CN117710307A - 熔断器的焊接缺陷检测方法、装置、电子设备及存储介质 - Google Patents

熔断器的焊接缺陷检测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN117710307A
CN117710307A CN202311717094.XA CN202311717094A CN117710307A CN 117710307 A CN117710307 A CN 117710307A CN 202311717094 A CN202311717094 A CN 202311717094A CN 117710307 A CN117710307 A CN 117710307A
Authority
CN
China
Prior art keywords
copper sheet
area
welding
image
fuse
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
Application number
CN202311717094.XA
Other languages
English (en)
Inventor
韩旭峰
黄伟洲
杨淼
刘卫齐
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.)
Chint Group R & D Center Shanghai Co ltd
Original Assignee
Chint Group R & D Center Shanghai Co 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 Chint Group R & D Center Shanghai Co ltd filed Critical Chint Group R & D Center Shanghai Co ltd
Priority to CN202311717094.XA priority Critical patent/CN117710307A/zh
Publication of CN117710307A publication Critical patent/CN117710307A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种熔断器的焊接缺陷检测方法、装置、电子设备及存储介质，熔断器的焊接缺陷检测方法包括：获取熔断器的铜片焊接图像；确定铜片焊接图像中的有效焊接区域；根据有效焊接区域，得到熔断器的第一缺陷检测结果。通过上述熔断器的焊接缺陷检测方法、装置、电子设备及存储介质，确定获取到的铜片焊接图像中的有效焊接区域，由于铜片的大部分焊接缺陷都表现为有效焊接区域不满足要求，从而能够根据确定到的有效焊接区域来得到熔断器的第一缺陷检测结果；通过图像处理的方式，有效的实现了铜片焊接缺陷检测。

Description

熔断器的焊接缺陷检测方法、装置、电子设备及存储介质
技术领域
本发明涉及图像处理技术领域，具体涉及一种熔断器的焊接缺陷检测方法、装置、电子设备及存储介质。
背景技术
熔断器是新能源汽车领域最重要的电气部件之一，广泛应用于电动汽车、充电桩等，对用电设备起到熔断保护的作用。铜端子，作为熔断器的重要组成部分，承载着电能的传输与转换任务，将电力与信息在各个设备之间无缝传递，成为现代社会中不可或缺的纽带。
熔断器中的铜端子通常由铜片焊接得到，铜片的焊接性能影响着熔断器的电气性能。比如铜片的焊接出现焊接缺陷时，会导致熔断器的电气性能降低，甚至存在失效的风险。而现有技术中缺乏有效的铜片焊接缺陷检测方案。
发明内容
针对现有技术中所存在的不足，本发明提供一种熔断器的焊接缺陷检测方法、装置、电子设备及存储介质。
第一方面，在一个实施例中，本发明提供一种熔断器的焊接缺陷检测方法，熔断器的焊接缺陷检测方法包括：
获取熔断器的铜片焊接图像；
确定铜片焊接图像中的有效焊接区域；
根据有效焊接区域，得到熔断器的第一缺陷检测结果。
在一个实施例中，确定铜片焊接图像中的有效区域，包括：
确定铜片焊接图像中的铜片区域和焊盘区域；
确定铜片区域和焊盘区域的交集区域；
将交集区域确定为有效焊接区域。
在一个实施例中，确定铜片区域，包括：
获取已训练的目标铜片检测模型；
将铜片焊接图像输入至目标铜片检测模型中，得到目标铜片检测模型输出的铜片区域。
在一个实施例中，确定焊盘区域，包括：
获取已训练的目标焊盘检测模型；
将铜片焊接图像输入至目标焊盘检测模型中，得到目标焊盘检测模型输出的焊盘区域；
其中，目标铜片检测模型和目标焊盘检测模型为两个独立的模型。
在一个实施例中，确定铜片区域和焊盘区域的交集区域，包括：
创建像素值分别为零的第一图像和第二图像；
将铜片区域映射至第一图像，将焊盘区域映射至第二图像；
将第一图像和第二图像进行交集运算，得到第三图像；
根据第三图像中的非零像素点，得到交集区域。
在一个实施例中，在确定铜片焊接图像中的铜片区域和焊盘区域的步骤之后，熔断器的焊接缺陷检测方法还包括：
对铜片区域进行穿孔检测，得到穿孔信息；
根据穿孔信息，得到熔断器的第二缺陷检测结果。
在一个实施例中，对铜片区域进行穿孔检测，得到穿孔信息，包括：
获取已训练的目标穿孔检测模型；
将铜片区域对应的图像输入至目标穿孔检测模型，得到目标穿孔检测模型输出的穿孔信息。
第二方面，在一个实施例中，本发明提供一种熔断器的焊接缺陷检测装置，熔断器的焊接缺陷检测装置包括：
图像获取模块，用于获取熔断器的铜片焊接图像；
区域确定模块，用于确定铜片焊接图像中的有效焊接区域；
第一检测模块，用于根据有效焊接区域，得到熔断器的第一缺陷检测结果。
第三方面，在一个实施例中，本发明提供一种电子设备，包括存储器和处理器；存储器存储有计算机程序，处理器用于运行存储器内的计算机程序，以执行上述任一种实施例中的熔断器的焊接缺陷检测方法中的步骤。
