CN117589792A - 收尾位置检测方法、装置、计算机设备和存储介质 - Google Patents

收尾位置检测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN117589792A
CN117589792A CN202410073865.4A CN202410073865A CN117589792A CN 117589792 A CN117589792 A CN 117589792A CN 202410073865 A CN202410073865 A CN 202410073865A CN 117589792 A CN117589792 A CN 117589792A
Authority
CN
China
Prior art keywords
internal structure
image
structure image
position detection
enhanced
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
Application number
CN202410073865.4A
Other languages
English (en)
Other versions
CN117589792B (zh
Inventor
才鑫源
李海波
牛茂龙
宋谦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Contemporary Amperex Technology Ltd
Original Assignee
Jiangsu Contemporary Amperex Technology Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Contemporary Amperex Technology Ltd filed Critical Jiangsu Contemporary Amperex Technology Ltd
Priority to CN202410073865.4A priority Critical patent/CN117589792B/zh
Publication of CN117589792A publication Critical patent/CN117589792A/zh
Application granted granted Critical
Publication of CN117589792B publication Critical patent/CN117589792B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • 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
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/05—Accumulators with non-aqueous electrolyte
    • H01M10/052—Li-accumulators
    • H01M10/0525—Rocking-chair batteries, i.e. batteries with lithium insertion or intercalation in both electrodes; Lithium-ion batteries
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/05—Accumulators with non-aqueous electrolyte
    • H01M10/058—Construction or manufacture
    • H01M10/0587—Construction or manufacture of accumulators having only wound construction elements, i.e. wound positive electrodes, wound negative electrodes and wound separators
    • 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
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]

Landscapes

  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • General Chemical & Material Sciences (AREA)
  • Electrochemistry (AREA)
  • Manufacturing & Machinery (AREA)
  • Biochemistry (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Materials Engineering (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种收尾位置检测方法、装置、计算机设备和存储介质，该方法包括：响应于目标电芯的收尾位置检测指令，获取目标电芯的多个不同视角下的内部结构图像，并对各内部结构图像进行分析，确定目标电芯的收尾位置检测结果。采用本方法提高对目标电芯的收尾位置检测的准确性。

