CN117152098A - 一种基于深度学习的电池缺陷检测方法及系统 - Google Patents
一种基于深度学习的电池缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN117152098A CN117152098A CN202311139139.XA CN202311139139A CN117152098A CN 117152098 A CN117152098 A CN 117152098A CN 202311139139 A CN202311139139 A CN 202311139139A CN 117152098 A CN117152098 A CN 117152098A
- Authority
- CN
- China
- Prior art keywords
- data
- battery
- detected
- basic
- image data
- 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 48
- 238000001514 detection method Methods 0.000 title claims abstract description 45
- 238000013135 deep learning Methods 0.000 title claims abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 85
- 238000000034 method Methods 0.000 claims abstract description 79
- 230000008569 process Effects 0.000 claims abstract description 68
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 20
- 238000004519 manufacturing process Methods 0.000 claims description 65
- 238000007599 discharging Methods 0.000 claims description 49
- 230000001502 supplementing effect Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 16
- 230000003068 static effect Effects 0.000 claims description 8
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003746 surface roughness Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification 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
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Architecture (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Secondary Cells (AREA)
Abstract
本发明提出一种基于深度学习的电池缺陷检测方法及系统,建立各种电池的初始三维模型,并对初始三维模型进行修改得到基本三维模型;获取电池测试过程中的数据并输入已训练好的卷积神经网络得到电池的基本工作模型;获取待检测电池的相关数据并输入卷积神经网络,得到待检测电池的第一工作模型;获取待检测电池的待检测三维模型;将待检测三维模型与基本三维模型进行比对,得到第一比对结果;将第一工作模型与基本工作模型进行比对,得到第二比对结果;根据第一比对结果和第二比对结果得到所述待检测电池的缺陷检测结果。通过本发明的方案,不仅能准确地检测电池的外表面是否存在缺陷,而且能检测出电池内部存在的缺陷。
Description
技术领域
本发明涉及电池检测技术领域,具体涉及一种基于深度学习的电池缺陷检测方法及系统。
背景技术
电池在生产生活中的需求不断扩大,在电池生产过程中,或多或少会产生存在产品缺陷的电池,各大电池生产厂家通常采用的缺陷检测方法是通过人工检查确认电池外观是否存在裂纹等缺陷,但这种检测方式检测效率低下、而且整个检测过程很大程度上依赖于检测员的检测经验,检测准确率也较低,而且只检测了电池的外观,不能发现电池内部的一些缺陷。
发明内容
本发明正是基于上述问题,提出了一种基于深度学习的电池缺陷检测方法及系统,通过本发明的方案,不仅能准确地检测电池的外表面是否存在缺陷,而且能检测出电池内部存在的缺陷。
有鉴于此,本发明的一方面提出了一种基于深度学习的电池缺陷检测方法,包括:
在所有的电池的制造过程中,同步采集所有环节的第一影像数据;
对所述电池进行测试,在测试过程中同步采集所述电池的第二影像数据、第一温度数据、第一充电数据、第一放电数据、第一振动数据和第一气味数据;
根据所述第一影像数据建立所述电池的初始三维模型;
根据所述第二影像数据得到第一三维图像数据和第一声音数据;
根据所述第一三维图像数据对所述初始三维模型进行修改得到基本三维模型;
根据所述第一声音数据、所述第一温度数据、所述第一充电数据、所述第一放电数据、第一振动数据和所述第一气味数据输入已训练好的卷积神经网络得到所述电池的基本工作模型;
获取所述待检测电池的第三影像数据、第二温度数据、第二充电数据、第二放电数据、第二振动数据和第二气味数据;
从所述第三影像数据提取第二声音数据;
根据所述第三影像数据得到所述待检测电池的待检测三维模型;
将所述第二声音数据、所述第二温度数据、所述第二充电数据、所述第二放电数据、所述第二振动数据和所述第二气味数据输入所述卷积神经网络,得到所述待检测电池的第一工作模型;
将所述待检测三维模型与所述基本三维模型进行比对,得到第一比对结果;
将所述第一工作模型与所述基本工作模型进行比对,得到第二比对结果;
根据所述第一比对结果和所述第二比对结果得到所述待检测电池的缺陷检测结果。
可选地,所述在所有的电池的制造过程中,同步采集所有环节的第一影像数据的步骤,包括:
利用激光雷达扫描装置获取所述电池的制造设备的静态点云数据,并结合所述制造设备的操作数据得到所述制造设备在所述电池的制造过程中的动态点云数据;
利用所述激光雷达扫描装置获取所述电池在制造过程中的第一点云数据;
根据所述动态点云数据,对所述第一点云数据进行背景剔除,得到所述电池的电池点云数据;
将所述电池点云数据作为所述第一影像数据。
可选地,所述对所述电池进行测试,在测试过程中同步采集所述电池的第二影像数据、第一温度数据、第一充电数据、第一放电数据、第一振动数据和第一气味数据的步骤,包括:
对所述电池进行测试,在测试过程中,利用所述激光雷达扫描装置采集所述电池第二点云数据以得到所述第一三维图像数据;
利用声音采集装置采集测试过程中所述电池产生的所述第一声音数据;
将所述第一三维图像数据和所述第一声音数据作为所述第二影像数据;
利用温度传感器采集测试过程中所述电池的所述第一温度数据;
从所述电池的电源管理模块读取测试过程中所述电池的所述第一充电数据和所述第一放电数据;
利用振动传感器采集测试过程中所述电池产生的所述第一振动数据;
利用气味传感器采集测试过程中所述电池产生的所述第一气味数据。
可选地,所述将所述待检测三维模型与所述基本三维模型进行比对,得到第一比对结果的步骤,包括:
从所述待检测三维模型中任意取一点作为第一基点,并计算所述第一基点至其他各点的第一距离,将两点的坐标和所述第一距离作为一个第一数据小组,将各个所述第一数据小组按所述第一距离从小到大排列构成待检测数据序列;
遍历所述待检测三维模型的其他N-1个点,执行上一步的操作,得到N个所述待检测数据序列;
从所述基本三维模型中任意取一点作为第二基点,并计算所述第二基点至其他各点的第二距离,将两点的坐标和所述第二距离作为一个第二数据小组,将各个所述第二数据小组按所述第二距离从小到大排列构成基本数据序列;
遍历所述基本三维模型的其他M-1个点,执行上一步的操作,得到M个所述基本数据序列;
将N个所述待检测数据序列与M个所述基本数据序列基于所述第一距离和所述第二距离一一进行比对,将所述第一距离与所述第二距离的相等数量达到预设数量的所述待检测数据序列与所述基本数据序列一一配对;
将配对后的所述待检测数据序列与所述基本数据序列对应的坐标进行比对得到所述第一比对结果。
可选地,所述将所述待检测三维模型与所述基本三维模型进行比对,得到第一比对结果的步骤,包括:
根据所述第三影像数据,将所述第一数据小组中各坐标点的第一深度信息补充至所述第一数据小组中;
根据所述第一影像数据和所述第二影像数据,将所述第二数据小组中各坐标点的第二深度信息补充至所述第二数据小组中;
所述将配对后的所述待检测数据序列与所述基本数据序列对应的坐标进行比对得到所述第一比对结果,具体是:
所述将配对后的所述待检测数据序列与所述基本数据序列对应的坐标点及坐标点对应的所述第一深度信息和所述第二深度信息进行比对,判断差异值是否在预设范围内;
当所述差异值在预设范围内时,确定所述待检测电池合格;
当所述差异值超出预设范围内时,确定所述待检测电池不合格。
本发明的另一方面提供一种基于深度学习的电池缺陷检测系统,包括:控制处理装置、配置有声音采集模块的激光雷达扫描装置和数据采集装置;其中,
所述激光雷达扫描装置被配置为:
在所有的电池的制造过程中,同步采集所有环节的第一影像数据;
在所述电池的测试过程中同步采集所述电池的第二影像数据;
所述数据采集装置被配置为:在所述电池的测试过程中同步采集所述电池的第一温度数据、第一充电数据、第一放电数据、第一振动数据和第一气味数据;
所述控制处理装置被配置为:
根据所述第一影像数据建立所述电池的初始三维模型;
根据所述第二影像数据得到第一三维图像数据和第一声音数据;
根据所述第一三维图像数据对所述初始三维模型进行修改得到基本三维模型;
根据所述第一声音数据、所述第一温度数据、所述第一充电数据、所述第一放电数据、所述第一振动数据和所述第一气味数据输入已训练好的卷积神经网络得到所述电池的基本工作模型;
获取所述待检测电池的第三影像数据、第二温度数据、第二充电数据、第二放电数据、第二振动数据和第二气味数据;
从所述第三影像数据提取第二声音数据;
根据所述第三影像数据得到所述待检测电池的待检测三维模型;
将所述第二声音数据、所述第二温度数据、所述第二充电数据、所述第二放电数据、所述第二振动数据和所述第二气味数据输入所述卷积神经网络,得到所述待检测电池的第一工作模型;
将所述待检测三维模型与所述基本三维模型进行比对,得到第一比对结果;
将所述第一工作模型与所述基本工作模型进行比对,得到第二比对结果;
根据所述第一比对结果和所述第二比对结果得到所述待检测电池的缺陷检测结果。
可选地,所述在所有的电池的制造过程中,同步采集所有环节的第一影像数据的步骤中,所述激光雷达扫描装置具体被配置为:
获取所述电池的制造设备的静态点云数据;
获取所述电池在制造过程中的第一点云数据;
所述控制处理装置被配置为:
结合所述制造设备的操作数据得到所述制造设备在所述电池的制造过程中的动态点云数据
根据所述动态点云数据,对所述第一点云数据进行背景剔除,得到所述电池的电池点云数据;
将所述电池点云数据作为所述第一影像数据。
可选地,所述在所述电池的测试过程中同步采集所述电池的第二影像数据中,所述激光雷达扫描装置具体被配置为:
采集所述电池第二点云数据以得到所述第一三维图像数据;
利用声音采集模块采集测试过程中所述电池产生的所述第一声音数据;
将所述第一三维图像数据和所述第一声音数据作为所述第二影像数据;
所述在所述电池的测试过程中同步采集所述电池的第一温度数据、第一充电数据、第一放电数据、第一振动数据和第一气味数据的步骤中,所述数据采集装置被配置为:
利用温度传感器采集测试过程中所述电池的所述第一温度数据;
从所述电池的电源管理模块读取测试过程中所述电池的所述第一充电数据和所述第一放电数据;
利用振动传感器采集测试过程中所述电池的所述第一振动数据;
利用气味传感器采集测试过程中所述电池产生的所述第一气味数据。
可选地,所述将所述待检测三维模型与所述基本三维模型进行比对,得到第一比对结果的步骤中,所述控制处理装置具体被配置为:
从所述待检测三维模型中任意取一点作为第一基点,并计算所述第一基点至其他各点的第一距离,将两点的坐标和所述第一距离作为一个第一数据小组,将各个所述第一数据小组按所述第一距离从小到大排列构成待检测数据序列;
遍历所述待检测三维模型的其他N-1个点,执行上一步的操作,得到N个所述待检测数据序列;
从所述基本三维模型中任意取一点作为第二基点,并计算所述第二基点至其他各点的第二距离,将两点的坐标和所述第二距离作为一个第二数据小组,将各个所述第二数据小组按所述第二距离从小到大排列构成基本数据序列;
遍历所述基本三维模型的其他M-1个点,执行上一步的操作,得到M个所述基本数据序列;
将N个所述待检测数据序列与M个所述基本数据序列基于所述第一距离和所述第二距离一一进行比对,将所述第一距离与所述第二距离的相等数量达到预设数量的所述待检测数据序列与所述基本数据序列一一配对;
将配对后的所述待检测数据序列与所述基本数据序列对应的坐标进行比对得到所述第一比对结果。
可选地,所述将所述待检测三维模型与所述基本三维模型进行比对,得到第一比对结果的步骤中,所述控制处理装置具体被配置为:
根据所述第三影像数据,将所述第一数据小组中各坐标点的第一深度信息补充至所述第一数据小组中;
根据所述第一影像数据和所述第二影像数据,将所述第二数据小组中各坐标点的第二深度信息补充至所述第二数据小组中;
所述将配对后的所述待检测数据序列与所述基本数据序列对应的坐标进行比对得到所述第一比对结果,具体是:
所述将配对后的所述待检测数据序列与所述基本数据序列对应的坐标点及坐标点对应的所述第一深度信息和所述第二深度信息进行比对,判断差异值是否在预设范围内;
当所述差异值在预设范围内时,确定所述待检测电池合格;
当所述差异值超出预设范围内时,确定所述待检测电池不合格。
采用本发明的技术方案,基于深度学习的电池缺陷检测方法包括:在所有的电池的制造过程中,同步采集所有环节的第一影像数据;对所述电池进行测试,在测试过程中同步采集所述电池的第二影像数据、第一温度数据、第一充电数据、第一放电数据、第一振动数据和第一气味数据;根据所述第一影像数据建立所述电池的初始三维模型;根据所述第二影像数据得到第一三维图像数据和第一声音数据;根据所述第一三维图像数据对所述初始三维模型进行修改得到基本三维模型;根据所述第一声音数据、所述第一温度数据、所述第一充电数据、所述第一放电数据、所述第一振动数据和所述第一气味数据输入已训练好的卷积神经网络得到所述电池的基本工作模型;获取所述待检测电池的第三影像数据、第二温度数据、第二充电数据、第二放电数据、第二振动数据和第二气味数据;从所述第三影像数据提取第二声音数据;根据所述第三影像数据得到所述待检测电池的待检测三维模型;将所述第二声音数据、所述第二温度数据、所述第二充电数据、所述第二放电数据、所述第二振动数据和所述第二气味数据输入所述卷积神经网络,得到所述待检测电池的第一工作模型;将所述待检测三维模型与所述基本三维模型进行比对,得到第一比对结果;将所述第一工作模型与所述基本工作模型进行比对,得到第二比对结果;根据所述第一比对结果和所述第二比对结果得到所述待检测电池的缺陷检测结果。通过本发明的方案,不仅能准确地检测电池的外表面是否存在缺陷,而且能检测出电池内部存在的缺陷。
附图说明
图1是本发明一个实施例提供的基于深度学习的电池缺陷检测方法的流程图;
图2是本发明一个实施例提供的基于深度学习的电池缺陷检测系统的示意框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,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、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
下面参照图1至图2来描述根据本发明一些实施方式提供的一种基于深度学习的电池缺陷检测方法及系统。
如图1所示,本发明一个实施例提供一种基于深度学习的电池缺陷检测方法,包括:
在所有的电池的制造过程中,同步采集所有环节的第一影像数据;
对所述电池进行测试,在测试过程中同步采集所述电池的第二影像数据、第一温度数据、第一充电数据、第一放电数据、第一振动数据和第一气味数据;
根据所述第一影像数据建立所述电池的初始三维模型;
根据所述第二影像数据得到第一三维图像数据和第一声音数据;
根据所述第一三维图像数据对所述初始三维模型进行修改得到基本三维模型;
根据所述第一声音数据、所述第一温度数据、所述第一充电数据、所述第一放电数据、所述第一振动数据和所述第一气味数据输入已训练好的卷积神经网络得到所述电池的基本工作模型;
获取所述待检测电池的第三影像数据、第二温度数据、第二充电数据、第二放电数据、第二振动数据和第二气味数据;
从所述第三影像数据提取第二声音数据;
根据所述第三影像数据得到所述待检测电池的待检测三维模型;
将所述第二声音数据、所述第二温度数据、所述第二充电数据、所述第二放电数据、所述第二振动数据和所述第二气味数据输入所述卷积神经网络,得到所述待检测电池的第一工作模型;
将所述待检测三维模型与所述基本三维模型进行比对,得到第一比对结果;
将所述第一工作模型与所述基本工作模型进行比对,得到第二比对结果;
根据所述第一比对结果和所述第二比对结果得到所述待检测电池的缺陷检测结果。
可以理解的是,在本实施例中,可以利用配置有声音采集模块的激光雷达扫描装置采集包含有声音数据和点云数据的所述第一/第二/第三影像数据,并根据所述第一影像数据建立所述电池的初始三维模型,再根据所述第二影像数据得到第一三维图像数据,利用所述第一三维图像数据对所述初始三维模型进行修改得到基本三维模型,通过利用从电池生产制造过程中采集的点云数据和测试过程中采集的点云数据,最终得到所述电池的基本三维模型。将在测试过程中同步采集所述电池的第一温度数据、第一充电数据、第一放电数据、第一振动数据和第一气味数据输入已训练好的卷积神经网络得到所述电池的基本工作模型。获取所述待检测电池的第三影像数据(包含有第二声音数据和待检测电子的三维点云数据)、第二温度数据、第二充电数据、第二放电数据、第二振动数据和第二气味数据,并从所述第三影像数据提取第二声音数据;将所述第二声音数据、所述第二温度数据、所述第二充电数据、所述第二放电数据、所述第二振动数据和所述第二气味数据输入所述卷积神经网络,得到所述待检测电池的第一工作模型。再根据所述第三影像数据得到所述待检测电池的待检测三维模型;将所述待检测三维模型与所述基本三维模型进行比对,得到第一比对结果;将所述第一工作模型与所述基本工作模型进行比对,得到第二比对结果;根据所述第一比对结果和所述第二比对结果得到所述待检测电池的缺陷检测结果。通过本实施例的方案,不仅能准确地检测电池的外表面是否存在缺陷,而且能检测出电池内部存在的缺陷。
在本发明一些可能的实施方式中,所述在所有的电池的制造过程中,同步采集所有环节的第一影像数据的步骤,包括:
利用激光雷达扫描装置获取所述电池的制造设备的静态点云数据,并结合所述制造设备的操作数据得到所述制造设备在所述电池的制造过程中的动态点云数据;
利用所述激光雷达扫描装置获取所述电池在制造过程中的第一点云数据;
根据所述动态点云数据,对所述第一点云数据进行背景剔除,得到所述电池的电池点云数据;
将所述电池点云数据作为所述第一影像数据。
可以理解的是,所述操作数据包括制造设备的演示视频数据、历史操作视频数据、各部件在操作过程中的运动轨迹数据等。在本实施例中,利用激光雷达扫描装置获取所述电池的制造设备的静态点云数据,并结合所述制造设备的操作数据得到所述制造设备在所述电池的制造过程中的动态点云数据;利用所述激光雷达扫描装置获取所述电池在制造过程中的第一点云数据;根据所述动态点云数据,对所述第一点云数据进行背景剔除,得到所述电池的电池点云数据;将所述电池点云数据作为所述第一影像数据。通过本方案,可以将电池的制造过程中,同步采集的点云数据中属于制造设备的数据剔除,提高了电池点云数据的精确度。
在本发明一些可能的实施方式中,所述对所述电池进行测试,在测试过程中同步采集所述电池的第二影像数据、第一温度数据、第一充电数据、第一放电数据、第一振动数据和第一气味数据的步骤,包括:
对所述电池进行测试,在测试过程中,利用所述激光雷达扫描装置采集所述电池第二点云数据以得到所述第一三维图像数据;
利用声音采集装置采集测试过程中所述电池产生的所述第一声音数据;
将所述第一三维图像数据和所述第一声音数据作为所述第二影像数据;