第四方面，在一个实施例中，本发明提供一种存储介质，存储介质存储有计算机程序，计算机程序被处理器进行加载，以执行上述任一种实施例中的熔断器的焊接缺陷检测方法中的步骤。
通过上述熔断器的焊接缺陷检测方法、装置、电子设备及存储介质，确定获取到的铜片焊接图像中的有效焊接区域，由于铜片的大部分焊接缺陷都表现为有效焊接区域不满足要求，从而能够根据确定到的有效焊接区域来得到熔断器的第一缺陷检测结果；通过图像处理的方式，有效的实现了铜片焊接缺陷检测。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，对于本领域技术人员来讲，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为本发明一个实施例中熔断器的焊接缺陷检测方法的应用场景示意图；
图2为本发明一个实施例中熔断器的焊接缺陷检测方法的流程示意图；
图3a为本发明一个实施例中铜片区域外焊接的缺陷示意图；
图3b为本发明一个实施例中漏焊的缺陷示意图；
图3c为本发明一个实施例中铜片缺失的缺陷示意图；
图3d为本发明一个实施例中铜片区域和焊盘区域的标注示意图；
图3e为本发明另一个实施例中铜片区域和焊盘区域的标注示意图；
图3f为本发明一个实施例中旋转前的铜片区域对应的图像示意图；
图3g为本发明一个实施例中旋转后的铜片区域对应的图像示意图；
图3h为本发明一个实施例中穿孔信息的标注示意图；
图4为本发明一个实施例中熔断器的焊接缺陷检测装置的结构示意图；
图5为本发明一个实施例中电子设备的结构示意图。
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，本领域技术人员在没有作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。
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，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。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。在本申请中，“示例性”一词用来表示“用作例子、例证或说明”。本申请中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本发明。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本发明的描述变得晦涩。因此，本发明并非旨在限于所示的实施例，而是与符合本申请所公开的原理和特征的最广范围相一致。
本发明实施例中的熔断器的焊接缺陷检测方法应用于熔断器的焊接缺陷检测装置，熔断器的焊接缺陷检测装置设置于电子设备；电子设备可以是终端，例如，手机或平板电脑，电子设备还可以是一台服务器，或者多台服务器组成的服务集群。
如图1所示，图1为本发明实施例中熔断器的焊接缺陷检测方法的应用场景示意图，本发明实施例中熔断器的焊接缺陷检测方法的应用场景中包括电子设备100(电子设备100中集成有熔断器的焊接缺陷检测装置)，电子设备100中运行熔断器的焊接缺陷检测方法对应的计算机可读存储介质，以执行熔断器的焊接缺陷检测方法的步骤。
可以理解的是，图1所示熔断器的焊接缺陷检测方法的应用场景中的电子设备，或者电子设备中包含的装置并不构成对本发明实施例的限制，即，熔断器的焊接缺陷检测方法的应用场景中包含的设备数量、设备种类，或者各个设备中包含的装置数量、装置种类不影响本发明实施例中技术方案整体实现，均可以算作本发明实施例要求保护技术方案的等效替换或衍生。
本发明实施例中电子设备100可以是独立的设备，也可以是设备组成的设备网络或设备集群，例如，本发明实施例中所描述的电子设备100，其包括但不限于电脑、网络主机、单个网络设备、多个网络设备集或多个设备构成的云设备。其中，云设备由基于云计算(Cloud Computing)的大量电脑或网络设备构成。
本领域技术人员可以理解，图1中示出的应用场景，仅仅是与本发明的技术方案对应的一种应用场景，并不构成对本发明的技术方案的应用场景的限定，其他的应用场景还可以包括比图1中所示更多或更少的电子设备，或者电子设备网络连接关系，例如图1中仅示出1个电子设备，可以理解的，该熔断器的焊接缺陷检测方法的场景还可以包括一个或多个其他电子设备，具体此处不作限定；该电子设备100中还可以包括存储器，用于存储熔断器的焊接缺陷检测方法相关的信息。
此外，本发明实施例中的熔断器的焊接缺陷检测方法的应用场景中电子设备100可以设置显示装置，或者电子设备100中不设置显示装置并与外接的显示装置200通讯连接，显示装置200用于输出电子设备中熔断器的焊接缺陷检测方法执行的结果。电子设备100可以访问后台数据库300(后台数据库300可以是电子设备100的本地存储器，后台数据库300还可以设置在云端)，后台数据库300中保存有熔断器的焊接缺陷检测方法相关的信息。
需要说明的是，图1所示的熔断器的焊接缺陷检测方法的应用场景仅仅是一个示例，本发明实施例描述的熔断器的焊接缺陷检测方法的应用场景是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定。
基于上述熔断器的焊接缺陷检测方法的应用场景，提出了熔断器的焊接缺陷检测方法的实施例。
第一方面，如图2所示，在一个实施例中，本发明提供一种熔断器的焊接缺陷检测方法，熔断器的焊接缺陷检测方法包括：
步骤201，获取熔断器的铜片焊接图像。
其中，熔断器的铜片焊接的大致过程包括铜片放置和焊接固定两个阶段。铜片放置是指将铜片弯折从而夹扣在基座上。焊接固定是指对铜片进行激光焊接(在其他实施例中，也可以采用其他焊接方式)，使铜片融化从而与基座固定。
其中，在铜片焊接的过程中，通常会出现铜片区域外焊接、漏焊、铜片缺失等焊接缺陷。
