CN117350993A - 一种基于图像识别的极耳层数检测方法 - Google Patents
一种基于图像识别的极耳层数检测方法 Download PDFInfo
- Publication number
- CN117350993A CN117350993A CN202311453317.6A CN202311453317A CN117350993A CN 117350993 A CN117350993 A CN 117350993A CN 202311453317 A CN202311453317 A CN 202311453317A CN 117350993 A CN117350993 A CN 117350993A
- Authority
- CN
- China
- Prior art keywords
- tab
- image recognition
- steps
- layers
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 55
- 230000007797 corrosion Effects 0.000 claims abstract description 5
- 238000005260 corrosion Methods 0.000 claims abstract description 5
- 238000003709 image segmentation Methods 0.000 claims abstract description 5
- 230000011218 segmentation Effects 0.000 claims description 23
- 238000013135 deep learning Methods 0.000 claims description 19
- 238000012216 screening Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims description 4
- 238000007670 refining Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 5
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 229910052744 lithium Inorganic materials 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 239000010405 anode material Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000010406 cathode material Substances 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于图像识别的极耳层数检测方法，其步骤为：A1，进行图像分割；A2，进行二值化和腐蚀预处理；A3，用Zhang‑Suen算法；A4，选出满足条件的连通域；A5，选出包含的极耳层数；A6，进行求和。本发明通过使用相机设备获取待检测极耳图片，然后依靠集成的图像识别算法实现极耳层数的自动化检测，不仅降低了人工检测成本，而且还提高了检测效率，本方法在进行极耳识别时，采用深度学习和传统图像预处理相结合的设计思路，兼顾了深度学习在目标分割中适应性强、分割精度高以及传统预处理对数据需求少、计算资源要求低等优势，可以在复杂环境和低耗时的条件下提高极耳层数的检测精度。
Description
技术领域
本发明涉及电池极耳检测技术领域，更具体地说，本发明涉及一种基于图像识别的极耳层数检测方法。
背景技术
锂电池作为一种高效、环保的电池，现已被广泛应用于移动电子设备、电动汽车等领域。锂电池的正负极分别由锂离子正极材料和碳负极材料组成，而极耳则是连接电池极片和电池外部电路的重要部件。除此之外，极耳还具有固定电池极片和保护电池的作用，因此在锂电池的设计和制造过程中，需要对极耳的材料、结构和制造工艺等方面进行精细的设计和优化，以确保电池的性能和使用寿命。
在电池生产过程中，由于极耳材料质地较薄，其内部的极耳经过多层叠片或周转运输后，可能在极耳某一层中出现肉眼难以分辨的褶皱或者缺失，由此引起的极耳层数误检，容易造成电池在生产或使用过程中出现短路、容量降低、低压发热等异常情况，这不仅影响电池的性能和正常使用，还增加了电池返工的可能性，更严重的还存在失控着火等安全隐患。因此，如何在复杂环境下实时、高效、准确地检测极耳层数，依然是电池生产工艺中不可避免和急需解决的问题。
