CN117751381A - 检测电芯组件的极耳外观的方法与装置、电子设备 - Google Patents

检测电芯组件的极耳外观的方法与装置、电子设备 Download PDF

Info

Publication number
CN117751381A
CN117751381A CN202280006741.3A CN202280006741A CN117751381A CN 117751381 A CN117751381 A CN 117751381A CN 202280006741 A CN202280006741 A CN 202280006741A CN 117751381 A CN117751381 A CN 117751381A
Authority
CN
China
Prior art keywords
image
area
tab
cell assembly
main body
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
CN202280006741.3A
Other languages
English (en)
Inventor
李璐
王智玉
江冠南
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.)
Contemporary Amperex Technology Co Ltd
Original Assignee
Contemporary Amperex Technology 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 Contemporary Amperex Technology Co Ltd filed Critical Contemporary Amperex Technology Co Ltd
Publication of CN117751381A publication Critical patent/CN117751381A/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
    • G06T7/001—Industrial image inspection using an image reference approach
    • 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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/60—Rotation of whole images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • H01M10/04—Construction or manufacture in general
    • H01M10/0431—Cells with wound or folded electrodes
    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M50/00—Constructional details or processes of manufacture of the non-active parts of electrochemical cells other than fuel cells, e.g. hybrid cells
    • H01M50/10—Primary casings; Jackets or wrappings
    • H01M50/102—Primary casings; Jackets or wrappings characterised by their shape or physical structure
    • H01M50/103—Primary casings; Jackets or wrappings characterised by their shape or physical structure prismatic or rectangular
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20164—Salient point detection; Corner detection
    • 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
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation
    • 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
    • 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
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • General Chemical & Material Sciences (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Quality & Reliability (AREA)
  • Manufacturing & Machinery (AREA)
  • Image Analysis (AREA)
  • Secondary Cells (AREA)

Abstract

提供一种检测电芯组件的极耳外观的方法与装置、电子设备、计算机可读存储介质及计算机程序产品。方法包括：获取包括背景区和电芯组件图像区的检测图像，其中，电芯组件图像区包括主体区和多个极耳堆叠区，每个极耳堆叠区与主体区的顶边或底边相邻接；确定检测图像中多个极耳堆叠区的每个根部角点；确定检测图像中主体区的两个侧边；基于检测图像中主体区的两个侧边，在检测图像中确定出至少一个参照边缘线；以及，基于检测图像中多个极耳堆叠区的每个根部角点、以及至少一个参照边缘线，确定极耳外观的检测结果信息。