利用温度传感器采集测试过程中所述电池的所述第一温度数据;
从所述电池的电源管理模块读取测试过程中所述电池的所述第一充电数据和所述第一放电数据;
利用振动传感器采集测试过程中所述电池产生的所述第一振动数据;
利用气味传感器采集测试过程中所述电池产生的所述第一气味数据。
可以理解的是,电池在制造过程中与测试过程中在视觉层面可能存在差异(如外形、结构、颜色等),而且测试过程中产生的各种数据具备极高的电池评估参考价值,在本实施例中,对所述电池进行测试,在测试过程中,利用所述激光雷达扫描装置采集所述电池第二点云数据以得到所述第一三维图像数据;利用声音采集装置采集测试过程中所述电池产生的所述第一声音数据;将所述第一三维图像数据和所述第一声音数据作为所述第二影像数据;利用温度传感器采集测试过程中所述电池的所述第一温度数据;从所述电池的电源管理模块读取测试过程中所述电池的所述第一充电数据和所述第一放电数据;利用振动传感器采集测试过程中所述电池产生的所述第一振动数据;利用气味传感器采集测试过程中所述电池产生的所述第一气味数据。通过采集测试过程中的产生的多种数据,能为对电池建立工作模型和进行检测/评估提供了多个维度的数据支持。
在本发明一些可能的实施方式中,所述将所述待检测三维模型与所述基本三维模型进行比对,得到第一比对结果的步骤,包括:
从所述待检测三维模型中任意取一点作为第一基点,并计算所述第一基点至其他各点的第一距离,将两点的坐标和所述第一距离作为一个第一数据小组,将各个所述第一数据小组按所述第一距离从小到大排列构成待检测数据序列;
遍历所述待检测三维模型的其他N-1个点,执行上一步的操作,得到N个所述待检测数据序列;
从所述基本三维模型中任意取一点作为第二基点,并计算所述第二基点至其他各点的第二距离,将两点的坐标和所述第二距离作为一个第二数据小组,将各个所述第二数据小组按所述第二距离从小到大排列构成基本数据序列;
遍历所述基本三维模型的其他M-1个点,执行上一步的操作,得到M个所述基本数据序列;
将N个所述待检测数据序列与M个所述基本数据序列基于所述第一距离和所述第二距离一一进行比对,将所述第一距离与所述第二距离的相等数量达到预设数量的所述待检测数据序列与所述基本数据序列一一配对;
将配对后的所述待检测数据序列与所述基本数据序列对应的坐标进行比对得到所述第一比对结果;其中,所述N、M均为正整数。
可以理解的是,电池的外观检测是其产品检测中的重要一环,为了保证外观检测的便捷、准确和高效,在本实施例中,通过采集所述待检测电池的待检测三维点云数据,根据所述待检测三维点云数据生成所述待检测电池的待检测三维模型,再将待检测三维模型和对应的所述基本三维模型进行坐标点之间的比对以得到所述检测结果。
在本发明一些可能的实施方式中,所述将所述待检测三维模型与所述基本三维模型进行比对,得到第一比对结果的步骤,包括:
根据所述第三影像数据,将所述第一数据小组中各坐标点的第一深度信息补充至所述第一数据小组中;
根据所述第一影像数据和所述第二影像数据,将所述第二数据小组中各坐标点的第二深度信息补充至所述第二数据小组中;
所述将配对后的所述待检测数据序列与所述基本数据序列对应的坐标进行比对得到所述第一比对结果,具体是:
将配对后的所述待检测数据序列与所述基本数据序列对应的坐标点及坐标点对应的所述第一深度信息和所述第二深度信息进行比对,判断差异值是否在预设范围内;
当所述差异值在预设范围内时,确定所述待检测电池合格;
当所述差异值超出预设范围内时,确定所述待检测电池不合格。
可以理解的是,为了使得比对结果更准确,可以利用点云数据中携带的坐标信息、深度信息和颜色信息进行比对,如利用坐标信息和深度信息可以检测出表面粗糙度、弧度是否符合标准,利用坐标信息、深度信息和颜色信息可以检测出表面颜色是否符合标准等。本实施例中,根据所述第三影像数据中包含的三维点云数据,将所述第一数据小组中各坐标点对应的第一深度信息补充至所述第一数据小组中;根据所述第一影像数据和所述第二影像数据中包含的三维点云数据,将所述第二数据小组中各坐标点对应的第二深度信息补充至所述第二数据小组中;将配对后的所述待检测数据序列与所述基本数据序列对应的坐标点及坐标点对应的所述第一深度信息和所述第二深度信息进行比对,判断差异值是否在预设范围内以判断待检测电池是否合格。
应当说明的是,在本发明一些可能的实施例中,所述(第一/第二)数据小组的结构为:(第一/第二)基点坐标值、(第一/第二)基点深度信息、(第一/第二)基点颜色信息,其他点坐标值、其他点深度信息、其他点颜色信息,(第一/第二)基点和其他点间的距离。
在本发明一些可能的实施例中,所述将所述待检测三维模型与所述基本三维模型进行比对,得到第一比对结果的步骤,还包括:
根据所述第三影像数据,将所述第一数据小组中各坐标点对应的第一颜色信息补充至所述第一数据小组中;
根据所述第一影像数据和所述第二影像数据,将所述第二数据小组中各坐标点对应的第二颜色信息补充至所述第二数据小组中;
将配对后的所述待检测数据序列与所述标准数据序列对应的坐标点及坐标点对应的所述第一颜色信息和所述第二颜色信息进行比对,判断颜色差异值是否在预设范围内;
当所述颜色差异值在预设范围内时,确定所述待检测电子产品合格;
当所述颜色差异值超出预设范围内时,确定所述待检测电子产品不合格。
请参见图2,本发明的另一实施例提供一种基于深度学习的电池缺陷检测系统,包括:控制处理装置、配置有声音采集模块的激光雷达扫描装置和数据采集装置;其中,
所述激光雷达扫描装置被配置为:
在所有的电池的制造过程中,同步采集所有环节的第一影像数据;
在所述电池的测试过程中同步采集所述电池的第二影像数据;
所述数据采集装置被配置为:在所述电池的测试过程中同步采集所述电池的第一温度数据、第一充电数据、第一放电数据、第一振动数据和第一气味数据;
所述控制处理装置被配置为:
根据所述第一影像数据建立所述电池的初始三维模型;
根据所述第二影像数据得到第一三维图像数据和第一声音数据;
根据所述第一三维图像数据对所述初始三维模型进行修改得到基本三维模型;
根据所述第一声音数据、所述第一温度数据、所述第一充电数据、所述第一放电数据、所述第一振动数据和所述第一气味数据输入已训练好的卷积神经网络得到所述电池的基本工作模型;
获取所述待检测电池的第三影像数据、第二温度数据、第二充电数据、第二放电数据、第二振动数据和第二气味数据;
从所述第三影像数据提取第二声音数据;
根据所述第三影像数据得到所述待检测电池的待检测三维模型;
将所述第二声音数据、所述第二温度数据、所述第二充电数据、所述第二放电数据、所述第二振动数据和所述第二气味数据输入所述卷积神经网络,得到所述待检测电池的第一工作模型;
将所述待检测三维模型与所述基本三维模型进行比对,得到第一比对结果;
将所述第一工作模型与所述基本工作模型进行比对,得到第二比对结果;
根据所述第一比对结果和所述第二比对结果得到所述待检测电池的缺陷检测结果。