发明内容
为了克服现有技术的不足，本发明提供了一种基于图像识别的极耳层数检测方法，具有实时、高效、准确检测的优点。
为实现上述目的，本发明提供如下技术方案：.一种基于图像识别的极耳层数检测方法，
其检测方法步骤为：
A1，使用深度学习预先训练的模型对待检测极耳图片进行分割，使用拍照设备记录采集极耳的图片，在对其进行标注、训练，在使用深度学习训练的分割模型进行分割得到标签图；
A2，使用二值化标签图中获取极耳RO I区域的方法，从已分割的极耳标签图中获取极耳的RO I区域进行二值化和腐蚀预处理；
A3，使用Zhang-Suen提出的细化算法，对预处理后的极耳区域进行骨架提取，获得需极耳要线条；
A4，根据从骨架提取后获得的条数，并根据筛选极耳连通域的方法筛选出满足条件的极耳连通域；
A5，根据计算单条极耳连通域包含极耳层数的方法，选出的每条连通域包含的极耳层数；
A6，对所有连通域中包含的极耳层数进行求和。
作为本发明的一种优选技术方案，
所述借助深度学习工具在使用深度学习训练的分割模型对待检测，在对待检测的极耳图片进行图像分割。
作为本发明的一种优选技术方案，
所述从二值化标签图中获取极耳RO I区域的方法；
B1，从已分割的极耳标签图中遍历查找像素值不为零的坐标点集；
B2，计算该坐标点集中X轴、Y轴两个方向上最大坐标值和最小坐标值B3，所求的极耳RO I区域由左上角点和右下角点，围成的区域构成。
作为本发明的一种优选技术方案，
所述筛选极耳连通域的方法；
C1，统计极耳RO I区域内连通域条数；
C2，用宽乘以一个预先设置的比例系数；
C3，得到最小面积阈值，并逐条将检测；
C4，保留大于该阈值优选的。
作为本发明的一种优选技术方案，
所述计算单条极耳连通域包含极耳层数的方法；
D1,所述二值化标签图中获取极耳RO I区域的方法得到RO I区域；
D2,基于预先设置分段数和间隔阈值优选的，对极耳RO I区域进行区域分割；
D3,使用宽乘以一个预先设置的比例系数得到最小面积阈值；
D4,分别计算各个分割区域中连通域面积大于该阈值条数；
D5,条数最大值作为当前连通域中包含的极耳层数。
作为本发明的一种优选技术方案，
所述Zhang-Suen算法是一种图像细化算法，以便进行更高效的图像处理作为本发明的一种优选技术方案，
所述深度学习模型；
是一种经过大量数据训练，习得一定通用特征的模型。
作为本发明的一种优选技术方案，
所述Zhang-Suen算法在细化过程中可能会产生一些细节误差。为了提高算法的准确性，可以引入一些细节处理方法。
与现有技术相比，本发明的有益效果如下：
本发明通过使用相机设备获取待检测极耳图片，然后依靠集成的图像识别算法实现极耳层数的自动化检测，不仅降低了人工检测成本，而且还提高了检测效率。本方法在进行极耳识别时，采用深度学习和传统图像预处理相结合的设计思路，兼顾了深度学习在目标分割中适应性强、分割精度高以及传统预处理对数据需求少、计算资源要求低等优势，可以在复杂环境和低耗时的条件下提高极耳层数的检测精度。
附图说明
图1为本发明检测步骤流程图；
图2为本发明二值化标签图中获取极耳RO I区域的方法流程图；
图3为本发明筛选极耳连通域的方法流程图；
图4为本发明计算单条极耳连通域包含极耳层数的方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1至图4所示，本发明提供一种基于图像识别的极耳层数检测方法，
其步骤为：
A1，使用深度学习预先训练的模型对待检测极耳图片进行分割，使用拍照设备记录采集极耳的图片，在对其进行标注、训练，在使用深度学习训练的分割模型进行分割得到标签图；
A2，使用二值化标签图中获取极耳RO I区域的方法，从已分割的极耳标签图中获取极耳的RO I区域进行二值化和腐蚀预处理；
A3，使用Zhang-Suen提出的细化算法，对预处理后的极耳区域进行骨架提取，获得需极耳要线条；
A4，根据从骨架提取后获得的条数，并根据筛选极耳连通域的方法筛选出满足条件的极耳连通域；
A5，根据计算单条极耳连通域包含极耳层数的方法，选出的每条连通域包含的极耳层数；
A6，对所有连通域中包含的极耳层数进行求和。