Description

收尾位置检测方法、装置、计算机设备和存储介质
技术领域
本申请涉及电芯检测技术领域，特别是涉及一种收尾位置检测方法、装置、计算机设备和存储介质。
背景技术
随着电子设备的发展，电池的应用越来越广泛。
以卷绕电池为例，由于卷绕电池高能量密度和轻量化特性，成为了许多电子设备的首选电源。但是，在卷绕电池的生产过程中，如果卷绕电池的电芯收尾位置不正确，则可能会导致卷绕电池内部短路或损害。因此，如何对电芯收尾位置进行缺陷检测成为了一种亟需解决的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种收尾位置检测方法、装置、计算机设备和存储介质，能够对电芯收尾位置进行缺陷检测。
第一方面，本申请实施例提供了一种收尾位置检测方法，包括：
响应于目标电芯的收尾位置检测指令，获取目标电芯的多个不同视角下的内部结构图像；
对各内部结构图像进行分析，确定目标电芯的收尾位置检测结果。
本申请实施例提供的收尾位置检测方法中，响应于目标电芯的收尾位置检测指令，获取目标电芯的多个不同视角下的内部结构图像，然后对各内部结构图像进行分析，确定目标电芯的收尾位置检测结果。该方法中，内部结构图像能够反映目标电芯内部的密度分布和组成，因此，通过目标电芯的内部结构图像能够检测目标电芯内部的极片收尾位置是否正确；并且，通过内部结构图像对目标电芯内部的收尾位置进行检测，而不需要破坏目标电芯的完整性，实现了对目标电芯的收尾位置的无损检测；另外，通过目标电芯在多个不同视角下的内部结构图像确定收尾位置检测结果，可以减少单个视图可能存在的误差，减少误判的可能性，提高了收尾位置检测结果的准确性。
在其中一个实施例中，内部结构图像包括目标电芯的整体内部结构图像，获取目标电芯的多个不同视角下的内部结构图像，包括：
获取第一图像采集设备采集的整体内部结构图像，第一图像采集设备的采集视角覆盖目标电芯的全部表面。
本申请实施例提供的收尾位置检测方法中，获取第一图像采集设备采集的整体内部结构图像，第一图像采集设备的采集视角覆盖目标电芯的全部表面。该方法中，将第一图像采集设备的采集视角覆盖目标电芯的全部表面，使得采集的整体内部结构图像能够表示目标电芯内部的全部结构信息，有助于全面分析目标电芯的内部结构，从而提高了收尾位置检测结果的准确性。
在其中一个实施例中，内部结构图像包括目标电芯的拐角内部结构图像，获取目标电芯的多个不同视角下的内部结构图像，包括：
获取第二图像采集设备采集的第一内部结构图像和第三图像采集设备采集的第二内部结构图像；第二图像采集设备采集视角覆盖目标电芯上第一拐角所在区域和第二拐角所在区域；第三图像采集设备采集视角覆盖目标电芯上第三拐角所在区域和第四拐角所在区域；
将第一内部结构图像和第二内部结构图像进行合并，得到拐角内部结构图像。
本申请实施例提供的收尾位置检测方法中，获取第二图像采集设备采集的第一内部结构图像和第三图像采集设备采集的第二内部结构图像，并将第一内部结构图像和第二内部结构图像进行合并，得到拐角内部结构图像；其中，第二图像采集设备采集视角覆盖目标电芯上第一拐角所在区域和第二拐角所在区域；第三图像采集设备采集视角覆盖目标电芯上第三拐角所在区域和第四拐角所在区域。该方法中，由于对目标电芯的收尾位置进行检测就是为了检测电芯收尾位置是否在目标电芯的拐角处，因此，通过采集目标电芯的局部拐角区域图像，针对性地对拐角内部结构图像进行收尾位置的检测，提高了收尾位置检测的精度和效率。
在其中一个实施例中，各内部结构图像包括目标电芯的整体内部结构图像和拐角内部结构图像；对各内部结构图像进行分析，确定目标电芯的收尾位置检测结果，包括：
对整体内部结构图像和拐角内部结构图像分别进行图像增强处理，得到增强整体内部结构图像和增强拐角内部结构图像；
根据整体内部结构图像、增强整体内部结构图像和增强拐角内部结构图像，确定目标电芯的收尾位置检测结果。
本申请实施例提供的收尾位置检测方法中，对整体内部结构图像和拐角内部结构图像分别进行图像增强处理，得到增强整体内部结构图像和增强拐角内部结构图像，并根据整体内部结构图像、增强整体内部结构图像和增强拐角内部结构图像，确定目标电芯的收尾位置检测结果。该方法中，对整体内部结构图像和拐角内部结构图像进行图像增强处理，能够凸显整体内部结构图像和拐角内部结构图像中的重要特征，因此，通过整体内部结构图像，以及增强处理后的增强整体内部结构图像和增强拐角内部结构图像进行收尾位置的检测，能够提高收尾位置检测结果的准确性；并且，通过多种维度的内部结构图像对收尾位置进行综合检测，进一步提高了收尾位置检测精度。
在其中一个实施例中，对整体内部结构图像和拐角内部结构图像分别进行图像增强处理，得到增强整体内部结构图像和增强拐角内部结构图像，包括：
根据目标图像中各像素点的灰度值，确定目标图像的边缘像素点；目标图像为整体内部结构图像或者拐角内部结构图像；
根据目标图像的边缘像素点和预设的外扩偏移量，从目标图像中获取感兴趣区域图像；
对感兴趣区域图像进行图像处理，得到目标图像的增强内部结构图像。
本申请实施例提供的收尾位置检测方法中，根据目标图像中各像素点的灰度值，确定目标图像的边缘像素点；目标图像为整体内部结构图像或者拐角内部结构图像；并根据目标图像的边缘像素点和预设的外扩偏移量，从目标图像中获取感兴趣区域图像，然后对感兴趣区域图像进行图像处理，得到目标图像的增强内部结构图像。该方法中，先提取整体内部结构图像和拐角内部结构图像中的感兴趣区域图像，然后对感兴趣区域图像进行图像处理，这样减少了对整体内部结构图像或者拐角内部结构图像进行增强处理的计算量，提高了图像处理效率；并且，在提取感兴趣区域图像时，通过边缘像素点和外扩偏移量确定感兴趣区域，使得提取的感兴趣区域更为准确且有效。
在其中一个实施例中，对感兴趣区域图像进行图像处理，得到目标图像的增强内部结构图像，包括：
将感兴趣区域图像进行对数域的转换，得到对数域内部结构图像；
对对数域内部结构图像进行双边滤波处理，得到滤波内部结构图像；
对滤波内部结构图像进行均衡化处理，得到目标图像的增强内部结构图像。
本申请实施例提供的收尾位置检测方法中，将感兴趣区域图像进行对数域的转换，得到对数域内部结构图像，并对对数域内部结构图像进行双边滤波处理，得到滤波内部结构图像，然后对滤波内部结构图像进行均衡化处理，得到目标图像的增强内部结构图像。该方法中，通过对数域变换能够提高图像的细节敏感性，通过双边滤波能够有效降低图像中的噪声，提高图像质量，通过均衡化处理能够增强图像的对比度，使得图像中的灰度变化更加明显，因此，通过对感兴趣区域图像进行这一系列的处理，能够得到更加清晰、准确的内部结构图像，为后续收尾位置的检测提供了更精准的数据支持。
在其中一个实施例中，根据整体内部结构图像、增强整体内部结构图像和增强拐角内部结构图像，确定目标电芯的收尾位置检测结果，包括：
将整体内部结构图像、增强整体内部结构图像和增强拐角内部结构图像均输入至位置检测模型中，得到目标电芯的收尾位置检测结果。
本申请实施例提供的收尾位置检测方法中，将整体内部结构图像、增强整体内部结构图像和增强拐角内部结构图像均输入至位置检测模型中，得到目标电芯的收尾位置检测结果。该方法中，直接通过预先训练好的位置检测模型确定目标电芯的收尾位置检测结果，提高了对目标电芯进行收尾位置检测的效率和准确率。
在其中一个实施例中，位置检测模型包括深度可分离卷积网络和输出网络；将整体内部结构图像、增强整体内部结构图像和增强拐角内部结构图像均输入至位置检测模型中，得到目标电芯的收尾位置检测结果，包括：
通过深度可分离卷积网络分别对整体内部结构图像、增强整体内部结构图像和增强拐角内部结构图像进行多尺度特征提取，分别得到多个不同尺度下的整体特征图像、增强整体特征图像和增强拐角特征图像；
将各整体特征图像、各增强整体特征图像和各增强拐角特征图像输入至输出网络中，得到收尾位置检测结果。
本申请实施例提供的收尾位置检测方法中，通过深度可分离卷积网络分别对整体内部结构图像、增强整体内部结构图像和增强拐角内部结构图像进行多尺度特征提取，分别得到多个不同尺度下的整体特征图像、增强整体特征图像和增强拐角特征图像，然后将各整体特征图像、各增强整体特征图像和各增强拐角特征图像输入至输出网络中，得到收尾位置检测结果。该方法中，通过不同角度和多个不同尺度的特征图像确定目标电芯的收尾位置检测结果，能够提高收尾位置检测结果的准确性。
在其中一个实施例中，根据整体内部结构图像、增强整体内部结构图像和增强拐角内部结构图像，确定目标电芯的收尾位置检测结果，包括：
根据整体内部结构图像和预设的标准整体内部结构图像，确定目标电芯的收尾位置正常的第一概率值；根据增强整体内部结构图像和预设的标准增强整体内部结构图像，确定目标电芯的收尾位置正常的第二概率值；根据增强拐角内部结构图像和预设的标准增强拐角内部结构图像，确定目标电芯的收尾位置正常的第三概率值；
根据第一概率值、第二概率值和第三概率值，确定目标电芯的收尾位置检测结果。
本申请实施例提供的收尾位置检测方法中，根据整体内部结构图像和预设的标准整体内部结构图像，确定目标电芯的收尾位置正常的第一概率值，并根据增强整体内部结构图像和预设的标准增强整体内部结构图像，确定目标电芯的收尾位置正常的第二概率值，然后根据增强拐角内部结构图像和预设的标准增强拐角内部结构图像，确定目标电芯的收尾位置正常的第三概率值，最后根据第一概率值、第二概率值和第三概率值，确定目标电芯的收尾位置检测结果。该方法中，将整体内部结构图像、增强整体内部结构图像和增强拐角内部结构图像分别与对应的标准内部结构图像进行对比，确定目标电芯收尾位置正常的多个概率值，然后将多个概率值进行决策融合，确定目标电芯的收尾位置检测结果，提高了收尾位置检测的全面性，从而提高了收尾位置检测结果的有效性和准确性。
在其中一个实施例中，根据第一概率值、第二概率值和第三概率值，确定目标电芯的收尾位置检测结果，包括：
根据第一概率值、第二概率值和第三概率值，确定综合概率值；
在综合概率值大于预设的概率阈值的情况下，确定收尾位置检测结果为正常；在综合概率值小于或等于概率阈值的情况下，确定收尾位置检测结果为异常。
本申请实施例提供的收尾位置检测方法中，根据第一概率值、第二概率值和第三概率值，确定综合概率值；在综合概率值大于预设的概率阈值的情况下，确定收尾位置检测结果为正常；在综合概率值小于或等于概率阈值的情况下，确定收尾位置检测结果为异常。该方法中，将多个收尾位置检测正常的概率值进行决策，并根据决策得到的综合概率值以及预设的概率阈值，确定目标电芯的收尾位置检测结果，提高了收尾位置检测的准确性。
第二方面，本申请实施例还提供了一种收尾位置检测装置，包括：
图像获取模块，用于响应于目标电芯的收尾位置检测指令，获取目标电芯的多个不同视角下的内部结构图像；
结果确定模块，用于对各内部结构图像进行分析，确定目标电芯的收尾位置检测结果。
第三方面，本申请实施例提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，该处理器执行计算机程序时实现上述第一方面中任一实施例提供的方法的步骤。
第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述第一方面中任一实施例提供的方法的步骤。
第五方面，本申请实施例还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述第一方面中任一实施例提供的方法的步骤。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为一个实施例中计算机设备的内部结构图；
图2为一个实施例中收尾位置检测方法的流程示意图；
图3为一个实施例中X-Ray设备采集整体内部结构图像的结构示意图；
图4为另一个实施例中收尾位置检测方法的流程示意图；
图5为一个实施例中X-Ray设备采集第二内部结构图像和第三内部结构图像的结构示意图；
图6为另一个实施例中收尾位置检测方法的流程示意图；
图7为另一个实施例中收尾位置检测方法的流程示意图；
图8为一个实施例中提取感兴趣区域图像的结构示意图；
图9为另一个实施例中收尾位置检测方法的流程示意图；
图10为另一个实施例中收尾位置检测方法的流程示意图；
图11为一个实施例中深度可分离卷积网络的结构示意图；
图12为一个实施例中YOLOv5基准模型的结构示意图；
图13为一个实施例中初始位置检测模型的结构示意图；
图14为另一个实施例中收尾位置检测方法的流程示意图；
图15为另一个实施例中收尾位置检测方法的流程示意图；
图16为一个实施例中目标电芯的拐角区域的X-Ray成像示意图；
图17为另一个实施例中目标电芯的拐角区域的X-Ray成像示意图；
图18为一个实施例中电芯的整体内部结构图像的示意图；
