后的原始图像数据进行可见度提升处理;对可见度提升后的原始图像数据进行对比度提升处理;根据所述目标数字图像处理策略对对比度提升处理后的原始图像数据进行平移变换;根据所述目标数字图像处理策略对平移变换后的原始图像数据进行伽马校正;根据所述目标数字图像处理策略对伽马校正后的原始图像数据进行翻转变换,得到目标图像数据。
应当理解的是,在得到数据清洗后的原始图像数据后,根据目标数字图像处理策略依次对数据清洗后的原始图像数据进行可见度和对比度的提升处理,以消除可能的干扰项对后续检测的影响,以及有效提升动力电池盖板表面的划伤、压伤等轻微缺陷与其工件背景之间的区分度,由于使用的深度学习网络结构为卷积神经网络,具有平移不变性,因此使用目标数字图像处理策略对对比度提升处理后的原始图像数据进行平移变换,以模拟动力电池盖板与图像采集设备的不同相对位置下的成像效果,实现图像增强,对平移变换后的原始图像数据进行伽马校正,以调整平移变换后的原始图像数据对应的图像亮度,模拟不同光照强度下成像效果,实现图像增强,根据目标数字图像处理策略对伽马校正后的原始图像数据进行翻转变换,以模拟缺陷产生在不同位置下的成像效果,实现数据增强,在数据增强的预处理后,得到目标图像数据,上述预处理的数据增强操作可以随机排列组合,即预处理顺序不作限制,且预处理的数据增强操作的数量也可以为其中部分,例如,仅包括平移变换、伽马校正以及翻转变换等。
步骤S40,通过初始化神经网络权重后的表面瑕疵检测模型根据所述目标图像数据对所述动力电池盖板表面进行检测。
可以理解的是,初始化神经网络权重后的表面瑕疵检测模型指的是对神经网络模型的权重进行初始化后所训练的检测模型,该初始化神经网络权重后的表面瑕疵检测模型具有使用较少的样本数据集及迭代次数表现出优良的性能,然后通过初始化神经网络权重后的表面瑕疵检测模型对目标图像数据的分析实现对动力电池盖板表面的检测。
进一步地,步骤S40之后,还包括:获取所述动力电池盖板表面的当前检测结果和当前检测时长;获取所述动力电池盖板表面的人为检测结果和人为检测时长;分别计算所述当前检测结果的准确率和所述人为检测结果的准确率;在所述当前检测结果的准确率大于或等于所述人为检测结果的准确率时,判断所述当前检测时长是否小于所述人为检测时长;在所述当前检测时长小于所述人为检测时长时,通过所述初始化神经网络权重后的表面瑕疵检测模型对其他金属工件的表面进行检测。
应当理解的是,当前检测结果指的是利用初始化神经网络权重后的表面瑕疵检测模型分析目标图像数据的检测结果,当前检测时长指的是利用初始化神经网络权重后的表面瑕疵检测模型分析目标图像数据的检测时长,人为检测结果指的是利用质检人员对动力电池盖板的表面的检测结果,人为检测时长指的是利用质检人员对动力电池盖板的表面的检测时长,然后分别计算当前检测结果的准确率和人为检测结果的准确率,再判断当前检测结果的准确率是否大于或等于人为检测结果的准确率,若是,则继续判断当前检测时长是否小于人为检测时长,若是,则表明通过初始化神经网络权重后的表面瑕疵检测模型进行动力电池盖板表面的检测的性能在效率和准确率的性能更优,此时可以利用初始化神经网络权重后的表面瑕疵检测模型对其他金属工件的表面进行检测。
本实施例通过获取动力电池盖板表面的原始图像数据和材质数据,以及获取动力电池盖板的特性信息;根据所述材质数据和所述特性信息确定目标数字图像处理策略;根据所述目标数字图像处理策略对所述原始图像数据进行数据增强处理,得到目标图像数据;通过初始化神经网络权重后的表面瑕疵检测模型根据所述目标图像数据对所述动力电池盖板表面进行检测;通过上述方式,再利用初始化神经网络权重后的表面瑕疵检测模型通过分析目标图像数据的方式实现对动力电池盖板表面的检测,从而能够有效提高检测动力电池盖板表面的效率和准确率,以及降低模型从初始化到收敛过程所需样本集的数量。
在一实施例中,如图3所述,基于第一实施例提出本发明电池盖板外观检测方法第二实施例,所述步骤S40,包括:
步骤S401,通过目标统计学算法对所述目标图像数据进行重新清洗,得到清洗后的当前图像数据。
应当理解的是,目标统计学算法指的是利用统计学策略制定的算法,该目标统计学算法可用于数据的清洗,在得到经过数据增强处理后的目标图像数据后,通过目标统计学算法对目标图像数据进行重新清洗。
步骤S402,按照预设划分比例将所述清洗后的当前图像数据划分为样本训练集、样本测试集,并将所述样本训练集划分为小样本训练集和样本验证集。
可以理解的是,小样本训练集指的是用于训练初始化神经网络权重后的表面瑕疵检测模型的训练集,该小样本训练集所需数据的数量为其他常规模型训练所需数据的数量少于十分之一,具体是按照预设划分比例将清洗后的当前图像数据划分为样本训练集、样本测试集,以及将样本训练集划分为小样本训练集和样本验证集,例如,预设划分比例为60%、20%、20%,按照预设划分比例能够实现清洗后的当前图像数据的均衡化,防止深度学习网络对不同类别的图像数据的训练程度不均衡导致其性能不佳。
步骤S403,通过迁移学习算法对神经网络模型的权重进行初始化处理。
