CN116703891B - 圆柱锂电池汇流排焊接检测方法、装置 - Google Patents
圆柱锂电池汇流排焊接检测方法、装置 Download PDFInfo
- Publication number
- CN116703891B CN116703891B CN202310944883.0A CN202310944883A CN116703891B CN 116703891 B CN116703891 B CN 116703891B CN 202310944883 A CN202310944883 A CN 202310944883A CN 116703891 B CN116703891 B CN 116703891B
- Authority
- CN
- China
- Prior art keywords
- image
- bus
- bus bar
- welding
- lithium 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.)
- Active
Links
- 238000003466 welding Methods 0.000 title claims abstract description 118
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 66
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 66
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000003709 image segmentation Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 27
- 230000011218 segmentation Effects 0.000 claims abstract description 19
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 239000000178 monomer Substances 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 11
- 238000013441 quality evaluation Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000004080 punching Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/16—Image preprocessing
- G06V30/162—Quantising the image signal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/19007—Matching; Proximity measures
- G06V30/19013—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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]
-
- 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
- G06T2207/30152—Solder
-
- 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)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及圆柱锂电池领域,具体涉及圆柱锂电池汇流排焊接检测方法、装置;包括:获取圆柱锂电池汇流排焊接后的第一图像;提取第一图像中所有的汇流排轮廓线;根据汇流排轮廓线对其内区域进行图像分割,以分割得到表征圆柱锂电池单体焊接情况的第二图像组;通过至少两焊接点生成一个矩形区域,该矩形区域内的图像记为第三图像;依次利用神经网络模型对所有的汇流排轮廓线对应的第二图像组中的各第三图像进行焊接质量检测。本申请通过将第一图像中的各电池单体对应的焊接点局部图像提取出来,再利用神经网络模型对其进行统一的检测,在保证精准度的同时降低图像处理量,以提升处理效率,利于圆柱锂电池产品检测领域推广应用。
Description
技术领域
本发明涉及圆柱锂电池领域,特别涉及圆柱锂电池汇流排焊接检测方法、装置。
背景技术
目前,电池包作为动力来源,在生产过程中,需要采用将汇流排与电芯的极柱相焊接的方式对多个电芯进行串连或并联,使多个小容量的电芯形成大容量的电芯组,从而实现电的传输。因此汇流排上会焊接很多电芯极柱,如记载在申请号为202223235529.0的汇流排支架、汇流排支架总成及电芯模组中所示,焊接完成后需要对汇流排进行检测。