Description

检测电芯组件的极耳外观的方法与装置、电子设备 技术领域
本公开涉及电池生产技术领域，尤其涉及一种检测电芯组件的极耳外观的方法与装置、电子设备、计算机可读存储介质及计算机程序产品。
背景技术
在相关技术中，充电电池(指在电池放电后可通过充电的方式使活性物质激活而继续使用的电池，又称二次电池，以下简称为电池)包括电池箱以及位于电池箱内的通过串联和/或并联方式组合的多个电池单体。电池单体是电池中提供能量来源的最小单元，而电芯组件是电池单体中发生电化学反应的关键部件，对电芯组件的极耳外观进行缺陷检测，是电池生产中的重要一环。
发明内容
本公开旨在至少解决相关技术中存在的技术问题之一。为此，本公开的一个目的在于提出一种检测电芯组件的极耳外观的方法与装置、电子设备、计算机可读存储介质及计算机程序产品。
本公开第一方面的实施例提供了一种检测电芯组件的极耳外观的方法，包括：获取包括背景区和电芯组件图像区的检测图像，其中，电芯组件图像区包括主体区和多个极耳堆叠区，每个极耳堆叠区与主体区的顶边或底边相邻接；确定检测图像中多个极耳堆叠区的每个根部角点；确定检测图像中主体区的两个侧边；基于检测图像中主体区的两个侧边，在检测图像中确定出至少一个参照边缘线；以及，基于检测图像中多个极耳堆叠区的每个根部角点、以及至少一个参照边缘线，确定极耳外观的检测结果信息。
本公开实施例的方法，基于电芯组件的图像，利用计算机视觉技术，对电芯组件的堆叠极耳的外观进行检测，相比相关技术中人工测量或者借助于专用治具的检测方式，不但检测效率较高，适用产品规格广泛，而且可以显著提高检测的准确性，进而提高电芯组件以及电池的生产良品率。
在一些实施例中，获取检测图像，包括：对检测图像进行二值化处理，得到二值化图像，其中，电芯组件图像区作为二值化图像的感兴趣区域。对检测图像进行二值化处理，便于在后续步骤中准确提取电芯组件图像区。
在一些实施例中，确定检测图像中多个极耳堆叠区的每个根部角点，包括：在二值化图像中，基于为每个根部角点对应配置的模板图像和局部搜索区域，在每个局部搜索区域对相应模板图像进行匹配定位；以及，基于每个局部搜索区域内模板图像的匹配定位结果，确定二值化图像中多个极耳堆叠区的每个根部角点。
在一些实施例中，模板图像基于电芯组件图像模板获得。
局部搜索区域是针对二值化图像预先设定的小范围搜索区域，在局部搜索区域对模板图像进行匹配定位，可以大大减少匹配计算量，提高匹配计算的速度和准确性。
在一些实施例中，确定检测图像中主体区的两个侧边，包括：从二值化图像中提取电芯组件图像区；将电芯组件图像区在二值化图像中沿行向滚动一个像素列，得到对比图像；基于二值化图像和对比图像的灰度差值，确定二值化图像中电芯组件图像区的多个边缘像素；以及，从多个边缘像素中滤除在第一方向上排列但间距小于距离阈值的边缘像素，得到二值化图像中主体区的两个侧边，其中，第一方向与主体区的顶边和底边的延伸方向大致相同。
采用该实施例方案，一方面可以过滤掉与主体区的两个侧边不相关的边缘像素，另一方面还可以尽量避免因硬件或者拍摄环境不佳导致的图像特征缺失或错误，从而进一步提高检测的准确性。
在一些实施例中，基于检测图像中主体区的两个侧边，在检测图像中确定出至少一个参照边缘线，包括：对二值化图像中主体区的两个侧边分别进行直线拟合，得到直线延伸的两个拟合侧边；以及，基于两个拟合侧边，在二值化图像中确定出至少一个参照边缘线。基于直线拟合得到的拟合侧边确定参照边缘线，可以使得检测的准确性进一步提高。
在一些实施例中，从二值化图像中提取电芯组件图像区，包括：基于阈值分割算法、图像分割算法和最大连通域算法中的至少一种，从二值化图像中提取电芯组件图像区。
在一些实施例中，获取检测图像，包括：对检测图像进行旋转校正，以使主体区的顶边和底边大致与行向平行，以及使主体区的两个侧边大致与行向正交。
在一些实施例中，检测图像的拍摄曝光时间不小于8000微秒，且不大于12000微秒。获得高曝光度的检测图像，使电芯组件图像区与背景区的灰度明显区别，有利于进一步提高检测的准确性。
在一些实施例中，极耳外观的检测结果信息包括：每个极耳堆叠区的两个根部角点之间的距离；和/或，极耳外观的合格或不合格评估结果。
在一些实施例中，电芯组件图像区包括两个极耳堆叠区，分别为正极极耳堆叠区和负极极耳堆叠区，其中，正极极耳堆叠区和负极极耳堆叠区共同与主体区的顶边或底边相邻接，或者，正极极耳堆叠区与主体区的顶边相邻接，负极极耳堆叠区与主体区的底边相邻接。
本公开第二方面的实施例提供了一种检测电芯组件的极耳外观的装置，包括：获取单元，配置为获取包括背景区和电芯组件图像区的检测图像，其中，电芯组件图像区包括主体区和多个极耳堆叠区，每个极耳堆叠区与主体区的顶边或底边相邻接；第一确定单元，配置为确定检测图像中多个极耳堆叠区的每个根部角点；第二确定单元，配置为确定检测图像中主体区的两个侧边；第三确定单元，配置为基于检测图像中主体区的两个侧边，在检测图像中确定出至少一个参照边缘线；以及，第四确定单元，配置为基于检测图像中多个极耳堆叠区的每个根部角点、以及至少一个参照边缘线，确定极耳外观的检测结果信息。