可以理解的是,在得到神经网络模型后,利用迁移学习算法对神经网络模型的权重进行初始化处理,以降低训练至神经网络收敛所需要的数据量及迭代次数。
步骤S404,利用所述样本验证集选取初始化后的神经网络模型中用于表面纹理图像训练的目标神经网络模型,并对所述目标神经网络模型进行调参并重新通过增量学习算法加强所述目标神经网络模型对所述小样本训练集的迭代参数至网络收敛,以训练得到初始化神经网络权重后的表面瑕疵检测模型。
应当理解的是,在初始化处理神经网络模型的权重后,利用样本验证集从初始化后的神经网络模型中选取用于表面纹理图像训练的目标神经网络模型,并对目标神经网络模型进行调参,以及重新通过增量学习算法加强目标神经网络模型对小样本训练集的迭代参数至网络收敛,在此过程中,完成对初始化神经网络权重后的表面瑕疵检测模型的训练,从而能够有效提高初始化神经网络权重后的表面瑕疵检测模型的收敛速度和性能,既保证了表面瑕疵检测模型对新图像数据的新知识整合及已有知识的提炼能力,也降低了新输入数据对先验知识贡献的干扰,以增强模型本身的泛化性。
步骤S405,通过所述初始化神经网络权重后的表面瑕疵检测模型根据所述目标图像数据和样本测试集对所述动力电池盖板表面进行检测。
进一步地,步骤S405,包括:利用所述样本测试集对所述初始化神经网络权重后的表面瑕疵检测模型进行测试,得到当前模型测试结果;在所述当前模型测试结果满足预设测试要求时,通过所述初始化神经网络权重后的表面瑕疵检测模型对所述目标图像数据进行分析,以完成对所述动力电池盖板表面的检测。
可以理解的是,当前模型测试结果指的是初始化神经网络权重后的表面瑕疵检测模型的分析准确性的测试结果,在训练出初始化神经网络权重后的表面瑕疵检测模型后,利用样本测试集对初始化神经网络权重后的表面瑕疵检测模型进行测试,然后判断当前模型测试结果是否满足预设测试要求,若是,则表明训练的初始化神经网络权重后的表面瑕疵检测模型合格 ,此时利用初始化神经网络权重后的表面瑕疵检测模型对目标图像数据进行分析,以得到动力电池盖板表面的检测结果。
本实施例通过目标统计学算法对目标图像数据进行重新清洗,然后按照预设划分比例将清洗后的当前图像数据划分为样本训练集、样本测试集,并将样本训练集划分为小样本训练集和样本验证集,然后通过迁移学习算法对神经网络模型的权重进行初始化处理,利用样本验证集选取初始化后的神经网络模型中用于表面纹理图像训练的目标神经网络模型,并对目标神经网络模型进行调参并重新通过增量学习算法加强目标神经网络模型对小样本训练集的迭代参数至网络收敛,以训练得到初始化神经网络权重后的表面瑕疵检测模型,然后通过初始化神经网络权重后的表面瑕疵检测模型根据目标图像数据和样本测试集对动力电池盖板表面进行检测,从而能够有效提高检测动力电池盖板表面的准确率。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有电池盖板外观检测程序,所述电池盖板外观检测程序被处理器执行时实现如上文所述的电池盖板外观检测方法的步骤。
由于本存储介质采用了上述所有实施例的全部技术方案,因此至少具有上述实施例的技术方案所带来的所有有益效果,在此不再一一赘述。
此外,参照图4,本发明实施例还提出一种电池盖板外观检测装置,所述电池盖板外观检测装置包括:
获取模块10,用于获取动力电池盖板表面的原始图像数据和材质数据,以及获取动力电池盖板的特性信息。
确定模块20,用于根据所述材质数据和所述特性信息确定目标数字图像处理策略。
处理模块30,用于根据所述目标数字图像处理策略对所述原始图像数据进行数据增强处理,得到目标图像数据。
检测模块40,用于通过初始化神经网络权重后的表面瑕疵检测模型根据所述目标图像数据对所述动力电池盖板表面进行检测。
本实施例通过获取动力电池盖板表面的原始图像数据和材质数据,以及获取动力电池盖板的特性信息;根据所述材质数据和所述特性信息确定目标数字图像处理策略;根据所述目标数字图像处理策略对所述原始图像数据进行数据增强处理,得到目标图像数据;通过初始化神经网络权重后的表面瑕疵检测模型根据所述目标图像数据对所述动力电池盖板表面进行检测;通过上述方式,再利用初始化神经网络权重后的表面瑕疵检测模型通过分析目标图像数据的方式实现对动力电池盖板表面的检测,从而能够有效提高检测动力电池盖板表面的效率和准确率,以及降低模型从初始化到收敛过程所需样本集的数量。
需要说明的是,以上所描述的工作流程仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的,此处不做限制。
另外,未在本实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的电池盖板外观检测方法,此处不再赘述。
本发明所述电池盖板外观检测装置的其他实施例或具有实现方法可参照上述各方法实施例,此处不再赘余。