记载在申请号为201810971924.4中的汇流条焊接检测装置、焊接装置及焊接检测方法,其提供的汇流条焊接检测装置通过检测汇流条与光伏电池单元之间的焊接点与其他部件形成的电路是否连通,来判断焊接是否成功,简单快捷,能够及时发现虚焊或者漏焊等焊接失败问题,从而能够及时解决问题。虽然上述方式可以实现汇流排的焊接检测,但仅仅能检测是否接通,对于焊接质量并未能形成有效判断;另一方面,需要通电测试,一般要配备额外的测试治具,且更换电池包类型则需要更换测试治具,测试的通用性;本申请旨在解决的主要问题。
发明内容
为了实现根据本发明的上述目的和其他优点,本发明的第一目的是提供圆柱锂电池汇流排焊接检测方法,包括如下步骤:
获取圆柱锂电池汇流排焊接后的第一图像A;
提取所述第一图像中所有的汇流排轮廓线Lx;其中,x为汇流排数量;
根据所述汇流排轮廓线Lx对其内区域进行图像分割,以分割得到表征圆柱锂电池单体焊接情况的第二图像组{BLx};其中,第二图像组{BLx}内存储的图像的数量为汇流排连接的圆柱锂电池单体数量y;
识别所述第二图像组{BLx}内图像的至少两焊接点,并通过至少两所述焊接点生成一个矩形区域,以包络所有所述焊接点,该矩形区域内的图像记为第三图像;其中,第三图像像素大小为m×n;80≤m≤128,50≤n≤128;
依次利用神经网络模型对所有的汇流排轮廓线Lx对应的第二图像组{BLx}中的各所述第三图像进行焊接质量检测,以得到圆柱锂电池汇流排焊接的质量评价。
优选地,提取所述第一图像中所有的汇流排轮廓线Lx,具体包括以下步骤:
将所述第一图像A进行二值化处理后利用OCR识别各汇流排上的类型标识;其中,所述类型标识为印刷或冲压成型于汇流排表面的文字或数字;
依次根据所述类型标识匹配得到对应的汇流排轮廓线模板;
提取包络所述类型标识的封闭曲线并与所述汇流排轮廓线模板进行匹配,以得到所述汇流排轮廓线Lx。
优选地,所述类型标识还包括文字或数字的方向,通过所述文字或数字匹配得到汇流排轮廓线模板中线条的布设方向,通过所述文字或数字的方向匹配得到汇流排轮廓线模板中线条的朝向。
优选地,根据所述汇流排轮廓线Lx对其内区域进行图像分割,具体包括如下步骤:
获取所述汇流排轮廓线Lx对应的所述类型标识;
根据所述类型标识匹配得到所述汇流排轮廓线Lx的图像分割模板;其中,所述图像分割模板包括水平分割线与竖直分割线;
利用所述图像分割模板的水平分割线与竖直分割线将所述汇流排轮廓线Lx内包络的区域分割成数量为y的区域Bxy,以形成第二图像组{BLx}。
本发明的第二目的是提供一种计算机可读存储介质,其上存储有程序指令,所述程序指令被执行时实现圆柱锂电池汇流排焊接检测方法。
本发明的第三目的是提供一种电子设备,包括:处理器和存储器,所述存储器用于存储一个或多个程序;当所述一个或多个程序被所述处理器执行时,实现圆柱锂电池汇流排焊接检测方法。
本发明的第四目的是提供一种圆柱锂电池汇流排焊接检测装置,包括:
获取单元,用以圆柱锂电池汇流排焊接后的第一图像A;
提取单元,用以提取所述第一图像A中所有的汇流排轮廓线Lx;其中,x为汇流排数量;
图像分割单元,用以根据所述汇流排轮廓线Lx对其内区域进行图像分割,以分割得到表征圆柱锂电池单体焊接情况的第二图像组{BLx};其中,第二图像组{BLx}内存储的图像的数量为汇流排连接的圆柱锂电池单体数量y;
处理单元,用以识别所述第二图像组{BLx}内图像的至少两焊接点,并通过至少两所述焊接点生成一个矩形区域,以包络所有所述焊接点,该矩形区域内的图像记为第三图像;其中,第三图像像素大小为m×n;80≤m≤128,50≤n≤128;依次利用神经网络模型对所有的汇流排轮廓线Lx对应的第二图像组{BLx}中的各所述第三图像进行焊接质量检测,以得到圆柱锂电池汇流排焊接的质量评价。
优选地,所述提取单元提取所述第一图像中所有的汇流排轮廓线Lx,具体包括以下步骤:
将所述第一图像进行二值化处理后利用OCR识别各汇流排上的类型标识;其中,所述类型标识为印刷或冲压成型于汇流排表面的文字或数字;
依次根据所述类型标识匹配得到对应的汇流排轮廓线模板;
提取包络所述类型标识的封闭曲线并与所述汇流排轮廓线模板进行匹配,以得到所述汇流排轮廓线Lx。
优选地,所述类型标识还包括文字或数字的方向,通过所述文字或数字匹配得到汇流排轮廓线模板中线条的布设方向,通过所述文字或数字的方向匹配得到汇流排轮廓线模板中线条的朝向。
优选地,所述图像分割单元根据所述汇流排轮廓线Lx对其内区域进行图像分割,具体包括如下步骤:
获取所述汇流排轮廓线Lx对应的所述类型标识;
根据所述类型标识匹配得到所述汇流排轮廓线Lx的图像分割模板;其中,所述图像分割模板包括水平分割线与竖直分割线;
利用所述图像分割模板的水平分割线与竖直分割线将所述汇流排轮廓线Lx内包络的区域分割成数量为y的区域Bxy,以形成第二图像组{BLx}。