其中，如图3a所示，红色框区域中的铜片区域明显小于其他区域的铜片区域，导致在铜片区域外进行焊接，得到的近似于“矩形”的焊盘区域包括两部分，一部分位于铜片上，另一部分位于基座上，如此导致铜片上的有效焊接区域较小。
其中，如图3b所示，两个红色框区域中的焊盘区域明显小于其他区域的焊盘区域。而对于图3b中两个红色框区域，左侧红色框区域中的焊盘区域又明显小于右侧红色框区域的焊盘区域，说明在焊接固定阶段存在漏焊情况，导致铜片没有被焊接或者没有被完整焊接。虽然图3b中红色框区域中的焊盘区域都位于铜片区域以内，但由于焊盘区域本身较小，导致在铜片区域上的有效焊接区域也较小。
其中，如图3c所示，红色框区域中的焊盘区域和其他区域中的焊盘区域大小几乎相同，但红色框区域中未存在有铜片区域。说明在铜片放置阶段，未能够将铜片放置到图3c中的红色框区域中，导致在焊接固定阶段直接在基座上进行焊接。虽然图3c中的红色框区域中的焊盘区域和其他区域中的焊盘区域大小几乎相同，但由于缺失铜片，导致在铜片区域上的有效焊接区域为零。
步骤202，确定铜片焊接图像中的有效焊接区域。
其中，在铜片焊接过程中，焊盘区域通常被铜片区域包含，在该情况下，在铜片区域上的有效焊接区域等同于焊盘区域。因此针对该情况，可直接确定焊盘区域，然后将焊盘区域确定为有效焊接区域。当然，对于其他焊盘区域未被铜片区域包含的情况，则需要采用其他方式来确定有效焊接区域。
步骤203，根据有效焊接区域，得到熔断器的第一缺陷检测结果。
其中，大多数焊接缺陷都会导致有效焊接区域较小，比如图3a示出的铜片区域外焊接的缺陷、图3b示出的漏焊的缺陷以及图3c示出的铜片缺失的缺陷。因此可预设焊接区域下限阈值，当得到的有效焊接区域小于该焊接区域下限阈值时，则说明熔断器存在有效焊接区域不满足要求的焊接缺陷(即得到表征存在有效焊接区域不满足要求的焊接缺陷的第一缺陷检测结果)，反之则说明熔断器不存在有效焊接区域不满足要求的焊接缺陷(即得到表征不存在有效焊接区域不满足要求的焊接缺陷的第一缺陷检测结果)。
其中，焊接缺陷除了会导致有效焊接区域较小以外，还可能导致有效焊接区域较大。比如焊接固定阶段的焊接点位过于密集，从而使铜片的大部分都被融化，进而影响铜片的性能。针对导致有效焊接区域较大的焊接缺陷，还可以预设焊接区域上限阈值，当得到的有效焊接区域大于该焊接区域上限阈值时，则说明熔断器存在有效焊接区域不满足要求的焊接缺陷(即得到表征存在有效焊接区域不满足要求的焊接缺陷的第一缺陷检测结果)，反之则说明熔断器不存在有效焊接区域不满足要求的焊接缺陷(即得到表征不存在有效焊接区域不满足要求的焊接缺陷的第一缺陷检测结果)。
通过上述熔断器的焊接缺陷检测方法，确定获取到的铜片焊接图像中的有效焊接区域，由于铜片的大部分焊接缺陷都表现为有效焊接区域不满足要求，从而能够根据确定到的有效焊接区域来得到熔断器的第一缺陷检测结果；通过图像处理的方式，有效的实现了铜片焊接缺陷检测。
在一个实施例中，确定铜片焊接图像中的有效区域，包括：
确定铜片焊接图像中的铜片区域和焊盘区域。
确定铜片区域和焊盘区域的交集区域。
将交集区域确定为有效焊接区域。
其中，上述实施例已经提到，对于焊盘区域被铜片区域包含的情况，可直接将确定到的焊盘区域确定为有效焊接区域。但对于焊盘区域未被铜片区域包含的情况，该方式无法可靠确定到有效焊接区域。
为了解决上述问题，本实施例通过检测铜片区域和焊盘区域的交集区域，从而将交集区域确定为有效焊接区域。焊盘区域无论是被铜片区域包含还是未被铜片区域包含，该方式都能够可靠的确定到有效焊接区域。
其中，在确定铜片区域和焊盘区域的交集区域时，可采用传统的多边形交集算法。传统的多边形交集算法是用于计算两个多边形之间的交集区域的一种算法。其原理可以简单概括如下：
首先，确定两个多边形的边界点。对于每个多边形，可以通过遍历其边界上的顶点，得到一系列有序的边。
接下来，根据边界点的位置关系，判断是否存在交集。这可以通过检查两个多边形的边是否相交来实现。如果两个边相交，则可以确定交点的位置。
当存在交点时，将这些交点记录下来，并根据交点构建新的边界。此时，多边形的边界将发生变化，形成新的多边形。
重复上述第二个步骤和第三个步骤，直到没有新的交点产生或者无法再生成新的多边形。
最后，将所有生成的多边形组合在一起，即为两个多边形的交集区域。
其中，铜片区域和焊盘区域的检测可利用传统的图像检测算法来实现，通过图像处理来检测轮廓，从而确定到对应的区域。
在一个实施例中，确定铜片区域，包括：
获取已训练的目标铜片检测模型。
将铜片焊接图像输入至目标铜片检测模型中，得到目标铜片检测模型输出的铜片区域。
其中，上述实施例已经提到，铜片区域的检测可利用传统的图像检测算法来实现，但由于铜片区域和焊盘区域的色域非常相似，导致传统的图像检测算法无法准确的得到铜片区域。
本实施例通过AI模型，利用模型自身的学习能力，通过预先的训练，使其具备检测能力，从而得到对应的目标铜片检测模型，进而通过目标铜片检测模型实现铜片区域的检测，能够提高检测效率和精度。
其中，目标铜片检测模型可采用各种典型的网络架构，比如CNN(卷积神经网络，其核心是通过卷积层和池化层来提取输入数据中的特征，并且通过全连接层进行分类或回归等任务)等。
在一个实施例中，在获取已训练的目标铜片检测模型的步骤之前，熔断器的焊接缺陷检测方法还包括：
获取第一训练样本集，第一训练样本集包括多个训练铜片焊接图像以及对应的多个训练铜片区域。
其中，训练铜片区域通过标注得到。考虑到单纯手动标注的耗时较长，因此在本实施例中，可采用开源的大模型项目ISAT_with_segment_anything进行半自动标注。如图3d和图3e所示，黄色部分为标注的铜片区域。
其中，除了采用开源的大模型项目ISAT_with_segment_anything以外，还可以采用Labelme、VOTT等标注工具。
其中，在获取第一训练样本集时，可分别收集产线生产过程中多个阶段的铜片焊接图像，比如按照一周为间隔，分别收集三个阶段的铜片焊接图像。由于铜片焊接在生产过程中趋于稳定，导致在生成过程中不同时期的铜片焊接图像之间存在差异。因此，为了保障训练样本集的全面性和多样性，需收集多个阶段的铜片焊接图像作为第一训练样本集中的训练铜片焊接图像，从而提高训练效果。