图19为另一个实施例中收尾位置检测方法的流程示意图；
图20为一个实施例中收尾位置检测装置的结构框图；
图21为另一个实施例中收尾位置检测装置的结构框图；
图22为另一个实施例中收尾位置检测装置的结构框图；
图23为另一个实施例中收尾位置检测装置的结构框图；
图24为另一个实施例中收尾位置检测装置的结构框图；
图25为另一个实施例中收尾位置检测装置的结构框图；
图26为另一个实施例中收尾位置检测装置的结构框图；
图27为另一个实施例中收尾位置检测装置的结构框图；
图28为另一个实施例中收尾位置检测装置的结构框图；
图29为另一个实施例中收尾位置检测装置的结构框图。
具体实施方式中的附图标号如下：
301 目标电芯；302 目标电芯的大面；
303 第一X-Ray设备；304 采集源；
305 平板探测器；501 第一拐角所在区域；
502 第二拐角所在区域；503 第三拐角所在区域；
504 第四拐角所在区域；505 第二X-Ray设备；
506 第三X-Ray设备；801 整体内部结构图像；
802 边缘像素点；803 感兴趣区域图像。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，下面将结合附图对本申请技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本申请的技术方案，因此只作为示例，而不能以此来限制本申请的保护范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。
在本申请实施例的描述中，技术术语“第一”“第二”等仅用于区别不同对象，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量、特定顺序或主次关系。在本申请实施例的描述中，“多个”的含义是两个以上，除非另有明确具体的限定。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。
在本申请实施例的描述中，术语“多个”指的是两个以上（包括两个）。
以锂离子电池为例，锂离子电池在装配过程中，通常是将正负极片、隔膜、极耳、壳体等部件进行装配。装配过程通常可以分成卷绕和叠片、组装等工序。卷绕和叠片是将集流体上焊接有极耳的正负极片和隔膜制成正极—隔膜—负极结构的方形或圆柱形电芯结构的过程。组装是指将电芯、壳体、盖板和绝缘片等装配到一起的过程。
其中，对于电池的卷绕工艺，通常是将正负极片和隔膜按照正极、隔膜、负极和隔膜进行排列，再通过卷绕工艺组装成圆柱形或方形电芯的过程。在卷绕电芯时，阴极和阳极的电极片需要被正确地安置在电芯的两端，电芯的收尾位置的正确安置对于电芯的性能和安全性都至关重要。因此，在电芯制造过程中，确保阴极和阳极电极片的收尾位置正确是非常重要的工艺步骤。
并且，对于卷绕电芯的阴阳极极片的收尾，收尾处要在圆弧处而不要在大面上，因为圆弧拐角处默认是不参与脱嵌锂反应的，即这一部分是不提供容量的，如果阴阳极极片收尾在大面上相当于失去了一部分锂离子容量，但是收尾在圆弧时就不会存在利用率低的问题。
然而，相关技术中缺乏一种对于电芯的收尾位置进行检测的方式。
基于此，本申请实施例提供一种收尾位置检测方法，在响应于目标电芯的收尾位置检测指令之后，获取目标电芯的多个不同视角下的内部结构图像，然后对目标电芯在不同视角下的内部结构图像进行分析，从而确定目标电芯的收尾位置检测结果。由于内部结构图像能够反映目标电芯内部的密度分布和组成，因此，通过目标电芯的内部结构图像能够检测目标电芯内部的极片收尾位置是否正确；另外，通过目标电芯在多个不同视角下的内部结构图像确定收尾位置检测结果，可以减少单个视图可能存在的误差，减少误判的可能性，从而提高收尾位置检测结果的准确性。
当然，需理解的是，本申请实施例中提供的收尾位置检测方法可以实现的技术效果不限于此，还可以实现其他的技术效果，例如，通过对目标电芯的内部结构图像进行收尾位置的检测，实现了对目标电芯的无损检测，且提高了电芯的检测效率等等。本申请实施例中所能实现技术效果具体可参见下述实施例。
以下实施例为了方便说明，以本申请一实施例的一种计算机设备为执行主体进行说明，计算机设备用于对目标装置进行功能配置。该计算机设备可以是服务器，其内部结构图可以如图1所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O）和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储装置的收尾位置检测数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现本申请任一下述任一实施例中提供的收尾位置检测方法的步骤。
本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个示例性的实施例中，如图2所示，提供了一种收尾位置检测方法，该方法包括以下步骤：
S201，响应于目标电芯的收尾位置检测指令，获取目标电芯的多个不同视角下的内部结构图像。
其中，目标电芯可以是进行卷绕工序后需进行收尾位置检测的任一电芯；目标电芯的内部结构图像可以反映目标电芯内部的密度分布信息、结构信息和厚度信息等等。
内部结构图像可以根据图像采集设备采集目标电芯后得到的；其中，图像采集设备可以包括X射线（X-Ray）设备、磁共振成像设备、超声波成像设备和光学相干断层扫描设备等等；可选地，通过X-Ray设备采集的内部结构图像可以是X光图像，通过磁共振成像设备采集的内部结构图像可以是磁共振图像，可以是二维或三维的灰度图像；通过超声波成像设备采集的图像可以是超声波图像，可以是二维或三维灰度图像；通过光学相干断层扫描设备采集的图像可以是光学相干断层扫描图像，可以是高分辨率的二维或三维图像。
目标电芯在电池生产线上进行卷绕工序后，到达收尾位置检测工序，收尾位置检测工序上可以包括位置传感器，在位置传感器感应到目标电芯达到收尾位置检测工序后，可以向计算机设备发送目标电芯的收尾位置检测指令；也可以是直接将目标电芯放置在预设的收尾位置检测位置处，用户在计算机设备上触发目标电芯的收尾位置检测指令，计算机设备响应于用户触发的收尾位置检测指令。
收尾位置检测指令可以携带目标电芯的标识信息；标识信息可以唯一表示目标电芯。
计算机设备在响应收尾位置检测指令之后，可以获取目标电芯的多个不同视角下的内部结构图像。其中，获取目标电芯的多个不同视角下的内部结构图像的方式可以是，通过图像采集设备从不同角度获取目标电芯的内部结构图像；例如，通过调整图像采集设备的采集角度，采集目标电芯在多个不同视角下的内部结构图像。
可选地，收尾位置检测指令中可以携带目标电芯在多个不同视角下的内部结构图像，可以直接从收尾位置检测结果中获取目标电芯的多个不同视角下的内部结构图像。
需要说明的是，内部结构图像可以是16位、24位或32位具有深度信息的图像；内部结构图像的位数可以根据实际需求确定，本申请实施例在此不做限定。
S202，对各内部结构图像进行分析，确定目标电芯的收尾位置检测结果。
其中，目标电芯的收尾位置检测结果包括正常和异常。
可以通过预设的检测模型确定目标电芯的收尾位置检测结果；具体地，将各内部结构图像输入至检测模型中，通过检测模型对各内部结构图像进行分析，确定目标电芯的收尾位置检测结果。
可选地，也可以将各内部结构图像与对应的标准图像进行比较，若存在与标准图像一致的内部结构图像，则确定目标电芯的收尾位置检测结果为正常；若各内部结构图像均与对应的标准图像不一致，则确定目标电芯的收尾位置检测结果为异常。
每一种视图对应一个标准图像，该标准图像可以为在对应视图下电芯收尾位置正常的图像。
需要说明的是，目标电芯的收尾位置检测结果为正常可以表示目标电芯的极片收尾位置在目标电芯的拐角处，目标电芯的收尾位置检测结果为异常，则表示目标电芯的极片收尾位置在目标电芯的大面上；目标电芯的大面表示的是电芯的最大面积的表面，大面可以是电芯的正面或背面。
由于目标电芯包括阴极极片和阳极极片，因此，对目标电芯的收尾位置检测可以包括对目标电芯的阴极收尾位置检测和/或阳极收尾位置检测，目标电芯的收尾位置检测结果包括阴极收尾位置检测结果和/或阳极收尾位置检测结果。
目标电芯的收尾位置检测结果也可以包括目标电芯整体的收尾位置检测结果，即在目标电芯的收尾位置检测结果为异常情况下，目标电芯的阴极和/或阳极的收尾位置存在异常，在目标电芯的收尾位置检测结构为正常的情况下，目标电芯的阴极和阳极的收尾位置均正常。
本申请实施例提供的收尾位置检测方法中，响应于目标电芯的收尾位置检测指令，获取目标电芯的多个不同视角下的内部结构图像，然后对各内部结构图像进行分析，确定目标电芯的收尾位置检测结果。该方法中，内部结构图像能够反映目标电芯内部的密度分布和组成，因此，通过目标电芯的内部结构图像能够检测目标电芯内部的极片收尾位置是否正确；并且，通过内部结构图像对目标电芯内部的收尾位置进行检测，而不需要破坏目标电芯的完整性，实现了对目标电芯的收尾位置的无损检测；另外，通过目标电芯在多个不同视角下的内部结构图像确定收尾位置检测结果，可以减少单个视图可能存在的误差，减少误判的可能性，提高了收尾位置检测结果的准确性。
目标电芯的多个视角可以包括垂直于目标电芯的大面观察电芯时的所看到的整体视角，因此，内部结构图像包括目标电芯的整体内部结构图像，在一个示例性的实施例中，获取目标电芯的多个不同视角下的内部结构图像，包括：获取第一图像采集设备采集的整体内部结构图像，第一图像采集设备的采集视角覆盖目标电芯的全部表面。
目标电芯的全部表面可以表示目标电芯的大面，第一图像采集设备的采集源的采集视角覆盖目标电芯的大面，第一图像采集设备可以直接通过采集源采集目标电芯的大面，将第一图像采集设备采集目标电芯的图像确定为整体内部结构图像。
可选地，计算机设备可以向第一图像采集设备发送采集指令，第一图像采集设备接收到采集指令后，采集目标电芯的整体内部结构图像，并将采集的整体内部结构图像发送至计算机设备。
其中，第一图像采集设备可以为X-Ray设备、磁共振成像设备、超声波成像设备和光学相干断层扫描设备等等。
以第一图像采集设备为X-Ray设备为例，X-Ray设备采集的整体内部结构图像可以为X光图像；如图3所示，图3表示X-Ray设备采集整体内部结构图像的结构示意图，其中，301表示目标电芯，302表示目标电芯的大面，303表示第一X-Ray设备，304表示第一X-Ray设备的采集源，305表示第一X-Ray设备的平板探测器。
X-ray设备通过采集源发送X-Ray射线，X-Ray射线从目标电芯的大面穿透目标电芯，到达X-ray设备中的平板探测器，平板探测器通过接收的射线量显示成像，得到整体内部结构图像。其中，X-ray设备发射的X-ray射线具有强穿透性，根据物体密度和厚度等因素导致吸收程度上差异，到达X-ray设备中的平板探测器的射线量不同显示成像；其衰减公式为公式（1）。
（1）
其中，其中为穿透物体后射线强度，/>为入射的射线强度，/>为射线减弱系数，/>为物体厚度。
本申请实施例提供的收尾位置检测方法中，获取第一图像采集设备采集的整体内部结构图像，第一图像采集设备的采集视角覆盖目标电芯的全部表面。该方法中，将第一图像采集设备的采集视角覆盖目标电芯的全部表面，使得采集的整体内部结构图像能够表示目标电芯内部的全部密度信息，有助于全面分析目标电芯的内部结构，从而提高了收尾位置检测结果的准确性。
由于目标电芯的极片的收尾位置应处于目标电芯的拐角处，因此，可以获取目标电芯的拐角处的内部结构图像，通过拐角处的内部结构图像对极片的收尾位置进行检测。
因此，内部结构图像可以包括目标电芯的拐角内部结构图像，在一个示例性的实施例中，如图4所示，获取目标电芯的多个不同视角下的内部结构图像，包括以下步骤：
S401，获取第二图像采集设备采集的第一内部结构图像和第三图像采集设备采集的第二内部结构图像；第二图像采集设备采集视角覆盖目标电芯上第一拐角所在区域和第二拐角所在区域；第三图像采集设备采集视角覆盖目标电芯上第三拐角所在区域和第四拐角所在区域。
其中，第二图像采集设备和第三图像采集设备可以与第一图像采集设备相同。
以第二图像采集设备和第三图像采集设备为X-Ray设备为例；目标电芯的大面方向包括4个拐角，其中，可以将其中两个拐角作为第一拐角和第二拐角，将另外两个拐角作为第三拐角和第四拐角；如图5所示，图5为X-Ray设备采集第二内部结构图像和第三内部结构图像的结构示意图；501可以为第一拐角所在区域，502可以为第二拐角所在区域，503可以为第三拐角所在区域，504可以为第四拐角所在区域；第二X-Ray设备505可以固定设置在第一拐角所在区域501和第二拐角所在区域502的垂直上方，第三X-Ray设备506可以固定设置在第三拐角所在区域503和第四拐角所在区域504的垂直上方。