与现有技术相比,本发明的有益效果是:
本发明涉及一种圆柱锂电池汇流排焊接检测方法、装置;包括:获取圆柱锂电池汇流排焊接后的第一图像;提取第一图像中所有的汇流排轮廓线;根据汇流排轮廓线对其内区域进行图像分割,以分割得到表征圆柱锂电池单体焊接情况的第二图像组;识别第二图像组内图像的至少两焊接点,并通过至少两焊接点生成一个矩形区域,以包络所有焊接点,该矩形区域内的图像记为第三图像;依次利用神经网络模型对所有的汇流排轮廓线对应的第二图像组中的各第三图像进行焊接质量检测,以得到圆柱锂电池汇流排焊接的质量评价。本申请通过将第一图像中的各电池单体对应的焊接点局部图像提取出来,再利用神经网络模型对其进行统一的检测,在保证精准度的同时降低图像处理量,以提升处理效率,利于圆柱锂电池产品检测领域推广应用。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为实施例1中圆柱锂电池汇流排焊接检测方法流程示意图一;
图2为实施例1中圆柱锂电池汇流排焊接检测方法流程示意图二;
图3为实施例1中圆柱锂电池汇流排焊接检测方法流程示意图三;
图4为本申请中圆柱锂电池的正面结构示意图;
图5为本申请中圆柱锂电池的反面结构示意图;
图6为本申请中圆柱锂电池的局部示意图;
图7为实施例2中电子设备的模块化示意图;
图8为实施例3中圆柱锂电池汇流排焊接检测装置的模块化示意图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
在后续的描述中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明,其本身没有特定的意义。因此,“模块”、“部件”或“单元”可以混合地使用。
为增加单位体积内的圆柱锂电池600的能量密度,圆柱锂电池排布采用相对紧凑的结构;为优化电池单元的线路连接以及优化汇流结构布局,如图4、图5所示,电池单元采用片状的汇流排610进行串联成组;但因电池单元内电池单体数量通常大于2个,导致圆柱锂电池的汇流排610结构形状存在多种变化;参见图4、图5,分别为电池包的正反两面的汇流排布设,包括4种类型的汇流排,其结构状态不同;其中,每种类型的汇流排还存在不同的布设方向;例如,如图5中,第一种汇流排存在三种布设方向(分别为611a、611b、611c),第二种汇流排存在四种布设方向(分别为612a、612b、612c、612d),第三种汇流排存在三种布设方向(分别为613a、613b、613c),第四种汇流排存在一种布设方向(为614a);需要说明的是,每一种类型汇流排的形状轮廓一致性符合预设阈值,而非完全相同(如613c与613a、613b)。如何形成上述多种汇流排焊接质量的针对性评价,是本申请所讨论的重点。
实施例1
如图1所示,圆柱锂电池汇流排焊接检测方法,包括如下步骤:
S101、获取圆柱锂电池汇流排焊接后的第一图像A;具体地,可通过工业相机拍摄焊接后的圆柱锂电池与汇流排的图像,正反两面如图4、图5所示;
S102、提取所述第一图像中所有的汇流排轮廓线Lx;其中,x为汇流排数量;具体的,可通过边缘提取算法来提取汇流排轮廓线Lx,先将图像灰度处理,根据灰度变化剧烈情况提取边界轮廓;应当理解,边缘提取为图像处理中相对成熟的算法,不应对此产生不理解或不清楚的情况。
在一些优选实施例中,为提升边缘提取的速度与准确性,在提取所述第一图像中所有的汇流排轮廓线Lx,如图2所示,具体包括以下步骤:
S201、将所述第一图像A进行二值化处理后利用OCR识别各汇流排上的类型标识;其中,所述类型标识为印刷或冲压成型于汇流排表面的文字或数字;如图6所示,类型标识610a为数字02或04,以表征不同的汇流排的类型,在本实施例中,数字通过冲压成型于汇流排表面,在生产汇流排时即对汇流排的类型进行标识,以便于利用OCR来识别其类型;需要说明的是,OCR文字识别为用字符识别方法将形状翻译成计算机文字的过程,不应对此产生不清楚或不理解的情况。
S202、依次根据所述类型标识匹配得到对应的汇流排轮廓线模板;在本实施例中,汇流排轮廓线模板包括预先建立的表征该类型汇流排的轮廓线方程。
S203、提取包络所述类型标识的封闭曲线并与所述汇流排轮廓线模板进行匹配,以得到所述汇流排轮廓线Lx。在本实施例中,通过所述类型标识快速定位汇流排位置,通过以类型标识为中心,像素大小为512×512的图像内提取包络类型标识的封闭曲线,以减少图像处理的数据量,提升识别速率同时确保提取的准确性。
为进一步的提升识别速率,所述类型标识还包括文字或数字的方向,通过所述文字或数字匹配得到汇流排轮廓线模板中线条的布设方向,通过所述文字或数字的方向匹配得到汇流排轮廓线模板中线条的朝向;如上所述,在图6中,不同种汇流排存在多种布设方向,通过类型标识中文字或者数字的方向来匹配得到对应的汇流排轮廓线模板中线条的布设方向,例如图6中,类型标识610a为数字02、04,其都存在两个布设方向,通过识别其布设方向,快速匹配得到汇流排轮廓线模板中线条的布设方向,以提升匹配效率。
