CN118067842A - 基于超声导波成像的电池缺陷检测方法及系统、设备 - Google Patents
基于超声导波成像的电池缺陷检测方法及系统、设备 Download PDFInfo
- Publication number
- CN118067842A CN118067842A CN202410161503.0A CN202410161503A CN118067842A CN 118067842 A CN118067842 A CN 118067842A CN 202410161503 A CN202410161503 A CN 202410161503A CN 118067842 A CN118067842 A CN 118067842A
- Authority
- CN
- China
- Prior art keywords
- battery
- training
- channel
- ultrasonic guided
- neural network
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 89
- 238000001514 detection method Methods 0.000 title claims abstract description 41
- 238000003384 imaging method Methods 0.000 title claims abstract description 41
- 238000010586 diagram Methods 0.000 claims abstract description 113
- 238000003062 neural network model Methods 0.000 claims abstract description 57
- 230000004927 fusion Effects 0.000 claims abstract description 55
- 238000012549 training Methods 0.000 claims description 117
- 238000000034 method Methods 0.000 claims description 49
- 230000006870 function Effects 0.000 claims description 46
- 239000011159 matrix material Substances 0.000 claims description 31
- NIXOWILDQLNWCW-UHFFFAOYSA-N acrylic acid group Chemical group C(C=C)(=O)O NIXOWILDQLNWCW-UHFFFAOYSA-N 0.000 claims description 22
- 238000003709 image segmentation Methods 0.000 claims description 22
- 238000003860 storage Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 16
- 238000012512 characterization method Methods 0.000 claims description 15
- 230000005284 excitation Effects 0.000 claims description 12
- 239000002131 composite material Substances 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000012800 visualization Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000000644 propagated effect Effects 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 8