使用拍照设备记录和采集足够多极耳的图片来组成样本集，借助深度学习工具对收集的极耳样本集进行标注、训练，在使用深度学习训练的分割模型进行分割得到标签图；通过使用从二值化标签图中获取极耳ROI区域的方法，分割已分割的极耳图片，获得极耳的RO I区域，并对区域先后进行二值化和×大小矩形核的腐蚀预处理；使用Zhang-Suen提出的细化算法对预处理后的极耳区域进行骨架提取，以获得单像素宽度的极耳线条；从骨架提取后的区域中统计极耳连通域条数，并根据筛选极耳连通域的方法从已检测到的连通域集中初步筛选出满足条件的极耳连通域，设为阈值一；根据阈值一,使用计算单条极耳连通域包含极耳层数的方法，逐条计算筛选出满足条件的极耳连通域，筛选出的每条极耳连通域中包含的极耳层数,设为阈值二；根据阈值二,对所有连通域中包含的极耳层数进行求和，即为最终检测出的极耳层数。
通过使用相机设备获取待检测极耳图片，然后依靠集成的图像识别算法实现极耳层数的自动化检测，不仅降低了人工检测成本，而且还提高了检测效率。本方法在进行极耳识别时，采用深度学习和传统图像预处理相结合的设计思路，兼顾了深度学习在目标分割中适应性强、分割精度高以及传统预处理对数据需求少、计算资源要求低等优势，可以在复杂环境和低耗时的条件下提高极耳层数的检测精度。
其中，所述借助深度学习工具在使用深度学习训练的分割模型对待检测，在对待检测的极耳图片进行图像分割。
通过使用深度学习训练的分割模型对待检测的极耳图片进行图像分割，获得分割后背景像素值为0、极耳像素值为1的标签图。
其中，所述从二值化标签图中获取极耳ROI区域的方法；
B1，从已分割的极耳标签图中遍历查找像素值不为零的坐标点集；
B2，计算该坐标点集中X轴、Y轴两个方向上最大坐标值和最小坐标值
B3，所求的极耳ROI区域由左上角点和右下角点，围成的区域构成。
通过分别计算该坐标点集中X轴、Y轴两个方向上最大坐标值Xmax和Ymax以及最小坐标值Xmin和Ymin。则所求的极耳ROI区域由左上角点(Xmin，Ymin)和右下角点X(max，Ymax)围成的区域构成。
其中，所述筛选极耳连通域的方法；
C1，统计极耳ROI区域内连通域条数；
C2，用宽乘以一个预先设置的比例系数；
C3，得到最小面积阈值，并逐条将检测；
C4，保留大于该阈值优选的。
先统计出极耳ROI区域内包含的连通域条数，并用ROI区域的宽乘以一个预先设置的比例系数，得到可接受为极耳的最小面积阈值，并逐条将检测到的连通域面积与该阈值进行比较，保留所有大于该阈值的极耳连通域。优选的，设置的比例系数范围为1/20～1/50。
其中，所述计算单条极耳连通域包含极耳层数的方法；
D1,所述二值化标签图中获取极耳ROI区域的方法得到ROI区域；
D2,基于预先设置分段数和间隔阈值优选的，对极耳ROI区域进行区域分割；
D3,使用宽乘以一个预先设置的比例系数得到最小面积阈值；
D4,分别计算各个分割区域中连通域面积大于该阈值条数；
D5,条数最大值作为当前连通域中包含的极耳层数。
从单条极耳连通域的点集中如二值化标签图中获取极耳ROI区域所述方法一样得到单条极耳的ROI区域；预先设置一个分段数和间隔阈值，然后对极耳ROI区域进行区域分割。优选的，该分段数范围为20～30；分割的间隔阈值大小由单个分割区域宽的1/10所确定。用单个分割区域的宽乘以一个预先设置的比例系数，得到区域块中可接受为极耳的最小面积阈值，优选的，该比例系数范围为0.7～0.9；分别计算各个分割区域中检测到的连通域面积大于该阈值的极耳连通域条数，并将所有分割区域内检测到的连通域条数最大值作为当前连通域中包含的极耳层数
其中，所述Zhang-Suen算法是一种图像细化算法，以便进行更高效的图像处理
所述Zhang-Suen算法是一种图像细化算法，用于将二值化的图像变得更薄，以便进行更高效的图像处理。
其中，所述深度学习模型；
是一种经过大量数据训练，习得一定通用特征的模型。
已经经过大量数据训练，并且已经习得一定通用特征的模型。这些模型通常可以直接应用于新的任务中，以便利用其已经训练好的特征进行预测或分类。
其中，所述Zhang-Suen算法在细化过程中可能会产生一些细节误差。为了提高算法的准确性，可以引入一些细节处理方法
例如使用更精细的形态学操作来处理这些误差。这些处理方法可以减少细化结果的误差，提高算法的准确性。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种基于图像识别的极耳层数检测方法，其特征在于：
检测方法步骤为：
A1，使用深度学习预先训练的模型对待检测极耳图片进行分割，使用拍照设备记录采集极耳的图片，在对其进行标注、训练，在使用深度学习训练的分割模型进行分割得到标签图；
A2，使用二值化标签图中获取极耳ROI区域的方法，从已分割的极耳标签图中获取极耳的ROI区域进行二值化和腐蚀预处理；