S103、根据所述汇流排轮廓线Lx对其内区域进行图像分割,以分割得到表征圆柱锂电池单体焊接情况的第二图像组{BLx};其中,第二图像组{BLx}内存储的图像的数量为汇流排连接的圆柱锂电池单体数量y。通过图像分割,便于将焊接部位快速从汇流排中突显,以减轻图像匹配的数据量。
在一优选实施例中,根据所述汇流排轮廓线Lx对其内区域进行图像分割,如图3所示,具体包括如下步骤:
S301、获取所述汇流排轮廓线Lx对应的所述类型标识;在本实施例中,类型标识已经在步骤S201中详细记载,在此不再赘述。
S302、根据所述类型标识匹配得到所述汇流排轮廓线Lx的图像分割模板;其中,所述图像分割模板包括水平分割线与竖直分割线;
S303、利用所述图像分割模板的水平分割线与竖直分割线将所述汇流排轮廓线Lx内包络的区域分割成数量为y的区域Bxy,以形成第二图像组{BLx}。在本实施例中,如图6所示,类型标识610a为数字02的汇流排通过相互垂直交叉的水平分割线与竖直分割线分割成4个区域,如区域B11、B12、B13、B14,以形成第二图像组{BL1};又如区域B41、B42、B43、B44,以形成第二图像组{BL4};类型标识610a为数字04的汇流排通过一水平分割线与相互垂直“T”型的水平分割线、竖直分割线分割成4个区域,如区域B21、B22、B23、B24,以形成第二图像组{BL2};又如区域B51、B52、B53、B54,以形成第二图像组{BL5}。
S104、识别所述第二图像组{BLx}内图像的至少两焊接点,并通过至少两所述焊接点生成一个矩形区域,以包络所有所述焊接点,该矩形区域内的图像记为第三图像;其中,第三图像像素大小为m×n;80≤m≤128,50≤n≤128;如图6所示,识别第二图像组{BL2}中区域B24图像的两焊接点,以两焊接点连线的中点为中心,生成一个100×60的矩形区域,包络区域B24内所有焊接点,形成第三图像610b;应当理解,圆柱锂电池单体与汇流排通过激光焊接,焊接处至少有两处焊接点;当出现三处或者更多焊接点时,以焊接点的几何中心为中心来生成包络所有焊接点矩形区域。需要说明的是,在本步骤中,识别焊接点为通过焊接点轮廓来判定是否为焊接点,用以生成第三图像,而不对其焊接质量或者焊接点数量进行检测。
S105、依次利用神经网络模型对所有的汇流排轮廓线Lx对应的第二图像组{BLx}中的各所述第三图像进行焊接质量检测,以得到圆柱锂电池汇流排焊接的质量评价。在本实施例中,神经网络模型通过预先搭建,利用标注完的图像数据按照7:3的原则划分为训练集和验证集,并保留部分图像不作标注,作为测试集;使用Darknet,ResNet,VGG作为提取特征的主干网络,引入空间注意力机制、通道注意力机制提升提取特征的能力;基于卷积层,归一化层以及激活函数搭建252层的网络,用于输出漏焊的位置信息;基于参数优化后的DarkNet53深度学习网络的pt文件对待检测的汇流排图像进行检测,能够识别图像中未焊接点、焊接质量不合格点,算法返回未焊接点、焊接质量不合格点在图中的坐标信息时,返回NG,无返回位置时,焊接检测则为OK;模型检测后将结果输出到计算机,当接收到检测结果为NG时,在显示器上显示报警信息。需要说明的是,上述神经网络模型仅为举例说明,并非本申请的重点,其他网络模型也可实现对焊接点质量评价。
应当理解,本申请通过将第一图像中的各电池单体对应的焊接点局部图像提取出来,再利用神经网络模型对其进行统一的检测,在保证精准度的同时降低图像处理量,以提升处理效率。
实施例2
如图7所示,一种电子设备,包括:处理器23和存储器21,存储器21用于存储一个或多个程序;当一个或多个程序被处理器23执行时,实现如实施例1中的圆柱锂电池汇流排焊接检测方法。在本实施例中,电子设备还包括通信接口22,用以接收与发送数据;总线24,用以在电子设备内部传递数据。
实施例3
如图8所示,一种圆柱锂电池汇流排焊接检测装置400,包括:
获取单元401,用以圆柱锂电池汇流排焊接后的第一图像A;具体地,可通过工业相机拍摄焊接后的圆柱锂电池与汇流排的图像,正反两面如图4、图5所示;
提取单元402,用以提取所述第一图像A中所有的汇流排轮廓线Lx;其中,x为汇流排数量;具体的,可通过边缘提取算法来提取汇流排轮廓线Lx,先将图像灰度处理,根据灰度变化剧烈情况提取边界轮廓;应当理解,边缘提取为图像处理中相对成熟的算法,不应对此产生不理解或不清楚的情况。
在一些优选实施例中,为提升边缘提取的速度与准确性,在提取所述第一图像中所有的汇流排轮廓线Lx,具体包括以下步骤:
将所述第一图像A进行二值化处理后利用OCR识别各汇流排上的类型标识;其中,所述类型标识为印刷或冲压成型于汇流排表面的文字或数字;如图6所示,类型标识610a为数字02或04,以表征不同的汇流排的类型,在本实施例中,数字通过冲压成型于汇流排表面,在生产汇流排时即对汇流排的类型进行标识,以便于利用OCR来识别其类型;需要说明的是,OCR文字识别为用字符识别方法将形状翻译成计算机文字的过程,不应对此产生不清楚或不理解的情况。