可以理解的是,在本实施例中,可以利用配置有声音采集模块的激光雷达扫描装置采集包含有声音数据和点云数据的所述第一/第二/第三影像数据,并根据所述第一影像数据建立所述电池的初始三维模型,再根据所述第二影像数据得到第一三维图像数据,利用所述第一三维图像数据对所述初始三维模型进行修改得到基本三维模型,通过利用从电池生产制造过程中采集的点云数据和测试过程中采集的点云数据,最终得到所述电池的基本三维模型。将在测试过程中同步采集所述电池的第一温度数据、第一充电数据、第一放电数据、第一振动数据和第一气味数据输入已训练好的卷积神经网络得到所述电池的基本工作模型。获取所述待检测电池的第三影像数据(包含有第二声音数据和待检测电子的三维点云数据)、第二温度数据、第二充电数据、第二放电数据、第二振动数据和第二气味数据,并从所述第三影像数据提取第二声音数据;将所述第二声音数据、所述第二温度数据、所述第二充电数据、所述第二放电数据、所述第二振动数据和所述第二气味数据输入所述卷积神经网络,得到所述待检测电池的第一工作模型。再根据所述第三影像数据得到所述待检测电池的待检测三维模型;将所述待检测三维模型与所述基本三维模型进行比对,得到第一比对结果;将所述第一工作模型与所述基本工作模型进行比对,得到第二比对结果;根据所述第一比对结果和所述第二比对结果得到所述待检测电池的缺陷检测结果。通过本实施例的方案,不仅能准确地检测电池的外表面是否存在缺陷,而且能检测出电池内部存在的缺陷。
应当知道的是,图2所示的基于深度学习的电池缺陷检测方法的框图仅作示意,其所示出的各模块的数量并不对本发明的保护范围进行限定。
在本发明一些可能的实施方式中,所述在所有的电池的制造过程中,同步采集所有环节的第一影像数据的步骤中,所述激光雷达扫描装置具体被配置为:
获取所述电池的制造设备的静态点云数据;
获取所述电池在制造过程中的第一点云数据;
所述控制处理装置被配置为:
结合所述制造设备的操作数据得到所述制造设备在所述电池的制造过程中的动态点云数据
根据所述动态点云数据,对所述第一点云数据进行背景剔除,得到所述电池的电池点云数据;
将所述电池点云数据作为所述第一影像数据。
可以理解的是,所述操作数据包括制造设备的演示视频数据、历史操作视频数据、各部件在操作过程中的运动轨迹数据等。在本实施例中,利用激光雷达扫描装置获取所述电池的制造设备的静态点云数据,并结合所述制造设备的操作数据得到所述制造设备在所述电池的制造过程中的动态点云数据;利用所述激光雷达扫描装置获取所述电池在制造过程中的第一点云数据;根据所述动态点云数据,对所述第一点云数据进行背景剔除,得到所述电池的电池点云数据;将所述电池点云数据作为所述第一影像数据。通过本方案,可以将电池的制造过程中,同步采集的点云数据中属于制造设备的数据剔除,提高了电池点云数据的精确度。
在本发明一些可能的实施方式中,所述在所述电池的测试过程中同步采集所述电池的第二影像数据中,所述激光雷达扫描装置具体被配置为:
采集所述电池第二点云数据以得到所述第一三维图像数据;
利用声音采集模块采集测试过程中所述电池产生的所述第一声音数据;
将所述第一三维图像数据和所述第一声音数据作为所述第二影像数据;
所述在所述电池的测试过程中同步采集所述电池的第一温度数据、第一充电数据、第一放电数据、第一振动数据和第一气味数据的步骤中,所述数据采集装置被配置为:
利用温度传感器采集测试过程中所述电池的所述第一温度数据;
从所述电池的电源管理模块读取测试过程中所述电池的所述第一充电数据和所述第一放电数据;
利用振动传感器采集测试过程中所述电池的所述第一振动数据;
利用气味传感器采集测试过程中所述电池产生的所述第一气味数据。
可以理解的是,电池在制造过程中与测试过程中在视觉层面可能存在差异(如外形、结构、颜色等),而且测试过程中产生的各种数据具备极高的电池评估参考价值,在本实施例中,对所述电池进行测试,在测试过程中,利用所述激光雷达扫描装置采集所述电池第二点云数据以得到所述第一三维图像数据;利用声音采集装置采集测试过程中所述电池产生的所述第一声音数据;将所述第一三维图像数据和所述第一声音数据作为所述第二影像数据;利用温度传感器采集测试过程中所述电池的所述第一温度数据;从所述电池的电源管理模块读取测试过程中所述电池的所述第一充电数据和所述第一放电数据;利用振动传感器采集测试过程中所述电池产生的所述第一振动数据;利用气味传感器采集测试过程中所述电池产生的所述第一气味数据。通过采集测试过程中的产生的多种数据,能为对电池建立工作模型和进行检测/评估提供了多个维度的数据支持。
在本发明一些可能的实施方式中,所述将所述待检测三维模型与所述基本三维模型进行比对,得到第一比对结果的步骤中,所述控制处理装置具体被配置为:
从所述待检测三维模型中任意取一点作为第一基点,并计算所述第一基点至其他各点的第一距离,将两点的坐标和所述第一距离作为一个第一数据小组,将各个所述第一数据小组按所述第一距离从小到大排列构成待检测数据序列;
遍历所述待检测三维模型的其他N-1个点,执行上一步的操作,得到N个所述待检测数据序列;
从所述基本三维模型中任意取一点作为第二基点,并计算所述第二基点至其他各点的第二距离,将两点的坐标和所述第二距离作为一个第二数据小组,将各个所述第二数据小组按所述第二距离从小到大排列构成基本数据序列;
遍历所述基本三维模型的其他M-1个点,执行上一步的操作,得到M个所述基本数据序列;
将N个所述待检测数据序列与M个所述基本数据序列基于所述第一距离和所述第二距离一一进行比对,将所述第一距离与所述第二距离的相等数量达到预设数量的所述待检测数据序列与所述基本数据序列一一配对;
将配对后的所述待检测数据序列与所述基本数据序列对应的坐标进行比对得到所述第一比对结果;其中,所述N、M均为正整数。
可以理解的是,电池的外观检测是其产品检测中的重要一环,为了保证外观检测的便捷、准确和高效,在本实施例中,通过采集所述待检测电池的待检测三维点云数据,根据所述待检测三维点云数据生成所述待检测电池的待检测三维模型,再将待检测三维模型和对应的所述基本三维模型进行坐标点之间的比对以得到所述检测结果。
在本发明一些可能的实施方式中,所述将所述待检测三维模型与所述基本三维模型进行比对,得到第一比对结果的步骤中,所述控制处理装置具体被配置为:
根据所述第三影像数据,将所述第一数据小组中各坐标点的第一深度信息补充至所述第一数据小组中;
根据所述第一影像数据和所述第二影像数据,将所述第二数据小组中各坐标点的第二深度信息补充至所述第二数据小组中;
所述将配对后的所述待检测数据序列与所述基本数据序列对应的坐标进行比对得到所述第一比对结果,具体是:
将配对后的所述待检测数据序列与所述基本数据序列对应的坐标点及坐标点对应的所述第一深度信息和所述第二深度信息进行比对,判断差异值是否在预设范围内;
当所述差异值在预设范围内时,确定所述待检测电池合格;
当所述差异值超出预设范围内时,确定所述待检测电池不合格。