将第一训练样本集中的每个训练铜片焊接图像输入至初始铜片检测模型中进行铜片区域的检测，得到对应的多个预测铜片区域。
根据每个预测铜片区域和每个训练铜片区域，确定第一损失参数。
其中，在训练过程中，主要是将训练铜片焊接图像作为输入，将输出的预测铜片区域作为实际输出，将训练铜片区域作为期望输出，从而根据实际输出和期望输出确定第一损失参数。
其中，在本实施例中，铜片检测模型的网络架构还可以是YOLOv8。YOLOv8算法的核心点包括Backbone、PAN-FPN、Head以及Loss。
Backbone:使用CSP的思想，将YOLOv5中的c3模块替换成了c2f模块，进一步实现了轻量化，同时继续使用SPPF模块。
PAN-FPN：YOLOv8依旧使用了PAN的思想，不同的是YOLOv8将YOLOv5中PAN-FPN上采样阶段中的卷积结构删除了，同时也将C3模块替换为了C2f模块。
Head：采用主流的解耦头结构(Decoupled-Head)，将分类和检测头分离；同时采用Anchor-Free。
Loss：YOLOv8抛弃了以往的IOU匹配或者单边比例的分配方式，而是使用了Task-Aligned Assigner正负样本匹配方式；并引入了Distribution Focal Loss(DFL)损失函数。
根据第一损失参数，对初始铜片检测模型进行训练，得到已训练的目标铜片检测模型。
其中，根据第一损失参数，确定是否满足预设收敛条件(也即得到最小损失值)。若是则得到已训练的目标铜片检测模型。若否则根据第一损失参数调整初始铜片检测模型的权重参数(可通过优化器，如SGD，将权重参数沿梯度方向进行微小的更新)，然后获取下一个第一训练样本集，重复上述步骤以继续训练(也即重复正向传播和反向传播，反复迭代)，直至得到的第一损失参数满足预设收敛条件，从而得到已训练的目标铜片检测模型。
其中，铜片检测模型的网络架构还可以是u_net。
在一个实施例中，确定焊盘区域，包括：
获取已训练的目标焊盘检测模型。
将铜片焊接图像输入至目标焊盘检测模型中，得到目标焊盘检测模型输出的焊盘区域。
其中，上述实施例已经提到，焊盘区域的检测可利用传统的图像检测算法来实现，但由于铜片区域和焊盘区域的色域非常相似，导致传统的图像检测算法无法准确的得到焊盘区域。
本实施例通过AI模型，利用模型自身的学习能力，通过预先的训练，使其具备检测能力，从而得到对应的目标焊盘检测模型，进而通过目标焊盘检测模型实现焊盘区域的检测，能够提高检测效率和精度。
其中，目标焊盘检测模型可采用各种典型的网络架构，比如CNN(卷积神经网络，其核心是通过卷积层和池化层来提取输入数据中的特征，并且通过全连接层进行分类或回归等任务)等。
其中，目标铜片检测模型和目标焊盘检测模型为两个独立的模型。铜片区域和焊盘区域的重合度非常高，特别是当焊盘区域较为密集并且往铜片区域外围延伸时，会遮盖住铜片区域的大部分区域，导致铜片区域的特征不明显。针对该情况，若采用同一个检测模型来同时完成铜片区域和焊盘区域的检测，这对于铜片区域的检测效果非常差。因此在本实施例中，针对焊盘区域，采用不同于目标铜片检测模型的目标焊盘检测模型来完成检测，即铜片检测和焊盘检测分别采用对应的模型来实现，进而提高铜片区域的检测效果。
在一个实施例中，在获取已训练的目标焊盘检测模型的步骤之前，熔断器的焊接缺陷检测方法还包括：
获取第二训练样本集，第二训练样本集包括多个训练焊盘焊接图像以及对应的多个训练焊盘区域。
其中，训练焊盘区域通过标注得到。考虑到单纯手动标注的耗时较长，因此在本实施例中，可采用开源的大模型项目ISAT_with_segment_anything进行半自动标注。如图3d和图3e所示，红色部分为标注的焊盘区域。
其中，除了采用开源的大模型项目ISAT_with_segment_anything以外，还可以采用Labelme、VOTT等标注工具。
其中，在获取第二训练样本集时，可分别收集产线生产过程中多个阶段的焊盘焊接图像，比如按照一周为间隔，分别收集三个阶段的焊盘焊接图像。由于焊盘焊接在生产过程中趋于稳定，导致在生成过程中不同时期的焊盘焊接图像之间存在差异。因此，为了保障训练样本集的全面性和多样性，需收集多个阶段的焊盘焊接图像作为第二训练样本集中的训练焊盘焊接图像，从而提高训练效果。
将第二训练样本集中的每个训练焊盘焊接图像输入至初始焊盘检测模型中进行焊盘区域的检测，得到对应的多个预测焊盘区域。
根据每个预测焊盘区域和每个训练焊盘区域，确定第二损失参数。
其中，在训练过程中，主要是将训练焊盘焊接图像作为输入，将输出的预测焊盘区域作为实际输出，将训练焊盘区域作为期望输出，从而根据实际输出和期望输出确定第二损失参数。
其中，在本实施例中，焊盘检测模型的网络架构还可以是YOLOv8。YOLOv8网络架构的具体组成可参照上述实施例，在此不再赘述。
根据第二损失参数，对初始焊盘检测模型进行训练，得到已训练的目标焊盘检测模型。
其中，根据第二损失参数，确定是否满足预设收敛条件(也即得到最小损失值)。若是则得到已训练的目标焊盘检测模型。若否则根据第二损失参数调整初始焊盘检测模型的权重参数(可通过优化器，如SGD，将权重参数沿梯度方向进行微小的更新)，然后获取下一个第二训练样本集，重复上述步骤以继续训练(也即重复正向传播和反向传播，反复迭代)，直至得到的第二损失参数满足预设收敛条件，从而得到已训练的目标焊盘检测模型。
其中，焊盘检测模型的网络架构还可以是u_net。
其中，如图3d和图3e所示，图中同时标注了铜片区域和焊盘区域，完成标注后的标注图像，在训练铜片检测模型时作为训练铜片区域，在训练焊盘检测模型时作为训练焊盘区域。实现了训练样本的复用，降低了样本获取成本。
在一个实施例中，确定铜片区域和焊盘区域的交集区域，包括：
创建像素值分别为零的第一图像和第二图像。
将铜片区域映射至第一图像，将焊盘区域映射至第二图像。