此外,需要说明的是,在本文中,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、物品或者系统不仅包括那些要素,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、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器(Read Only Memory,ROM)/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,一体化平台工作站,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种电池盖板外观检测方法,其特征在于,所述电池盖板外观检测方法包括以下步骤:
获取动力电池盖板表面的原始图像数据和材质数据,以及获取动力电池盖板的特性信息;
根据所述材质数据和所述特性信息确定目标数字图像处理策略;
根据所述目标数字图像处理策略对所述原始图像数据进行数据增强处理,得到目标图像数据;
通过初始化神经网络权重后的表面瑕疵检测模型根据所述目标图像数据对所述动力电池盖板表面进行检测。
2.如权利要求1所述的电池盖板外观检测方法,其特征在于,所述根据所述材质数据和所述特性信息确定目标数字图像处理策略,包括:
根据所述材质数据得到所述动力电池盖板表面的反光特性数据;
根据所述特性信息得到所述动力电池盖板的对称特性信息;
根据所述对称特性信息确定所述动力电池盖板的缺陷产生位置;
在所述反光特性数据对应的数值大于预设反光特性数值且所述缺陷产生位置为预设随机缺陷位置时,根据所述反光特性数据和所述对称特性信息生成目标数字图像处理策略。
3.如权利要求1所述的电池盖板外观检测方法,其特征在于,所述根据所述目标数字图像处理策略对所述原始图像数据进行数据增强处理,得到目标图像数据,包括:
根据预设对焦数据和预设表面清晰度对所述原始图像数据进行数据清洗,保证清洗后的原始图像数据的图像对焦数据对应的数值大于预设对焦数值且表面清晰度大于预设清晰度阈值;
根据所述目标数字图像处理策略对所述数据清洗后的原始图像数据进行预处理,得到目标图像数据。
4.如权利要求3所述的电池盖板外观检测方法,其特征在于,所述根据所述目标数字图像处理策略对所述数据清洗后的原始图像数据进行预处理,得到目标图像数据,包括:
根据所述目标数字图像处理策略对所述数据清洗后的原始图像数据进行可见度提升处理;
对可见度提升后的原始图像数据进行对比度提升处理;
根据所述目标数字图像处理策略对对比度提升处理后的原始图像数据进行平移变换;
根据所述目标数字图像处理策略对平移变换后的原始图像数据进行伽马校正;
根据所述目标数字图像处理策略对伽马校正后的原始图像数据进行翻转变换,得到目标图像数据。
5.如权利要求1所述的电池盖板外观检测方法,其特征在于,所述通过初始化神经网络权重后的表面瑕疵检测模型根据所述目标图像数据对所述动力电池盖板表面进行检测,包括:
通过目标统计学算法对所述目标图像数据进行重新清洗,得到清洗后的当前图像数据;
按照预设划分比例将所述清洗后的当前图像数据划分为样本训练集、样本测试集,并将所述样本训练集划分为小样本训练集和样本验证集;
通过迁移学习算法对神经网络模型的权重进行初始化处理;
利用所述样本验证集选取初始化后的神经网络模型中用于表面纹理图像训练的目标神经网络模型,并对所述目标神经网络模型进行调参并重新通过增量学习算法加强所述目标神经网络模型对所述小样本训练集的迭代参数至网络收敛,以训练得到初始化神经网络权重后的表面瑕疵检测模型;
通过所述初始化神经网络权重后的表面瑕疵检测模型根据所述目标图像数据和样本测试集对所述动力电池盖板表面进行检测。
6.如权利要求5所述的电池盖板外观检测方法,其特征在于,所述通过所述初始化神经网络权重后的表面瑕疵检测模型根据所述目标图像数据和样本测试集对所述动力电池盖板表面进行检测,包括:
利用所述样本测试集对所述初始化神经网络权重后的表面瑕疵检测模型进行测试,得到当前模型测试结果;
在所述当前模型测试结果满足预设测试要求时,通过所述初始化神经网络权重后的表面瑕疵检测模型对所述目标图像数据进行分析,以完成对所述动力电池盖板表面的检测。
7.如权利要求1所述的电池盖板外观检测方法,其特征在于,所述通过初始化神经网络权重后的表面瑕疵检测模型根据所述目标图像数据对所述动力电池盖板表面进行检测之后,还包括:
获取所述动力电池盖板表面的当前检测结果和当前检测时长;
获取所述动力电池盖板表面的人为检测结果和人为检测时长;
分别计算所述当前检测结果的准确率和所述人为检测结果的准确率;
在所述当前检测结果的准确率大于或等于所述人为检测结果的准确率时,判断所述当前检测时长是否小于所述人为检测时长;
在所述当前检测时长小于所述人为检测时长时,通过所述初始化神经网络权重后的表面瑕疵检测模型对其他金属工件的表面进行检测。
8.一种电池盖板外观检测装置,其特征在于,所述电池盖板外观检测装置包括:
获取模块,用于获取动力电池盖板表面的原始图像数据和材质数据,以及获取动力电池盖板的特性信息;
确定模块,用于根据所述材质数据和所述特性信息确定目标数字图像处理策略;
处理模块,用于根据所述目标数字图像处理策略对所述原始图像数据进行数据增强处理,得到目标图像数据;