本公开第三方面的实施例提供了一种存储有计算机指令的计算机可读存储介质，计算机指令配置为使计算机执行前述方面的方法。
本公开第三方面的实施例提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现前述方面的方法。
采用本公开以上实施例对电芯组件的堆叠极耳的外观进行检测，不但检测效率较高，适用产品规格广泛，而且可以显著提高检测的准确性，进而提高电芯组件以及电池的生产良品率。
上述说明仅是本公开技术方案的概述，为了能够更清楚了解本公开的技术手段，而可依照说明书的内容予以实施，并且为了让本公开的上述和其它目的、特征和优点能够更明显易懂，以下特举本公开的具体实施方式。
附图说明
在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本公开公开的一些实施方式，而不应将其视为是对本公开范围的限制。
图1A为一种卷绕式电芯组件的主视结构简化示意图；
图1B为一种卷绕式电芯组件的俯视结构简化示意图；
图2为本公开一些实施例的检测电芯组件的极耳外观的方法的流程示意图；
图3为本公开一些实施例的检测电芯组件的极耳外观的方法的流程示意图；
图4为本公开一些实施例的检测电芯组件的极耳外观的方法的流程示意图；
以及，图5为本公开一些实施例的检测电芯组件的极耳外观的装置的结构框图。
附图标记说明：
100-电芯组件
10-主体部
101-负极极片
11-负极极耳
102-正极极片
12-正极极耳
103-隔膜
2000-检测图像
201-背景区
202-电芯组件图像区
20-主体区
21-负极堆叠极耳区
22-正极堆叠极耳区
230-二值化图像
231-局部搜索区域
232-模板图像
具体实施方式
下面将结合附图对本公开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公开的技术方案，因此只作为示例，而不能以此来限制本公开的保护范围。
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公开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， 不是旨在于限制本公开；本公开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。
在本公开实施例的描述中，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。在本公开实施例的描述中，“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公开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。
在本公开实施例的描述中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
在本公开实施例的描述中，术语“多个”指的是两个以上(包括两个)，同理，“多组”指的是两组以上(包括两组)，“多片”指的是两片以上(包括两片)。
在本公开实施例的描述中，技术术语“中心”、“列向”、“行向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本公开实施例和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本公开实施例的限制。
在本公开实施例的描述中，除非另有明确的规定和限定，技术术语“安装”、“相连”“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；也可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本公开实施例中的具体含义。
常见的电芯组件主要包括叠片式和卷绕式两种。叠片式电芯组件包括交替层叠的多个正极极片和多个负极极片，以及在任意相邻的正极极片和负极极片之间设置的隔膜。卷绕式电芯组件包括在层叠后卷绕的正极极片、负极极片以及位于正极极片和负极极片之间的隔膜。以锂离子电池单体为例，在电池单体的壳体内部，电芯组件被电解液浸润，锂离子以电解液为介质在负极和正极之间运动，从而可以使电池单体实现充电与放电， 隔膜的作用是允许锂离子自由通过，而不允许电子通过，从而防止电池单体的负极和正极之间通过电解液发生短路。
图1A所示为一种卷绕式电芯组件的主视结构简化示意图，图1B所示为该电芯组件的俯视结构简化示意图。如图1A和图1B所示，该电芯组件100包括在层叠后卷绕的负极极片101、正极极片102以及位于负极极片101和正极极片102之间的隔膜103。负极极片101包括设有活性物质的负极极片本体(图中未示出)，以及未设有活性物质层的多个负极极耳11，该多个负极极耳11沿负极极片本体的一侧边缘间隔排列，在卷绕后堆叠，从而作为电芯组件100的负极。正极极片102包括设有活性物质的正极极片本体(图中未示出)，以及未设有活性物质层的正极极耳12，该多个正极极耳12沿正极极片本体的一侧边缘间隔排列，在卷绕后堆叠，从而作为电芯组件100的正极并且与负极相间隔。