第二图像采集设备的采集视角能够覆盖目标电芯上第一拐角所在区域和第二拐角所在区域；第三图像采集设备的采集视角能够覆盖目标电芯上第三拐角所在区域和第四拐角所在区域。
计算机设备响应于目标电芯的收尾位置检测指令之后，可以向第二图像采集设备和第三图像采集设备发送采集指令；第二图像采集设备接收到采集指令后，采集第一拐角所在区域和第二拐角所在区域，得到第一内部结构图像，并将第一内部结构图像发送至计算机设备；第三图像采集设备接收到采集指令后，采集第三拐角所在区域和第四拐角所在区域，得到第二内部结构图像，并将第二内部结构图像发送至计算机设备。
其中，第二图像采集设备和第三图像采集设备在采集到第一内部结构图像和第二内部结构图像之后，可以对第一内部结构图像和第二内部结构图像进行处理，将处理后的第一内部结构图像和第二内部结构图像发送至计算机设备，以用于对目标电芯的收尾位置进行检测。以第一内部结构图像为例，第一图像采集设备采集的第一内部结构图像中可能还包括第一拐角区域和第二拐角区域以外的其他区域，可以将其他区域进行删除，只保留第一拐角所在区域和第二拐角所在区域；对第二内部结构图像的处理原理与第一内部结构图像相同，本申请实施例在此不再赘述。
S402，将第一内部结构图像和第二内部结构图像进行合并，得到拐角内部结构图像。
计算机设备接收到第一内部结构图像和第二内部结构图像之后，将第一内部结构图像和第二内部结构图像合并成一张图像，得到拐角内部结构图像。
其中，将第一内部结构图像和第二内部结构图像合并的方式可以是，将第一内部结构图像和第二内部结构图像组合成一张拐角内部结构图像，拐角内部结构图像中包括第一内部结构图像和第二内部结构图像；即拐角内部结构图像中包括第一拐角所在区域、第二拐角所在区域、第三拐角所在区域和第四拐角所在区域。
本申请实施例提供的收尾位置检测方法中，获取第二图像采集设备采集的第一内部结构图像和第三图像采集设备采集的第二内部结构图像，并将第一内部结构图像和第二内部结构图像进行合并，得到拐角内部结构图像；其中，第二图像采集设备采集视角覆盖目标电芯上第一拐角所在区域和第二拐角所在区域；第三图像采集设备采集视角覆盖目标电芯上第三拐角所在区域和第四拐角所在区域。该方法中，由于对目标电芯的收尾位置进行检测就是为了检测电芯收尾位置是否在目标电芯的拐角处，因此，通过采集目标电芯的局部拐角区域图像，针对性地对拐角内部结构图像进行收尾位置的检测，提高了收尾位置检测的精度和效率。
上述实施例中是对于如何采集目标电芯的整体内部结构图像和拐角内部结构图像进行的说明，下面通过一个实施例对于如何通过整体内部结构图像和拐角内部结构图像进行电芯收尾位置的检测进行说明。
在一个示例性的实施例中，各内部结构图像包括目标电芯的整体内部结构图像和拐角内部结构图像；如图6所示，对各内部结构图像进行分析，确定目标电芯的收尾位置检测结果，包括以下步骤：
S601，对整体内部结构图像和拐角内部结构图像分别进行图像增强处理，得到增强整体内部结构图像和增强拐角内部结构图像。
由于图像采集设备自身和环境等因素，采集的目标电芯的整体内部结构图像和拐角内部结构图像可能存在噪声、误差等问题。因此，在通过整体内部结构图像和拐角内部结构图像对目标电芯进行收尾位置检测之前，可以将整体内部结构图像和拐角内部结构图像进行图像增强处理，将图像增强处理后的整体内部结构图像确定为增强整体内部结构图像，将图像增强处理后的拐角内部结构图像确定为增强拐角内部结构图像。
其中，对整体内部结构图像和拐角内部结构图像进行图像增强处理的方式可以包括图像变换与校正、直方图均衡化、锐化、噪声去除、尺度变换、对比度增强、感兴趣区域提取等中的至少一种。
S602，根据整体内部结构图像、增强整体内部结构图像和增强拐角内部结构图像，确定目标电芯的收尾位置检测结果。
一种实施例中，可以将整体内部结构图像、增强整体内部结构图像和增强拐角内部结构图像输入至目标检测模型中，通过目标检测模型对整体内部结构图像、增强整体内部结构图像和增强拐角内部结构图像进行分析，得到目标检测模型输出的电芯收尾位置在目标电芯上的位置。
若电芯收尾位置在目标电芯的拐角处，则确定目标电芯的收尾位置检测结果为正常；若电芯收尾位置未在目标电芯的拐角处，则确定目标电芯的收尾位置检测结果为异常。
另一种实施例中，也可以分别将整体内部结构图像、增强整体内部结构图像和增强拐角内部结构图像输入至目标检测模型中，得到每个内部结构图像的检测结果；检测结果包括电芯收尾位置是否在目标电芯的拐角处。
若存在两种检测结果或两种以上的检测结果均为电芯收尾位置在目标电芯的拐角处，则确定目标电芯的收尾位置检测结果为正常；否则，目标电芯的收尾位置检测结果为异常。
本申请实施例提供的收尾位置检测方法中，对整体内部结构图像和拐角内部结构图像分别进行图像增强处理，得到增强整体内部结构图像和增强拐角内部结构图像，并根据整体内部结构图像、增强整体内部结构图像和增强拐角内部结构图像，确定目标电芯的收尾位置检测结果。该方法中，对整体内部结构图像和拐角内部结构图像进行图像增强处理，能够凸显整体内部结构图像和拐角内部结构图像中的重要特征，因此，通过整体内部结构图像，以及增强处理后的增强整体内部结构图像和增强拐角内部结构图像进行收尾位置的检测，能够提高收尾位置检测结果的准确性；并且，通过多种维度的内部结构图像对收尾位置进行综合检测，进一步提高了收尾位置检测精度。
由于在采集内部结构图像时可能会采集到非电芯区域，因此，为了提高检测效率和准确性，可以先从整体内部结构图像和拐角内部结构图像中提取检测收尾位置所需要的区域图像，然后再对提取的区域图像进行图像处理。下面通过一个实施例对此进行详细说明，在一个实施例中，如图7所示，对整体内部结构图像和拐角内部结构图像分别进行图像增强处理，得到增强整体内部结构图像和增强拐角内部结构图像，包括以下步骤：
S701，根据目标图像中各像素点的灰度值，确定目标图像的边缘像素点；目标图像为整体内部结构图像或者拐角内部结构图像。
由于电芯区域和非电芯区域之间的灰度值相差较大，因此，可以根据目标图像中各像素点的灰度值，确定出目标图像的边缘像素点。
例如，将目标图像中相邻像素点之间灰度值的差值大于预设差值阈值的像素点确定为边缘像素点，以此确定出目标图像的所有边缘像素点。
S702，根据目标图像的边缘像素点和预设的外扩偏移量，从目标图像中获取感兴趣区域图像。
可以将目标图像的边缘像素点所围成的区域确定为目标图像中电芯所在区域；从目标图像中截取以边缘像素点为中心向外扩充外扩偏移量之后所围成的区域图像，将此区域图像确定为感兴趣区域图像。
以目标图像为整体内部结构图像进行说明，如图8所示，图8为提取感兴趣区域图像的结构示意图，801为整体内部结构图像，802为整体内部结构图像801的边缘像素点，然后以边缘像素点向外扩充外扩偏移量，得到感兴趣区域图像803；需要说明的是，图8中的整体内部结构图像仅示意了轮廓，对于以不同灰度等级构成的内部结构分布并未示意。
S703，对感兴趣区域图像进行图像处理，得到目标图像的增强内部结构图像。
将图像处理后的感兴趣区域图像确定为目标图像的增强内部结构图像。
一种实施例中，可以根据预设的图像处理模型对感兴趣区域图像进行图像处理；具体地，将感兴趣区域图像输入至图像处理模型中，通过图像处理模型对感兴趣区域进行图像处理，得到目标图像的增强内部结构图像。
另一种实施例中，如图9所示，对感兴趣区域图像进行图像处理，得到目标图像的增强内部结构图像，包括以下步骤：
S901，将感兴趣区域图像进行对数域的转换，得到对数域内部结构图像。
由于对数变换能够将图像中较小灰度值映射到较大的灰度值，将图像中低灰度值部分扩展，提升较暗区域的对比度，使得图像中的细节更加突出。
因此，可以将感兴趣区域图像进行对数域的转换，将对数域转换后的感兴趣区域图像确定为对数域内部结构图像；具体地，可以直接对感兴趣区域图像中的每个像素点对应的灰度值求对数，然后将求对数后的灰度值确定为对数域内部结构图像的灰度值，以此得到对数域内部结构图像。
S902，对对数域内部结构图像进行双边滤波处理，得到滤波内部结构图像。
双边滤波能够结合图像的空间邻近度和像素值相似度，同时考虑了图像的空域信息和灰度相似性，能够在保持图像细节的同时进行滤波处理。
因此，可以将对数域内部结构图像进行双边滤波处理，将双边滤波处理后的对数域内部结构图像确定为滤波内部结构图像。
对对数域内部结构图像进行双边滤波处理的方式可以是，将对数域内部结构图像中的任一像素点作为目标像素点，以目标像素点为中心，获取目标像素点的模板区域；并通过模板区域对目标像素点进行滤波处理，得到目标像素点滤波后的像素信息；根据各目标像素点滤波后的像素信息，确定滤波内部结构图像。
获取目标像素点的模板区域图像的方式可以是，以目标像素点为中心，将目标像素点邻近范围内的区域确定为该目标像素点的模板区域；例如，模板的长度和宽度可以根据对数域内部结构图像的大小确定。
例如，若模板区域为7*7像素的模板，则将目标像素点相邻的7*7个邻近像素点确定为模板区域内的像素点。
然后根据该模板区域内的像素点对该目标像素点进行滤波处理，得到目标像素点滤波后的像素灰度值，根据各目标像素点的像素灰度值确定滤波内部结构图像。对目标像素点进行滤波处理的方式可以如公式（2）和公式（3）所示。
（2）
（3）
其中，表示目标像素点的空间位置，/>表示/>对应的模板区域，/>为模板区域中的任一像素点的空间位置，/>表示目标像素点的灰度值，/>表示模板区域内任一像素点的灰度值，/>表示目标像素点与模板区域中一像素点的灰度差值的绝对值，表示几何临近关系的高斯核函数，/>表示灰度相似关系的高斯核函数，/>表示目标像素点与模板区域中一像素点之间的空间欧几里得距离，/>表示滤波处理后的目标像素点的灰度值，/>表示归一化系数。
本实施例采用双边滤波对图像进行滤波处理，能够达到保持边缘、降噪平滑的效果，如公式（2）所示，通过基于高斯分布的加权平均方法，表示某个像素的强度，同时考虑像素的欧式距离和像素范围域中的辐射差异。
需要说明的是，由于高斯函数是一种统计函数形式，其函数形状是一个以期望值为中心，标准差为置信区间的正态分布，标准差的大小能够决定函数范围的有效性，因此，在计算几何临近关系的高斯核函数和灰度相似关系的高斯核函数时，先根据模板区域中的各像素点确定几何临近关系的空间标准差参数和灰度相似关系的强度标准差参数，然后根据空间标准差参数构建几何临近关系的高斯核函数，根据强度标准差参数构建灰度相似关系的高斯核函数。
S903，对滤波内部结构图像进行均衡化处理，得到目标图像的增强内部结构图像。
对图像进行直方图均衡化处理，能够使得图像全局对比度增强。因此，可以将滤波内部结构图像进行直方图均衡化处理，将直方图均衡化处理后的滤波内部结构图像确定为目标图像的增强内部结构图像。
对滤波内部结构图像进行均衡化处理的方式可以是，根据滤波图像的灰度直方图，确定每个灰度级别在滤波图像中出现的像素数量；根据各像素数量对滤波图像中各灰度值进行映射，得到均衡化后新的灰度值；根据各新的灰度值构建增强内部结构图像。如公式（4）所示。
（4）
其中，表示滤波内部结构图像中灰度值为/>的像素点均衡化后的灰度值，/>表示灰度变换函数，/>表示/>级灰度值，/>表示滤波内部结构图像中灰度为/>的像素数量，表示滤波内部结构图像的灰度级范围，/>和/>分别表示滤波内部结构图像中像素的行数和列数。
本实施例中，将感兴趣区域图像进行对数域的转换，得到对数域内部结构图像，并对对数域内部结构图像进行双边滤波处理，得到滤波内部结构图像，然后对滤波内部结构图像进行均衡化处理，得到目标图像的增强内部结构图像。该方法中，通过对数域变换能够提高图像的细节敏感性，通过双边滤波能够有效降低图像中的噪声，提高图像质量，通过均衡化处理能够增强图像的对比度，使得图像中的灰度变化更加明显，因此，通过对感兴趣区域图像进行这一系列的处理，能够得到更加清晰、准确的内部结构图像，为后续收尾位置的检测提供了更精准的数据支持。
本申请实施例提供的收尾位置检测方法中，根据目标图像中各像素点的灰度值，确定目标图像的边缘像素点；目标图像为整体内部结构图像或者拐角内部结构图像；并根据目标图像的边缘像素点和预设的外扩偏移量，从目标图像中获取感兴趣区域图像，然后对感兴趣区域图像进行图像处理，得到目标图像的增强内部结构图像。该方法中，先提取整体内部结构图像和拐角内部结构图像中的感兴趣区域图像，然后对感兴趣区域图像进行图像处理，这样减少了对整体内部结构图像或者拐角内部结构图像进行增强处理的计算量，提高了图像处理效率；并且，在提取感兴趣区域图像时，通过边缘像素点和外扩偏移量确定感兴趣区域，使得提取的感兴趣区域更为准确且有效。