- 230000002950 deficient Effects 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 238000009659 non-destructive testing Methods 0.000 description 6
- 238000012983 electrochemical energy storage Methods 0.000 description 5
- 238000002604 ultrasonography Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000004146 energy storage Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 235000012431 wafers Nutrition 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000000873 masking effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 229910010293 ceramic material Inorganic materials 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000007648 laser printing Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明提供了一种基于超声导波成像的电池缺陷检测方法及系统、设备,首先基于预设的信号发生器和振动源生成超声导波,将超声导波输入待测电池;再根据预设的热力图采集频率采集超声导波在待测电池中传播时对应的待测电池热力图集;然后,将多张待测电池热力图输入预训练的时间信息融合神经网络模型,得到目标特征图;接下来,对输出的目标特征图进行卷积操作,得到目标双通道热力图、和对应于目标双通道热力图的每个像素点的第一通道分数和第二通道分数;最后,基于第一通道分数和第二通道分数计算得到待测电池缺陷区域。本申请通过时间信息融合神经网络模型提取超声导波扫描成像数据的时空连续演变特征,能够提高电池缺陷检测的准确性。
Description
技术领域
本申请涉及计算机技术领域,尤其是涉及一种基于超声导波成像的电池缺陷检测方法及系统、设备。
背景技术
储能电池在近年来广泛应用于电动汽车以及电化学储能站中。然而,电池在制造、使用和充电过程中可能会出现各种缺陷,如电池内部短路、过充或过放等。这些缺陷可能导致电池性能下降、容量衰减,甚至引发火灾或爆炸等危险。此外,储能电站的电池组是一种含高能物质的部件,具有危险性的本质,若维护不当或出现意外,容易出现危险事故。因此,对电池进行缺陷检测也是确保电动汽车安全以及电化学储能站安全的重要手段。
超声无损检测技术在电池缺陷检测中具有非破坏性、高精度、高效率、高灵敏度和无损电性能等优点。相关技术中,缺少针对超声导波扫描成像数据的缺陷识别方法,研究人员主要通过主观评价确定被测样品是否存在缺陷,不利于电池样品的质量评估;也有采用图像处理方法对超声导波扫描成像数据进行缺陷识别的方法,但是传统的图像处理方法主要关注于单幅图像数据的分割与识别问题,对于超声导波扫描成像数据的缺陷检测准确率较低。
发明内容
本申请旨在至少解决现有技术中存在的技术问题之一。为此,本申请提出一种基于超声导波成像的电池缺陷检测方法、电子设备,能够提高电池缺陷检测的准确率。
第一方面,本申请实施例提供了一种基于超声导波成像的电池缺陷检测方法,包括:
基于预设的信号发生器和振动源生成超声导波,并将所述超声导波输入待测电池;
根据预设的热力图采集频率采集所述超声导波在所述待测电池中传播时对应的待测电池热力图集;其中,所述待测电池热力图集包括按照时序排列的多张待测电池热力图;
将按照时序排列的多张所述待测电池热力图输入预训练的时间信息融合神经网络模型,得到目标特征图;
对所述时间信息融合神经网络模型输出的所述目标特征图进行卷积操作,得到目标双通道热力图、和对应于所述目标双通道热力图的每个像素点的第一通道分数和第二通道分数;其中,所述第一通道分数表示对应的所述像素点的背景得分,第二通道分数表示所述目标双通道热力图对应的所述像素的缺陷评分;
基于所述每一所述像素点对应的所述第一通道分数和所述第二通道分数计算得到待测电池缺陷区域。
