CN117746088A - 用于电池单元的基于x射线放射摄影的故障检测和预测 - Google Patents

用于电池单元的基于x射线放射摄影的故障检测和预测 Download PDF

Info

Publication number
CN117746088A
CN117746088A CN202310520029.1A CN202310520029A CN117746088A CN 117746088 A CN117746088 A CN 117746088A CN 202310520029 A CN202310520029 A CN 202310520029A CN 117746088 A CN117746088 A CN 117746088A
Authority
CN
China
Prior art keywords
classifier
battery cell
foil
radiographic image
features
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
CN202310520029.1A
Other languages
English (en)
Inventor
D·M·韦格纳
M·E·麦戈文
D·布鲁德
S·R·瓦格纳
T·艾哈迈德
E·W·施密茨
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.)
GM Global Technology Operations LLC
Original Assignee
GM Global Technology Operations LLC
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 GM Global Technology Operations LLC filed Critical GM Global Technology Operations LLC
Publication of CN117746088A publication Critical patent/CN117746088A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/4285—Testing apparatus
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/06—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption
    • G01N23/083—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption the radiation being X-rays
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/06—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption
    • G01N23/18—Investigating the presence of flaws defects or foreign matter
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/10—Different kinds of radiation or particles
    • G01N2223/101—Different kinds of radiation or particles electromagnetic radiation
    • G01N2223/1016—X-ray
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/646—Specific applications or type of materials flaws, defects

Landscapes

  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Manufacturing & Machinery (AREA)
  • Engineering & Computer Science (AREA)
  • General Chemical & Material Sciences (AREA)
  • Electrochemistry (AREA)
  • Toxicology (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

用于电池单元的基于X射线放射摄影的故障检测和预测。一种用于检测电池单元中的缺陷的方法包括接收电池单元的X射线放射摄影图像，以及使用分类器将X射线放射摄影图像分割成感兴趣区。所述方法包括使用分类器处理分割的X射线放射摄影图像以标识电池单元的特征，使用分类器检测经处理的X射线放射摄影图像中的所述特征中的一个或多个是否有缺陷，以及基于经处理的X射线放射摄影图像中的所述特征中的一个或多个是否有缺陷，使用分类器确定电池单元是否有缺陷。