A3，使用Zhang-Suen提出的细化算法，对预处理后的极耳区域进行骨架提取，获得需极耳要线条；
A4，根据从骨架提取后获得的条数，并根据筛选极耳连通域的方法筛选出满足条件的极耳连通域；
A5，根据计算单条极耳连通域包含极耳层数的方法，选出的每条连通域包含的极耳层数；
A6，对所有连通域中包含的极耳层数进行求和。
2.根据权利要求1所述的一种基于图像识别的极耳层数检测方法，其特征在于：
所述借助深度学习的工具在使用深度学习训练的分割模型对待检测，在对待检测的极耳图片进行图像分割。
3.根据权利要求1所述的一种基于图像识别的极耳层数检测方法，其特征在于：
所述从二值化标签图中获取极耳ROI区域的方法；
B1，从已分割的极耳标签图中遍历查找像素值不为零的坐标点集；
B2，计算该坐标点集中X轴、Y轴两个方向上最大坐标值和最小坐标值；
B3，所求的极耳ROI区域由左上角点和右下角点，围成的区域构成。
4.根据权利要求1所述的一种基于图像识别的极耳层数检测方法，其特征在于：
所述极耳连通域的筛选方法；
C1，统计极耳ROI区域内连通域条数；
C2，用宽乘以一个预先设置的比例系数；
C3，得到最小面积阈值，并逐条将检测；
C4，保留大于该阈值优选的。
5.根据权利要求1所述的一种基于图像识别的极耳层数检测方法，其特征在于：
所述计算单条极耳连通域包含极耳层数的方法；
D1,所述二值化标签图中获取极耳ROI区域的方法得到ROI区域；
D2,基于预先设置分段数和间隔阈值优选的，对极耳ROI区域进行区域分割；
D3,使用宽乘以一个预先设置的比例系数得到最小面积阈值；
D4,分别计算各个分割区域中连通域面积大于该阈值条数；
D5,条数最大值作为当前连通域中包含的极耳层数。
6.根据权利要求4所述的一种基于图像识别的极耳层数检测方法，其特征在于：
所述Zhang-Suen算法是一种图像细化算法，以便进行更高效的图像处理。
7.根据权利要求1所述的一种基于图像识别的极耳层数检测方法，其特征在于：所述深度学习模型是一种经过大量数据训练，习得一定通用特征的模型。
8.根据权利要求1所述的一种基于图像识别的极耳层数检测方法，其特征在于：
所述Zhang-Suen算法在细化过程中会产生一些细节误差，为了提高算法的准确性，引入一些细节处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311453317.6A CN117350993B (zh) | 2023-11-02 | 2023-11-02 | 一种基于图像识别的极耳层数检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311453317.6A CN117350993B (zh) | 2023-11-02 | 2023-11-02 | 一种基于图像识别的极耳层数检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117350993A true CN117350993A (zh) | 2024-01-05 |
| CN117350993B CN117350993B (zh) | 2024-09-03 |
Family
ID=89361322
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311453317.6A Active CN117350993B (zh) | 2023-11-02 | 2023-11-02 | 一种基于图像识别的极耳层数检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117350993B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114813745A (zh) * | 2022-04-01 | 2022-07-29 | 上海先导慧能技术有限公司 | 极耳翻折检测方法、装置、系统、电子设备及存储介质 |
| CN115631177A (zh) * | 2022-10-31 | 2023-01-20 | 广东利元亨智能装备股份有限公司 | 电芯极耳检测方法和计算机可读存储介质 |
| WO2023102723A1 (zh) * | 2021-12-07 | 2023-06-15 | 宁德时代新能源科技股份有限公司 | 图像的处理方法和系统 |
| CN116349021A (zh) * | 2021-10-27 | 2023-06-27 | 宁德时代新能源科技股份有限公司 | 电池极耳检测方法、装置及存储介质 |