电芯组件在生产过程中，由于环境、工艺及设备原因，可能造成各种缺陷，因此，需要对电芯组件进行缺陷检测，以保证一定的出厂良品率，其中，对极耳外观进行缺陷检测是极其重要的一环，其检测结果的有效性直接影响到电池出厂的安全性。在本公开实施例中，对极耳外观进行缺陷检测主要是指：对卷绕式电芯组件的相堆叠的多个负极极耳和相堆叠的多个正极极耳进行外观检测，以此来判断堆叠后的极耳整体尺寸是否符合设计要求。
基于以上考虑，发明人经过深入研究，提供了一种检测电芯组件的极耳外观的方法与装置、电子设备、计算机可读存储介质及计算机程序产品，以提高对极耳进行外观检测的准确性，进而提高电芯组件以及电池的生产良品率。
本公开实施例方案基于拍摄的电芯组件的图像，利用计算机视觉技术，对电芯组件的堆叠极耳的外观进行检测。首先，在检测图像中确定出极耳堆叠区的根部角点；然后，在检测图像中确定出电芯组件图像区的主体区的两个侧边；然后，基于该两个侧边，在检测图像中确定出参照边缘线；之后，可以基于极耳堆叠区的根部角点和参照边缘线之间的相对位置关系，得到极耳外观的检测结果信息。极耳堆叠区反映了多个极耳在堆叠后的整体外形，每个极耳堆叠区包括两个根部角点，如果该两个根部角点之间的距离过大则说明极耳在堆叠后错位严重，需要进行产品设计和工艺上的相关检讨。采用本公开实施例技术方案，可以在电芯组件制作完成后，对其堆叠极耳进行外观检测，可以及时发现相关缺陷，而且检测的准确性较高，从而可以提高电芯组件以及电池的生产良品率。
本公开实施例中公开的电池可以是动力电池或储能电池。其中，动力电池的应用场景包括但不限于车辆、船舶、飞行器、航天器、电动工具、电动玩具，各类移动终端等等。储能电池的应用场景包括但不限于太阳能发电系统、水力发电系统、风力发电系统，等等。
如图2和图3所示，本公开实施例提供的检测电芯组件的极耳外观的方法200，包括以下步骤S21至步骤S25。
在步骤S21，获取包括背景区201和电芯组件图像区202的检测图像2000，其中，电芯组件图像区202包括主体区20和多个极耳堆叠区(如图中所示的负极极耳堆叠区21和正极极耳堆叠区22)，每个极耳堆叠区与主体区20的顶边或底边相邻接。
在步骤S22，确定检测图像中多个极耳堆叠区的每个根部角点(如图中所示的根部角点P1,P2,P3,P4)。
在步骤S23，确定检测图像中主体区20的两个侧边(如图中所示的侧边S1,S2)。
在步骤S24，基于检测图像中主体区20的两个侧边，在检测图像中确定出至少一个参照边缘线(如图中所示的参照边缘线L1,L2)。
在步骤S25，基于检测图像中多个极耳堆叠区的每个根部角点、以及至少一个参照边缘线，确定极耳外观的检测结果信息(检测结果信息例如包括图中所示的距离W1,W2)。
本公开实施例可以用于多种电芯组件产品的堆叠极耳的外观检测。如图1A和图1B所示，在一些实施例中，电芯组件100为卷绕式电芯组件，包括主体部10、位于主体部10的顶端且堆叠设置的多个正极极耳12(作为电芯组件的正极)，位于主体部10的顶端且堆叠设置的多个负极极耳11(作为电芯组件的负极)。如图3所示，对该电芯组件100进行拍摄获得的检测图像2000，包括背景区201和电芯组件图像区202，电芯组件图像区202包括正极极耳堆叠区22和负极极耳堆叠区21，该正极极耳堆叠区22和负极极耳堆叠区21共同与主体区20的顶边相邻接(根据电芯组件的放置方式，也可以是与主体区的底边相邻接)。
在另一些实施例中，电芯组件为卷绕式电芯组件，其结构也可以设计为包括主体部、位于主体部的顶端且堆叠设置的多个正极极耳(作为电芯组件的正极)，位于主体部的低端且堆叠设置的多个负极极耳(作为电芯组件的负极)。对该电芯组件进行拍摄获得的检测图像，包括背景区和电芯组件图像区，电芯组件图像区包括正极极耳堆叠区和负极极耳堆叠区，其中，正极极耳堆叠区与主体区的顶边相邻接(根据电芯组件的放置 方式，也可以是与主体区的底边相邻接)，负极极耳堆叠区与主体区的底边相邻接(根据电芯组件的放置方式，也可以是与主体区的顶边相邻接)。
本公开实施例的方法200，基于电芯组件的图像，利用计算机视觉技术，对电芯组件的堆叠极耳的外观进行检测，相比相关技术中人工测量或者借助于专用治具的检测方式，不但检测效率较高，适用产品规格广泛，而且可以显著提高检测的准确性，进而提高电芯组件以及电池的生产良品率。
其中，极耳外观的检测结果信息例如可以包括：每个极耳堆叠区的两个根部角点之间的距离(即图3中所示的距离W1,W2)，和/或极耳外观的合格或不合格评估结果。
在一些实施例中，当极耳堆叠区的两个根部角点之间的距离超过距离阈值时，可以判定极耳外观不合格，从而及时将该电芯组件不良品检出，避免其流入后续生产工序中，以此提高电芯组件以及电池的生产良品率。