Description

用于电池单元的基于X射线放射摄影的故障检测和预测
技术领域
本节中提供的信息用于总体上呈现本公开上下文的目的。在本节中描述的程度上当前指名的发明人的工作以及在提交时可能不以其他方式符合现有技术条件的描述的各方面既没有明确地也没有隐含地被承认为针对本公开的现有技术。
本公开总体上涉及电池，并且更特别地涉及用于电池单元的基于X射线放射摄影(radiograph)的故障检测和预测。
背景技术
电池用于给包括诸如汽车之类的车辆的各种各样的装备供电。电池组由彼此连接的电池单元组成。每个电池组可以由彼此连接的单元模块组成。每个单元模块包括彼此连接的多个单元。每个单元典型地包括多个阳极和阴极。阳极连接到单元的第一电极。阴极连接到单元的第二电极。第一和第二电极也被称为第一和第二极耳(tab)。单元电极堆叠典型地封装在外壳中，诸如软包或某种其他类型的外壳。第一和第二极耳在外壳的外部。一些单元具有位于单元的同一侧的第一和第二极耳，而其他的具有位于单元的相对侧的第一和第二极耳。
发明内容
一种用于检测电池单元中的缺陷的方法包括接收电池单元的X射线放射摄影图像，以及使用分类器将X射线放射摄影图像分割成感兴趣区。所述方法包括使用分类器处理分割的X射线放射摄影图像以标识电池单元的特征，使用分类器检测经处理的X射线放射摄影图像中的特征中的一个或多个是否有缺陷，以及基于经处理的X射线放射摄影图像中的特征中的一个或多个是否有缺陷，使用分类器确定电池单元是否有缺陷。
在另一特征中，所述方法进一步包括使用不同于所述分类器的一元分类器来检测电池单元中的非凡状况。
在另一特征中，所述检测包括检测如下各项中的一个或多个：电池单元中的阳极或阴极的箔片中的撕裂、箔片中的折叠、包括电池单元的阳极或阴极的焊接箔片的第一焊接区中的缺陷、以及包括焊接到电池单元的极耳的焊接箔片的第二焊接区中的缺陷。
在另一特征中，所述特征中的一个或多个指示电池单元的阳极或阴极的箔片的焊接质量以及焊接箔片到电池单元的极耳的焊接质量中的一个或多个。
在另一特征中，分割X射线放射摄影图像包括突出显示X射线放射摄影图像中的感兴趣区，将感兴趣区彼此分离，以及标记感兴趣区。
在另一特征中，所述方法进一步包括使用分割来遮蔽所述特征中所选的一个特征，以用于进一步处理。
在另一特征中，所述方法进一步包括使用分割遮蔽所述特征中的一个特征，以促进处理所述特征中的另一个特征。
在另一特征中，所述方法进一步包括通过在不引起X射线放射摄影图像中的伪影的情况下选择性地增强感兴趣区中的一个或多个来训练分类器。所述增强包括翻转、平移和旋转X射线放射摄影图像或其一部分中的一个或多个。
在另一特征中，所述增强排除了对比度改变、添加噪声和模糊X射线放射摄影图像或其一部分。
在另一特征中，检测所述特征中的一个或多个是否有缺陷包括在X射线放射摄影图像中检测电池单元的阳极或阴极的箔片焊接到其上的电池单元的极耳的边缘；相对于极耳的边缘，测量包括焊接箔片的第一焊接区和包括焊接到电池单元的极耳的焊接箔片的第二焊接区的尺寸；以及将所述尺寸与相应的阈值进行比较。
在另一特征中，检测特征中的一个或多个是否有缺陷包括在X射线放射摄影图像中检测电池单元的阳极或阴极的箔片焊接到其上的电池单元的极耳的边缘；拟合垂直于极耳的边缘的线；将极耳的边缘和端部之间的焊接箔片的区封装在边界框中；扫描跨边缘和边界框的线；测量所述线与所述边缘以及与所述边缘相对平行的边界框的两条边的交点；以及基于所述测量确定箔片的焊接是否有缺陷。
在又其他特征中，一种系统包括X射线源、检测器和计算设备。X射线源被配置为辐照电池单元的一部分，其中所述部分包括电池单元的阳极或阴极的箔片的部分以及箔片被焊接到其上的电池单元的极耳。检测器被配置为记录通过辐照电池单元的所述部分而生成的电池单元的所述部分的X射线放射摄影图像。计算设备耦合到检测器。计算设备被配置为接收电池单元的X射线放射摄影图像，并使用分类器将X射线放射摄影图像分割成感兴趣区。计算设备被配置为使用分类器处理分割的X射线放射摄影图像以标识电池单元的特征，使用分类器检测经处理的X射线放射摄影图像中的特征中的一个或多个是否有缺陷，以及基于经处理的X射线放射摄影图像中的特征中的一个或多个是否有缺陷，使用分类器来确定电池单元是否有缺陷。
在另一特征中，所述分类器被配置为使用不同于所述分类器的一元分类器来检测电池单元中的非凡状况。
在另一特征中，所述分类器被配置为检测如下各项中的一个或多个：电池单元中的阳极或阴极的箔片中的撕裂、箔片中的折叠、包括电池单元的阳极或阴极的焊接箔片的第一焊接区中的缺陷、以及包括焊接到电池单元的极耳的焊接箔片的第二焊接区中的缺陷。
在另一特征中，所述特征中的一个或多个指示电池单元的阳极或阴极的箔片的焊接质量以及焊接箔片到电池单元的极耳的焊接质量中的一个或多个。
在另一特征中，所述分类器被配置为通过突出显示X射线放射摄影图像中的感兴趣区、将感兴趣区彼此分离并标记感兴趣区来分割X射线放射摄影图像。
在另一特征中，所述分类器被配置为使用所述分割来遮蔽所述特征中所选的一个特征，以进一步分割所述特征中所选的一个特征用于进一步处理，并且促进处理所述特征中的另一个特征。
在另一特征中，所述计算设备被配置为通过在不引起X射线放射摄影图像中的伪影的情况下翻转、平移和旋转X射线放射摄影图像或其一部分中的一个或多个以选择性地增强所述感兴趣区中的一个或多个来训练所述分类器。所述增强排除了对比度改变、添加噪声和模糊X射线放射摄影图像或其一部分。
在另一特征中，所述分类器被配置为通过在X射线放射摄影图像中检测电池单元的阳极或阴极的箔片焊接到其上的电池单元的极耳的边缘来检测所述特征中的一个或多个是否有缺陷；相对于极耳的边缘，测量包括焊接箔片的第一焊接区和包括焊接到电池单元的极耳的焊接箔片的第二焊接区的尺寸；以及将所述尺寸与相应的阈值进行比较。
在另一特征中，所述分类器被配置为通过在X射线放射摄影图像中检测电池单元的阳极或阴极的箔片焊接到其上的电池单元的极耳的边缘来检测所述特征中的一个或多个是否有缺陷；拟合垂直于极耳的边缘的线；将极耳的边缘和端部之间的焊接箔片的区封装在边界框中；扫描跨边缘和边界框的线；测量所述线与所述边缘以及与所述边缘相对平行的边界框的两条边的交点；以及基于所述测量确定箔片的焊接是否有缺陷。
本发明还可以包括下列方案：
方案1.一种用于检测电池单元中的缺陷的方法，所述方法包括：
接收电池单元的X射线放射摄影图像；
使用分类器将X射线放射摄影图像分割成感兴趣区；
使用分类器处理分割的X射线放射摄影图像，以标识电池单元的特征；
使用分类器检测经处理的X射线放射摄影图像中的所述特征中的一个或多个是否有缺陷；以及
基于经处理的X射线放射摄影图像中的所述特征中的一个或多个是否有缺陷，使用分类器确定电池单元是否有缺陷。
方案2.根据方案1所述的方法，进一步包括使用不同于所述分类器的一元分类器来检测电池单元中的非凡状况。
方案3.根据方案1所述的方法，其中所述检测包括检测如下各项中的一个或多个：电池单元中的阳极或阴极的箔片中的撕裂、箔片中的折叠、包括电池单元的阳极或阴极的焊接箔片的第一焊接区中的缺陷、以及包括焊接到电池单元的极耳的焊接箔片的第二焊接区中的缺陷。
方案4.根据方案1所述的方法，其中所述特征中的一个或多个指示电池单元的阳极或阴极的箔片的焊接质量以及焊接箔片到电池单元的极耳的焊接质量中的一个或多个。
方案5.根据方案1所述的方法，其中分割X射线放射摄影图像包括突出显示X射线放射摄影图像中的感兴趣区，将所述感兴趣区彼此分离，以及标记所述感兴趣区。
方案6.根据方案1所述的方法，进一步包括使用分割来遮蔽所述特征中所选的一个特征以用于进一步处理。
方案7.根据方案1所述的方法，进一步包括使用分割来遮蔽所述特征中的一个特征以促进处理所述特征中的另一个特征。
方案8.根据方案1所述的方法，进一步包括通过在不引起X射线放射摄影图像中的伪影的情况下选择性地增强所述感兴趣区中的一个或多个来训练分类器，其中所述增强包括翻转、平移和旋转X射线放射摄影图像或其一部分中的一个或多个。
方案9.根据方案8所述的方法，其中所述增强排除了对比度改变、添加噪声和模糊X射线放射摄影图像或其一部分，或者阻碍特征使得难以标识缺陷的任何增强。
方案10.根据方案1所述的方法，其中检测所述特征中的一个或多个是否有缺陷包括：
在X射线放射摄影图像中检测电池单元的阳极或阴极的箔片焊接到其上的电池单元的极耳的边缘；
相对于所述极耳的边缘，测量包括焊接箔片的第一焊接区和包括焊接到电池单元的极耳的焊接箔片的第二焊接区的尺寸；以及
将所述尺寸与相应的阈值进行比较。
方案11.根据方案1所述的方法，其中检测所述特征中的一个或多个是否有缺陷包括：
在X射线放射摄影图像中检测电池单元的阳极或阴极的箔片焊接到其上的电池单元的极耳的边缘；
拟合垂直于所述极耳的边缘的线；
将所述极耳的边缘和端部之间的焊接箔片的区封装在边界框中；
扫描跨边缘和边界框的线；
测量所述线与所述边缘以及与所述边缘相对平行的边界框的两条边的交点；以及
基于所述测量确定箔片的焊接是否有缺陷。
方案12.一种系统，包括：
X射线源，被配置为辐照电池单元的一部分，所述部分包括电池单元的阳极或阴极的箔片的部分和箔片被焊接到其上的电池单元的极耳；
检测器，被配置为记录通过辐照电池单元的所述部分而生成的电池单元的所述部分的X射线放射摄影图像；以及
耦合到检测器的计算设备，其中计算设备被配置为：
接收电池单元的X射线放射摄影图像；
使用分类器将X射线放射摄影图像分割成感兴趣区；
使用分类器处理分割的X射线放射摄影图像，以标识电池单元的特征；
使用分类器检测经处理的X射线放射摄影图像中的所述特征中的一个或多个是否有缺陷；以及
基于经处理的X射线放射摄影图像中的所述特征中的一个或多个是否有缺陷，使用分类器确定电池单元是否有缺陷。
方案13.根据方案12所述的系统，其中分类器被配置为使用不同于所述分类器的一元分类器来检测电池单元中的非凡状况。
方案14.根据方案12所述的系统，其中分类器被配置为检测如下各项中的一个或多个：电池单元中的阳极或阴极的箔片中的撕裂、箔片中的折叠、包括电池单元的阳极或阴极的焊接箔片的第一焊接区中的缺陷、以及包括焊接到电池单元的极耳的焊接箔片的第二焊接区中的缺陷。
方案15.根据方案12所述的系统，其中所述特征中的一个或多个指示电池单元的阳极或阴极的箔片的焊接质量以及焊接箔片到电池单元的极耳的焊接质量中的一个或多个。
方案16.根据方案12所述的系统，其中分类器被配置为通过突出显示X射线放射摄影图像中的感兴趣区、将所述感兴趣区彼此分离以及标记所述感兴趣区来分割X射线放射摄影图像。
方案17.根据方案12所述的系统，其中分类器被配置为使用所述分割来遮蔽所述特征中的所选一个特征以进一步分割所述特征中的所选一个特征以用于进一步处理，并且促进处理所述特征中的另一个特征。