-
2023
- 2023-11-02 CN CN202311453317.6A patent/CN117350993B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116349021A (zh) * | 2021-10-27 | 2023-06-27 | 宁德时代新能源科技股份有限公司 | 电池极耳检测方法、装置及存储介质 |
| WO2023102723A1 (zh) * | 2021-12-07 | 2023-06-15 | 宁德时代新能源科技股份有限公司 | 图像的处理方法和系统 |
| CN114813745A (zh) * | 2022-04-01 | 2022-07-29 | 上海先导慧能技术有限公司 | 极耳翻折检测方法、装置、系统、电子设备及存储介质 |
| CN115631177A (zh) * | 2022-10-31 | 2023-01-20 | 广东利元亨智能装备股份有限公司 | 电芯极耳检测方法和计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117350993B (zh) | 2024-09-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107895376A (zh) | 基于改进Canny算子和轮廓面积阈值的太阳能电池板识别方法 | |
| CN115131283B (zh) | 目标对象的缺陷检测、模型训练方法、装置、设备及介质 | |
| CN110544231B (zh) | 基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法 | |
| CN110991448A (zh) | 电力设备铭牌图像的文本检测方法及装置 | |
| CN116721107B (zh) | 一种电缆生产质量智能监控系统 | |
| CN116503348B (zh) | 一种卷绕锂电池的电芯阴阳极片对齐度的检测方法及设备 | |
| CN113506240B (zh) | 一种基于深度学习的金相晶界提取和连通方法 | |
| CN114119462A (zh) | 一种基于深度学习的锂电池电芯铝壳蓝膜外观检测算法 | |
| CN113888462A (zh) | 一种裂纹识别方法、系统、可读介质及存储介质 | |
| CN115330796A (zh) | 一种铜线镀锡缺陷识别方法 | |
| CN111210417B (zh) | 基于卷积神经网络的布匹缺陷检测方法 | |
| CN115841669A (zh) | 一种基于深度学习技术的指针式仪表检测与示数识别方法 | |
| CN115761644A (zh) | 基于深度学习和帧差法的输电导线异物检测方法 | |
| CN116311201A (zh) | 一种基于图像识别技术的变电站设备状态识别方法及系统 | |
| CN117994666A (zh) | 一种结合残差网络和边缘检测的海冰识别方法 | |
| CN102313740B (zh) | 太阳能电池板裂痕检测方法 | |
| CN117765287A (zh) | 一种结合lwr和密度聚类的图像目标提取方法 | |
| CN117541585A (zh) | 一种锂电池极片露箔缺陷检测方法及装置 | |
| CN117350993B (zh) | 一种基于图像识别的极耳层数检测方法 | |
| CN111080562B (zh) | 一种基于增强图像对比的变电场所悬挂物识别方法 | |
| Rongrong et al. | Fault diagnosis method of distribution equipment based on hybrid model of robot and deep learning | |
| CN102004537B (zh) | 系统上下电控制装置和方法 | |
| CN112036410B (zh) | 基于深度学习和图像梯度的电力设备红外图像分割方法 | |
| CN114757941A (zh) | 变电站设备缺陷的识别方法、装置、电子设备及存储介质 | |
| CN112927197A (zh) | 一种空调外机支架锈蚀检测方法、装置、设备及存储介质 |
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 |