可以理解的是,为了使得比对结果更准确,可以利用点云数据中携带的坐标信息、深度信息和颜色信息进行比对,如利用坐标信息和深度信息可以检测出表面粗糙度、弧度是否符合标准,利用坐标信息、深度信息和颜色信息可以检测出表面颜色是否符合标准等。本实施例中,根据所述第三影像数据中包含的三维点云数据,将所述第一数据小组中各坐标点对应的第一深度信息补充至所述第一数据小组中;根据所述第一影像数据和所述第二影像数据中包含的三维点云数据,将所述第二数据小组中各坐标点对应的第二深度信息补充至所述第二数据小组中;将配对后的所述待检测数据序列与所述基本数据序列对应的坐标点及坐标点对应的所述第一深度信息和所述第二深度信息进行比对,判断差异值是否在预设范围内以判断待检测电池是否合格。
应当说明的是,在本发明一些可能的实施例中,所述(第一/第二)数据小组的结构为:(第一/第二)基点坐标值、(第一/第二)基点深度信息、(第一/第二)基点颜色信息,其他点坐标值、其他点深度信息、其他点颜色信息,(第一/第二)基点和其他点间的距离。
在本发明一些可能的实施例中,所述将所述待检测三维模型与所述基本三维模型进行比对,得到第一比对结果的步骤,还包括:
根据所述第三影像数据,将所述第一数据小组中各坐标点对应的第一颜色信息补充至所述第一数据小组中;
根据所述第一影像数据和所述第二影像数据,将所述第二数据小组中各坐标点对应的第二颜色信息补充至所述第二数据小组中;
将配对后的所述待检测数据序列与所述标准数据序列对应的坐标点及坐标点对应的所述第一颜色信息和所述第二颜色信息进行比对,判断颜色差异值是否在预设范围内;
当所述颜色差异值在预设范围内时,确定所述待检测电子产品合格;
当所述颜色差异值超出预设范围内时,确定所述待检测电子产品不合格。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
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,可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,例如上述单元的划分,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,例如多个单元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,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元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单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取器(英文:Random Access Memory,简称:RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,可轻易想到变化或替换,均可作各种更动与修改,包含上述不同功能、实施步骤的组合,包含软件和硬件的实施方式,均在本发明的保护范围。
Claims (10)
1.一种基于深度学习的电池缺陷检测方法,其特征在于,包括:
在所有的电池的制造过程中,同步采集所有环节的第一影像数据;
对所述电池进行测试,在测试过程中同步采集所述电池的第二影像数据、第一温度数据、第一充电数据、第一放电数据、第一振动数据和第一气味数据;
根据所述第一影像数据建立所述电池的初始三维模型;
根据所述第二影像数据得到第一三维图像数据和第一声音数据;
根据所述第一三维图像数据对所述初始三维模型进行修改得到基本三维模型;
根据所述第一声音数据、所述第一温度数据、所述第一充电数据、所述第一放电数据、第一振动数据和所述第一气味数据输入已训练好的卷积神经网络得到所述电池的基本工作模型;
获取所述待检测电池的第三影像数据、第二温度数据、第二充电数据、第二放电数据、第二振动数据和第二气味数据;
从所述第三影像数据提取第二声音数据;
根据所述第三影像数据得到所述待检测电池的待检测三维模型;
将所述第二声音数据、所述第二温度数据、所述第二充电数据、所述第二放电数据、所述第二振动数据和所述第二气味数据输入所述卷积神经网络,得到所述待检测电池的第一工作模型;
将所述待检测三维模型与所述基本三维模型进行比对,得到第一比对结果;
将所述第一工作模型与所述基本工作模型进行比对,得到第二比对结果;
根据所述第一比对结果和所述第二比对结果得到所述待检测电池的缺陷检测结果。
2.根据权利要求1所述的基于深度学习的电池缺陷检测方法,其特征在于,所述在所有的电池的制造过程中,同步采集所有环节的第一影像数据的步骤,包括:
利用激光雷达扫描装置获取所述电池的制造设备的静态点云数据,并结合所述制造设备的操作数据得到所述制造设备在所述电池的制造过程中的动态点云数据;
利用所述激光雷达扫描装置获取所述电池在制造过程中的第一点云数据;
根据所述动态点云数据,对所述第一点云数据进行背景剔除,得到所述电池的电池点云数据;
将所述电池点云数据作为所述第一影像数据。
3.根据权利要求2所述的基于深度学习的电池缺陷检测方法,其特征在于,所述对所述电池进行测试,在测试过程中同步采集所述电池的第二影像数据、第一温度数据、第一充电数据、第一放电数据、第一振动数据和第一气味数据的步骤,包括:
对所述电池进行测试,在测试过程中,利用所述激光雷达扫描装置采集所述电池第二点云数据以得到所述第一三维图像数据;
利用声音采集装置采集测试过程中所述电池产生的所述第一声音数据;
将所述第一三维图像数据和所述第一声音数据作为所述第二影像数据;
利用温度传感器采集测试过程中所述电池的所述第一温度数据;
从所述电池的电源管理模块读取测试过程中所述电池的所述第一充电数据和所述第一放电数据;
利用振动传感器采集测试过程中所述电池产生的所述第一振动数据;
利用气味传感器采集测试过程中所述电池产生的所述第一气味数据。
4.根据权利要求3所述的基于深度学习的电池缺陷检测方法,其特征在于,所述将所述待检测三维模型与所述基本三维模型进行比对,得到第一比对结果的步骤,包括:
从所述待检测三维模型中任意取一点作为第一基点,并计算所述第一基点至其他各点的第一距离,将两点的坐标和所述第一距离作为一个第一数据小组,将各个所述第一数据小组按所述第一距离从小到大排列构成待检测数据序列;
遍历所述待检测三维模型的其他N-1个点,执行上一步的操作,得到N个所述待检测数据序列;
从所述基本三维模型中任意取一点作为第二基点,并计算所述第二基点至其他各点的第二距离,将两点的坐标和所述第二距离作为一个第二数据小组,将各个所述第二数据小组按所述第二距离从小到大排列构成基本数据序列;
遍历所述基本三维模型的其他M-1个点,执行上一步的操作,得到M个所述基本数据序列;
将N个所述待检测数据序列与M个所述基本数据序列基于所述第一距离和所述第二距离一一进行比对,将所述第一距离与所述第二距离的相等数量达到预设数量的所述待检测数据序列与所述基本数据序列一一配对;
将配对后的所述待检测数据序列与所述基本数据序列对应的坐标进行比对得到所述第一比对结果。
5.根据权利要求1-4所述的基于深度学习的电池缺陷检测方法,其特征在于,所述将所述待检测三维模型与所述基本三维模型进行比对,得到第一比对结果的步骤,包括:
根据所述第三影像数据,将所述第一数据小组中各坐标点的第一深度信息补充至所述第一数据小组中;
根据所述第一影像数据和所述第二影像数据,将所述第二数据小组中各坐标点的第二深度信息补充至所述第二数据小组中;
所述将配对后的所述待检测数据序列与所述基本数据序列对应的坐标进行比对得到所述第一比对结果,具体是:
所述将配对后的所述待检测数据序列与所述基本数据序列对应的坐标点及坐标点对应的所述第一深度信息和所述第二深度信息进行比对,判断差异值是否在预设范围内;
当所述差异值在预设范围内时,确定所述待检测电池合格;
当所述差异值超出预设范围内时,确定所述待检测电池不合格。
6.一种基于深度学习的电池缺陷检测系统,其特征在于,包括:控制处理装置、配置有声音采集模块的激光雷达扫描装置和数据采集装置;其中,
所述激光雷达扫描装置被配置为:
在所有的电池的制造过程中,同步采集所有环节的第一影像数据;
在所述电池的测试过程中同步采集所述电池的第二影像数据;
所述数据采集装置被配置为:在所述电池的测试过程中同步采集所述电池的第一温度数据、第一充电数据、第一放电数据、第一振动数据和第一气味数据;
所述控制处理装置被配置为:
根据所述第一影像数据建立所述电池的初始三维模型;
根据所述第二影像数据得到第一三维图像数据和第一声音数据;
根据所述第一三维图像数据对所述初始三维模型进行修改得到基本三维模型;
根据所述第一声音数据、所述第一温度数据、所述第一充电数据、所述第一放电数据、所述第一振动数据和所述第一气味数据输入已训练好的卷积神经网络得到所述电池的基本工作模型;
获取所述待检测电池的第三影像数据、第二温度数据、第二充电数据、第二放电数据、第二振动数据和第二气味数据;
从所述第三影像数据提取第二声音数据;
根据所述第三影像数据得到所述待检测电池的待检测三维模型;
将所述第二声音数据、所述第二温度数据、所述第二充电数据、所述第二放电数据、所述第二振动数据和所述第二气味数据输入所述卷积神经网络,得到所述待检测电池的第一工作模型;
将所述待检测三维模型与所述基本三维模型进行比对,得到第一比对结果;
将所述第一工作模型与所述基本工作模型进行比对,得到第二比对结果;
根据所述第一比对结果和所述第二比对结果得到所述待检测电池的缺陷检测结果。
7.根据权利要求6所述的基于深度学习的电池缺陷检测系统,其特征在于,所述在所有的电池的制造过程中,同步采集所有环节的第一影像数据的步骤中,所述激光雷达扫描装置具体被配置为:
获取所述电池的制造设备的静态点云数据;
获取所述电池在制造过程中的第一点云数据;
所述控制处理装置被配置为:
结合所述制造设备的操作数据得到所述制造设备在所述电池的制造过程中的动态点云数据
根据所述动态点云数据,对所述第一点云数据进行背景剔除,得到所述电池的电池点云数据;
将所述电池点云数据作为所述第一影像数据。
8.根据权利要求7所述的基于深度学习的电池缺陷检测系统,其特征在于,所述在所述电池的测试过程中同步采集所述电池的第二影像数据中,所述激光雷达扫描装置具体被配置为:
采集所述电池第二点云数据以得到所述第一三维图像数据;
利用声音采集模块采集测试过程中所述电池产生的所述第一声音数据;
将所述第一三维图像数据和所述第一声音数据作为所述第二影像数据;
所述在所述电池的测试过程中同步采集所述电池的第一温度数据、第一充电数据、第一放电数据、第一振动数据和第一气味数据的步骤中,所述数据采集装置被配置为:
利用温度传感器采集测试过程中所述电池的所述第一温度数据;
从所述电池的电源管理模块读取测试过程中所述电池的所述第一充电数据和所述第一放电数据;
利用振动传感器采集测试过程中所述电池的所述第一振动数据;
利用气味传感器采集测试过程中所述电池产生的所述第一气味数据。
9.根据权利要求8所述的基于深度学习的电池缺陷检测系统,其特征在于,所述将所述待检测三维模型与所述基本三维模型进行比对,得到第一比对结果的步骤中,所述控制处理装置具体被配置为:
从所述待检测三维模型中任意取一点作为第一基点,并计算所述第一基点至其他各点的第一距离,将两点的坐标和所述第一距离作为一个第一数据小组,将各个所述第一数据小组按所述第一距离从小到大排列构成待检测数据序列;
遍历所述待检测三维模型的其他N-1个点,执行上一步的操作,得到N个所述待检测数据序列;
从所述基本三维模型中任意取一点作为第二基点,并计算所述第二基点至其他各点的第二距离,将两点的坐标和所述第二距离作为一个第二数据小组,将各个所述第二数据小组按所述第二距离从小到大排列构成基本数据序列;
遍历所述基本三维模型的其他M-1个点,执行上一步的操作,得到M个所述基本数据序列;
将N个所述待检测数据序列与M个所述基本数据序列基于所述第一距离和所述第二距离一一进行比对,将所述第一距离与所述第二距离的相等数量达到预设数量的所述待检测数据序列与所述基本数据序列一一配对;
将配对后的所述待检测数据序列与所述基本数据序列对应的坐标进行比对得到所述第一比对结果。
10.根据权利要求6-9所述的基于深度学习的电池缺陷检测系统,其特征在于,所述将所述待检测三维模型与所述基本三维模型进行比对,得到第一比对结果的步骤中,所述控制处理装置具体被配置为:
根据所述第三影像数据,将所述第一数据小组中各坐标点的第一深度信息补充至所述第一数据小组中;
根据所述第一影像数据和所述第二影像数据,将所述第二数据小组中各坐标点的第二深度信息补充至所述第二数据小组中;
所述将配对后的所述待检测数据序列与所述基本数据序列对应的坐标进行比对得到所述第一比对结果,具体是:
所述将配对后的所述待检测数据序列与所述基本数据序列对应的坐标点及坐标点对应的所述第一深度信息和所述第二深度信息进行比对,判断差异值是否在预设范围内;
当所述差异值在预设范围内时,确定所述待检测电池合格;
当所述差异值超出预设范围内时,确定所述待检测电池不合格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311139139.XA CN117152098A (zh) | 2023-09-04 | 2023-09-04 | 一种基于深度学习的电池缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311139139.XA CN117152098A (zh) | 2023-09-04 | 2023-09-04 | 一种基于深度学习的电池缺陷检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117152098A true CN117152098A (zh) | 2023-12-01 |
Family