方案18.根据方案12所述的系统，其中计算设备被配置为通过在不引起X射线放射摄影图像中的伪影的情况下翻转、平移和旋转X射线放射摄影图像或其一部分中的一个或多个以选择性地增强所述感兴趣区中的一个或多个来训练所述分类器，并且其中，所述增强排除了对比度改变、添加噪声和模糊X射线放射摄影图像或其一部分。
方案19.根据方案12所述的系统，其中分类器被配置为通过如下方式检测所述特征中的一个或多个是否有缺陷：
在X射线放射摄影图像中检测电池单元的阳极或阴极的箔片焊接到其上的电池单元的极耳的边缘；
相对于所述极耳的边缘，测量包括焊接箔片的第一焊接区和包括焊接到电池单元的极耳的焊接箔片的第二焊接区的尺寸；以及
将所述尺寸与相应的阈值进行比较。
方案20.根据方案12所述的系统，其中分类器被配置为通过如下方式检测所述特征中的一个或多个是否有缺陷：
在X射线放射摄影图像中检测电池单元的阳极或阴极的箔片焊接到其上的电池单元的极耳的边缘；
拟合垂直于所述极耳的边缘的线；
将所述极耳的边缘和端部之间的焊接箔片的区封装在边界框中；
扫描跨边缘和边界框的线；
测量所述线与所述边缘以及与所述边缘相对平行的边界框的两条边的交点；以及
基于所述测量确定箔片的焊接是否有缺陷。
根据详细描述、权利要求和附图，本公开的另外适用性领域将会变得显而易见。详细描述和特定示例仅仅旨在出于说明的目的，并且不旨在限制本公开的范围。
附图说明
根据详细描述和随附附图，将变得更全面地理解本公开，其中：
图1A-1C示出了电池单元的截面视图；
图2A-2C示出了用于检测和预测电池单元中缺陷的基于X射线放射摄影的系统；
图3示出了用于使用图2A-2C的基于X射线放射摄影的系统来检测和预测电池单元中缺陷的方法的流程图；
图4A-4C示出了图1A-1C的电池单元的箔片中撕裂的示例；
图5和6A-6D示出了通过图2A-2C的系统和图3的方法执行以评定焊接的完整性和检测电池单元中的焊接缺陷的各种测量的示例；
图7-11示出了图3的方法中一些步骤的子步骤；以及
图12示出了在图2A-2C的基于X射线放射摄影的系统中使用的服务器的功能框图。
在附图中，参考标号可以重复使用以标识相似和/或相同的元件。
具体实施方式
在本公开中，软包型电池单元最初仅作为示例进行描述，并且软包型电池单元的所有描述符仅用于举例。本公开中描述的系统和方法不限于特定示例或任何其他特定类型的电池单元。相反，本公开中描述的系统和方法可以与任何其他类型的电池单元一起使用。
在一些电池单元中，阳极和阴极典型地由薄的箔片制成。在制造期间，阳极的箔片的端部被焊接在一起，并且箔片的焊接部分被焊接到电池单元的第一电极。类似地，阴极的箔片的端部被焊接在一起，并且箔片的焊接部分被焊接到电池单元的第二电极。单元的第一和第二电极也被分别称为电池单元的第一和第二极耳。
在电池单元的制造以及在安装在车辆中的电池中的电池单元的后续使用期间，可能出现若干缺陷。例如，在制造期间，电池单元中的非常薄(例如，厚度在大约10微米的量级上)的箔片可能破裂和/或折叠。此外，箔片到极耳的焊接可能具有缺陷。更进一步地，在电池被安装在车辆中之后，在使用期间，在电池单元中可能出现箔片的破裂和/或附加的缺陷。
各种方法——包括基于X射线放射摄影的方法——被用于检测电池单元中的这些缺陷。这些方法典型地包括用于自动解释X射线放射摄影的基线技术(例如，基于规则的算法)。这些方法可以实现X射线放射摄影的可靠采集，以用于自动检测电池单元中电极堆叠的不连续性。然而，这些方法需要高质量和可重复的X射线放射摄影来实现鲁棒的基于计算机视觉的算法，以用于可靠地验证电池单元的质量。
此外，在开发这些基于规则的算法期间，开发人员需要预期生产期间(以及生产后使用中)可能发生的所有可能变化，以创建鲁棒且高度准确的故障检测系统。在这些基于计算机视觉的检查系统中，复杂的表面纹理和单元组件外观中的变化带来了严峻的挑战。这些基于规则的视觉系统无法准确捕捉视觉上相似的组件之间的变化性和偏差。为了解决缺陷检测中的变化，算法复杂度增加，这导致不太鲁棒和不太精确的系统，并且这是更加计算密集型的。更进一步地，在实践中，人类不可能预期在电池单元的制造和后续使用期间可能有可能出现的所有类型的缺陷。相比之下，下面描述的机器学习算法对意外的变化不那么敏感。
本公开的系统和方法通过以改进的吞吐量和准确度改进自动化故障检测和预测来解决上面的方法中的不足。如下面详细描述的那样，所述系统和方法可以被扩展以经由使用机器学习和深度学习技术自动且可重复地采集和解释X射线放射摄影图像，来评定焊接质量检测。所述系统和方法使得能够通过使用深度学习和一元分类器来检测包括电池单元中的箔片撕裂和焊接质量问题的缺陷，从而评估放射摄影图像。
具体而言，本公开的机器学习和深度学习技术利用图像分割，其允许检查图像中的个体特征，而不是将图像作为一个整体进行分析并将整个图像分类为正常或有故障。此外，分类器可以被训练来检测未预期的或意外的失败，如下面详细描述的那样。下面详细描述的基于图像分割的深度学习可以增强视觉应用中的故障检测。当存在混淆的背景和组件外观中的变化时，使用基于规则的算法难以可靠地执行增强的故障检测。相比之下，本公开的基于图像分割的深度学习技术可以容易地管理混淆的背景和组件外观中的变化。附加地，图像分割比基于规则的算法更适合于维护应用和使用在工厂车间收集的新图像数据重新训练模型，而不是增加复杂度——这在基于规则的算法中是必要的。基于图像分割的深度学习技术比基于规则的算法更易于适配新的样本，而无需重新编程。
本公开的系统和方法包括在下面进一步详细描述的以下特征。所述系统和方法采用基于X射线放射摄影图像的计算机视觉，以用于通过自动解释放射摄影图像来自动检测箔片缺陷(例如，撕裂、折叠和焊接缺陷)。箔片缺陷的自动检测是通过实现计算机视觉算法来实现的，所述计算机视觉算法用于针对其中在图像中使用基于差异的技术难以检测缺陷的实例的自动感兴趣区确定、缺陷检测和缺陷验证。如下面详细描述的，通过预处理放射摄影图像，可以进一步增强缺陷检测。
所述系统和方法可以扩展以评定其他单元特征，诸如箔片折叠、预焊接尺寸和焊接到极耳边缘尺寸(在下面解释)，以及焊接质量特征。例如，通过将对应于撕裂区的更多像素标识为撕裂，增加鲁棒性(例如，通过容忍环境状况中的更多变化)，以及降低新模型的训练复杂度(因为机器学习的手动工作量低于基于手动规则的技术)，来增强撕裂预测的准确度。此外，在放射摄影图像中标识的附加焊接质量特征被用于检测和预测焊接缺陷。这些特征的示例包括在X射线放射摄影图像中标识的指示飞溅的高密度焊接，以及在X射线放射摄影图像中标识的指示箔片脱离(沿周界)或孔隙(靠近中心)的低密度焊接区。
所述系统和方法通过将以下X射线放射摄影特定输入用于机器学习模型来实现这些能力。例如，使用以下图像分割技术：完全撕裂分割、撕裂边缘分割(例如，使用掩模)、预处理和后处理图像分割、最小化伪影的X射线放射摄影特定缩放、以及X射线放射摄影特定增强(例如，图像的翻转、小的平移和旋转；以及避免诸如对比度改变、添加噪声或模糊等的非X射线增强策略)或可能阻碍标识有缺陷特征的任何其他增强。使用这些图像分割技术，所述系统和方法可以检测实际的撕裂区，而不是仅仅检测撕裂的存在或不存在，并且可以详细检测焊接缺陷。
附加的一元分类器被用于检测具有意外问题的可疑样本，这可以辅助开发新的单元设计或X射线设置，并且还可以使得能够监视制造过程。使用良好的(即，无故障的)样本来训练一元分类器，以检测异常。一元分类器可以检测偏离良好样本群体的任何样本。当大多数样本被发现是良好的时(即，当很少或没有样本是有故障的时)，一元分类器对于检测可疑的样本是有用的。也就是说，一元分类器对于检测样本中除撕裂/折叠/焊接缺陷之外的问题是有用的，即使是在样本中没有检测到这些故障中的任一个时。一元分类器在监视过程或检测像在图像中检测到的杂散或错位部分一样的意外问题方面是有用的。
这些分类器(即，被训练为检测缺陷的机器学习模型和一元分类器)可以彼此组合使用，以在检测故障和意外问题方面实现高的准确度。因此，本公开的系统和方法使用图像分割和深度学习来使用于缺陷检测的图像处理自动化，如下面进一步详细描述的那样。
本公开如下组织。参考图1A-1C示出并描述了电池单元的示例。参考图2A-2C示出并描述了用于检测电池单元中的缺陷的基于X射线放射摄影的系统。参考图3示出并描述了一种用于使用基于X射线放射摄影的系统来检测和预测电池单元中缺陷的方法。参考图4A-4C示出并描述了电池单元的箔片中的撕裂的示例。参考图5和6A-6D示出并描述了由所述方法执行以评定焊接的完整性和检测电池单元中的焊接缺陷的各种测量的示例。参考图7-11示出并描述了所述方法的一些步骤的子步骤。参考图12示出并描述了在基于X射线放射摄影的系统中使用的服务器的示例。
电池单元的示例
图1B-1C示出了电池单元100的示例。图1A示出了电池单元100的截面视图。电池单元100包括多个阳极102和阴极104。电池单元100进一步包括多层活性材料106和隔板108。这些元件按以下次序进行堆叠：活性材料106、阳极102、活性材料106、隔板108、活性材料106、阴极104、活性材料106，以此类推。这些元件的堆叠一般被称为电池单元100的电极堆叠。电池单元100被封闭在外壳(例如，软包)110中。
阳极102和阴极104一般由薄的箔片制成，所述箔片是集流体。在电池单元100的制造期间，执行两个焊接操作。在第一焊接操作中，阳极102的箔片的端部被焊接在一起以形成如图1B中所示的焊接阳极112。第一焊接操作也被称为箔片焊接或预焊接操作。后续，在第二焊接操作中，焊接阳极112被焊接到如图1C中所示的电池单元100的第一电极(也被称为第一极耳)114的边缘。第二焊接操作也被称为极耳焊接或主焊接操作。
虽然未示出，但是使用类似的箔片焊接和极耳焊接操作，将阴极104的箔片的端部焊接在一起以形成焊接阴极，然后将焊接阴极焊接到电池单元100的第二电极(也被称为第二极耳)的边缘。阳极102的焊接和阴极104的焊接可以被统称为箔片焊接。焊接阳极102到第一极耳114的焊接和焊接阴极104到第二极耳的焊接可以被统称为极耳焊接。
在电池单元100的制造以及在安装在车辆中的电池中的电池单元100的后续使用期间，可能出现若干缺陷。例如，在制造期间，电池单元100中的阳极102和阴极104的非常薄(例如，厚度在几微米的数量级上)的箔片可能破裂和/或折叠，特别是在对应极耳的边缘附近。此外，阳极102和阴极104的箔片本身的焊接以及到相应极耳的焊接可能具有焊接缺陷。
更进一步地，在电池被安装在车辆中之后，在使用期间，电池单元100中可能出现阳极102和阴极104的箔片的破裂和/或附加缺陷。由于箔片、箔片的焊接以及焊接箔片到极耳的焊接在电池单元100的内部，因此其中的任何缺陷是在外部(即，从电池单元100的外部)不可见的。
因此，本公开提供了在下面描述的一种基于X射线放射摄影的系统，以检测这些缺陷。关于阳极102、焊接阳极112和极耳114的以下描述也适用于阴极104、焊接阴极和对应的极耳。