在一些实施例中，还可以基于极耳堆叠区的两个根部角点之间的距离，对电芯组件进行组装性评价。例如，当极耳堆叠区的两个根部角点之间的距离超过距离阈值时，说明极片卷绕过松或过紧导致极耳在堆叠后错位严重，可以基于此进行产品设计和工艺上的相关检讨。
步骤S21中的检测图像可以由工业相机等图像采集设备对电芯组件进行拍摄获得。在一些实施例中，当拍摄环境明亮度一般或者较暗时，可以将图像采集设备的光圈尽量调至最大，将拍摄曝光时间设置为不小于8000微秒，且不大于12000微秒，从而获得高曝光度的检测图像，使电芯组件图像区与背景区的灰度明显区别。
在本公开的一些实施例中，可以在拍摄前先将图像采集设备与电芯组件精确定位，然后再启动图像采集设备对电芯组件进行拍摄，从而可以直接使检测图像中主体区的顶边和底边与行向(即图像中的像素行向)大致平行，两个侧边与行向(即图像中的像素列向)大致正交。
在本公开的另一些实施例中，对图像采集设备与电芯组件的拍摄定位精度要求不高，可以在拍摄到检测图像后，对检测图像进行旋转校正。在该实施例中，上述步骤S21包括：对检测图像进行旋转校正，以使主体区的顶边和底边与行向(即图像中的像素行向)大致平行，两个侧边与行向(即图像中的像素列向)大致正交。
在本公开实施例中，“行向”和“列向”是相对而言的，不表示绝对方向，“大致平行”、“大致正交”可以理解为在一定误差范围内被接受即可，并不要求其绝对平行或者正交。
需要说明的是，在本公开实施例中，即使主体区的顶边和底边相对行向不平行，上述方法200仍然适用，而且仍能获得较为准确的检测结果信息。这是因为，在步骤S25，是基于检测图像中极耳堆叠区的根部角点和参照边缘线的相对位置关系来确定极耳外观的检测结果信息的，检测结果信息几乎不受主体区在检测图像中相对位置的影响。
在本公开的一些实施例中，如图3所示，上述步骤S21包括：对检测图像2000进行二值化处理，得到二值化图像230，其中，电芯组件图像区202作为二值化图像230的感兴趣区域。
图像的二值化，就是基于设定的灰度阈值，将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的只有黑和白的视觉效果(在图3中，二值化图像230的背景区的灰度值为0，以阴影示意)。经过二值化处理得到二值化图像230中，电芯组件图像区202作为感兴趣区域。对检测图像进行二值化处理，便于在后续步骤中准确提取电芯组件图像区202。
在一些实施例中，如图3所示，上述步骤S22包括：在二值化图像230中，基于为每个根部角点对应配置的模板图像232和局部搜索区域231，在每个局部搜索区域231对相应模板图像232进行匹配定位；以及，基于每个局部搜索区域231内模板图像232的匹配定位结果，确定二值化图像230中多个极耳堆叠区的每个根部角点(如图中所示的根部角点P1,P2,P3,P4)。
模板图像232可以基于电芯组件图像模板获得。电芯组件图像模板是指用作基准参照的电芯组件的标准图像。模板图像232是从电芯组件图像模板中截取的一部分并且包含了根部角点P’，可以用作图像特征匹配比对的参照。为了方便计算，可以将模板图像232中根部角点P’设在该模板图像的中心点处。
局部搜索区域231是针对二值化图像230预先设定的小范围搜索区域，在局部搜索区域231对模板图像232进行匹配定位，可以大大减少匹配计算量，提高匹配计算的速度和准确性。
在局部搜索区域231内搜索到模板图像232对应的匹配图像(例如模板图像和匹配图像的特征相似度大于设定的相似度阈值)之后，可以基于模板图像232在局部搜索区域231内的匹配定位结果(例如模板图像232的其中一个角点的像素坐标)，通过坐标坐标偏移，确定出局部搜索区域231内的根部角点，也即确定出局部搜索区域231内根部角点的像素坐标。
在一些实施例中，上述步骤S23包括以下子步骤一至子步骤四。
在子步骤一，从二值化图像中提取电芯组件图像区。例如，可以基于阈值分割算法、图像分割算法和最大连通域算法中的至少一种，从二值化图像中提取电芯组件图像区。
在子步骤二，将电芯组件图像区在二值化图像中沿行向滚动(即平移)一个像素列，得到对比图像。
在子步骤三，基于二值化图像和对比图像的灰度差值，确定二值化图像中电芯组件图像区的多个边缘像素(边缘像素在二值化图像和对比图像中的灰度相差255或-255)。
在子步骤四，从多个边缘像素中滤除在第一方向上排列但间距T小于距离阈值的边缘像素(如图3中Q1,Q2点处像素，实际上可以是在第一方向上排列的多对像素)，得到主体区的两个侧边(可以是不连续的)，其中，第一方向与主体区的顶边和底边的延伸方向大致相同(在一定误差范围内被接受即可)。
第一方向上的距离阈值可以基于前述电芯组件图像模板中主体区的两个侧边的间距来确定，例如可以等于或者略小于两个侧边的间距。采用该实施例方案，一方面可以过滤掉与主体区的两个侧边不相关的边缘像素(例如极耳堆叠区的边缘像素)，另一方面还可以尽量避免因硬件或者拍摄环境不佳导致的图像特征缺失或错误，从而进一步提高检测的准确性。