上述实施例中对如何得到增强内部结构图像的方式进行了说明，下面通过一个实施例对如何进行目标电芯的收尾位置检测结果进行说明，在一个示例性的实施例中，根据整体内部结构图像、增强整体内部结构图像和增强拐角内部结构图像，确定目标电芯的收尾位置检测结果，包括：将整体内部结构图像、增强整体内部结构图像和增强拐角内部结构图像均输入至位置检测模型中，得到目标电芯的收尾位置检测结果。
其中，位置检测模型可以是根据大量的历史整体内部结构图像、历史增强整体内部结构图像和历史增强拐角内部结构图像预先训练好的，专门用来对目标电芯进行收尾位置检测的神经网络模型。
计算机设备在得到目标电芯的整体内部结构图像、增强整体内部结构图像和增强拐角内部结构图像之后，可以将目标电芯的整体内部结构图像、增强整体内部结构图像和增强拐角内部结构图像输入至预先训练好的位置检测模型中，通过位置检测模型分析整体内部结构图像、增强整体内部结构图像和增强拐角内部结构图像之后，位置检测模型可以直接输出目标电芯的收尾位置检测结果。
可选地，在将目标电芯的整体内部结构图像、增强整体内部结构图像和增强拐角内部结构图像输入至预先训练好的位置检测模型中，位置检测模型可以输出目标电芯的拐角位置正常的概率值；在概率值大于预设概率阈值的情况下，确定目标电芯的收尾位置检测结果为收尾位置正常；在概率值小于或等于预设概率阈值的情况下，确定目标电池的收尾位置检测结果为收尾位置异常。
可选地，可以对一些基础神经网络模型进行训练，得到位置检测模型。例如，基础神经网络模型包括但不限于是深度学习网络模型、深度卷积神经网络模型、残差神经网络（Residual Neural Network，ResNet）模型等。
本申请实施例提供的收尾位置检测方法中，将整体内部结构图像、增强整体内部结构图像和增强拐角内部结构图像均输入至位置检测模型中，得到目标电芯的收尾位置检测结果。该方法中，直接通过预先训练好的位置检测模型确定目标电芯的收尾位置检测结果，提高了对目标电芯进行收尾位置检测的效率和准确率。
其中，上述实施例中的位置检测模型可以包括深度可分离卷积网络和输出网络；在一个示例性的实施例中，如图10所示，将整体内部结构图像、增强整体内部结构图像和增强拐角内部结构图像均输入至位置检测模型中，得到目标电芯的收尾位置检测结果，包括以下步骤：
S1001，通过深度可分离卷积网络分别对整体内部结构图像、增强整体内部结构图像和增强拐角内部结构图像进行多尺度特征提取，分别得到多个不同尺度下的整体特征图像、增强整体特征图像和增强拐角特征图像。
深度可分离卷积网络可以包括多个深度可分离卷积层，每个深度可分离卷积层可以包括逐通道卷积和逐点卷积。
可以分别将整体内部结构图像、增强整体内部结构图像和增强拐角内部结构图像输入至深度可分离卷积网络中，分别得到多个不同尺度下的整体特征图像、多个不同尺度下的增强整体特征图像和多个不同尺度下的增强拐角特征图像。
针对整体内部结构图像、增强整体内部结构图像和增强拐角内部结构图像中的任一种内部结构图像进行说明，通过多个深度可分离卷积层可以对内部结构图像进行多尺度特征提取，得到多个不同尺度下的特征图像。
如图11所示，图11为深度可分离卷积网络的结构示意图，以输入整体内部结构图像、深度可分离卷积网络包括三个深度可分离卷积层为例进行说明，图11中示意的是得到三种不同尺度下的整体特征图像：第一整体特征图像、第二整体特征图像和第三整体特征图像。
需要说明的是，深度可分离卷积网络中深度可分离卷积层的数量以及特征提取的尺度数量均不做限定，可以根据实际情况设定。
S1002，将各整体特征图像、各增强整体特征图像和各增强拐角特征图像输入至输出网络中，得到收尾位置检测结果。
将各尺度下的整体特征图像、各尺度下的增强整体特征图像和各尺度下的增强拐角特征图像输入至输出网络中，通过输出网络对各整体特征图像、各增强整体特征图像和各增强拐角特征图像进行分析，得到输出网络输出的收尾位置检测结果。
本申请实施例提供的收尾位置检测方法中，通过深度可分离卷积网络分别对整体内部结构图像、增强整体内部结构图像和增强拐角内部结构图像进行多尺度特征提取，分别得到多个不同尺度下的整体特征图像、增强整体特征图像和增强拐角特征图像，然后将各整体特征图像、各增强整体特征图像和各增强拐角特征图像输入至输出网络中，得到收尾位置检测结果。该方法中，通过不同角度和多个不同尺度的特征图像确定目标电芯的收尾位置检测结果，能够提高收尾位置检测结果的准确性。
上述是对位置检测模型的应用过程进行的说明，下面通过一个实施例对位置检测模型的构建过程进行说明，在一个示例性的实施例中，该实施例包括：获取初始位置检测模型和训练样本集，通过训练样本集对初始位置检测模型进行迭代训练，直至初始位置检测模型收敛，得到位置检测模型。
其中，考虑到工业目标检测对算法效率要求较高，可以选用YOLOv5为基准模型，其具有检测速度快、准确率高的优点，如图12所示，图12为YOLOv5基准模型的结构示意图；其中，YOLOv5基准模型由骨干网络、颈部网络和头部网络构成；骨干网络是根据输入的图像生成三个不同尺度的特征图像，颈部网络是将骨干网络输出的三个不同尺度的特征图像进行特征的向上融合以及特征的向下融合，从而将浅层的图形特征和深层的语义特征相结合，以得到更为完整的三个特征图；头部网络将颈部网络输出的三个特征图经过1*1卷积，得到输入图像最终的三个特征图；YOLOv5模型后续可以通过头部网络生成的三个特征图进行检测。
具体地，注意力机制可以提取输入图像的区域图像或特征；卷积块能够提取特征，形成特征图像，卷积块可以由卷积层、批归一化层和激活函数组成；特征提取块1、特征提取块2和特征提取块3是不同尺度的特征提取模块，空间金字塔池化可以将尺度不固定的特征图转化为统一尺度。
但是，考虑到工业设备内存有限的问题，可以对YOLOv5基准模型进行轻量化，减小模型大小，减少运行时内存占用时间，因此，可以将YOLOv5的骨干模型替换为MobileNetV3轻量级神经网络，在保证高精度的前提下，大大降低模型大小和计算量；MobileNetV3模型由第一卷积块、第二卷积块、平均池化层、第三卷积块和全连接层组成，第一卷积块包括卷积层、批归一化层和激活函数组成，第一卷积块能够提取输入图像的特征，第二卷积块包括多个卷积层、轻量级注意力模型、非线性激活函数等；第三卷积块包括全连接层、批归一化层和激活函数，MobileNetV3模型中的卷积层可以是深度可分离卷积层；其中，深度可分离卷积层可以将标准卷积层分解为逐通道卷积和逐点卷积，减少了卷积的计算量和参数。
基于此，根据MobileNetV3模型轻量化的思想，可以将YOLOv5基准模型的骨干网络进行修改，将深度可分离卷积层的思想应用到YOLOv5基准模型中，确定初始位置检测模型，如图13所示，图13为初始位置检测模型的结构示意图。
需要说明的是，图13中的骨干网络中除了包括逐通道卷积和逐点卷积，还可以包括其他的网络层，本申请实施例中的初始位置检测模型的结构仅为示例；并且，也可以通过MobileNetV3模型的其他轻量级思想修改YOLOv5基准模型的网络结构，本申请实施例在此不再赘述。
训练样本集的获取方式可以是，首先获取历史电芯的历史整体内部结构图像和历史拐角内部结构图像；然后对历史整体内部结构图像和历史拐角内部结构图像进行图像增强处理，得到历史增强整体内部结构图像和历史增强拐角内部结构图像，然后将历史增强整体内部结构图像、历史增强拐角内部结构图像和历史整体内部结构图像进行标注，将标注后的历史增强整体内部结构图像、历史增强拐角内部结构图像和历史整体内部结构图像确定为训练样本集。
需要说明是，对历史整体内部结构图像和历史拐角内部结构图像进行图像增强处理的方式与上述实施例中对整体内部结构图像和拐角内部结构图像进行增强处理的方式相同，本实施例在此不再赘述。
可以通过LabelImg标注软件对历史增强整体内部结构图像、历史增强拐角内部结构图像和历史整体内部结构图像进行标注，标注的结果可以是历史增强整体内部结构图像、历史增强拐角内部结构图像和历史整体内部结构图像中是否存在收尾位置，以及收尾位置是否正常等结果；在通过LabelImg标注软件对历史增强整体内部结构图像、历史增强拐角内部结构图像和历史整体内部结构图像进行标注之后，还可以通过复核的方式对标注结果进行标注修改。
基于上述得到的初始位置检测模型和训练样本集，可以将训练样本集输入至初始位置检测模型中，通过训练样本集对初始位置检测模型进行训练，直至初始位置检测模型达到预设收敛条件，将达到收敛条件的初始位置检测模型确定为位置检测模型。
其中，初始位置检测模型中的初始权重可以是采用公共的模型预训练权重，该模型预训练权重是已经在大规模数据集上学习到的特征，在初始位置检测模型训练时，冻结部分权重，并对其余权重进行微调或修改，这样，冻结部分权重能够保留在预训练阶段学习到的特征，并加快模型训练；对部分权重进行微调或修改，能够使模型更好的适应特定的任务或数据集。
初始位置检测模型的收敛条件可以是，初始位置检测模型的平均准确度均值和F1分数均达到预设阈值。例如，在初始位置检测模型迭代训练过程中，根据测试数据集，对每次迭代训练后的初始位置检测模型进行测试，确定初始位置检测模型的平均准确度均值和F1分数，在平均准确度均值达到准确率阈值且F1分数达到预设分数阈值的情况下，将初始位置检测模型确定为位置检测模型。
上述实施例是通过位置检测模型确定目标电芯的收尾位置检测结果的方式进行的说明，下面通过一个实施例对确定收尾位置检测结果的另一种方式进行说明。在一个示例性的实施例中，如图14所示，根据整体内部结构图像、增强整体内部结构图像和增强拐角内部结构图像，确定目标电芯的收尾位置检测结果，包括以下步骤：
S1401，根据整体内部结构图像和预设的标准整体内部结构图像，确定目标电芯的收尾位置正常的第一概率值。
标准整体内部结构图像可以包括收尾位置正常的整体内部结构图像。
将整体内部结构图像与标准整体内部结构图像进行比较，获取整体内部结构图像与标准整体内部结构图像之间的相似度，将相似度确定为目标电芯收尾位置正常的第一概率值。
可选地，目标电芯的收尾位置正常的情况可以包括多种情况，因此，标准整体内部结构图像可以多种标准整体内部结构图像；可以获取整体内部结构图像与每个标准整体内部结构图像之间的相似度；可以将最大的相似度确定为目标电芯的收尾位置正常的第一概率值。
其中，整体内部结构图像与标准整体内部结构图像之间的相似度的计算方式可以包括：根据整体内部结构图像的像素灰度值和标准整体内部结构图像的像素灰度值，计算整体内部结构图像与标准整体内部结构图像之间的余弦相似度；根据余弦相似度确定第一概率值；可以根据余弦相似度越大概率越高的原理，确定第一概率值。
例如，计算机设备存在多个余弦相似度范围与概率值之间的对应关系，将该对应关系中整体内部结构图像与标准整体内部结构图像之间的余弦相似度对应的概率值确定为第一概率值。
也可以根据欧式距离、均方误差、相关系数等方式计算整体内部结构图像和标准整体内部结构图像之间的相似度，本申请实施例在此不再限定。
S1402，根据增强整体内部结构图像和预设的标准增强整体内部结构图像，确定目标电芯的收尾位置正常的第二概率值。
S1403，根据增强拐角内部结构图像和预设的标准增强拐角内部结构图像，确定目标电芯的收尾位置正常的第三概率值。
需要说明的是，本实施例中根据增强整体内部结构图像和预设的标准增强整体内部结构图像，确定目标电芯的收尾位置正常的第二概率值，以及根据增强拐角内部结构图像和预设的标准增强拐角内部结构图像，确定目标电芯的收尾位置正常的第三概率值的方式与根据整体内部结构图像和预设的标准整体内部结构图像，确定目标电芯的收尾位置正常的第一概率值的方式相同，本申请实施例不再赘述。
S1404，根据第一概率值、第二概率值和第三概率值，确定目标电芯的收尾位置检测结果。
其中，目标电芯的收尾位置检测结果包括正常和异常；可以将多个视图的检测结果进行决策融合，得到目标电芯的收尾位置检测结果。
一种实施例中，可以将第一概率值、第二概率值和第三概率值中的最大的概率值确定为目标电芯的收尾位置正常的第四概率值，然后将第四概率值与预设的正常概率阈值进行比较，在第四概率值大于正常概率阈值的情况下，确定目标电芯的收尾位置检测结果为正常；在第四概率值小于或等于正常概率阈值的情况下，确定目标电芯的收尾位置检测结果为异常。
另一种实施例中，如图15所示，根据第一概率值、第二概率值和第三概率值，确定目标电芯的收尾位置检测结果，包括以下步骤：
S1501，根据第一概率值、第二概率值和第三概率值，确定综合概率值。
综合概率值可以表示目标电芯的收尾位置正常的概率值。
可以对第一概率值、第二概率值和第三概率值进行加权计算，得到综合概率值；具体地，可以先获取整体内部结构图像的第一权重、增强整体内部结构图像的第二权重和增强拐角内部结构图像的第三权重，通过第一权重、第二权重和第三权重，将对应的第一概率值、第二概率值和第三概率值进行加权计算，将加权计算得到的结果确定为综合概率值。