基于X射线放射摄影的系统
图2A-2C示出了用于检测电池单元100中缺陷的基于X射线放射摄影的系统150的示例。图2A示出了基于X射线放射摄影的系统150的顶视图。图2B示出了基于X射线放射摄影的系统150的底视图。图2C示出了基于X射线放射摄影的系统150的功能框图。
在图2A和2B中，基于X射线放射摄影的系统150包括运送多个电池单元100的输送器152。基于X射线放射摄影的系统150包括X射线源154和检测器156。运送多个电池单元100的输送器152在X射线源154和检测器156之间通过。
X射线源154发射X射线。来自X射线源154的X射线穿过电池单元100的端部部分，被焊接以形成焊接阳极112的阳极102的箔片的一部分、焊接阳极112以及焊接阳极112与电池单元100的极耳114的接合部位于所述端部部分处。来自X射线源154的X射线穿过电池单元100的端部，并且入射在检测器156上。检测器156收集电池单元100的端部的X射线放射摄影图像。X射线放射摄影图像包括关于阳极102的箔片的一部分、焊接阳极112以及焊接阳极112与电池单元100的极耳114的接合部的数据。
当电池单元100在同一侧具有两个极耳时，来自X射线源154的X射线也穿过阴极104的箔片的一部分、焊接阴极和焊接阴极与电池单元100的另一个极耳的接合部。当X射线穿过电池单元100的端部并且入射在检测器156上，并且检测器156收集电池单元100的端部的X射线放射摄影图像时，X射线放射摄影图像还包括关于阴极104的箔片的一部分、焊接阴极以及焊接阴极与电池单元100的另一个极耳的接合部的数据。
虽然未示出，但是当电池单元100在电池单元100的相对侧具有极耳时，基于X射线放射摄影的系统150还可以包括位于输送器152的相对侧的另一个X射线源和另一个检测器。来自另一个X射线源的X射线穿过电池单元100的另一个端部，被焊接以形成焊接阴极的阴极104的箔片的一部分、焊接阴极以及焊接阴极与电池单元100的另一个极耳的接合部位于所述另一个端部处。来自另一个X射线源的X射线穿过电池单元100的所述另一个端部，并且入射在所述另一个检测器上。所述另一个检测器收集电池单元100的所述另一个端部的X射线放射摄影图像。X射线放射摄影图像包括关于阴极104的箔片的一部分、焊接阴极以及焊接阴极与电池单元100的所述另一个极耳的接合部的数据。
在图2C中，基于X射线放射摄影的系统150包括计算设备(例如，服务器)158。服务器158包括计算设备，所述计算设备包括用于处理X射线放射摄影图像的一个或多个处理器、存储器等等。下面参考图12详细示出和描述了服务器158的示例。服务器158可以是本地(独立)计算设备，或者可以连接到网络，以远程监视和控制基于X射线放射摄影的系统150和/或促进远程执行本文中描述的至少部分处理。在一些示例中，服务器158可以在与X射线源154和检测器156集成的控制器中实现。此外，在一些示例中，服务器158的一部分可以在云中实现，并且在云中实现的部分可以与服务器158的剩余部分或者与X射线源154和检测器156集成的剩余部分对接。训练分类器和使用经训练的分类器来测试电池单元100的任务可以在集成在云中的部分和剩余部分之间共享。
服务器158连接到X射线源154和检测器156。虽然未示出，但是服务器158也可以连接到另一个X射线源和另一个检测器，其在上面参考图2A-2C进行了描述。服务器158从检测器156和从另一个检测器(下文中被统称为检测器156)接收X射线放射摄影图像。服务器158处理从检测器156接收的X射线放射摄影图像，以检测缺陷，诸如箔片撕裂、焊接缺陷和其他缺陷，如下面参考图3-11详细描述的那样。
用于检测电池单元中的缺陷的方法
图3示出了一种根据本公开的用于处理来自基于X射线放射摄影的系统150的X射线放射摄影图像并且检测诸如箔片撕裂、焊接缺陷和电池单元100中的其他缺陷的方法200。例如，方法200由服务器158中的一个或多个处理器执行。方法200包括分离地执行的训练阶段和运行时阶段。在训练阶段期间，图3中所示的步骤202-210可以迭代地执行以训练分类器，直到获得经训练的分类器的期望性能。在迭代期间，训练图像、图像的处理和图像的增强可以被修改，以获得分类器的所需性能。例如，基于由经部分训练的分类器不正确地分类的任何图像，可以根据需要做出上面提及的改变以改进分类器的训练。此外，还可以使用混合方法，其中基于传统视觉的方法可以与深度学习结合使用，以在经训练的分类器可以在步骤212和214中的运行时期间使用之前完成对经训练的分类器的评估。在运行时阶段期间，仅执行步骤212和214。
在202，方法200从检测器156接收电池单元100的端部部分的X射线放射摄影图像。在204，方法200处理X射线放射摄影图像，以在X射线放射摄影图像中突出显示阳极102和阴极104的箔片中的任何撕裂(或折叠)，并且突出显示箔片焊接和极耳焊接的焊接区。所述突出显示包括使用颜色或可以用于在X射线放射摄影图像中标识、隔离和分离一个感兴趣区(例如，撕裂)和另一个感兴趣区(例如，焊接区)的任何其他技术。
X射线放射摄影图像中的突出显示区一般被称为感兴趣区，在如下所述的那样增强X射线放射摄影图像之后，经训练的分类器如下所述的那样从所述感兴趣区标识特征，并且检测所标识的特征中的缺陷。撕裂、折叠和焊接区被统称为电池单元100的特征，其中特征是在基于传统视觉和机器学习的训练领域中已知和使用的技术术语。
在206，方法200标记X射线放射摄影图像中的特征。因此，方法200通过突出显示和标记X射线放射摄影图像中的特征来分割X射线放射摄影图像。
通过如上所述的方法200执行的X射线放射摄影图像的分割在训练分类器和后续使用经训练的分类器检测电池单元100中的故障方面提供了许多优势。使用机器学习来执行X射线放射摄影图像的分割。传统上，如果图像或其一部分指示与已知的良好图像相比的问题，则整个图像被标记为不良(失败)。相反，如果图像指示与已知的良好图像相比没有问题，则整个图像被标记为良好(通过)。相比之下，方法200检查X射线放射摄影图像中的每个像素，并将X射线放射摄影图像的不同部分中的像素分组为属于不同特征。
因此，方法200可以训练分类器以将X射线放射摄影图像中的每个特征分类为良好或不良，而不是将整个X射线放射摄影图像作为整体分类为良好或不良。分割有效地对X射线放射摄影的在其处可能出现感兴趣特征的区域或区进行聚类。整个X射线放射摄影中的在其处可能出现感兴趣特征的个体区域或区被分类。分割用于将机器学习算法引导到X射线放射摄影的在其处可能出现感兴趣特征的区域或区。如本文中所使用的，良好意味着无缺陷或无故障，并且不良意味着有缺陷或有故障。
例如，如果X射线放射摄影图像中的焊接区中的像素模式与良好焊接的已知像素模式匹配，则经训练的分类器可以确定X射线放射摄影图像中的焊接特征是良好的。附加地，如果同一X射线放射摄影图像中的箔片区中的像素模式与良好的箔片区的已知像素模式不匹配，则经训练的分类器可以确定箔片具有撕裂、折叠或某种其他缺陷。然后，经训练的分类器可以指示X射线放射摄影图像指示失败，并且可以附加地指示X射线放射摄影图像中的哪个特征已经失败。因此，方法200不仅检测不良的X射线放射摄影图像，而且进一步检测X射线放射摄影图像中的哪个特征有故障。
此外，方法200的分类器也不同于传统分类器。方法200的分类器仅使用分割的X射线放射摄影图像和为特征提供的标记来执行深度学习。基于标记，分类器本身标识分割的X射线放射摄影图像中的特征。相比之下，在传统分类器中，特征从图像中被标识，从图像中被提取，并馈送给分类器以用于深度学习。因此，X射线放射摄影图像的分割显著简化了分类器的训练和后续使用经训练的分类器对故障的检测。
在206，方法200进一步处理分割的X射线放射摄影图像和针对特征的标记，以改进用于检测电池单元100中的缺陷的分类器(也被称为深度学习分类器，以区别于一元分类器)的训练、测试和性能。例如，由于X射线放射摄影图像包括来自极耳的左手侧和右手侧的数据，因此方法200通过沿着竖向轴(即，垂直于极耳长度的轴)翻转X射线放射摄影图像，来使样本数量加倍。使样本数量加倍显著改进了训练和测试分类器的能力，这进而改进了经训练的分类器在检测电池单元100中的缺陷方面的性能。当检测器156不能在维持期望分辨率的同时捕捉整个极耳的X射线放射摄影图像时，可以使用来自极耳的左手侧和右手侧的数据。取而代之，对于较低的分辨率，检测器156可以捕捉整个极耳的X射线放射摄影图像，在这种情况下，可以使用来自整个极耳的X射线放射摄影图像的数据。
附加地，方法200对分割的X射线放射摄影图像执行X射线特定图像增强。例如，方法200对X射线放射摄影图像重新定大小，将分割的X射线放射摄影图像沿着X和Y轴移位，等等。例如，X射线放射摄影图像中的一些可以是大的(例如，具有高分辨率)。因此，方法200缩放一些特征。例如，取决于X射线放射摄影图像的分辨率，一些特征可以被缩小或放大。然而，缩放一般可能在X射线放射摄影图像的缩放部分中引起伪影。这样的伪影可能在检测缺陷方面是误导性的。因此，方法200使用缩放X射线放射摄影图像的部分的缩放方法，同时最小化特征中的细节损失，并且在一些情况下不引起伪影。
由方法200执行的增强的附加非限制性示例包括X射线放射摄影图像或其部分的翻转、平移和旋转。不使用诸如对比度改变、添加噪声或模糊等的常规非X射线图像增强技术，因为这样的技术可能阻碍或消除特征，并且使检测特征变得困难。可以使用其他增强方法，同时避免可能不利地影响特征检测的那些。
在208，方法200使用经处理的X射线放射摄影图像和其中的标记特征来训练深度学习分类器。方法200训练分类器以检测和预测缺陷，所述缺陷诸如阳极102和阴极104的箔片中的撕裂和折叠，箔片焊接和极耳焊接中的焊接质量检测，以及其他缺陷。方法200训练分类器以通过使用遮蔽操作和通过对经处理的X射线放射摄影图像执行各种特征测量来检测和预测缺陷。在训练期间使用遮蔽以更好地定义在分割训练期间使用的分类。下面参考图4A-4C示出并描述了遮蔽操作的示例。下面参考图5-6D示出并描述了特征测量的示例。
在210，方法200训练附加的一元分类器，以检测电池单元100中可能出现的意外缺陷。例如，不包含任何上面提及的缺陷(例如，撕裂、折叠和焊接缺陷)的X射线放射摄影图像可以被用于训练一个或多个一元分类器，以检测意外的(即，在正常制造过程的范围之外)但是仍然可能出现在电池单元100中的异常状况。被训练来检测上面提及的缺陷的分类器没有在其中检测到缺陷的X射线放射摄影图像被分类为良好图像。使用已知的良好图像群体来训练一个或多个一元分类器。每个一元分类器被训练为检测特定的异常状况，所述异常状况典型地是意外的但是可能出现在电池单元100中。