ID=88909691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311139139.XA Pending CN117152098A (zh) | 2023-09-04 | 2023-09-04 | 一种基于深度学习的电池缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117152098A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378900A (zh) * | 2019-08-01 | 2019-10-25 | 北京迈格威科技有限公司 | 产品缺陷的检测方法、装置及系统 |
WO2021108680A1 (en) * | 2019-11-25 | 2021-06-03 | Strong Force Iot Portfolio 2016, Llc | Intelligent vibration digital twin systems and methods for industrial environments |
CN114627021A (zh) * | 2022-03-18 | 2022-06-14 | 南通拓维思智能科技有限公司 | 基于点云与深度学习的缺陷检测方法和系统 |
CN115077425A (zh) * | 2022-08-22 | 2022-09-20 | 深圳市超准视觉科技有限公司 | 一种基于结构光三维视觉的产品检测设备及方法 |
CN115986172A (zh) * | 2023-03-17 | 2023-04-18 | 北京新研创能科技有限公司 | 一种用于氢燃料电池的监测系统及方法 |
CN116400627A (zh) * | 2023-04-13 | 2023-07-07 | 深圳市丰源升科技有限公司 | 一种基于5g的工业远程控制系统及方法 |
CN116613338A (zh) * | 2023-07-18 | 2023-08-18 | 北京新研创能科技有限公司 | 一种用于燃料电池双极板的生产系统及方法 |
CN116664520A (zh) * | 2023-05-31 | 2023-08-29 | 深圳市莱创云信息技术有限公司 | 一种电子产品的智能检测系统 |
-
2023
- 2023-09-04 CN CN202311139139.XA patent/CN117152098A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378900A (zh) * | 2019-08-01 | 2019-10-25 | 北京迈格威科技有限公司 | 产品缺陷的检测方法、装置及系统 |
WO2021108680A1 (en) * | 2019-11-25 | 2021-06-03 | Strong Force Iot Portfolio 2016, Llc | Intelligent vibration digital twin systems and methods for industrial environments |
CN114627021A (zh) * | 2022-03-18 | 2022-06-14 | 南通拓维思智能科技有限公司 | 基于点云与深度学习的缺陷检测方法和系统 |
CN115077425A (zh) * | 2022-08-22 | 2022-09-20 | 深圳市超准视觉科技有限公司 | 一种基于结构光三维视觉的产品检测设备及方法 |
CN115986172A (zh) * | 2023-03-17 | 2023-04-18 | 北京新研创能科技有限公司 | 一种用于氢燃料电池的监测系统及方法 |
CN116400627A (zh) * | 2023-04-13 | 2023-07-07 | 深圳市丰源升科技有限公司 | 一种基于5g的工业远程控制系统及方法 |
CN116664520A (zh) * | 2023-05-31 | 2023-08-29 | 深圳市莱创云信息技术有限公司 | 一种电子产品的智能检测系统 |
CN116613338A (zh) * | 2023-07-18 | 2023-08-18 | 北京新研创能科技有限公司 | 一种用于燃料电池双极板的生产系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115077425B (zh) | 一种基于结构光三维视觉的产品检测设备及方法 | |
CN102445640B (zh) | 基于向量机和人工鱼群优化的gis设备智能识别方法 | |
JP2019191029A (ja) | 電池情報処理システム、組電池、電池モジュールの特性評価方法、および、組電池の製造方法 | |
CN111080633A (zh) | 屏缺陷检测方法、装置、终端设备以及存储介质 | |
CN113189495A (zh) | 一种电池健康状态的预测方法、装置及电子设备 | |
US20160123722A1 (en) | Computing device and method for analyzing thickness | |
CN114494274A (zh) | 建筑施工评估方法、装置、电子设备及存储介质 | |
CN110496799B (zh) | 化成分辨异常电芯的方法 | |
CN114012718B (zh) | 数据处理方法 | |
CN117651012B (zh) | 一种车辆中央网关测试方法及系统 | |
CN116664520B (zh) | 一种电子产品的智能检测系统 | |
CN112748348B (zh) | 电池低温性能分布水平检测方法、系统及存储介质 | |
CN117152098A (zh) | 一种基于深度学习的电池缺陷检测方法及系统 | |
CN115144037B (zh) | 一种锂电池防爆性能安全监测方法及系统 | |
CN116630320A (zh) | 电池极片的检测方法、装置、电子设备及存储介质 | |
CN112729884A (zh) | 基于大数据的设备故障诊断方法及装置 | |
CN114519499B (zh) | 一种基于bim模型的检验批定位方法和系统 | |
CN104267203B (zh) | 一种样品的测试方法及装置 | |
CN113625183A (zh) | 一种电池包寿命预测方法及电池包模拟系统 | |
CN114002640A (zh) | 智能电表性能评价方法 | |
CN113406460A (zh) | 一种电压互感器局部放电故障诊断方法、装置及电子设备 | |
CN103186789A (zh) | 自动判别零件正确性的方法 | |
CN117268594B (zh) | 一种智能终端ntc功能测试方法、系统及介质 | |
CN113393450B (zh) | 用于数字线划图的数据质检方法、系统及可读存储介质 | |
CN106979794B (zh) | 传感器测试方法及装置 |
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 |