依次根据所述类型标识匹配得到对应的汇流排轮廓线模板;在本实施例中,汇流排轮廓线模板包括预先建立的表征该类型汇流排的轮廓线方程。
提取包络所述类型标识的封闭曲线并与所述汇流排轮廓线模板进行匹配,以得到所述汇流排轮廓线Lx。在本实施例中,通过所述类型标识快速定位汇流排位置,通过以类型标识为中心,像素大小为512×512的图像内提取包络类型标识的封闭曲线,以减少图像处理的数据量,提升识别速率同时确保提取的准确性。
为进一步的提升识别速率,所述类型标识还包括文字或数字的方向,通过所述文字或数字匹配得到汇流排轮廓线模板中线条的布设方向,通过所述文字或数字的方向匹配得到汇流排轮廓线模板中线条的朝向;如上所述,在图6中,不同种汇流排存在多种布设方向,通过类型标识中文字或者数字的方向来匹配得到对应的汇流排轮廓线模板中线条的布设方向,例如图6中,类型标识610a为数字02、04,其都存在两个布设方向,通过识别其布设方向,快速匹配得到汇流排轮廓线模板中线条的布设方向,以提升匹配效率。
图像分割单元403,用以根据所述汇流排轮廓线Lx对其内区域进行图像分割,以分割得到表征圆柱锂电池单体焊接情况的第二图像组{BLx};其中,第二图像组{BLx}内存储的图像的数量为汇流排连接的圆柱锂电池单体数量y;通过图像分割,便于将焊接部位快速从汇流排中突显,以减轻图像匹配的数据量。
在一优选实施例中,根据所述汇流排轮廓线Lx对其内区域进行图像分割,具体包括如下步骤:
获取所述汇流排轮廓线Lx对应的所述类型标识;在本实施例中,类型标识已经在步骤S201中详细记载,在此不再赘述。
根据所述类型标识匹配得到所述汇流排轮廓线Lx的图像分割模板;其中,所述图像分割模板包括水平分割线与竖直分割线;
利用所述图像分割模板的水平分割线与竖直分割线将所述汇流排轮廓线Lx内包络的区域分割成数量为y的区域Bxy,以形成第二图像组{BLx}。在本实施例中,如图6所示,类型标识610a为数字02的汇流排通过相互垂直交叉的水平分割线与竖直分割线分割成4个区域,如区域B11、B12、B13、B14,以形成第二图像组{BL1};又如区域B41、B42、B43、B44,以形成第二图像组{BL4};类型标识610a为数字04的汇流排通过一水平分割线与相互垂直“T”型的水平分割线、竖直分割线分割成4个区域,如区域B21、B22、B23、B24,以形成第二图像组{BL2};又如区域B51、B52、B53、B54,以形成第二图像组{BL5}。
处理单元404,用以识别所述第二图像组{BLx}内图像的至少两焊接点,并通过至少两所述焊接点生成一个矩形区域,以包络所有所述焊接点,该矩形区域内的图像记为第三图像;其中,第三图像像素大小为m×n;80≤m≤128,50≤n≤128;依次利用神经网络模型对所有的汇流排轮廓线Lx对应的第二图像组{BLx}中的各所述第三图像进行焊接质量检测,以得到圆柱锂电池汇流排焊接的质量评价。
如图6所示,识别第二图像组{BL2}中区域B24图像的两焊接点,以两焊接点连线的中点为中心,生成一个100×60的矩形区域,包络区域B24内所有焊接点,形成第三图像610b;应当理解,圆柱锂电池单体与汇流排通过激光焊接,焊接处至少有两处焊接点;当出现三处或者更多焊接点时,以焊接点的几何中心为中心来生成包络所有焊接点矩形区域。需要说明的是,在本步骤中,识别焊接点为通过焊接点轮廓来判定是否为焊接点,用以生成第三图像,而不对其焊接质量或者焊接点数量进行检测。
在本实施例中,神经网络模型通过预先搭建,利用标注完的图像数据按照7:3的原则划分为训练集和验证集,并保留部分图像不作标注,作为测试集;使用Darknet,ResNet,VGG作为提取特征的主干网络,引入空间注意力机制、通道注意力机制提升提取特征的能力;基于卷积层,归一化层以及激活函数搭建252层的网络,用于输出漏焊的位置信息;基于参数优化后的DarkNet53深度学习网络的pt文件对待检测的汇流排图像进行检测,能够识别图像中未焊接点、焊接质量不合格点,算法返回未焊接点、焊接质量不合格点在图中的坐标信息时,返回NG,无返回位置时,焊接检测则为OK;模型检测后将结果输出到计算机,当接收到检测结果为NG时,在显示器上显示报警信息。需要说明的是,上述神经网络模型仅为举例说明,并非本申请的重点,其他网络模型也可实现对焊接点质量评价。
应当理解,本申请通过将第一图像中的各电池单体对应的焊接点局部图像提取出来,再利用神经网络模型对其进行统一的检测,在保证精准度的同时降低图像处理量,以提升处理效率。
实施例4