例如，一元分类器可以被训练，以检测X射线放射摄影图像中的特征，诸如意外的白斑或黑斑(例如，由于箔片中的孔)或指示偏离电池单元100的典型几何形状(例如，箔片或极耳的几何形状)的指示。这样的特征可以指示在原本无缺陷的X射线放射摄影图像中的非凡状况。包含这样的特征的X射线放射摄影图像被标记为可疑，而不是通过或失败。可疑的X射线放射摄影图像和对应的电池单元100然后可以被进一步评估，以用于改进电池单元100的制造过程和/或设计，从而避免电池单元100中意外状况的出现。因此，除了被训练为检测上面提及的缺陷的分类器之外，一元分类器可以用作第二级查验。在一些实现中，如果检测到的缺陷的数量趋于最小，则代替使用被训练为检测上面提及的缺陷的分类器，可以单独使用一元分类器作为初级分类器。
此外，如上所述，可以迭代地执行步骤202-210，以训练深度学习和一元分类器，直到获得经训练的分类器的期望性能，其中，在迭代期间，可以修改训练图像、图像的处理和图像的增强，以获得分类器的所需性能(例如，基于由经部分训练的分类器不正确地分类的任何图像，可以根据需要做出上面提及的改变以改进分类器的训练)。此外，组合基于传统视觉的方法和深度学习的混合方法也可以用于在经训练的分类器可以在如下所述的步骤212和214中的运行时期间使用之前完成对经训练的分类器的评估。
在212，在运行时期间(即，在使用中)，方法200使用经训练的深度学习分类器和经训练的一元分类器自动检测和预测电池单元100中的缺陷和异常状况。在使用中(即，在运行时期间)，方法200接收从电池单元100捕捉的新的X射线放射摄影图像。方法200如上所述处理新的X射线放射摄影图像。经训练的深度学习分类器现在可以自动检测电池单元100中的缺陷。附加地，经训练的一元分类器可以进一步检测任何异常状况，以用于进一步评估。
执行方法200的步骤202-210，以训练深度学习分类器和训练一元分类器。在运行时期间执行方法200的步骤212和214，以使用经训练的分类器测试所制造的电池单元100。在运行时期间，不执行步骤202-210；相反，已经在步骤202-210中训练的经训练的深度学习分类器和经训练的一元分类器被用于测试所制造的电池单元100。
因此，在运行时期间(即，在使用中)，从检测器156接收的原始图像被处理并输入到分类器，所述分类器被训练为分割经处理的图像。经训练的分类器分割经处理的图像。增强仅在训练分类器之前使用，以增加用于训练分类器的图像的数量。当在生产中的运行时期间使用分类器时，不使用增强。如果分类器在分割的图像中检测到一个或多个有缺陷的特征，则电池单元的对应部分被确定为有缺陷。在一些实现中，传统的机器视觉用于计算特征和执行附加评定。
贯穿于本公开，虽然描述了一个深度学习分类器，但是可以取而代之使用多个分类器，其中每个分类器可以以与上述相同的方式被训练，以检测分离的缺陷。例如，第一分类器可以被训练并用于检测撕裂缺陷，第二分类器可以被训练并用于检测折叠缺陷，第三分类器可以被训练并用于检测焊接缺陷，等等。替代地，通用缺陷检测分类器可以被训练并用于一次检测所有缺陷。一元分类器不同于深度学习分类器，因为一元分类器仅使用良好的图像来训练。因此，经训练的一元分类器基于在训练期间使用的图像群体来确定由经训练的一元分类器评估的图像是否在范围之外。照此，一元分类器不能与缺陷检测分类器(即，深度学习分类器)相组合。
一般而言，一个或多个分类器可以在运行时期间以任何次序被训练和使用。基于应用，分类器可以被称为初级分类器和次级分类器。被训练为检测已知缺陷的分类器(例如，一个或多个深度学习分类器)可以被称为初级分类器。多个分类器可以一起工作。被训练为检测未知缺陷的分类器可以被称为次级分类器。在这两个类别的分类器中，在用于检测已知缺陷的初级分类器的情况下，具有已知缺陷的图像被用于训练这些分类器。在用于检测未知缺陷的次级分类器的情况下，具有未知缺陷的图像并不存在，而是只能被检测到。因此，虽然未知缺陷可以被检测到，但是它们无法被预测。
在下面参考图7-11示出并描述了由方法200执行的上面的步骤的子步骤。在描述子步骤之前，参考图5-6D示出并描述了诸如撕裂和焊接的特征、对应的测量以及用于执行所述测量的方法的示例。
箔片撕裂的示例
图4A-4C示出了(例如，阳极102或阴极104的)箔片252中的撕裂250的示例以及遮蔽撕裂250的方法。例如，图4A示出了预焊接区302(图5中所示)附近的(例如阳极102或阴极104的)箔片252中的撕裂250。图4B和4C示出了用以进一步分割撕裂250的两种不同类型的遮蔽方法。图4B示出了被遮蔽的撕裂250周围的整个区(包括撕裂250的边缘之间的空间)(被称为完全撕裂分割)。图4C仅示出了被遮蔽的撕裂250的边缘(撕裂250的边缘之间的空间)(被称为撕裂边缘分割)。在使用中，经训练的分类器采用这些掩模来将撕裂250与箔片252的其余部分分离，使得可以进一步处理X射线放射摄影图像中的箔片252的未遮蔽部分(例如，以检测和/或进一步分析撕裂250和其他检测到的缺陷或特征，诸如焊接缺陷)。
各种测量的示例
图5-6D示出了由方法200执行以评定焊接的完整性并且检测电池单元100中的焊接缺陷的各种测量。上面参考图3描述的分类器可以被训练为使用这些测量来检测和预测缺陷。
在图5中，为了将焊接阳极112(图1B中所示)焊接到极耳114，焊接阳极112被布置在极耳114的第一端部(即，极耳114的面对焊接阳极112和电池单元100的端部)上。极耳114的第一端部具有面对阳极102的箔片方向(即，面朝电池单元100)的边缘300，并且被称为极耳边缘300。
阳极102的焊接箔片具有预焊接区(也被称为箔片焊接区)302。预焊接区302包括形成焊接阳极112(图1B中所示)的阳极102的箔片的焊接部分。预焊接区302包括预焊接区域352(图6A和6C中所示)。预焊接区302的第一边缘面对阳极102的箔片(即，面朝电池单元100)，并且被称为预焊接边缘304。预焊接区302的第二边缘面对极耳的第二端部方向(即，朝向极耳的第二端部)(即，背对电池单元100)，并且被称为箔片边缘(箔片的端部)306。
通过将预焊接区302的一部分焊接到极耳114的一部分，阳极102的焊接箔片(即，焊接阳极112)被焊接到极耳114的一部分。在其处预焊接区302的所述部分被焊接到极耳114的所述部分的区被称为主焊接区(也被称为极耳焊接区)308。主焊接区308包括主焊接354(如图6A和6C中所示)。主焊接区308的面对阳极102的箔片方向(即，面朝电池单元100)的边缘被称为主焊接边缘310。
极耳边缘300和预焊接边缘304之间的距离称为预焊接尺寸312。预焊接尺寸312指示预焊接区302在极耳边缘300下方延伸的长度。极耳边缘300和主焊接边缘310之间的距离被称为极耳焊接尺寸314。预焊接尺寸312和极耳焊接尺寸314指示主焊接的焊接质量(即焊接阳极112到极耳114的焊接)。
例如，预焊接尺寸312和极耳焊接尺寸314可以指示在焊接过程期间的对准和设置方面的问题。未对准或者使尺寸312、314在相应的指定极限之外(例如，大于或等于相应的预定阈值)可以导致有缺陷的电池单元。例如，如果预焊接尺寸312大于或等于第一预定阈值，则预焊接尺寸312可以指示以下问题中的一个或多个：电池单元100和焊接工具之间的未对准、极耳114与阳极102的箔片的堆叠未对准、以及在预焊接期间施加的不均匀的压力。例如，如果极耳焊接尺寸314大于或等于第二预定阈值，则极耳焊接尺寸314可以指示以下问题中的一个或多个：电池单元100和焊接工具之间的未对准、极耳114与阳极102的箔片的堆叠未对准、以及极耳114的尺寸在指定尺寸之外。
图6A-6D示出了用于测量预焊接尺寸312的两种不同方法。图6A和6B示出了用于测量预焊接尺寸312的第一方法350。图6C和6D示出了用于测量预焊接尺寸312的第二方法370。类似的方法可以用于测量极耳焊接尺寸314。第一和第二方法350、370由图2C中所示的服务器158的一个或多个处理器执行。
在图6A和图6C中，使用空心圆示出预焊接区302中处于极耳边缘300下方(即，朝向电池单元100)的预焊接区域352。使用实心圆示出主焊接区(也被称为极耳焊接区)308中处于极耳边缘300上方(即，朝向图5的描述中提到的极耳114的第二端部)的主焊接354。虽然出于说明的目的使用圆来示出预焊接区域352和主焊接354，但是预焊接区域352和主焊接354的形状不需要是圆形的。
在图6A中，包含距极耳边缘300最远的点的预焊接区域356被标示为Pmax。预焊接区域356的长度被标示为在359处所示的长度(Pmax)。极耳边缘300和预焊接区域356之间的最小距离被标示为在358处所示的最小距离(Pmax，极耳边缘)。根据这些尺寸，第一方法350如下确定预焊接尺寸312。
在图6B中，在360，第一方法350使用图像分割(在上面参考图3描述)来找到电池单元100的极耳边缘300和预焊接区302。在362，第一方法350找到包含距极耳边缘300最远的点的预焊接区域Pmax。在364，第一方法350如下确定预焊接尺寸312：预焊接尺寸＝最小距离(Pmax，极耳边缘)+长度(Pmax)。
在图6C和6D中，第二方法370如下确定预焊接尺寸312。在372，第二方法370使用图像分割(在上面参考图3描述)来找到电池单元100的极耳边缘300和预焊接区302。在374，第二方法370封装或隔离预焊接区302中的预焊接区域352，如图6C中的大致矩形的点虚线边界框390所示。在376，第二方法370在极耳边缘300上执行线拟合，并将测量线392定向为垂直于拟合线(即，垂直于极耳边缘300)。
在378，第二方法370跨极耳边缘300并且跨点虚线边界框390中的隔离预焊接区302移动测量线392。本质上，测量线392光栅扫描极耳边缘300和点虚线边界框390中的隔离预焊接区302。当扫描极耳边缘300和点虚线边界框390时，第二方法370跟踪在其处测量线392与极耳边缘300和点虚线边界框390的大致平行于极耳边缘300的边相交的点。测量线392与每个极耳边缘300和点虚线边界框390的边之间的交点的这些点的示例分别在394、396和398处示出。
在380，第二方法370使用像素距离校准来确定极耳边缘300和点虚线边界框390的边之间的最大和最小间距的分布。最小间距的分布是在极耳边缘300和最接近于极耳边缘300的预焊接区边缘302之间取得的测量。最大间距的分布是在极耳边缘300和预焊接边缘304(图5中所示)之间取得的测量，预焊接边缘304是预焊接区302的距极耳边缘300最远的边缘。最大间距分布是表示预焊接尺寸312的测量的集合。
此外，方法200可以训练分类器以从X射线放射摄影图像中检测和标识焊接的许多其他特征。例如，这些特征包括但不限于可能由焊接之后的极耳粘附导致的特征、可能由飞溅导致的高密度特征、可能由箔片脱离或孔隙导致的低密度特征，它们可以分别从焊接的周界和中心检测和标识。