根据本申请的一些实施例,所述根据预设的热力图采集频率采集所述超声导波在所述待测电池中传播时对应的待测电池热力图集,包括:
使用激光多普勒测振仪配合双轴振镜连续扫描在所述待测电池中预设范围内传播的所述超声导波,得到多个电池结构表征信号;其中,所述电池结构表征信号包括所述双轴振镜的X轴电压值、Y轴电压值以及电池结构表征幅值;
根据所述预设范围创建超声信号矩阵,并根据所述X轴电压值和所述Y轴电压值,确定所述电池结构表征幅值在对应所述超声信号矩阵中的索引;
根据每一所述电池结构表征幅值在所述超声信号矩阵中的索引将所述电池结构表征幅值填入所述超声信号矩阵,得到目标信号矩阵;
针对每一所述目标信号矩阵进行热力图可视化处理,得到所述待测电池热力图集。
根据本申请的一些实施例,所述针对每一所述目标信号矩阵进行热力图可视化处理,得到所述待测电池热力图集之后,还包括:
对所述待测电池热力图集的每一所述待测电池热力图进行预处理;其中,所述预处理包括中值滤波处理或者锐化处理;
采用双线性差值算法,对预处理后的所述待测电池热力图集进行分辨率扩充。
根据本申请的一些实施例,所述将按照时序排列的多张所述待测电池热力图输入预训练的时间信息融合神经网络模型,得到目标特征图之前,还包括对所述时间信息融合神经网络模型进行预训练,具体包括:
获取训练数据集;其中,训练数据集包括多个训练热力图、和所述训练热力图对应的第一训练标签;
将预设的焦点损失函数和预设的重叠度损失函数进行整合,得到复合损失函数;
将多个所述训练热力图输入初始的所述时间信息融合神经网络模型进行迭代训练;每一轮迭代训练中,基于所述时间信息融合神经网络模型对所述训练热力图进行识别,得到本轮识别结果,并将所述本轮识别结果与所述第一训练标签代入所述复合损失函数得到训练偏差数据,以通过所述训练偏差数据更新所述时间信息融合神经网络模型;
当所述时间信息融合神经网络模型在迭代训练中满足第一训练预设条件时,得到预训练的所述时间信息融合神经网络模型。
根据本申请的一些实施例,所述将多个所述训练热力图输入初始的所述时间信息融合神经网络模型进行迭代训练之前,还包括:
获取带有缺陷的亚克力板数据集;其中,所述亚克力板数据集包括多个带有缺陷的亚克力板图、和所述亚克力板图对应的第二训练标签;
将多个所述亚克力板图输入初始的图像分割模型进行迭代训练;每一轮迭代训练中,基于所述图像分割模型对所述亚克力板图进行图像分割,得到本轮分割结果,并基于所述本轮分割结果与所述第二训练标签计算模型损失量,以通过所述模型损失量更新所述图像分割模型;
当图像分割模型在迭代训练中满足第二训练预设条件时,基于训练后的图像分割网络的参数对所述时间信息融合神经网络模型参数进行初始化。
根据本申请的一些实施例,所述获取训练数据集,包括:
获取原始训练数据集;
对所述原始训练数据集中的图片进行部分遮盖以及旋转,得到部分遮盖训练数据集和旋转数据集;
将所述原始训练数据集、部分遮盖训练数据集以及旋转数据集合并得到训练数据集。
根据本申请的一些实施例,所述基于所述每一所述像素点对应的所述第一通道分数和所述第二通道分数计算得到待测电池缺陷区域,包括:
对每个像素点的所述第一通道分数和所述第二通道分数进行归一化处理,计算所述第一通道分数对应的第一通道类别概率、和所述第二通道分数对应的第二通道类别概率;
根据所述第一通道类别概率和所述第二通道类别概率确定所述电池缺陷区域。
第二方面,本申请实施例提供了一种基于超声导波成像的电池缺陷检测系统,包括:
第一信号发生器,用于输出激励信号给功率放大器;
功率放大器,用于将所述激励信号放大预设倍数,并输出给振动源;
振动源,位于待测电池外部,用于接收放大后的所述激励信号发生振动产生超声导波;
激光多普勒测振仪,用于发射激光经过双轴振镜采集在所述待测电池内部传输的所述超声导波形成的电池结构表征信号;所述电池结构表征信号包括:双轴振镜X轴电压值、Y轴电压值以及电池结构表征幅值;
第二信号发生器,用于根据阶梯函数控制所述双轴振镜X轴和Y轴的运动轨迹,以控制所述激光多普勒测振仪在所述待测电池中的扫描范围和扫描方向;
上位机,用于控制所述第一信号发生器、所述第二信号发生器以及所述激光多普勒测振仪工作,还用于对采集到的所述电池结构表征信号进行热力图成像。