如图3所示，在一些实施例中，上述步骤S24包括：对二值化图像230中主体区20的两个侧边S1,S2分别进行直线拟合(例如通过Ransac算法)，得到直线延伸的两个拟合侧边；以及，基于两个拟合侧边，在二值化图像中确定出至少一个参照边缘线(如图中所示的参照边缘线L1,L2)。
Ransac算法是一种随机参数估计迭代算法，其基本原理为，首先随机在一个侧边选择两个点，使用这个数据集来计算出数据模型，再将所有的该侧边缘点带入数据模型计算出所有“内点”的数目，通过不断地迭代，比较当前模型和之前推出的最好的模型的“内点“的数量，记录最大“内点”数的模型参数和“内点”数，当“内点数目大于一定数量”时就得到了最终拟合的直线参数。
可以选用任意一个拟合侧边作为参照边缘线，也可以基于任意一个拟合侧边进行平行偏移，从而得到参照边缘线。基于在步骤S22确定的各个根部角点A1,,A2,A3,A4与该参照边缘线(如参照边缘线L1)的相对距离，计算出每个极耳堆叠区的两个根部角点之间的距离W1,W2，并继而判断电芯组件的极耳外观是否合格，检测的准确性较高。
在一些实施例中，也可以是，两个拟合侧边分别作为第一参照边缘线和第二参照边缘线，基于确定的正极极耳堆叠区的两个根部角点与相邻的第一参照边缘线的相对距离，计算出正极极耳堆叠区的两个根部角点之间的距离，基于确定的负极极耳堆叠区的两个根部角点与相邻的第二参照边缘线的相对距离，计算出负极极耳堆叠区的两个根部角点之间的距离，并继而判断电芯组件的极耳外观是否合格。
如图4所示，本公开一些实施例提供的检测电芯组件的极耳外观的方法，包括以下步骤S401至步骤S410。
在步骤S401，获取由图像采集设备采集的检测图像。
在步骤S402，对检测图像进行二值化处理，得到以电芯组件图像区作为感兴趣区域的二值化图像。
在步骤S403，在二值化图像中，基于为正极极耳堆叠区和负极极耳堆叠区的各个根部角点分别配置的模板图像和局部搜索区域，在每个局部搜索区域对相应模板图像进行匹配定位搜索。
在步骤S404，基于每个局部搜索区域内模板图像的匹配定位结果，确定二值化图像中的各个根部角点。
在步骤S405，基于阈值分割算法、图像分割算法和最大连通域算法中的至少一种，从二值化图像中提取电芯组件图像区。
在步骤S406，将电芯组件图像区在二值化图像中沿行向滚动一个像素列，得到对比图像。
在步骤S407，基于二值化图像和对比图像的灰度差值，确定二值化图像中电芯组件图像区的多个边缘像素。
在步骤S408，从多个边缘像素中滤除在第一方向上排列但间距小于距离阈值的边缘像素，得到主体区的两个侧边，其中，第一方向与主体区的顶边或底边的延伸方向大致相同。
在步骤S409，对二值化图像中主体区的两个侧边分别进行直线拟合，得到直线延伸的两个拟合侧边，分别作为第一参照边缘线和第二参照边缘线。
在步骤S410，基于正极极耳堆叠区的两个根部角点分别到第一参照边缘线的距离、负极极耳堆叠区的两个根部角点分别到第二参照边缘线的距离，判断电芯组件的极耳的外观是否合格。
如图5所示，本公开实施例还提供一种检测电芯组件的极耳外观的装置500，包括：获取单元501，配置为获取包括背景区和电芯组件图像区的检测图像，其中，电芯组件图像区包括主体区和多个极耳堆叠区，每个极耳堆叠区与主体区的顶边或底边相邻接；第一确定单元502，配置为确定检测图像中多个极耳堆叠区的每个根部角点；第二确定单元503，配置为确定检测图像中主体区的两个侧边；第三确定单元504，配置为基于检测图像中主体区的两个侧边，在检测图像中确定出至少一个参照边缘线；以及，第四确定单元505，配置为基于检测图像中多个极耳堆叠区的每个根部角点、以及至少一个参照边缘线，确定极耳外观的检测结果信息。
本公开实施例还提供一种电子设备，包括至少一个处理器以及与至少一个处理器通信连接的存储器，其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行前述方法的步骤。
采用本公开上述实施例的装置和电子设备，可以对电芯组件的堆叠极耳进行外观检测，检测的准确性较高，从而可以提高电芯组件以及电池的生产良品率。
本公开实施例还提供一种存储有计算机指令的计算机可读存储介质，其中，计算机指令配置为使计算机执行前述任一实施例的方法。
本公开实施例还提供一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现前述任一实施例的方法。
最后应说明的是：以上各实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述各实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的范围，其均应涵盖在本公开的权利要求和说明书的范围当中。尤其是，只要不存在结构冲突，各个实施例中所提到的各项技术特征均可以任意方式组合起来。本公开并不局限于文中公开的特定实施例，而是包括落入权利要求的范围内的所有技术方案。