方法的子步骤
图7示出了图3中所示方法200的步骤204的子步骤。在400，方法200标识X射线放射摄影图像中的特征，诸如箔片中的撕裂和折叠、预焊接区(即，箔片的焊接区)、主焊接区以及极耳的高密度和低密度焊接区域。在402，方法200标记用于分割X射线放射摄影图像的所标识特征(例如，使用在上面参考图4B和4C示出和描述的遮蔽)。
图8示出了图3中所示方法200的步骤206的子步骤。在410，方法200为来自X射线放射摄影图像的感兴趣区重新定大小(例如，缩放特征以最小化伪影)。在上面参考图3详细描述了重新定大小，并且因此为了简洁起见不再描述。在412，方法200将X射线特定增强(例如，图像翻转、图像旋转等)应用于X射线放射摄影图像，同时避免对比度改变、噪声、模糊等。X射线特定增强在上面参考图3进行了详细描述，并且因此为了简洁起见不再描述。
图9示出了图3中所示方法200的步骤210的子步骤。在420，方法200选择没有故障的X射线放射摄影图像(即，不包含诸如撕裂、折叠和焊接故障的故障的X射线放射摄影图像)。在422，方法200训练一元分类器以检测意外特征。可以训练附加的一元分类器以检测附加的个体意外特征。一元分类器和意外特征的示例在上面参考图3进行了详细描述，并且因此为了简洁起见不再重复描述。
图10示出了图3中所示方法200的步骤212的子步骤。在步骤212中，图3中所示的方法200通过使用经训练的分类器处理从图2中所示的基于X射线放射摄影的系统150接收的电池单元100的X射线放射摄影图像来测试电池单元100。在使用中(即，在运行时期间)，方法200的步骤212由服务器158的一个或多个处理器如下执行。
在450，方法200从检测器156接收电池单元100的新的X射线放射摄影图像。在452，方法200处理接收到的图像，以生成如在上面参考图8所述的经处理的图像。
在454，方法200将经处理的图像输入到经训练的分类器。在456，经训练的深度学习分类器执行图像分割、特征检测和测量以及特征标记，如在上面参考图3和图5-6D所述的那样。例如，经训练的深度学习分类器执行图像分割，以遮蔽经处理的图像，以用于使用传统的机器视觉或其他方法进行进一步分析。在458，基于特征测量并且可选地使用在上面参考图4A-4C描述的遮蔽操作，经训练的分类器检测良好的和有故障的特征，并且检测在经处理的图像中的潜在失效特征。例如，当使用深度学习图像分割和基于传统视觉的方法这两者的混合方法被使用时，标记可以用于遮蔽在经处理的图像中检测到的一个或多个特征，以将基于传统视觉的方法进一步应用于特征中的一些的附加分析。经训练的深度学习分类器输出包括良好的和有故障的特征以及包括在经处理的图像中检测到的潜在失效特征的数据。
图11示出了图3中所示方法200的步骤214的子步骤。在步骤214中，图3中所示的方法200通过使用经训练的一元分类器处理从图2中所示的基于X射线放射摄影的系统150接收的电池单元100的X射线放射摄影图像来进一步测试电池单元100。在使用中(即，在运行时期间)，方法200的步骤214由服务器158的一个或多个处理器如下执行。
在460，方法200从检测器156接收新的X射线放射摄影图像。在462，方法200使用被训练为检测意外特征的经训练的一元分类器中的一个来检测所选X射线放射摄影图像中的意外特征。
在464，方法200确定在所选的X射线放射摄影图像中是否检测到意外特征。如果否，则方法200结束。如果是，则在466，方法200输出关于检测到的意外特征的数据。虽然未示出，但是方法200可以通过重复步骤214的子步骤，使用附加的经训练的一元分类器来检测附加的意外特征。
服务器
图12示出了服务器158的简化示例。服务器158典型地包括一个或多个CPU/GPU/TPU或处理器500、网络接口502、存储器504和大容量存储装置506。在一些实现中，服务器158可以是通用服务器，并且可以包括一个或多个输入设备508(例如，小键盘、触摸板、鼠标等)以及包括显示器512的显示子系统510。
网络接口502将服务器158连接到基于X射线放射摄影的系统150(即，连接到X射线源154和检测器156)。例如，网络接口502可以包括有线接口(例如，以太网或EtherCAT接口)和/或无线接口(例如，Wi-Fi、蓝牙、近场通信(NFC)或另一无线接口)。存储器504可以包括易失性或非易失性存储器、高速缓存或其他类型的存储器。大容量存储装置506可以包括闪速存储器、一个或多个磁性硬盘驱动器(HDD)或其他大容量存储设备。
服务器158的处理器500执行一个或多个操作系统(OS)514和一个或多个服务器应用516，其可以被安置在具有共享存储器的虚拟机管理程序或容器化架构中。大容量存储装置506可以存储一个或多个数据库518，所述一个或多个数据库518存储由服务器应用516用来执行相应功能的数据结构。服务器应用516可以包括控制X射线源154和处理由检测器156捕捉的数据的应用，如在上面参考图2-11描述的那样。具体地，服务器应用516执行在上面参考图2-11描述的方法。
前述说明本质上仅是说明性的，并且不旨在限制本公开、其应用或用途。本公开的广泛教导可以以多种形式实现。因此，虽然本公开包括特定的示例，但是本公开的真实范围不应被如此限制，因为在研究附图、说明书和以下权利要求之后，其他修改将变得显而易见。应当理解，在不更改本公开的原理的情况下，方法内的一个或多个步骤可以以不同的次序(或同时)执行。例如，在本文中描述的方法及其步骤可以被定制以适合特定的应用(例如，取决于电池单元的类型、制造方法和用于制造电池单元的材料等)。
此外，尽管实施例中的每一个被在上面描述为具有某些特征，但是关于本公开的任何实施例描述的那些特征中的任何一个或多个可以在任何其他实施例中的特征中实现和/或与任何其他实施例中的特征组合实现，即使该组合未被明确描述。换句话说，所描述的实施例不是互斥的，并且一个或多个实施例彼此的置换保持在本公开的范围内。
元件之间(例如，控制器、电路元件、半导体层等之间)的空间和功能关系是使用各种术语来描述的，包括“连接”、“接合”、“耦合”、“相邻”、“在……旁边”、“在……的顶部”、“上方”、“下方”和“部署”。除非明确描述为是“直接的”，否则当在以上公开中描述第一和第二元件之间的关系时，该关系可以是其中第一和第二元件之间不存在其他居间元件的直接关系，但是也可以是其中第一和第二元件之间(空间上或功能上)存在一个或多个居间元件的间接关系。如本文所使用的，表述A、B和C中的至少一个应当被解释为意味着使用非排他的逻辑或的逻辑(A或B或C)，并且不应当被解释为意味着“A中的至少一个、B中的至少一个和C中的至少一个”。
在各图中，如由箭头头部指示的箭头方向一般展示图示的感兴趣信息(诸如数据或指令)的流动。例如，当元件A和元件B交换各种信息，但是从元件A传输到元件B的信息与图示相关时，箭头可以从元件A指向元件B。该单向箭头并不暗指没有其他信息从元件B传输到元件A。此外，对于从元件A发送到元件B的信息，元件B可以向元件A发送对信息的请求或信息的接收确认。
在本申请中，包括以下定义，术语“控制器”可以被替换为术语“电路”。术语“控制器”可以指代如下各项、是如下各项的一部分或者包括如下各项：专用集成电路(ASIC)；数字、模拟或混合模拟/数字分立电路；数字、模拟或混合模拟/数字集成电路；组合逻辑电路；现场可编程门阵列(FPGA)；执行代码的处理器电路(共享的、专用的或组)；存储由处理器电路执行的代码的存储器电路(共享的、专用的或组)；提供所述功能性的其他合适的硬件组件；或者上面的一些或全部的组合，诸如在片上系统中。
控制器可以包括一个或多个接口电路。在一些示例中，接口电路可以包括连接到局域网(LAN)、互联网、广域网(WAN)或其组合的有线或无线接口。本公开的任何给定控制器的功能性可以分布在经由接口电路连接的多个控制器之间。例如，多个控制器可以允许负载平衡。在另外的示例中，服务器(也被称为远程或云)控制器可以代表客户端控制器完成某个功能性。
如上面使用的术语代码可以包括软件、固件和/或微代码，并且可以指代程序、例程、函数、类、数据结构和/或对象。术语共享处理器电路涵盖执行来自多个模块的一些或所有代码的单个处理器电路。术语组处理器电路涵盖与附加的处理器电路组合执行来自一个或多个控制器的一些或所有代码的处理器电路。对多个处理器电路的引用涵盖分立管芯上的多个处理器电路、单个管芯上的多个处理器电路、单个处理器电路的多个核、单个处理器电路的多个线程或者上面的组合。术语共享存储器电路涵盖存储来自多个控制器的一些或所有代码的单个存储器电路。术语组存储器电路涵盖与附加的存储器组合存储来自一个或多个控制器的一些或所有代码的存储器电路。
术语存储器电路是术语计算机可读介质的子集。如本文中使用的术语计算机可读介质不涵盖通过介质(诸如在载波上)传播的暂时性的电信号或电磁信号；因此，术语计算机可读介质可以被认为是有形的和非暂时性的。非暂时性有形计算机可读介质的非限制性示例是非易失性存储器电路(诸如闪速存储器电路、可擦除可编程只读存储器电路或掩模只读存储器电路)、易失性存储器电路(诸如静态随机存取存储器电路或动态随机存取存储器电路)、磁存储介质(诸如模拟或数字磁带或硬盘驱动器)和光存储介质(诸如CD、DVD或蓝光光盘)。
本申请中描述的装置和方法可以部分或全部由专用计算机实现，所述专用计算机通过将通用计算机配置为执行计算机程序中体现的一个或多个特定功能而创建。上面描述的功能块、流程图组件和其他元件充当软件规范，其可以通过熟练的技术人员或程序员的常规工作转化成计算机程序。
计算机程序包括存储在至少一个非暂时性有形计算机可读介质上的处理器可执行指令。计算机程序还可以包括或依赖于所存储的数据。计算机程序可以涵盖与专用计算机的硬件交互的基本输入/输出系统(BIOS)、与专用计算机的特定设备交互的设备驱动程序、一个或多个操作系统、用户应用、后台服务、后台应用等。
计算机程序可以包括：(i)要解析的描述性文本，诸如HTML(超文本标记语言)、XML(可扩展标记语言)或JSON(JavaScript对象符号)(ii)汇编代码，(iii)由编译器根据源代码生成的目标代码，(iv)用于由解释器执行的源代码，(v)用于由即时编译器编译和执行的源代码等。仅作为示例，源代码可以使用来自包括如下各项的语言的语法来编写：C、C++、C#、Objective-C、Swift、Haskell、Go、SQL、R、Lisp、Fortran、Perl、Pascal、Curl、OCaml、/>HTML5(超文本标记语言第五次修订版)、Ada、ASP(活动服务器页面)、PHP(PHP：超文本预处理器)、Scala、Eiffel、Smalltalk、Erlang、Ruby、/>VisualLua、MATLAB、SIMULINK和/>/>