检测模块,用于通过初始化神经网络权重后的表面瑕疵检测模型根据所述目标图像数据对所述动力电池盖板表面进行检测。
9.一种电池盖板外观检测设备,其特征在于,所述电池盖板外观检测设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的电池盖板外观检测程序,所述电池盖板外观检测程序配置有实现如权利要求1至7中任一项所述的电池盖板外观检测方法。
10.一种存储介质,其特征在于,所述存储介质上存储有电池盖板外观检测程序,所述电池盖板外观检测程序被处理器执行时实现如权利要求1至7中任一项所述的电池盖板外观检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310879230.9A CN116630305B (zh) | 2023-07-18 | 2023-07-18 | 电池盖板外观检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310879230.9A CN116630305B (zh) | 2023-07-18 | 2023-07-18 | 电池盖板外观检测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116630305A true CN116630305A (zh) | 2023-08-22 |
CN116630305B CN116630305B (zh) | 2024-02-13 |
Family
ID=87638440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310879230.9A Active CN116630305B (zh) | 2023-07-18 | 2023-07-18 | 电池盖板外观检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116630305B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108732507A (zh) * | 2018-05-21 | 2018-11-02 | 中国科学技术大学 | 一种基于电池温度场以及可见光图像的锂电池缺陷检测装置 |
CN110050465A (zh) * | 2016-12-19 | 2019-07-23 | 索尼公司 | 图像处理设备、图像处理方法和程序 |
CN111900321A (zh) * | 2020-08-05 | 2020-11-06 | 谢晓辉 | 一种新能源锂电池盖板 |
US20210004946A1 (en) * | 2019-07-02 | 2021-01-07 | MakinaRocks Co., Ltd. | Systems and methods for detecting flaws on panels using images of the panels |
CN112258459A (zh) * | 2020-10-12 | 2021-01-22 | 江南大学 | 一种基于集成深度学习的锂电池瑕疵检测方法 |
CN112270659A (zh) * | 2020-08-31 | 2021-01-26 | 中国科学院合肥物质科学研究院 | 一种动力电池极片表面缺陷快速检测方法和系统 |
US20220189008A1 (en) * | 2020-12-16 | 2022-06-16 | Hon Hai Precision Industry Co., Ltd. | Method for detecting data defects and computing device utilizing method |
CN115690013A (zh) * | 2022-10-18 | 2023-02-03 | 福建工程学院 | 一种动力电池模组表面缺陷的检测方法及设备 |
CN115908332A (zh) * | 2022-11-24 | 2023-04-04 | 湖南省湘电试研技术有限公司 | 电池极片表面缺陷的检测方法及处理器 |
-
2023
- 2023-07-18 CN CN202310879230.9A patent/CN116630305B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110050465A (zh) * | 2016-12-19 | 2019-07-23 | 索尼公司 | 图像处理设备、图像处理方法和程序 |
CN108732507A (zh) * | 2018-05-21 | 2018-11-02 | 中国科学技术大学 | 一种基于电池温度场以及可见光图像的锂电池缺陷检测装置 |
US20210004946A1 (en) * | 2019-07-02 | 2021-01-07 | MakinaRocks Co., Ltd. | Systems and methods for detecting flaws on panels using images of the panels |