其中，第一图像和第二图像用于完成铜片焊接图像中铜片区域和焊盘区域的映射，为了便于映射，可将第一图像和第二图像的尺寸设置为与铜片焊接图像的尺寸相同。
其中，进行映射时，可直接将铜片区域对应的像素信息填充至第一图像中的对应区域，将焊盘区域对应的像素信息填充至第二图像中的对应区域。或者，也可以将第一图像中对应铜片区域的对应区域填充255，将第二图像中对应焊盘区域的对应区域填充255，如此使得第一图像和第二图像为二值化图像，便于后续分析。
将第一图像和第二图像进行交集运算，得到第三图像。
其中，第一图像和第二图像进行交集运算，是指将第一图像和第二图像进行逐像素比较，并取相同位置上像素值的最小值或者最大值作为输出的像素值。在图像处理中，可以通过以下步骤来实现第一图像和第二图像的交集运算。
确保第一图像和第二图像具有相同的尺寸和通道数(如灰度图像或彩色图像)。
对每个像素位置，分别获取第一图像和第二图像在该位置上的像素值。
将第一图像和第二图像在相同位置上的像素值取最小值或者最大值，作为第三图像在该位置上的像素值。
将得到的像素值组合成第三图像。
根据第三图像中的非零像素点，得到交集区域。
其中，在第三图像中，只有第一图像和第二图像在重合位置上对应的像素点才有对应的像素值。在本实施例中，重合位置上对应的像素点的像素值为255，其他像素点的像素值则为零。因此可通过统计第三图像中的非零像素点来得到对应的交集区域。
其中，上述实施例已经提到，可通过传统的多边形交集算法来确定铜片区域和焊盘区域之间的交集区域。但由于铜片区域和焊盘区域都是不规则多边形，是非凸多边形，传统的多边形交集算法会因其算法不稳定而导致交集区域的检测误差。具体的，传统的多边形交集算法是通过构建大量的边来实现交集区域的检测，而在构建边时，容易将重合的像素点排除在外或者将未重合的像素点计算在内，如此导致计算误差。而本实施例则是基于图像的多边形交集算法，能够充分考虑每一个像素点，从而提高检测精度。
在一个实施例中，在确定铜片焊接图像中的铜片区域和焊盘区域的步骤之后，熔断器的焊接缺陷检测方法还包括：
对铜片区域进行穿孔检测，得到穿孔信息。
根据穿孔信息，得到熔断器的第二缺陷检测结果。
其中，除了存在导致有效焊接区域不满足要求的焊接缺陷以外，还存在穿孔的焊接缺陷，如图3f所示，铜片区域上存在多个“坑”状的区域，其为穿孔。具体的，在对铜片进行焊接固定时，焊接时间过久或者焊接功率过大，导致铜片出现穿孔，穿孔过大时也会影响电气性能。
因此，在本实施例中，除了通过检测有效焊接区域来得到对应的第一缺陷检测结果以外，还通过检测穿孔的穿孔信息来得到对应的第二缺陷检测结果。
具体的，先通过穿孔检测得到对应的穿孔信息，穿孔信息表征铜片区域是否存在穿孔以及在存在穿孔时的穿孔尺寸。当穿孔信息表征铜片区域存在穿孔时，根据其穿孔尺寸进行阈值判断，若穿孔尺寸大于预设穿孔尺寸阈值，则说明存在穿孔的焊接缺陷，反之则说明不存在穿孔的焊接缺陷。
其中，由于穿孔是出现在铜片上的，因此仅需对铜片区域进行穿孔检测即可，从而降低无关特征的干扰。进一步的，由于穿孔是焊接导致的，因此还可以对焊盘区域进行穿孔检测，从而进一步降低无关特征的干扰。
通过第一缺陷检测结果和第二缺陷检测结果，实现了较为完整的铜片焊接缺陷检测。
在一个实施例中，对铜片区域进行穿孔检测，得到穿孔信息，包括：
获取已训练的目标穿孔检测模型；
将铜片区域对应的图像输入至目标穿孔检测模型，得到目标穿孔检测模型输出的穿孔信息。
本实施例通过AI模型，利用模型自身的学习能力，通过预先的训练，使其具备检测能力，从而得到对应的目标穿孔检测模型，进而通过目标穿孔检测模型实现穿孔检测，能够提高检测效率和精度。
其中，目标穿孔检测模型可采用各种典型的网络架构，比如CNN(卷积神经网络，其核心是通过卷积层和池化层来提取输入数据中的特征，并且通过全连接层进行分类或回归等任务)等。
在一个实施例中，在获取已训练的目标穿孔检测模型的步骤之前，熔断器的焊接缺陷检测方法还包括：
获取第三训练样本集，第三训练样本集包括多个铜片区域对应的训练图像以及对应的多个训练穿孔信息。
其中，在获取第三训练样本集时，可分别收集产线生产过程中多个阶段的铜片区域对应的图像，比如按照一周为间隔，分别收集三个阶段的铜片区域对应的图像。由于穿孔焊接在生产过程中趋于稳定，导致在生成过程中不同时期的铜片区域对应的图像之间存在差异。因此，为了保障训练样本集的全面性和多样性，需收集多个阶段的铜片区域对应的图像作为第三训练样本集中的铜片区域对应的训练图像，从而提高训练效果。
其中，如图3a、图3b和图3c所示，在该拍照方式下，上下两侧的铜片区域和焊盘区域在靠近中部的部分区域存在遮挡问题。因此，为了获取到质量更好的铜片焊接图像，需分别对上下两侧进行拍摄，得到两个铜片焊接图像，如图3d和图3e所示。然而在图3d和图3e的拍摄方式下，虽然能够得到质量更好的铜片焊接图像，但铜片区域相对于整个铜片焊接图像而言是倾斜的，通过铜片区域检测得到的铜片区域对应的图像中，铜片区域也是倾斜的，如图3f所示。然而对于穿孔的标注和检测都是通过对应的“矩形框”来实现，“矩形框”的方向与铜片区域对应的图像的方向一致，如此会导致“矩形框”在对穿孔进行框选时，会包含多余的背景，从而影响训练效果和检测精度。
针对上述问题，本实施例可通过旋转的方式来解决，使得旋转得到的图像中，铜片区域不再倾斜，如图3g所示。
具体的，旋转前为图像A，旋转后为图像B。计算图像A中铜片区域的外接矩形，确定图像A中铜片区域相对于图像A的多边形坐标，计算多边形的凸包并计算凸包的最长边。利用凸包的最长边，计算出多边形的旋转角度a。利用旋转角度a，计算出旋转后图像B的长宽。利用图像A的中心和旋转角度a，计算旋转矩阵。矫正旋转矩阵，以将旋转矩阵的偏移量加上图像B中心到图像A中心的距离。利用矫正旋转矩阵，对图像A进行旋转，得到旋转后的图像B。
其中，训练穿孔信息通过标注得到，可采用LabelImg标注工具进行标注。如图3h所示，绿色部分为标注的穿孔信息。