一种计算机可读存储介质,其上存储有程序指令,程序指令被执行时实现实施例1中圆柱锂电池汇流排焊接检测方法。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。根据本申请实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个计算机可读存储介质(可以是CD-ROM、U盘、移动硬盘等)中或网络上,包括若干计算机程序指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本申请实施方式的上述方法。
这里说明的设备数量和处理规模是用来简化本发明的说明的。对本发明的应用、修改和变化对本领域的技术人员来说是显而易见的。
尽管本发明的实施方案已公开如上,但其并不仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的,因此,装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。
本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书实施例可提供为方法、系统、或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
还需要说明的是,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、商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、商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、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书实施例而已,并不用于限制本说明书一个或多个实施例。对于本领域技术人员来说,本说明书一个或多个实施例可以有各种更改和变化。凡在本说明书一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书一个或多个实施例的权利要求范围之内。
Claims (6)
1.一种圆柱锂电池汇流排焊接检测方法,其特征在于,包括如下步骤:
获取圆柱锂电池汇流排焊接后的第一图像A;
提取所述第一图像中所有的汇流排轮廓线Lx;其中,x为汇流排数量,每种类型的汇流排存在不同的布设方向;
根据所述汇流排轮廓线Lx对其内区域进行图像分割,以分割得到表征圆柱锂电池单体焊接情况的第二图像组{BLx};其中,第二图像组{BLx}内存储的图像的数量为汇流排连接的圆柱锂电池单体数量y;
识别所述第二图像组{BLx}内图像的至少两焊接点,并通过至少两所述焊接点生成一个矩形区域,以包络所有所述焊接点,该矩形区域内的图像记为第三图像;其中,第三图像像素大小为m×n;80≤m≤128,50≤n≤128;
依次利用神经网络模型对所有的汇流排轮廓线Lx对应的第二图像组{BLx}中的各所述第三图像进行焊接质量检测,以得到圆柱锂电池汇流排焊接的质量评价;
提取所述第一图像中所有的汇流排轮廓线Lx,具体包括以下步骤:
将所述第一图像A进行二值化处理后利用OCR识别各汇流排上的类型标识;其中,所述类型标识为印刷或冲压成型于汇流排表面的文字或数字;
依次根据所述类型标识匹配得到对应的汇流排轮廓线模板;
提取包络所述类型标识的封闭曲线并与所述汇流排轮廓线模板进行匹配,以得到所述汇流排轮廓线Lx;
所述类型标识还包括文字或数字的方向,通过所述文字或数字匹配得到汇流排轮廓线模板中线条的布设方向,通过所述文字或数字的方向匹配得到汇流排轮廓线模板中线条的朝向。
2.根据权利要求1所述的圆柱锂电池汇流排焊接检测方法,其特征在于,根据所述汇流排轮廓线Lx对其内区域进行图像分割,具体包括如下步骤:
获取所述汇流排轮廓线Lx对应的所述类型标识;
根据所述类型标识匹配得到所述汇流排轮廓线Lx的图像分割模板;其中,所述图像分割模板包括水平分割线与竖直分割线;
利用所述图像分割模板的水平分割线与竖直分割线将所述汇流排轮廓线Lx内包络的区域分割成数量为y的区域Bxy,以形成第二图像组{BLx}。
3.一种计算机可读存储介质,其特征在于,其上存储有程序指令,所述程序指令被执行时实现权利要求1-2中任一项所述的方法。
4.一种电子设备,其特征在于,包括:处理器和存储器,所述存储器用于存储一个或多个程序;当所述一个或多个程序被所述处理器执行时,实现如权利要求1-2中任一项所述的方法。
5.一种圆柱锂电池汇流排焊接检测装置,其特征在于,包括:
获取单元,用以圆柱锂电池汇流排焊接后的第一图像A;
提取单元,用以提取所述第一图像A中所有的汇流排轮廓线Lx;其中,x为汇流排数量;
图像分割单元,用以根据所述汇流排轮廓线Lx对其内区域进行图像分割,以分割得到表征圆柱锂电池单体焊接情况的第二图像组{BLx};其中,第二图像组{BLx}内存储的图像的数量为汇流排连接的圆柱锂电池单体数量y;