Claims (10)

1.一种用于检测电池单元中的缺陷的方法，所述方法包括：
接收电池单元的X射线放射摄影图像；
使用分类器将X射线放射摄影图像分割成感兴趣区；
使用分类器处理分割的X射线放射摄影图像，以标识电池单元的特征；
使用分类器检测经处理的X射线放射摄影图像中的所述特征中的一个或多个是否有缺陷；以及
基于经处理的X射线放射摄影图像中的所述特征中的一个或多个是否有缺陷，使用分类器确定电池单元是否有缺陷。
2.根据权利要求1所述的方法，进一步包括使用不同于所述分类器的一元分类器来检测电池单元中的非凡状况。
3.根据权利要求1所述的方法，其中所述检测包括检测如下各项中的一个或多个：电池单元中的阳极或阴极的箔片中的撕裂、箔片中的折叠、包括电池单元的阳极或阴极的焊接箔片的第一焊接区中的缺陷、以及包括焊接到电池单元的极耳的焊接箔片的第二焊接区中的缺陷。
4.根据权利要求1所述的方法，其中所述特征中的一个或多个指示电池单元的阳极或阴极的箔片的焊接质量以及焊接箔片到电池单元的极耳的焊接质量中的一个或多个。
5.根据权利要求1所述的方法，其中分割X射线放射摄影图像包括突出显示X射线放射摄影图像中的感兴趣区，将所述感兴趣区彼此分离，以及标记所述感兴趣区。
6.根据权利要求1所述的方法，进一步包括使用分割来遮蔽所述特征中的一个特征以促进处理所述特征中的另一个特征。
7.根据权利要求1所述的方法，进一步包括通过在不引起X射线放射摄影图像中的伪影的情况下选择性地增强所述感兴趣区中的一个或多个来训练分类器，其中所述增强包括翻转、平移和旋转X射线放射摄影图像或其一部分中的一个或多个。
8.根据权利要求7所述的方法，其中所述增强排除了对比度改变、添加噪声和模糊X射线放射摄影图像或其一部分，或者阻碍特征使得难以标识缺陷的任何增强。
9.根据权利要求1所述的方法，其中检测所述特征中的一个或多个是否有缺陷包括：
在X射线放射摄影图像中检测电池单元的阳极或阴极的箔片焊接到其上的电池单元的极耳的边缘；
相对于所述极耳的边缘，测量包括焊接箔片的第一焊接区和包括焊接到电池单元的极耳的焊接箔片的第二焊接区的尺寸；以及
将所述尺寸与相应的阈值进行比较。
10.根据权利要求1所述的方法，其中检测所述特征中的一个或多个是否有缺陷包括：
在X射线放射摄影图像中检测电池单元的阳极或阴极的箔片焊接到其上的电池单元的极耳的边缘；
拟合垂直于所述极耳的边缘的线；
将所述极耳的边缘和端部之间的焊接箔片的区封装在边界框中；
扫描跨边缘和边界框的线；
测量所述线与所述边缘以及与所述边缘相对平行的边界框的两条边的交点；以及
基于所述测量确定箔片的焊接是否有缺陷。
CN202310520029.1A 2022-09-20 2023-05-09 用于电池单元的基于x射线放射摄影的故障检测和预测 Pending CN117746088A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/948841 2022-09-20
US17/948,841 US20240097215A1 (en) 2022-09-20 2022-09-20 X-ray radiographs based fault detection and prediction for battery cells