其中，第一权重、第二权重和第三权重可以根据历史经验确定；例如，增强拐角内部结构图像的第三权重大于增强整体内部结构图像的第二权重，增强整体内部结构图像的第二权重大于整体内部结构图像的第一权重；可以设置第一权重、第二权重和第三权重之和等于1。
可选地，也可以将第一概率值、第二概率值和第三概率值之和确定为综合概率值；还可以将第一概率值、第二概率值和第三概率值中最大的概率值确定为综合概率值。
S1502，在综合概率值大于预设的概率阈值的情况下，确定收尾位置检测结果为正常；在综合概率值小于或等于概率阈值的情况下，确定收尾位置检测结果为异常。
其中，概率阈值可以根据历史经验确定，例如，概率阈值可以为80%。
如果综合概率值大于预设的概率阈值，表示目标电芯的收尾位置正常的概率较大，则确定收尾位置检测结果为正常。
如果综合概率值小于或等于概率阈值，表示目标电芯的收尾位置正常的概率较小，则确定收尾位置检测结果为异常。
本实施例中，根据第一概率值、第二概率值和第三概率值，确定综合概率值；在综合概率值大于预设的概率阈值的情况下，确定收尾位置检测结果为正常；在综合概率值小于或等于概率阈值的情况下，确定收尾位置检测结果为异常。该方法中，将多个收尾位置检测正常的概率值进行决策，并根据决策得到的综合概率值以及预设的概率阈值，确定目标电芯的收尾位置检测结果，提高了收尾位置检测的准确性。
本申请实施例提供的收尾位置检测方法中，根据整体内部结构图像和预设的标准整体内部结构图像，确定目标电芯的收尾位置正常的第一概率值，并根据增强整体内部结构图像和预设的标准增强整体内部结构图像，确定目标电芯的收尾位置正常的第二概率值，然后根据增强拐角内部结构图像和预设的标准增强拐角内部结构图像，确定目标电芯的收尾位置正常的第三概率值，最后根据第一概率值、第二概率值和第三概率值，确定目标电芯的收尾位置检测结果。该方法中，将整体内部结构图像、增强整体内部结构图像和增强拐角内部结构图像分别与对应的标准内部结构图像进行对比，确定目标电芯收尾位置正常的多个概率值，然后将多个概率值进行决策融合，确定目标电芯的收尾位置检测结果，提高了收尾位置检测的全面性，从而提高了收尾位置检测结果的有效性和准确性。
上述实施例中，以目标电芯的收尾位置检测结果包括阴极收尾位置检测和阳极收尾位置检测为例，那么，根据整体内部结构图像和预设的标准整体内部结构图像，确定目标电芯的阴阳极收尾位置正常的第一概率值，并根据增强整体内部结构图像和预设的标准增强整体内部结构图像，确定目标电芯的阴阳极收尾位置正常的第二概率值，然后根据增强拐角内部结构图像和预设的标准增强拐角内部结构图像，确定目标电芯的阴阳极收尾位置正常的第三概率值，最后分别根据阴极和阳极对应的第一概率值、第二概率值和第三概率值，确定目标电芯的阴极收尾位置检测结果和阳极收尾位置检测结果。
以第一概率值为例进行说明，标准整体内部结构图像可以包括阴极收尾位置正常的整体内部结构图像和阳极收尾位置正常的整体内部结构图像；然后根据整体内部结构图像和阴极收尾位置正常的整体内部结构图像，确定目标电芯的阴极收尾位置正常的第一概率值，根据整体内部结构图像和阳极收尾位置正常的整体内部结构图像，确定目标电芯的阳极收尾位置正常的第一概率值。
在卷绕工序中，电芯的阳极活性物质涂层需要能够包裹住阴极活性物质涂层，以防止析锂的产生，因此，对于卷绕电芯来说，阳极的宽度应比阴极的宽度宽，阳极的长度应比阴极的长度长。可以用OverHang检测方法对于电芯极片的收尾位置进行检测，即采集目标电芯4个拐角的图像，对4个拐角的图像进行收尾位置的检测。
下面以对阴极收尾位置为例进行说明，如图16所示，图16为一种目标电芯的拐角区域的X-Ray成像示意图，图16中的（a）图表示的是目标电芯的拐角区域的平面图像，图16中的（a）图示意的是电芯的阴极收尾位置处于拐角处的情况，这种情况下，阳极和阴极的卷绕在拐角位置是依次交替的，如图16中的（b）图所示。
如图17所示，图17为另一种目标电芯的拐角区域的X-Ray成像示意图，图17中的（a）图表示的是目标电芯的拐角区域的平面图像，图17中的（a）图示意的是电芯的阴极收尾位置未处于拐角处的情况，这种情况下，阳极和阴极的卷绕在拐角位置会存在两条相邻的阳极线，如图17中的（b）图所示。
如图18所示，图18为电芯的整体内部结构图像的示意图，该整体内部结构图像表示电芯的阴极收尾位置正常。
需要说明的是，本申请实施例中的图8、图16-图18均是以黑白线条进行的示例，在实际应用中，电芯的整体内部结构图像以及电芯的拐角区域的平面图像可以是不同灰度等级组成；例如，图16和图17中，阴极极片和阳极极片均是以黑色线条进行的示例，为了区分，阳极极片通过虚线表示，但是，在实际应用中，阴极极片和阳极极片分别对应不同的灰度等级。
在一个示例性的实施例中，本申请实施例还提供了一种收尾位置检测方法，如图19所示，该实施例包括以下步骤：
S1901，控制X-Ray设备以预设的设备参数采集目标电芯的整体X光图像和拐角X光图像。
其中，X-Ray设备的设备参数包括电流、电压和放大功率等，X-Ray设备的设备参数可以由目标电芯的电芯尺寸、极片厚度等型号信息确定；整体X光图像和拐角X光图像均为16位具有深度信息的原始格式图像；拐角X光图像包括目标电芯大面方向的4个拐角区域。
S1902，对整体X光图像和拐角X光图像进行感兴趣区域的提取，得到感兴趣区域整体X光图像和感兴趣区域拐角X光图像。
S1903，对感兴趣区域整体X光图像和感兴趣区域拐角X光图像分别进行对数变换，得到对数域整体X光图像和对数域拐角X光图像。
其中，对数变换的公式如公式（5）所示。
（5）
S1904，对对数域整体X光图像和对数域拐角X光图像分别进行双边滤波处理，得到滤波整体X光图像和滤波拐角X光图像。
S1905，对滤波整体X光图像和滤波拐角X光图像分别进行直方图均衡化处理，得到增强整体X光图像和增强拐角X光图像。
S1906，将整体X光图像、增强整体X光图像和增强拐角X光图像输入至位置检测模型中，得到目标电芯的收尾位置检测结果。
其中，收尾位置检测结果包括正常或异常。
本申请实施例中，X-ray设备成像具有高穿透、无创伤等特点，适用于裸电芯缺陷检测，构建检测方法分为：X-ray图像数据收集：获取16位具有深度信息的原格式图像；数据预处理：通过图像变换与校正、提取感兴趣区域、图像增强（对比度低、噪声干扰、清晰度下降等问题）方法改善图像质量、消除图像中的无关信息、凸显图像特征增强特征可检测性，图像数据质量直接影响后面检测模型精度的上限；位置检测模型搭建及部署：根据任务需求搭建人工智能（Artificial Intelligence，AI）算法模型，考虑应用在工业生产中，轻量化AI算法模型，创建应用程序编程（Application Programming Interface，API）接口；训练评估并部署位置检测模型，实现对裸电芯收尾位置无损检测识别；该位置检测模型通过控制帧速率可较好地满足实际工业生产的实时监测需求。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的收尾位置检测方法的收尾位置检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个收尾位置检测装置实施例中的具体限定可以参见上文中对于收尾位置检测方法的限定，在此不再赘述。
在一个示例性的实施例中，如图20所示，提供了一种收尾位置检测装置2000，包括：图像获取模块2001和结果确定模块2002，其中：
图像获取模块2001，用于响应于目标电芯的收尾位置检测指令，获取目标电芯的多个不同视角下的内部结构图像；
结果确定模块2002，用于对各内部结构图像进行分析，确定目标电芯的收尾位置检测结果。
在一个实施例中，内部结构图像包括目标电芯的整体内部结构图像，如图21所示，图像获取模块2001包括：
第一获取单元2101，用于获取第一图像采集设备采集的整体内部结构图像，第一图像采集设备的采集视角覆盖目标电芯的全部表面。
在一个示例性的实施例中，内部结构图像包括目标电芯的拐角内部结构图像，如图22所示，图像获取模块2001包括：
第二获取单元2201，用于获取第二图像采集设备采集的第一内部结构图像和第三图像采集设备采集的第二内部结构图像；第二图像采集设备采集视角覆盖目标电芯上第一拐角所在区域和第二拐角所在区域；第三图像采集设备采集视角覆盖目标电芯上第三拐角所在区域和第四拐角所在区域；
第三获取单元2202，用于将第一内部结构图像和第二内部结构图像进行合并，得到拐角内部结构图像。
在一个示例性的实施例中，各内部结构图像包括目标电芯的整体内部结构图像和拐角内部结构图像；如图23所示，结果确定模块2002包括：
图像增强单元2301，用于对整体内部结构图像和拐角内部结构图像分别进行图像增强处理，得到增强整体内部结构图像和增强拐角内部结构图像；
结果确定单元2302，用于根据整体内部结构图像、增强整体内部结构图像和增强拐角内部结构图像，确定目标电芯的收尾位置检测结果。
在一个示例性的实施例中，如图24所示，图像增强单元2301包括：
第一确定子单元2401，用于根据目标图像中各像素点的灰度值，确定目标图像的边缘像素点；目标图像为整体内部结构图像或者拐角内部结构图像；
获取子单元2402，用于根据目标图像的边缘像素点和预设的外扩偏移量，从目标图像中获取感兴趣区域图像；
处理子单元2403，用于对感兴趣区域图像进行图像处理，得到目标图像的增强内部结构图像。
在一个示例性的实施例中，如图25所示，处理子单元2403包括：
转换子单元2501，用于将感兴趣区域图像进行对数域的转换，得到对数域内部结构图像；
滤波子单元2502，用于对对数域内部结构图像进行双边滤波处理，得到滤波内部结构图像；
均衡化子单元2503，用于对滤波内部结构图像进行均衡化处理，得到目标图像的增强内部结构图像。
在一个示例性的实施例中，如图26所示，结果确定单元2302包括：
第一得到子单元2601，用于将整体内部结构图像、增强整体内部结构图像和增强拐角内部结构图像均输入至位置检测模型中，得到目标电芯的收尾位置检测结果。
在一个示例性的实施例中，位置检测模型包括深度可分离卷积网络和输出网络；如图27所示，第一得到子单元2601包括：
第二得到子单元2701，用于通过深度可分离卷积网络分别对整体内部结构图像、增强整体内部结构图像和增强拐角内部结构图像进行多尺度特征提取，分别得到多个不同尺度下的整体特征图像、增强整体特征图像和增强拐角特征图像；
第三得到子单元2702，用于将各整体特征图像、各增强整体特征图像和各增强拐角特征图像输入至输出网络中，得到收尾位置检测结果。
在一个示例性的实施例中，如图28所示，结果确定单元2302包括：
第二确定子单元2801，用于根据整体内部结构图像和预设的标准整体内部结构图像，确定目标电芯的收尾位置正常的第一概率值；
第三确定子单元2802，用于根据增强整体内部结构图像和预设的标准增强整体内部结构图像，确定目标电芯的收尾位置正常的第二概率值；
第四确定子单元2803，用于根据增强拐角内部结构图像和预设的标准增强拐角内部结构图像，确定目标电芯的收尾位置正常的第三概率值；
第五确定子单元2804，用于根据第一概率值、第二概率值和第三概率值，确定目标电芯的收尾位置检测结果。
在一个示例性的实施例中，如图29所示，第五确定子单元2804包括：
加权子单元2901，用于根据第一概率值、第二概率值和第三概率值，得到综合概率值；
第六确定子单元2902，用于在综合概率值大于预设的概率阈值的情况下，确定收尾位置检测结果为正常；
第七确定子单元2903，用于在综合概率值小于或等于概率阈值的情况下，确定收尾位置检测结果为异常。
上述收尾位置检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
本申请实施例中处理器实现的各步骤，其实现原理和技术效果与上述收尾位置检测方法的原理类似，在此不再赘述。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本申请实施例中计算机程序被处理器执行时实现的各步骤，其实现原理和技术效果与上述收尾位置检测方法的原理类似，在此不再赘述。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本申请实施例中计算机程序被处理器执行时实现的各步骤，其实现原理和技术效果与上述收尾位置检测方法的原理类似，在此不再赘述。
需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要符合相关规定。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (13)