第三方面,本申请实施例提供了一种电子设备,包括:存储器、处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如本申请第一方面实施例中任意一项所述的基于超声导波成像的电池缺陷检测方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述存储介质存储有程序,所述程序被处理器执行实现如本申请第一方面实施例中任意一项所述的基于超声导波成像的电池缺陷检测方法。
根据本申请实施例的基于超声导波成像的电池缺陷检测方法,至少具有如下有益效果:
根据本申请实施例的基于超声导波成像的电池缺陷检测方法,首先基于预设的信号发生器和振动源生成超声导波,并将超声导波输入待测电池;再根据预设的热力图采集频率采集超声导波在待测电池中传播时对应的待测电池热力图集;然后,将按照时序排列的多张待测电池热力图输入预训练的时间信息融合神经网络模型,得到目标特征图;接下来,对时间信息融合神经网络模型输出的目标特征图进行卷积操作,得到目标双通道热力图、和对应于目标双通道热力图的每个像素点的第一通道分数和第二通道分数;其中,第一通道分数表示对应的像素点的背景得分,第二通道分数表示目标双通道热力图对应的像素的缺陷评分;最后,基于每一像素点对应的第一通道分数和第二通道分数计算得到待测电池缺陷区域。本申请通过时间信息融合神经网络模型,提取超声导波扫描成像数据的时空连续演变特征,能够提高电池缺陷检测的准确性。
本申请的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请实施例提供的基于超声导波成像的电池缺陷检测方法一个可选的流程示意图;
图2为图1中步骤120的另一可选流程示意图;
图3为本申请实施例提供的另一可选流程示意图;
图4为图2中步骤240之后的另一可选流程示意图;
图5为本申请实施例提供的时间信息融合神经网络模型架构图;
图6为图1中步骤150的另一可选流程示意图;
图7为本申请实施例提供的时间信息融合神经网络模型预训练的流程示意图;
图8为图中步骤710的另一可选流程示意图;
图9为本申请实施例提供的另一可选流程示意图;
图10为图7中步骤730之前的另一可选流程示意图;
图11为本申请实施例提供的基于超声导波成像的电池缺陷检测系统架构图;
图12是本申请实施例提供的电子设备的硬件结构示意图。
附图说明:
电池缺陷检测系统1100,
第一信号发生器1110,功率放大器1120,待测电池1130,振动源1140,激光多普勒测振仪1150,双轴振镜1160,第二信号发生器1170,上位机1180。
具体实施方式
下面详细描述本申请的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能理解为对本申请的限制。
在本申请的描述中,若干的含义是一个或者多个,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,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或者隐含指明所指示的技术特征的先后关系。
在本申请的描述中,需要理解的是,涉及到方位描述,例如上、下、左、右、前、后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申请和简化描述,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申请的限制。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
本申请的描述中,需要说明的是,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本申请中的具体含义。另外,下文中对于具体步骤的标识并不代表对于步骤顺序与执行逻辑的限定,各个步骤之间的执行顺序与执行逻辑应参照实施例所表述的内容进行理解与推定。
储能电池在近年来广泛应用于电动汽车以及电化学储能站中。然而,电池在制造、使用和充电过程中可能会出现各种缺陷,如电池内部短路、过充或过放等。这些缺陷可能导致电池性能下降、容量衰减,甚至引发火灾或爆炸等危险。此外,储能电站的电池组是一种含高能物质的部件,具有危险性的本质,若维护不当或出现意外,容易出现危险事故。因此,对电池进行缺陷检测也是确保电动汽车安全以及电化学储能站安全的重要手段。