Publications (1)

Publication Number Publication Date
CN117746088A true CN117746088A (zh) 2024-03-22

Family

ID=90062473

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310520029.1A Pending CN117746088A (zh) 2022-09-20 2023-05-09 用于电池单元的基于x射线放射摄影的故障检测和预测

Country Status (3)

Country Link
US (1) US20240097215A1 (zh)
CN (1) CN117746088A (zh)
DE (1) DE102023111250A1 (zh)

Also Published As

Publication number Publication date
US20240097215A1 (en) 2024-03-21
DE102023111250A1 (de) 2024-03-21

Similar Documents

Publication Publication Date Title
US10885618B2 (en) Inspection apparatus, data generation apparatus, data generation method, and data generation program
US11423196B2 (en) Systems and methods for predicting responses of a particle to a stimulus
KR102110755B1 (ko) 자동 결함 분류를 위한 알려지지 않은 결함 리젝션의 최적화
US7681159B2 (en) System and method for detecting defects in a semiconductor during manufacturing thereof
KR102137184B1 (ko) 자동 및 수동 결함 분류의 통합
US9262821B2 (en) Inspection recipe setup from reference image variation
TWI836175B (zh) 先進在線零件平均測試
CN103606221B (zh) 清分机故障自动诊断方法以及装置
KR102252189B1 (ko) 머신 러닝을 이용한 고장 진단 관리 시스템 및 방법
CN114092387A (zh) 生成可用于检查半导体样本的训练数据
CN113820333B (zh) 电池极片异常检测方法、装置、上位机及检测系统
KR102154413B1 (ko) 음향 방출 결함 신호 검출 장치 및 방법
JP2021086379A (ja) 情報処理装置、情報処理方法、プログラム及び学習モデルの生成方法
US8509517B2 (en) Method and system for systematic defect identification
US20220057341A1 (en) Computer-Implemented Methods, Computing Devices And Computer Programs For Processing Volumetric Scanning Data And Analyzing A Performance Of Structural Elements
US9880550B2 (en) Updating of a recipe for evaluating a manufacturing stage of an electrical circuit
US20240097215A1 (en) X-ray radiographs based fault detection and prediction for battery cells
CN114846341A (zh) 用于良率损失检测的基于故障密度的聚类
US20230109910A1 (en) Detection of discontinuities in battery cells
US11719727B1 (en) Systems and methods for screening particle source manufacturing and development test data
KR20210157224A (ko) 결함 검출 장치 및 방법
KR20190048203A (ko) 분류 장치 및 분류 장치의 동작 방법
US20200082281A1 (en) Verification device
Topp et al. How can NDT 4.0 improve the Probability of Detection (POD)?
US20230251212A1 (en) Image processing and detection of discontinuities in battery cells

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