其中，由于旋转后的铜片区域中的穿孔特征并不多，且形态各异，因此除了尽可能多的从产线生产过程中获取对应的训练样本以外，还可以通过图像增强的方式来扩充训练样本，比如水平翻转、垂直翻转、对角翻转等。在第三训练样本集中，要适量包含不存在穿孔的训练样本，具体的，存在穿孔的训练样本和不存在穿孔的训练样本的数量比为6:1。
将第三训练样本集中的每个铜片区域对应的训练图像输入至初始穿孔检测模型中进行穿孔检测，得到对应的多个预测穿孔信息。
根据每个预测穿孔区域和每个训练穿孔区域，确定第三损失参数。
其中，在训练过程中，主要是将铜片区域对应的训练图像作为输入，将输出的预测穿孔信息作为实际输出，将训练穿孔信息作为期望输出，从而根据实际输出和期望输出确定第三损失参数。
其中，在本实施例中，穿孔检测模型的网络架构还可以是YOLOv8。YOLOv8网络架构的具体组成可参照上述实施例，在此不再赘述。
根据第三损失参数，对初始穿孔检测模型进行训练，得到已训练的目标穿孔检测模型。
其中，根据第三损失参数，确定是否满足预设收敛条件(也即得到最小损失值)。若是则得到已训练的目标穿孔检测模型。若否则根据第三损失参数调整初始穿孔检测模型的权重参数(可通过优化器，如SGD，将权重参数沿梯度方向进行微小的更新)，然后获取下一个第三训练样本集，重复上述步骤以继续训练(也即重复正向传播和反向传播，反复迭代)，直至得到的第三损失参数满足预设收敛条件，从而得到已训练的目标穿孔检测模型。
其中，穿孔检测模型的网络架构还可以是YOLOX。
在一个实施例中，针对上述YOLOv8网络架构，还可以对其进行超参数优化。超参数优化是指通过调整模型的超参数(即在训练过程中需要手动设置的参数)，以找到最佳的模型性能和泛化能力的过程。超参数包括学习率、批次大小、循环次数、优化函数等，可通过单一性对比测试来选择。
其中，由于铜片焊接图像的特征比较单一，训练样本集的特征比较单调，容易造成过拟合。因此在超参数优化时，优先考虑泛化能力，其次考虑置信度，选择置信度整体偏高的参数。
第二方面，如图4所示，在一个实施例中，本发明提供一种熔断器的焊接缺陷检测装置，熔断器的焊接缺陷检测装置包括：
图像获取模块301，用于获取熔断器的铜片焊接图像；
区域确定模块302，用于确定铜片焊接图像中的有效焊接区域；
第一检测模块303，用于根据有效焊接区域，得到熔断器的第一缺陷检测结果。
通过上述熔断器的焊接缺陷检测装置，确定获取到的铜片焊接图像中的有效焊接区域，由于铜片的大部分焊接缺陷都表现为有效焊接区域不满足要求，从而能够根据确定到的有效焊接区域来得到熔断器的第一缺陷检测结果；通过图像处理的方式，有效的实现了铜片焊接缺陷检测。
在一个实施例中，区域确定模块具体用于确定铜片焊接图像中的铜片区域和焊盘区域；确定铜片区域和焊盘区域的交集区域；将交集区域确定为有效焊接区域。
在一个实施例中，区域确定模块具体用于获取已训练的目标铜片检测模型；
将铜片焊接图像输入至目标铜片检测模型中，得到目标铜片检测模型输出的铜片区域。
在一个实施例中，区域确定模块具体用于获取已训练的目标焊盘检测模型；
将铜片焊接图像输入至目标焊盘检测模型中，得到目标焊盘检测模型输出的焊盘区域。
在一个实施例中，区域确定模块具体用于创建像素值分别为零的第一图像和第二图像；将铜片区域映射至第一图像，将焊盘区域映射至第二图像；将第一图像和第二图像进行交集运算，得到第三图像；根据第三图像中的非零像素点，得到交集区域。
在一个实施例中，熔断器的焊接缺陷检测装置还包括：
穿孔检测模块，用于在确定铜片焊接图像中的铜片区域和焊盘区域的步骤之后，对铜片区域进行穿孔检测，得到穿孔信息；
第二检测模块，用于根据穿孔信息，得到熔断器的第二缺陷检测结果。
在一个实施例中，穿孔检测模块具体用于获取已训练的目标穿孔检测模型；
将铜片区域对应的图像输入至目标穿孔检测模型，得到目标穿孔检测模型输出的穿孔信息。
第三方面，在一个实施例中，本发明提供一种电子设备，如图5所示，其示出了本发明所涉及的电子设备的结构，具体来讲：
该电子设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解，图5中示出的电子设备的结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
处理器401是该电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器402内的软件程序和/或模块，以及调用存储在存储器402内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。可选的，处理器401可包括一个或多个处理核心；优选的，处理器401可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和计算机程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及模块，处理器401通过运行存储在存储器402的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的计算机程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据服务器的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器402还可以包括存储器控制器，以提供处理器401对存储器402的访问。
电子设备还包括给各个部件供电的电源403，优选的，电源403可以通过电源管理系统与处理器401逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该电子设备还可包括输入单元404，该输入单元404可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出，电子设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，当电子设备为模型训练电子设备时，电子设备中的处理器401会按照如下的指令，将一个或一个以上的计算机程序的进程对应的可执行文件加载到存储器402中，并由处理器401来运行存储在存储器402中的计算机程序，以执行如下步骤：