对于电池缺陷检测,超声无损检测技术是一种常用的方法。它利用超声波在材料中传播和反射的特性,检测电池内部的缺陷。以下是超声无损检测技术在电池缺陷检测中的一些优点:
非破坏性检测:超声无损检测技术可以在不破坏电池的情况下对其进行检测。这对于电动汽车和电化学储能站等关键应用中的电池至关重要,因为破坏电池可能导致安全风险和性能损失。
高精度与高灵敏度:超声无损检测技术能够探测和识别电池中微小的缺陷,如气泡、杂质和裂纹。它具有高精度和高灵敏度,可以及早发现潜在的问题,确保电池的高品质和可靠性。
高效率:超声波检测速度快,可以实现批量检测,提高了生产效率。这对于大规模生产电池的行业是非常重要的。
无损电性能:超声无损检测技术不会对电池的电性能产生任何影响,保证了电池的安全性和可靠性。
本申请旨在至少解决现有技术中存在的技术问题之一。为此,本申请提出一种基于超声导波成像的电池缺陷检测方法及系统、设备,能够提高超声导波扫描成像数据的缺陷检测准确率。
参照图1,根据本申请实施例提供的基于超声导波成像的电池缺陷检测方法,可以包括,但不限于下述步骤110至步骤150:
步骤110,基于预设的信号发生器和振动源生成超声导波,并将超声导波输入待测电池;
步骤120,根据预设的热力图采集频率采集超声导波在待测电池中传播时对应的待测电池热力图集;
步骤130,将按照时序排列的多张待测电池热力图输入预训练的时间信息融合神经网络模型,得到目标特征图;
步骤140,对时间信息融合神经网络模型输出的目标特征图进行卷积操作,得到目标双通道热力图、和对应于目标双通道热力图的每个像素点的第一通道分数和第二通道分数;
步骤150,基于每一像素点对应的第一通道分数和第二通道分数计算得到待测电池缺陷区域。
根据本申请实施例的基于超声导波成像的电池缺陷检测方法,首先基于预设的信号发生器和振动源生成超声导波,并将超声导波输入待测电池;再根据预设的热力图采集频率采集超声导波在待测电池中传播时对应的待测电池热力图集;然后,将按照时序排列的多张待测电池热力图输入预训练的时间信息融合神经网络模型,得到目标特征图;接下来,对时间信息融合神经网络模型输出的目标特征图进行卷积操作,得到目标双通道热力图、和对应于目标双通道热力图的每个像素点的第一通道分数和第二通道分数;其中,第一通道分数表示对应的像素点的背景得分,第二通道分数表示目标双通道热力图对应的像素的缺陷评分;最后,基于每一像素点对应的第一通道分数和第二通道分数计算得到待测电池缺陷区域。本申请通过时间信息融合神经网络模型,提取超声导波扫描成像数据的时空连续演变特征,能够提高电池缺陷检测的准确性。
下面对步骤110至步骤150进行展开描述。
一些实施例的步骤110中,首先,使用预设的信号发生器产生超声波信号。信号发生器可以生成特定频率、振幅和波形的信号。然后,将超声导波输入待测电池中。超声导波通过电池中的材料传播,并受到材料内部的缺陷或界面的影响。通过检测超声导波的传播特性和反射情况,可以获得有关电池内部的信息,包括可能存在的缺陷。
在一些实施例中,可以采用一台信号发生器用于输出五峰波给超声功率放大器。其中,五峰波的中心频率可以为125kHz,循环周期为10ms,幅度峰值为20V。超声功率放大器的放大倍率可以设置为10倍,这样做是为了增加信号的功率,使其能够驱动PZT晶片产生足够强度的超声导波。然后将超声功率放大器放大后的信号输出给PZT晶片用于振动产生超声导波。PZT晶片是一种压电陶瓷材料,设置于待测电池外部,当施加电压时,它会产生机械振动。通过PZT晶片的振动,超声导波将在待测电池中产生和传播。
一些实施例的步骤120中,通过采集超声导波在待测电池中传播时的热力图集,获取关于电池内部的信息。热力图是根据超声波的传播和反射情况而生成的图像,可以显示出电池内部的结构和可能存在的缺陷。超声波在电池中传播时,会与电池内部的材料和缺陷发生相互作用,产生反射和散射。根据预设的热力图采集频率,通过在不同时间点上采集反射信号,可以获取超声波在电池内部连续传播的信息,进而生成热力图。
采集的热力图集可以包含多个时间点上的热力图,每张热力图对应一个特定的时间。通过对这些热力图进行分析和处理,可以获得有关电池内部结构和缺陷的信息。
参照图2,根据本申请的一些实施例,步骤120,可以包括,但不限于下述步骤210至步骤240。
步骤210,使用激光多普勒测振仪配合双轴振镜连续扫描在待测电池中预设范围内传播的超声导波,得到多个电池结构表征信号;