1.一种收尾位置检测方法，其特征在于，所述方法包括：
响应于目标电芯的收尾位置检测指令，获取所述目标电芯的多个不同视角下的内部结构图像；
对各所述内部结构图像进行分析，确定所述目标电芯的收尾位置检测结果。
2.根据权利要求1所述的方法，其特征在于，所述内部结构图像包括所述目标电芯的整体内部结构图像，所述获取所述目标电芯的多个不同视角下的内部结构图像，包括：
获取第一图像采集设备采集的所述整体内部结构图像，所述第一图像采集设备的采集视角覆盖所述目标电芯的全部表面。
3.根据权利要求1或2所述的方法，其特征在于，所述内部结构图像包括所述目标电芯的拐角内部结构图像，所述获取所述目标电芯的多个不同视角下的内部结构图像，包括：
获取第二图像采集设备采集的第一内部结构图像和第三图像采集设备采集的第二内部结构图像；所述第二图像采集设备的采集视角覆盖所述目标电芯上第一拐角区域和第二拐角区域；所述第三图像采集设备的采集视角覆盖所述目标电芯上第三拐角区域和第四拐角区域；
将所述第一内部结构图像和所述第二内部结构图像进行合并，得到所述拐角内部结构图像。
4.根据权利要求1或2所述的方法，其特征在于，各所述内部结构图像包括整体内部结构图像和拐角内部结构图像；所述对各所述内部结构图像进行分析，确定所述目标电芯的收尾位置检测结果，包括：
对所述整体内部结构图像和所述拐角内部结构图像分别进行图像增强处理，得到增强整体内部结构图像和增强拐角内部结构图像；
根据所述整体内部结构图像、所述增强整体内部结构图像和所述增强拐角内部结构图像，确定所述目标电芯的收尾位置检测结果。
5.根据权利要求4所述的方法，其特征在于，所述对所述整体内部结构图像和所述拐角内部结构图像分别进行图像增强处理，得到增强整体内部结构图像和增强拐角内部结构图像，包括：
根据目标图像中各像素点的灰度值，确定所述目标图像的边缘像素点；所述目标图像为所述整体内部结构图像或者所述拐角内部结构图像；
根据所述目标图像的边缘像素点和预设的外扩偏移量，从所述目标图像中获取感兴趣区域图像；
对所述感兴趣区域图像进行图像处理，得到所述目标图像的增强内部结构图像。
6.根据权利要求5所述的方法，其特征在于，所述对所述感兴趣区域图像进行图像处理，得到所述目标图像的增强内部结构图像，包括：
将所述感兴趣区域图像进行对数域的转换，得到对数域内部结构图像；
对所述对数域内部结构图像进行双边滤波处理，得到滤波内部结构图像；
对所述滤波内部结构图像进行均衡化处理，得到所述目标图像的增强内部结构图像。
7.根据权利要求4所述的方法，其特征在于，所述根据所述整体内部结构图像、所述增强整体内部结构图像和所述增强拐角内部结构图像，确定所述目标电芯的收尾位置检测结果，包括：
将所述整体内部结构图像、所述增强整体内部结构图像和所述增强拐角内部结构图像均输入至位置检测模型中，得到所述目标电芯的收尾位置检测结果。
8.根据权利要求7所述的方法，其特征在于，所述位置检测模型包括深度可分离卷积网络和输出网络；所述将所述整体内部结构图像、所述增强整体内部结构图像和所述增强拐角内部结构图像均输入至位置检测模型中，得到所述目标电芯的收尾位置检测结果，包括：
通过所述深度可分离卷积网络分别对所述整体内部结构图像、所述增强整体内部结构图像和所述增强拐角内部结构图像进行多尺度特征提取，分别得到多个不同尺度下的整体特征图像、增强整体特征图像和增强拐角特征图像；
将各所述整体特征图像、各所述增强整体特征图像和各所述增强拐角特征图像输入至所述输出网络中，得到所述收尾位置检测结果。
9.根据权利要求4所述的方法，其特征在于，所述根据所述整体内部结构图像、所述增强整体内部结构图像和所述增强拐角内部结构图像，确定所述目标电芯的收尾位置检测结果，包括：
根据所述整体内部结构图像和标准整体内部结构图像，确定所述目标电芯的收尾位置正常的第一概率值；根据所述增强整体内部结构图像和标准增强整体内部结构图像，确定所述目标电芯的收尾位置正常的第二概率值；根据所述增强拐角内部结构图像和标准增强拐角内部结构图像，确定所述目标电芯的收尾位置正常的第三概率值；
根据所述第一概率值、所述第二概率值和所述第三概率值，确定所述目标电芯的收尾位置检测结果。
10.根据权利要求9所述的方法，其特征在于，所述根据所述第一概率值、所述第二概率值和所述第三概率值，确定所述目标电芯的收尾位置检测结果，包括：
根据所述第一概率值、所述第二概率值和所述第三概率值，确定综合概率值；
在所述综合概率值大于概率阈值的情况下，确定所述收尾位置检测结果为正常；在所述综合概率值小于或等于所述概率阈值的情况下，确定所述收尾位置检测结果为异常。
11.一种收尾位置检测装置，其特征在于，所述装置包括：
图像获取模块，用于响应于目标电芯的收尾位置检测指令，获取所述目标电芯的多个不同视角下的内部结构图像；
结果确定模块，用于对各所述内部结构图像进行分析，确定所述目标电芯的收尾位置检测结果。
12.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至10中任一项所述的方法的步骤。
13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至10中任一项所述的方法的步骤。
CN202410073865.4A 2024-01-18 2024-01-18 收尾位置检测方法、装置、计算机设备和存储介质 Active CN117589792B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410073865.4A CN117589792B (zh) 2024-01-18 2024-01-18 收尾位置检测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410073865.4A CN117589792B (zh) 2024-01-18 2024-01-18 收尾位置检测方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN117589792A true CN117589792A (zh) 2024-02-23
CN117589792B CN117589792B (zh) 2024-05-10