获取熔断器的铜片焊接图像；
确定铜片焊接图像中的有效焊接区域；
根据有效焊接区域，得到熔断器的第一缺陷检测结果。
通过上述电子设备，确定获取到的铜片焊接图像中的有效焊接区域，由于铜片的大部分焊接缺陷都表现为有效焊接区域不满足要求，从而能够根据确定到的有效焊接区域来得到熔断器的第一缺陷检测结果；通过图像处理的方式，有效的实现了铜片焊接缺陷检测。
本领域普通技术人员可以理解，上述实施例的任一种方法中的全部或部分步骤可以通过计算机程序来完成，或通过计算机程序控制相关的硬件来完成，该计算机程序可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
第四方面，在一个实施例中，本发明提供一种存储介质，其中存储有多条计算机程序，该计算机程序能够被处理器进行加载，以执行如下步骤：
获取熔断器的铜片焊接图像；
确定铜片焊接图像中的有效焊接区域；
根据有效焊接区域，得到熔断器的第一缺陷检测结果。
通过上述存储介质，确定获取到的铜片焊接图像中的有效焊接区域，由于铜片的大部分焊接缺陷都表现为有效焊接区域不满足要求，从而能够根据确定到的有效焊接区域来得到熔断器的第一缺陷检测结果；通过图像处理的方式，有效的实现了铜片焊接缺陷检测。
本领域普通技术人员可以理解，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)、DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
由于该存储介质中所存储的计算机程序，可以执行本发明所提供的任一种实施例中的熔断器的焊接缺陷检测方法中的步骤，因此，可以实现本发明所提供的任一种实施例中的熔断器的焊接缺陷检测方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
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，可以参见上文针对其他实施例的详细描述，此处不再赘述。
以上对本发明所提供的一种熔断器的焊接缺陷检测方法、装置、电子设备及存储介质进行了详细介绍，本文中应用了具体个例对本发明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发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，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发明的限制。
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。

Claims (10)

1.一种熔断器的焊接缺陷检测方法，其特征在于，所述熔断器的焊接缺陷检测方法包括：
获取熔断器的铜片焊接图像；
确定所述铜片焊接图像中的有效焊接区域；
根据所述有效焊接区域，得到熔断器的第一缺陷检测结果。
2.根据权利要求1所述的熔断器的焊接缺陷检测方法，其特征在于，所述确定所述铜片焊接图像中的有效区域，包括：
确定所述铜片焊接图像中的铜片区域和焊盘区域；
确定所述铜片区域和所述焊盘区域的交集区域；
将所述交集区域确定为所述有效焊接区域。
3.根据权利要求2所述的熔断器的焊接缺陷检测方法，其特征在于，确定所述铜片区域，包括：
获取已训练的目标铜片检测模型；
将所述铜片焊接图像输入至所述目标铜片检测模型中，得到所述目标铜片检测模型输出的所述铜片区域。
4.根据权利要求3所述的熔断器的焊接缺陷检测方法，其特征在于，确定所述焊盘区域，包括：
获取已训练的目标焊盘检测模型；
将所述铜片焊接图像输入至所述目标焊盘检测模型中，得到所述目标焊盘检测模型输出的所述焊盘区域；
其中，所述目标铜片检测模型和所述目标焊盘检测模型为两个独立的模型。
5.根据权利要求2所述的熔断器的焊接缺陷检测方法，其特征在于，所述确定所述铜片区域和所述焊盘区域的交集区域，包括：
创建像素值分别为零的第一图像和第二图像；
将所述铜片区域映射至所述第一图像，将所述焊盘区域映射至所述第二图像；
将所述第一图像和所述第二图像进行交集运算，得到第三图像；
根据所述第三图像中的非零像素点，得到所述交集区域。
6.根据权利要求2所述的熔断器的焊接缺陷检测方法，其特征在于，在所述确定所述铜片焊接图像中的铜片区域和焊盘区域的步骤之后，所述熔断器的焊接缺陷检测方法还包括：
对所述铜片区域进行穿孔检测，得到穿孔信息；
根据所述穿孔信息，得到熔断器的第二缺陷检测结果。
7.根据权利要求6所述的熔断器的焊接缺陷检测方法，其特征在于，所述对所述铜片区域进行穿孔检测，得到穿孔信息，包括：
获取已训练的目标穿孔检测模型；
将所述铜片区域对应的图像输入至所述目标穿孔检测模型，得到所述目标穿孔检测模型输出的所述穿孔信息。
8.一种熔断器的焊接缺陷检测装置，其特征在于，所述熔断器的焊接缺陷检测装置包括：
图像获取模块，用于获取熔断器的铜片焊接图像；
区域确定模块，用于确定所述铜片焊接图像中的有效焊接区域；
第一检测模块，用于根据所述有效焊接区域，得到熔断器的第一缺陷检测结果。
9.一种电子设备，其特征在于，包括存储器和处理器；所述存储器存储有计算机程序，所述处理器用于运行所述存储器内的所述计算机程序，以执行权利要求1至7任一项所述的熔断器的焊接缺陷检测方法中的步骤。
10.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器进行加载，以执行权利要求1至7任一项所述的熔断器的焊接缺陷检测方法中的步骤。