CN111900321A (zh) * | 2020-08-05 | 2020-11-06 | 谢晓辉 | 一种新能源锂电池盖板 |
CN112270659A (zh) * | 2020-08-31 | 2021-01-26 | 中国科学院合肥物质科学研究院 | 一种动力电池极片表面缺陷快速检测方法和系统 |
CN112258459A (zh) * | 2020-10-12 | 2021-01-22 | 江南大学 | 一种基于集成深度学习的锂电池瑕疵检测方法 |
US20220189008A1 (en) * | 2020-12-16 | 2022-06-16 | Hon Hai Precision Industry Co., Ltd. | Method for detecting data defects and computing device utilizing method |
CN115690013A (zh) * | 2022-10-18 | 2023-02-03 | 福建工程学院 | 一种动力电池模组表面缺陷的检测方法及设备 |
CN115908332A (zh) * | 2022-11-24 | 2023-04-04 | 湖南省湘电试研技术有限公司 | 电池极片表面缺陷的检测方法及处理器 |
Non-Patent Citations (1)
Title |
---|
代小红;陈华江;朱超平;: "一种基于改进Faster RCNN的金属材料工件表面缺陷检测与实现研究", 表面技术, no. 10, pages 371 - 380 * |
Also Published As
Publication number | Publication date |
---|---|
CN116630305B (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109934810B (zh) | 一种基于改进粒子群小波神经网络的缺陷分类方法 | |
CN114387207B (zh) | 基于自注意力机制与双重领域自适应的轮胎瑕疵检测方法及模型 | |
CN107885928A (zh) | 考虑测量误差的步进应力加速性能退化可靠性分析方法 | |
CN111833310B (zh) | 一种基于神经网络架构搜索的表面缺陷分类方法 | |
CN114972258B (zh) | 基于机器视觉的电池表面缺陷检测方法、系统及相关设备 | |
CN112327194B (zh) | 一种锂电池容量跳水识别方法及装置 | |
CN116883393B (zh) | 一种基于无锚框目标检测算法的金属表面缺陷检测方法 | |
CN115170529A (zh) | 基于注意力机制的多尺度微小瑕疵检测方法 | |
CN115294033A (zh) | 一种基于语义分割网络的轮胎带束层差级和错边缺陷检测方法 | |
CN116630305B (zh) | 电池盖板外观检测方法、装置、设备及存储介质 | |
CN113327243B (zh) | 基于AYOLOv3-Tiny新框架的PAD导光板缺陷可视化检测方法 | |
CN117233347B (zh) | 一种碳钢球化等级测量方法、系统及设备 | |
CN114511521A (zh) | 基于多重表示与多重子域自适应的轮胎瑕疵检测方法 | |
CN108388909B (zh) | 一种复杂曲面自适应采样方法 | |
CN117370766A (zh) | 一种基于深度学习的卫星任务规划方案评估方法 | |
CN116452581B (zh) | 一种基于机器视觉的电压源状态智能检测系统及方法 | |
Wei et al. | A YOLOV8-based approach for steel plate surface defect detection | |
CN117274212A (zh) | 一种桥梁水下结构裂缝检测方法 | |
CN116433661B (zh) | 多任务学习的半导体晶圆检测方法、装置、设备及介质 | |
CN112017730A (zh) | 基于表达量预测模型的细胞筛选方法和装置 | |
Sun et al. | A classification and location of surface defects method in hot rolled steel strips based on YOLOV7 | |
CN116958645A (zh) | 一种全自动一体化汽车补漆的刮痕识别方法 | |
CN113361209B (zh) | 一种高温合金表面缺陷磁异常定量分析方法 | |
CN115561282A (zh) | 一种地下水重金属的检测方法及系统 | |
CN115170548A (zh) | 基于无监督学习的皮革缺陷自动检测方法及装置 |
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 |