Claims (14)

  1. 一种检测电芯组件的极耳外观的方法，包括：
    获取包括背景区和电芯组件图像区的检测图像，其中，电芯组件图像区包括主体区和多个极耳堆叠区，每个极耳堆叠区与主体区的顶边或底边相邻接；
    确定检测图像中多个极耳堆叠区的每个根部角点；
    确定检测图像中主体区的两个侧边；
    基于检测图像中主体区的两个侧边，在检测图像中确定出至少一个参照边缘线；以及
    基于检测图像中多个极耳堆叠区的每个根部角点、以及至少一个参照边缘线，确定极耳外观的检测结果信息。
  2. 根据权利要求1所述的方法，其中，获取检测图像，包括：
    对检测图像进行二值化处理，得到二值化图像，其中，电芯组件图像区作为二值化图像的感兴趣区域。
  3. 根据权利要求2所述的方法，其中，确定检测图像中多个极耳堆叠区的每个根部角点，包括：
    在二值化图像中，基于为每个根部角点对应配置的模板图像和局部搜索区域，在每个局部搜索区域对相应模板图像进行匹配定位；以及
    基于每个局部搜索区域内模板图像的匹配定位结果，确定二值化图像中多个极耳堆叠区的每个根部角点。
  4. 根据权利要求3所述的方法，其中，模板图像基于电芯组件图像模板获得。
  5. 根据权利要求2所述的方法，其中，确定检测图像中主体区的两个侧边，包括：
    从二值化图像中提取电芯组件图像区；
    将电芯组件图像区在二值化图像中沿行向滚动一个像素列，得到对比图像；
    基于二值化图像和对比图像的灰度差值，确定二值化图像中电芯组件图像区的多个边缘像素；以及
    从多个边缘像素中滤除在第一方向上排列但间距小于距离阈值的边缘像素，得到二值化图像中主体区的两个侧边，其中，第一方向与主体区的顶边和底边的延伸方向大致相同。
  6. 根据权利要求5所述的方法，其中，基于检测图像中主体区的两个侧边，在检测图像中确定出至少一个参照边缘线，包括：
    对二值化图像中主体区的两个侧边分别进行直线拟合，得到直线延伸的两个拟合侧边；以及
    基于两个拟合侧边，在二值化图像中确定出至少一个参照边缘线。
  7. 根据权利要求5所述的方法，其中，从二值化图像中提取电芯组件图像区，包括：
    基于阈值分割算法、图像分割算法和最大连通域算法中的至少一种，从二值化图像中提取电芯组件图像区。
  8. 根据权利要求1所述的方法，其中，获取检测图像，包括：
    对检测图像进行旋转校正，以使主体区的顶边和底边大致与行向平行，以及使主体区的两个侧边大致与行向正交。
  9. 根据权利要求1所述的方法，其中，检测图像的拍摄曝光时间不小于8000微秒，且不大于12000微秒。
  10. 根据权利要求1所述的方法，其中，极耳外观的检测结果信息包括：
    每个极耳堆叠区的两个根部角点之间的距离；和/或
    极耳外观的合格或不合格评估结果。
  11. 根据权利要求1至10中任一项所述的方法，其中，
    电芯组件图像区包括两个极耳堆叠区，分别为正极极耳堆叠区和负极极耳堆叠区，其中，正极极耳堆叠区和负极极耳堆叠区共同与主体区的顶边或底边相邻接，或者，正极极耳堆叠区与主体区的顶边相邻接，负极极耳堆叠区与主体区的底边相邻接。
  12. 一种检测电芯组件的极耳外观的装置，包括：
    获取单元，配置为获取包括背景区和电芯组件图像区的检测图像，其中，电芯组件图像区包括主体区和多个极耳堆叠区，每个极耳堆叠区与主体区的顶边或底边相邻接；
    第一确定单元，配置为确定检测图像中多个极耳堆叠区的每个根部角点；
    第二确定单元，配置为确定检测图像中主体区的两个侧边；
    第三确定单元，配置为基于检测图像中主体区的两个侧边，在检测图像中确定出至少一个参照边缘线；以及
    第四确定单元，配置为基于检测图像中多个极耳堆叠区的每个根部角点、以及至少一个参照边缘线，确定极耳外观的检测结果信息。
  13. 一种存储有计算机指令的计算机可读存储介质，所述计算机指令配置为使计算机执行如权利要求1至11中任一项所述的方法。
  14. 一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如权利要求1至11中任一项所述的方法。
CN202280006741.3A 2022-07-21 2022-07-21 检测电芯组件的极耳外观的方法与装置、电子设备 Pending CN117751381A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2022/107073 WO2024016266A1 (zh) 2022-07-21 2022-07-21 检测电芯组件的极耳外观的方法与装置、电子设备