CN202311717094.XA 2023-12-13 2023-12-13 熔断器的焊接缺陷检测方法、装置、电子设备及存储介质 Pending CN117710307A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311717094.XA CN117710307A (zh) 2023-12-13 2023-12-13 熔断器的焊接缺陷检测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311717094.XA CN117710307A (zh) 2023-12-13 2023-12-13 熔断器的焊接缺陷检测方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN117710307A true CN117710307A (zh) 2024-03-15

Family

ID=90145604

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311717094.XA Pending CN117710307A (zh) 2023-12-13 2023-12-13 熔断器的焊接缺陷检测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN117710307A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN209496802U (zh) * 2018-11-28 2019-10-15 库柏西安熔断器有限公司 熔断器、电动汽车用整车电路和电动汽车
CN111862067A (zh) * 2020-07-28 2020-10-30 中山佳维电子有限公司 一种焊接缺陷检测方法、装置、电子设备以及存储介质
CN114596309A (zh) * 2022-04-07 2022-06-07 上海电气集团股份有限公司 焊缝缺陷的检测、模型训练方法、系统、设备和存储介质
CN115965588A (zh) * 2022-12-07 2023-04-14 苏州镁伽科技有限公司 缺陷检测方法、系统、电子设备及存储介质
CN116703914A (zh) * 2023-08-07 2023-09-05 浪潮云洲工业互联网有限公司 基于生成式人工智能的焊接缺陷检测方法、设备及介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN209496802U (zh) * 2018-11-28 2019-10-15 库柏西安熔断器有限公司 熔断器、电动汽车用整车电路和电动汽车
CN111862067A (zh) * 2020-07-28 2020-10-30 中山佳维电子有限公司 一种焊接缺陷检测方法、装置、电子设备以及存储介质
CN114596309A (zh) * 2022-04-07 2022-06-07 上海电气集团股份有限公司 焊缝缺陷的检测、模型训练方法、系统、设备和存储介质
CN115965588A (zh) * 2022-12-07 2023-04-14 苏州镁伽科技有限公司 缺陷检测方法、系统、电子设备及存储介质
CN116703914A (zh) * 2023-08-07 2023-09-05 浪潮云洲工业互联网有限公司 基于生成式人工智能的焊接缺陷检测方法、设备及介质

Similar Documents

Publication Publication Date Title
EP3683572B1 (en) Battery detection method and device
WO2021169335A1 (zh) 一种锂电池极耳激光焊点视觉在线检测方法
JP6871314B2 (ja) 物体検出方法、装置及び記憶媒体
CN108810616B (zh) 目标定位方法、视频显示方法、装置、设备和存储介质
CN103500459B (zh) 一种基于规则化参数的印刷电路板缺陷检测方法
JP3834041B2 (ja) 学習型分類装置及び学習型分類方法
CN109741295B (zh) 产品质量检测方法及装置
TWI557650B (zh) 用於識別材料中之缺陷之系統及方法
CN109543662B (zh) 基于区域提议的目标检测方法、系统、装置和存储介质
CN115937170A (zh) 电路板检测方法、装置、计算机设备及存储介质
CN107040725A (zh) 一种图像获取装置的坐标校正方法及图像获取装置
CN109741296B (zh) 产品质量检测方法及装置
CN113034447B (zh) 一种边缘缺陷检测方法和装置
CN111310746B (zh) 文本行检测方法、模型训练方法、装置、服务器及介质
CN109300127A (zh) 缺陷检测方法、装置、计算机设备及存储介质
CN116503414B (zh) 屏幕缺陷检测方法、装置、计算机设备和存储介质
CN117710307A (zh) 熔断器的焊接缺陷检测方法、装置、电子设备及存储介质
CN114549393A (zh) 图像标注方法、装置、设备及计算机存储介质
CN107230195B (zh) 一种影像处理方法和装置
CN108263077A (zh) 手机屏幕的丝网印刷方法、装置、终端设备及存储介质
CN117094964A (zh) 电池片间距检测方法、装置、计算机设备及存储介质
CN109087280A (zh) 连铸坯质量检测方法、装置、控制设备、服务器及介质
CN116879301A (zh) 产品检测方法、装置、设备及计算机可读存储介质
CN116596918A (zh) 植球检测方法、装置、检测终端和存储介质
CN116740321A (zh) 显示网格的修补方法、装置、设备以及存储介质

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