步骤220,根据预设范围创建超声信号矩阵,并根据X轴电压值和Y轴电压值,确定电池结构表征幅值在对应超声信号矩阵中的索引;
步骤230,根据每一电池结构表征幅值在超声信号矩阵中的索引将电池结构表征幅值填入超声信号矩阵,得到目标信号矩阵;
步骤240,针对每一目标信号矩阵进行热力图可视化处理,得到待测电池热力图集。
一些实施例的步骤210中,激光多普勒测振仪与双轴振镜配合使用,对待测电池中传播的超声导波进行连续扫描,得到多个电池结构表征信号,其中,每个电池结构表征信号包括对应的双轴振镜的X轴电压值、Y轴电压值以及电池结构表征幅值,表征幅值反映了超声导波在该X轴电压值、Y轴电压值处电池内部的振动强度或幅度,可以用于分析电池的结构其他相关特征。双轴振镜用于控制激光束的扫描范围,确保在预设的范围内进行扫描。
其中,双轴振镜(Biaxial Scanning Mirror)是一种用于控制激光束的扫描方向和范围的装置。它通常由两个相互垂直的镜子组成,每个镜子都可以独立地旋转和偏转激光束。通过控制双轴振镜的旋转角度和偏转角度,可以实现激光束在水平和垂直方向上的扫描。这样,可以将激光束精确地定位到不同的位置,从而实现对目标区域的扫描。双轴振镜通常由电磁驱动器或电动机驱动,通过施加电流或电压来控制其旋转和偏转。传感器可以用来检测振镜的位置和角度,以提供准确的反馈控制。在实际应用中,双轴振镜广泛用于激光扫描显示、光学成像、激光雷达、激光打印等领域。通过控制激光束的扫描范围和速度,可以实现高速、高精度的光学扫描和成像。
在一些实施例中,可以使用一台信号发生器来控制双轴振镜的X轴和Y轴的运动轨迹。下面是具体的参数设置:
X轴运动轨迹:使用三角波状的阶梯函数,整个阶梯函数的周期为4秒,半个周期内有100个阶梯,每个阶梯的平台维持20毫秒。
Y轴运动轨迹:使用阶梯函数,整个阶梯函数的周期为200秒,整个周期内有100个阶梯,每个阶梯的平台维持2秒。
信号发生器可以产生符合上述参数设置的信号波形,并将其输出到双轴振镜的控制输入端。其中,正常的阶梯函数是从某一个电压上升逐步阶梯上升至某一个较高电压的函数;三角波状的阶梯函数是从某一个电压上升逐步阶梯上升至某一个较高电压后会逐步阶梯下降至一开始的某一电压上。X轴使用三角波状的阶梯函数是为了实现前半个电压上升周期在某一行进行扫描,后半个电压下降周期在另一行往回扫描。通过控制X轴和Y轴的运动轨迹,双轴振镜可以实现对激光束的精确定位和扫描,具体的参数设置和信号发生器的操作方法因设备和实验需求而有所不同,在本实施例中不做限制。
在一些实施例中,可以在上位机上通过LabVIEW程序对信号发生器和数据采集卡进行操控。通过编写LabVIEW程序发送信号给数据采集卡,将数据采集卡的触发信号电压设置为500mV,触发后的采样频率设置为2x10^7Hz,触发后采集点数设置为3000,当激光多普勒测振仪接收到的信号超过触发信号电压的时候对后续3000点信号幅值进行采集,并采集被触发时刻X轴和Y轴的电压值,通过LabVIEW程序发送信号给信号发生器,让信号发生器控制X轴和Y轴的两个通道分别开启,由于X轴与Y轴是先后开启,所以需要同步信号,使X轴与Y轴能够达到同时启动的效果,因此需要再发送同步信号给信号发生器,将两个通道的信号进行同步。Y轴的一个周期结束后,则结束一轮信号采集。
一些实施例的步骤220至步骤230中,根据预设的范围,创建一个超声信号矩阵。该矩阵可以用于记录电池结构的表征幅值。结合X轴和Y轴的电压值,可以确定电池结构表征幅值在超声信号矩阵中的索引位置,并填入超声信号矩阵得到目标信号矩阵图。
在一些实施例中,例如扫描的电池区域为100*100毫米,所以可视化的目标图像分辨率为100X100,因此设定双轴振镜的X轴的每半个周期和Y轴的整个周期都有100个阶梯,从被测物体左下角开始进行Z型扫描,扫描范围是100X100毫米,所以扫描到的10000个超声导波信号需要依照扫描的顺序放置进对应的100X100大小的矩阵中。使用MATLAB软件编写程序,创建一个100X100大小的矩阵,按照数据采集卡采集到的X轴和Y轴的电压值,将对应电压下采集到的超声导波信号的信号幅值放入矩阵中得到目标信号矩阵图。
一些实施例的步骤240中,可以针对每一个目标信号矩阵进行热力图可视化处理,以生成待测电池的热力图集。热力图是一种直观的图像表示形式,可以根据信号强度或其他特征的变化来展示电池结构的空间分布情况。