Publications (1)

Publication Number Publication Date
CN117751381A true CN117751381A (zh) 2024-03-22

Family

ID=89576772

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202280006741.3A Pending CN117751381A (zh) 2022-07-21 2022-07-21 检测电芯组件的极耳外观的方法与装置、电子设备

Country Status (4)

Country Link
US (1) US11915410B2 (zh)
EP (1) EP4339887A4 (zh)
CN (1) CN117751381A (zh)
WO (1) WO2024016266A1 (zh)

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004087238A (ja) * 2002-08-26 2004-03-18 Nissan Motor Co Ltd 積層型電池
DE102007063184B4 (de) * 2007-08-06 2011-01-05 Daimler Ag Einzelzelle für eine Batterie zur elektrischen Kontaktierung
US8138567B2 (en) * 2008-04-18 2012-03-20 Invisage Technologies, Inc. Materials, fabrication equipment, and methods for stable, sensitive photodetectors and image sensors made therefrom
KR101334121B1 (ko) * 2009-10-26 2013-11-29 에스케이이노베이션 주식회사 전지의 전극 검사장치 및 방법
JP6158789B2 (ja) * 2012-03-30 2017-07-05 三洋電機株式会社 積層式電池
KR20160087600A (ko) * 2015-01-14 2016-07-22 한화테크윈 주식회사 불량 검사 장치 및 방법
CN107941805A (zh) * 2017-12-01 2018-04-20 无锡先导智能装备股份有限公司 电芯质量检测方法
KR101981010B1 (ko) * 2018-08-01 2019-08-28 정연길 이차 전지 제조 설비 및 이를 사용한 이차 전지 제조 방법
CN112557390B (zh) * 2019-09-10 2023-02-24 惠州旭鑫智能技术有限公司 一种动力电池裸电芯极耳错位缺陷单目视觉检测方法
CN112330623B (zh) * 2020-10-30 2022-05-27 蜂巢能源科技有限公司 电芯极组极片对齐度检测方法和检测装置
CN215142258U (zh) 2021-08-04 2021-12-14 傲普(上海)新能源有限公司 一种锂电池电芯筛选工装
CN114609153A (zh) * 2022-04-15 2022-06-10 荣旗工业科技(苏州)股份有限公司 一种电池极耳缺陷检测设备及方法
CN115035050A (zh) * 2022-05-23 2022-09-09 广东人工智能与先进计算研究院 一种电池极片表面缺陷检测方法、装置、设备及产品
CN114764804B (zh) * 2022-06-16 2022-09-20 深圳新视智科技术有限公司 锂电池极片缺陷检测方法、装置、设备及存储介质
CN115829921B (zh) * 2022-09-16 2024-01-05 宁德时代新能源科技股份有限公司 检测电芯缺陷的方法、装置和计算机可读存储介质

Also Published As

Publication number Publication date
US20240029233A1 (en) 2024-01-25
EP4339887A1 (en) 2024-03-20
WO2024016266A1 (zh) 2024-01-25
US11915410B2 (en) 2024-02-27
EP4339887A4 (en) 2024-03-20

Similar Documents

Publication Publication Date Title
CN115829913B (zh) 裸电芯外观检测方法、装置、计算机设备和存储介质
CN111024008B (zh) 一种叠片型储能器件的错位尺寸的检测方法及检测装置
CN112577421A (zh) 一种电芯检测方法、装置及设备
CN110793722B (zh) 基于机器学习的铅酸蓄电池非接触式漏液检测装置及方法
CN114764804A (zh) 锂电池极片缺陷检测方法、装置、设备及存储介质
CN115849113A (zh) 辊、点检方法及装置、卷材传送方法及装置、设备、介质
CN116762205A (zh) 一种电池卷芯卷绕覆盖检测方法、装置及设备
CN104537650A (zh) 一种铝电解电容器的极性方向判定方法及装置
CN117280513A (zh) 电池极片绝缘涂层缺陷的检测方法、装置和计算机设备
CN115839959A (zh) 极耳检测系统及极耳检测方法
CN115824038B (zh) 标定尺、标定方法及装置、检测方法及装置
CN115035061A (zh) 一种电芯极组阴阳极点提取及阴阳极片对齐度检测方法
CN104091322A (zh) 叠片锂离子电池的检测方法
EP4358207A1 (en) Electrode sheet surface adhesive pasting detection method, device and apparatus, and electrode sheet adhesive pasting machine
CN113654493A (zh) 一种叠片软包锂电池质量检测方法及系统
CN106091999B (zh) 一种极片错位的检测方法和装置
CN117751381A (zh) 检测电芯组件的极耳外观的方法与装置、电子设备
CN116739997A (zh) 一种基于x射线成像的锂电池在线成像分析方法
CN115593884B (zh) 极片料线位置抓取方法、系统、装置、设备和存储介质
CN115205199A (zh) 一种极片卷绕对齐度检测方法、系统、设备及存储介质
CN115797254A (zh) 极片缺陷检测方法、装置、计算机设备和存储介质
CN114965508A (zh) 一种多极耳电芯覆盖检测方法及装置
CN115837541A (zh) 电芯极柱定位方法及装置、焊接方法及装置、设备和介质
CN115541491A (zh) 一种电池的壳体腐蚀检测方法、系统及壳体腐蚀检测装置
CN114581446A (zh) 一种叠片电池的电芯异常检测方法及系统

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