Family

ID=89916938

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410073865.4A Active CN117589792B (zh) 2024-01-18 2024-01-18 收尾位置检测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN117589792B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117848222A (zh) * 2024-03-08 2024-04-09 宁德时代新能源科技股份有限公司 电池绝缘件的边缘检测方法、装置及电池生产线
CN118154560A (zh) * 2024-03-20 2024-06-07 深圳个元科技有限公司 一种基于深度学习的极耳焊接缺陷检测方法

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6215311B1 (en) * 1997-12-15 2001-04-10 Sony Corporation Battery cell inspecting method and apparatus
JP2003346884A (ja) * 2002-05-30 2003-12-05 Mitsubishi Cable Ind Ltd 捲回型電池
JP2010107471A (ja) * 2008-10-31 2010-05-13 Mitsubishi Heavy Ind Ltd キズ検査装置および検査方法
JP2012129366A (ja) * 2010-12-15 2012-07-05 Nisshinbo Mechatronics Inc 太陽電池の検査装置
JP2015129774A (ja) * 2015-04-13 2015-07-16 公立大学法人首都大学東京 フレキシブル太陽電池の損傷検査方法、及びその検査装置
CN206225472U (zh) * 2016-10-17 2017-06-06 宁德时代新能源科技股份有限公司 一种隔离膜收尾装置
JP2017212081A (ja) * 2016-05-24 2017-11-30 エリーパワー株式会社 電気化学セル用電極の端部位置検出システムおよび製造方法
CN109273733A (zh) * 2018-09-10 2019-01-25 无锡先导智能装备股份有限公司 电芯自动纠偏收尾系统及电芯自动纠偏收尾方法
CN110176620A (zh) * 2019-05-07 2019-08-27 无锡先导智能装备股份有限公司 电芯基材收尾控制方法、收尾控制装置及电芯卷绕设备
CN110233299A (zh) * 2018-03-06 2019-09-13 宁德新能源科技有限公司 卷绕式电芯
CN110470217A (zh) * 2019-08-09 2019-11-19 无锡先导智能装备股份有限公司 电芯收尾状态的检测方法
CN209803016U (zh) * 2019-03-29 2019-12-17 广东利元亨智能装备股份有限公司 电芯极耳及侧边的外观检测装置
CN111403818A (zh) * 2019-11-21 2020-07-10 湖南新敏雅新能源科技有限公司 隔膜收尾方法及电池电芯
CN113156528A (zh) * 2021-03-09 2021-07-23 欣旺达电动汽车电池有限公司 极耳翻折检测装置和检测方法
CN113781402A (zh) * 2021-08-19 2021-12-10 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 芯片表面划痕缺陷的检测方法、装置和计算机设备
US20230045732A1 (en) * 2021-08-09 2023-02-09 Kookmin University Industry Academy Cooperation Foundation Apparatus for checking battery position and operating method thereof
US20230074096A1 (en) * 2021-09-06 2023-03-09 Hyundai Motor Company Battery cell electrode alignment inspection method for battery pack of vehicle
CN115901792A (zh) * 2022-12-30 2023-04-04 广东利元亨智能装备股份有限公司 一种胶线缺陷检测方法
CN116503348A (zh) * 2023-04-23 2023-07-28 深圳市卓茂科技有限公司 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
CN116944073A (zh) * 2023-07-25 2023-10-27 深圳市誉辰智能装备股份有限公司 电芯立式x射线检测机
CN117147574A (zh) * 2022-04-20 2023-12-01 广州超音速自动化科技股份有限公司 一种电池电芯智能化检测方法和装置

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6215311B1 (en) * 1997-12-15 2001-04-10 Sony Corporation Battery cell inspecting method and apparatus
JP2003346884A (ja) * 2002-05-30 2003-12-05 Mitsubishi Cable Ind Ltd 捲回型電池
JP2010107471A (ja) * 2008-10-31 2010-05-13 Mitsubishi Heavy Ind Ltd キズ検査装置および検査方法
JP2012129366A (ja) * 2010-12-15 2012-07-05 Nisshinbo Mechatronics Inc 太陽電池の検査装置
JP2015129774A (ja) * 2015-04-13 2015-07-16 公立大学法人首都大学東京 フレキシブル太陽電池の損傷検査方法、及びその検査装置
JP2017212081A (ja) * 2016-05-24 2017-11-30 エリーパワー株式会社 電気化学セル用電極の端部位置検出システムおよび製造方法
CN206225472U (zh) * 2016-10-17 2017-06-06 宁德时代新能源科技股份有限公司 一种隔离膜收尾装置
CN110233299A (zh) * 2018-03-06 2019-09-13 宁德新能源科技有限公司 卷绕式电芯
CN109273733A (zh) * 2018-09-10 2019-01-25 无锡先导智能装备股份有限公司 电芯自动纠偏收尾系统及电芯自动纠偏收尾方法
CN209803016U (zh) * 2019-03-29 2019-12-17 广东利元亨智能装备股份有限公司 电芯极耳及侧边的外观检测装置
CN110176620A (zh) * 2019-05-07 2019-08-27 无锡先导智能装备股份有限公司 电芯基材收尾控制方法、收尾控制装置及电芯卷绕设备
CN110470217A (zh) * 2019-08-09 2019-11-19 无锡先导智能装备股份有限公司 电芯收尾状态的检测方法
CN111403818A (zh) * 2019-11-21 2020-07-10 湖南新敏雅新能源科技有限公司 隔膜收尾方法及电池电芯
CN113156528A (zh) * 2021-03-09 2021-07-23 欣旺达电动汽车电池有限公司 极耳翻折检测装置和检测方法
US20230045732A1 (en) * 2021-08-09 2023-02-09 Kookmin University Industry Academy Cooperation Foundation Apparatus for checking battery position and operating method thereof
CN113781402A (zh) * 2021-08-19 2021-12-10 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 芯片表面划痕缺陷的检测方法、装置和计算机设备
US20230074096A1 (en) * 2021-09-06 2023-03-09 Hyundai Motor Company Battery cell electrode alignment inspection method for battery pack of vehicle
CN117147574A (zh) * 2022-04-20 2023-12-01 广州超音速自动化科技股份有限公司 一种电池电芯智能化检测方法和装置
CN115901792A (zh) * 2022-12-30 2023-04-04 广东利元亨智能装备股份有限公司 一种胶线缺陷检测方法
CN116503348A (zh) * 2023-04-23 2023-07-28 深圳市卓茂科技有限公司 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
CN116944073A (zh) * 2023-07-25 2023-10-27 深圳市誉辰智能装备股份有限公司 电芯立式x射线检测机

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
赵馨月 等: "车载锂电池SOC估算方法和应用探析", 《中国设备工程》, no. 18, 25 September 2023 (2023-09-25), pages 133 - 135 *
陈鹏 等: "纯电动汽车集成控制器低压采样干扰问题改善", 《汽车科技》, no. 4, 25 July 2021 (2021-07-25), pages 38 - 42 *
高斌;朱咏光;赵二明;刘立业;: "压力均匀性对软包电池模组一致性影响分析", 《北京汽车》, no. 01, 25 February 2020 (2020-02-25), pages 31 - 34 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117848222A (zh) * 2024-03-08 2024-04-09 宁德时代新能源科技股份有限公司 电池绝缘件的边缘检测方法、装置及电池生产线
CN118154560A (zh) * 2024-03-20 2024-06-07 深圳个元科技有限公司 一种基于深度学习的极耳焊接缺陷检测方法

Also Published As

Publication number Publication date
CN117589792B (zh) 2024-05-10

Similar Documents

Publication Publication Date Title
CN117589792B (zh) 收尾位置检测方法、装置、计算机设备和存储介质
US11209837B2 (en) Method and device for generating a model of a to-be reconstructed area and an unmanned aerial vehicle flight trajectory
CN111028327B (zh) 一种三维点云的处理方法、装置及设备
CN109815770A (zh) 二维码检测方法、装置及系统
CN114581446B (zh) 一种叠片电池的电芯异常检测方法及系统
CN116071359B (zh) 一种电池老化程度检测方法、电子设备及存储介质
CN111583184A (zh) 图像分析方法、网络、计算机设备和存储介质
CN113252701A (zh) 基于云边协同的输电线路绝缘子自爆缺陷检测系统及方法
CN115953371A (zh) 一种绝缘子缺陷检测方法、装置、设备和存储介质
CN118015284B (zh) 基于生成对抗网络的点云分割方法及系统
CN116773559A (zh) 一种叠片式锂离子电池检测方法、装置及图像处理设备
CN117611591B (zh) 电芯缺陷的工业ct检测方法、装置、电子设备及存储介质
CN113781478A (zh) 油罐图像检测方法、装置、电子设备和计算机可读介质
CN116758419A (zh) 针对遥感图像的多尺度目标检测方法、装置和设备
CN115661104A (zh) 动力电池的整体完整度评估方法、装置、设备及介质
CN114036971A (zh) 油罐信息生成方法、装置、电子设备和计算机可读介质
CN111062558B (zh) 基于任务需求的卫星价值分析方法和系统
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
CN111626131A (zh) 基于无人机遥感的电力施工区域信息提取及其变化检测方法
CN112070055A (zh) 积雪覆盖日数的遥感监测方法及遥感监测装置、存储介质
CN117969533B (zh) 绝缘涂层检测方法、装置、系统、设备和存储介质
EP4401034A1 (en) Battery cell electrode sheet inspection method and apparatus, and electronic device
CN117689594A (zh) 动力电池x射线图像的亮度增强方法、装置以及电子设备
CN117876362B (zh) 一种基于深度学习的自然灾害损失评估方法及装置
CN113706448B (zh) 确定图像的方法、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