处理单元,用以识别所述第二图像组{BLx}内图像的至少两焊接点,并通过至少两所述焊接点生成一个矩形区域,以包络所有所述焊接点,该矩形区域内的图像记为第三图像;其中,第三图像像素大小为m×n;80≤m≤128,50≤n≤128;依次利用神经网络模型对所有的汇流排轮廓线Lx对应的第二图像组{BLx}中的各所述第三图像进行焊接质量检测,以得到圆柱锂电池汇流排焊接的质量评价;
所述提取单元提取所述第一图像中所有的汇流排轮廓线Lx,具体包括以下步骤:
将所述第一图像进行二值化处理后利用OCR识别各汇流排上的类型标识;其中,所述类型标识为印刷或冲压成型于汇流排表面的文字或数字;
依次根据所述类型标识匹配得到对应的汇流排轮廓线模板;
提取包络所述类型标识的封闭曲线并与所述汇流排轮廓线模板进行匹配,以得到所述汇流排轮廓线Lx;
所述类型标识还包括文字或数字的方向,通过所述文字或数字匹配得到汇流排轮廓线模板中线条的布设方向,通过所述文字或数字的方向匹配得到汇流排轮廓线模板中线条的朝向。
6.根据权利要求5所述的圆柱锂电池汇流排焊接检测装置,其特征在于,所述图像分割单元根据所述汇流排轮廓线Lx对其内区域进行图像分割,具体包括如下步骤:
获取所述汇流排轮廓线Lx对应的所述类型标识;
根据所述类型标识匹配得到所述汇流排轮廓线Lx的图像分割模板;其中,所述图像分割模板包括水平分割线与竖直分割线;
利用所述图像分割模板的水平分割线与竖直分割线将所述汇流排轮廓线Lx内包络的区域分割成数量为y的区域Bxy,以形成第二图像组{BLx}。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310944883.0A CN116703891B (zh) | 2023-07-31 | 2023-07-31 | 圆柱锂电池汇流排焊接检测方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310944883.0A CN116703891B (zh) | 2023-07-31 | 2023-07-31 | 圆柱锂电池汇流排焊接检测方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116703891A CN116703891A (zh) | 2023-09-05 |
CN116703891B true CN116703891B (zh) | 2023-10-10 |
Family
ID=87824234
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310944883.0A Active CN116703891B (zh) | 2023-07-31 | 2023-07-31 | 圆柱锂电池汇流排焊接检测方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116703891B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815572A (zh) * | 2020-06-17 | 2020-10-23 | 深圳市大德激光技术有限公司 | 一种基于卷积神经网络对锂电池焊接质量的检测方法 |
CN113936004A (zh) * | 2021-12-20 | 2022-01-14 | 浙江双元科技股份有限公司 | 一种锂电池焊接质量检测方法、装置及系统 |
CN114897778A (zh) * | 2022-04-08 | 2022-08-12 | 成都唐源电气股份有限公司 | 一种刚性汇流排缺陷检测方法及装置 |
CN115343364A (zh) * | 2022-06-27 | 2022-11-15 | 广东工业大学 | 新能源汽车电池汇流排的焊接区域快速定位方法 |
DE102021209993A1 (de) * | 2021-09-09 | 2023-03-09 | Audi Ag | Verfahren zur Bestimmung der Qualität einer Laserstrahlschweißverbindung |
-
2023
- 2023-07-31 CN CN202310944883.0A patent/CN116703891B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815572A (zh) * | 2020-06-17 | 2020-10-23 | 深圳市大德激光技术有限公司 | 一种基于卷积神经网络对锂电池焊接质量的检测方法 |
DE102021209993A1 (de) * | 2021-09-09 | 2023-03-09 | Audi Ag | Verfahren zur Bestimmung der Qualität einer Laserstrahlschweißverbindung |
CN113936004A (zh) * | 2021-12-20 | 2022-01-14 | 浙江双元科技股份有限公司 | 一种锂电池焊接质量检测方法、装置及系统 |
CN114897778A (zh) * | 2022-04-08 | 2022-08-12 | 成都唐源电气股份有限公司 | 一种刚性汇流排缺陷检测方法及装置 |
CN115343364A (zh) * | 2022-06-27 | 2022-11-15 | 广东工业大学 | 新能源汽车电池汇流排的焊接区域快速定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116703891A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111640130A (zh) | 表格还原方法及装置 | |
CN105631466A (zh) | 图像分类的方法及装置 | |
CN107832794A (zh) | 一种卷积神经网络生成方法、车系识别方法及计算设备 | |
CN107491985A (zh) | 电商平台的用户评分方法及装置、电子设备、存储介质 | |
CN114241499A (zh) | 表格图片识别方法、装置、设备和可读存储介质 | |
CN106227483A (zh) | 一种显示控制方法及移动终端 | |
CN116703891B (zh) | 圆柱锂电池汇流排焊接检测方法、装置 | |
CN114138231B (zh) | 执行矩阵乘法运算的方法、电路及soc | |
Zhang et al. | XNORCONV: CNNs accelerator implemented on FPGA using a hybrid CNNs structure and an inter‐layer pipeline method | |
CN112395450B (zh) | 图片文字检测方法、装置、计算机设备及存储介质 | |
CN109120509A (zh) | 一种信息收集的方法及装置 | |
CN113011132B (zh) | 竖排文字识别方法、装置、计算机设备和存储介质 | |
CN111931746B (zh) | 一种车损判定方法、装置、计算机设备及可读存储介质 | |
CN115272270A (zh) | 基于半监督的焊接缺陷检测方法、装置、设备及介质 | |
CN114091451A (zh) | 一种文本分类方法、装置、设备及存储介质 | |
CN103164504A (zh) | 一种智能手机精细化图片搜索系统及方法 | |
CN113158998A (zh) | 基于形态学处理的电气设计图纸表格识别方法及装置 | |
CN111967579A (zh) | 使用卷积神经网络对图像进行卷积计算的方法和装置 | |
CN112036501A (zh) | 基于卷积神经网络的图片的相似度检测方法及其相关设备 | |
CN105991312A (zh) | 一种网络资源的排重方法及装置 | |
CN113139490B (zh) | 一种图像特征匹配方法、装置、计算机设备及存储介质 | |
Tang et al. | Towards Training-free Open-world Segmentation via Image Prompting Foundation Models | |
CN111404721B (zh) | 基于web的模型训练过程数据可视化处理方法、装置、设备 | |
CN117252141B (zh) | 一种流体力学求解器电路热仿真方法、装置及存储介质 | |
Ou et al. | Multiscale attention dynamic aware network for fine‐grained visual categorization |
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 | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: West of Building 28, No. 2, Mount Taishan Road, High tech Zone, Suzhou City, Jiangsu Province, 215000 Patentee after: Suzhou Jingkong Energy Technology Co.,Ltd. Address before: West of Building 28, No. 2, Mount Taishan Road, High tech Zone, Suzhou City, Jiangsu Province, 215000 Patentee before: SUZHOU JK ENERGY Ltd. |