在一些实施例中,请参阅图3,由于设置采集触发后采集点数为3000,可以依次循环将连续的3000次的采集信号放入矩阵中并可视化,即可得到3000张超声导波信号在被测电池中连续传播的图像,这3000张图像连起来便是超声导波信号在被测电池中传播的整个过程。
参照图4,根据本申请的一些实施例,步骤240之后,可以包括,但不限于下述步骤410至步骤420。
步骤410,对待测电池热力图集的每一待测电池热力图进行预处理;
步骤420,采用双线性差值算法,对预处理后的待测电池热力图集进行分辨率扩充。
一些实施例的步骤410中,可以使用3x3的卷积核对每张热力图进行中值滤波处理。中值滤波是一种非线性滤波方法,通过将像素点周围的像素值排序,然后取中间值作为该像素点的新值,这样可以有效地去除噪声点,同时保留图像的边缘信息。再对经过中值滤波处理后的热力图进行锐化处理,锐化处理可以增强图像的边缘和细节,使图像更加清晰。常见的锐化操作包括使用卷积核进行边缘增强,例如使用拉普拉斯算子或Sobel算子进行卷积操作。
一些实施例的步骤420中,可以使用双线性插值算法对预处理后的待测电池热力图集进行分辨率扩充,将分辨率为100x100的图片扩充到分辨率为512x512的图片。双线性插值是一种常用的图像插值方法,可以通过对已知像素点之间的差值进行插值,来估计新像素点的灰度值。通过这样的分辨率扩充,可以增强图像的细节和清晰度,提高后续模型对缺陷的学习能力。
一些实施例的步骤130中,将按照时序排列的多张待测电池热力图输入预训练好的时间信息融合神经网络模型。时间信息融合神经网络模型可以学习和提取超声导波在时间上的动态特征,经网络模型的输出将是一张目标特征图,其中每个像素点对应着超声导波在电池内部的某种特征。这个特征图可以反映电池中的缺陷信息。通过这一步骤,可以利用预训练的时间信息融合神经网络模型,从时序排列的待测电池热力图中提取目标特征图。这样的特征图可以帮助后续步骤进行缺陷区域的计算和检测。
在一些实施例中,时间信息融合神经网络模型可以在传统的Unet神经网络的解码层和编码层之间加入ConvLSTM模块,从而增加模型对于时间序列信息的学习能力。其中,ConvLSTM模块可以对输入的图片序列进行卷积处理,并且根据输入的前后顺序,学习图片与图片之间的时间序列关系。最后经过Decoder层对特征图进行解码,将特征图还原回原本尺寸的同时对图像中的缺陷进行分割。
请参照图5,图5为本申请实施例提供的时间信息融合神经网络模型架构图,其中,编码器层通过卷积操作对输入图片进行特征提取(conv 3×3BatchNorm2d ReLU)并进行下采样(max pool 2×2)。编码器层的下采样操作进行了4次,并且每次下采样的结果都会保留下来跳接到解码器层(copy and crop)。每一组输入到模型的图片数据为10张,经过时空信息融合神经网络模型的编码器层后,经过一次卷积核为1X1的卷积操作(conv 1×1)后将特征图输入到ConvLSTM模块中。ConvLSTM模块与LSTM神经网络类似,有输入门it、遗忘门ft、输出门Ot、细胞状态Ct、隐藏状态Ht。输入的一张图片通过卷积会得到当前状态下的隐藏状态Ht和细胞状态Ct,然后会与前一张图片的隐藏状态Ht-1和细胞状态Ct-1进行对比,得到当前状态的输入门it、遗忘门ft和输出门Ot并学习两张图片之间的时间关联性。计算公式如下所示:
it=σ(WxiXt+WhiHt-1+WciCt-1+bi)
ft=σ(WxfXt+WhfHt-1+WcfCt-1+bf)
Ct=ftoCt-1+itotanh(WxcXt+WhcHt-1+bc)
ot=σ(WxoXt+WhoHt-1+Wco oCt+bo)
Ht=ot otanh(Ct)
其中,σ是进行ConvLSTM的计算函数,W代表LSTM模型中的权重参数,Xt是指当前输入图像,Xt-1是指前一张输入图像,b是函数内部的偏置项,tanh是指双曲正切函数,o表示的是哈达玛积,即两个矩阵的对应元素相乘得到结果。
经过ConvLSTM模块学习后会输出一个特征图,这个特征图代表着未解码的分割结果。由于编码器层模块对输入图片进行了4次下采样,所以解码器层会对ConvLSTM模块的输出结果进行4次上采样(up-conv 2×2),并且每次上采样的结果都会与Encoder层下采样对应大小的特征图进行融合,然后再接着进行上采样操作,得到目标特征图。
一些实施例的步骤140中,对时间信息融合神经网络模型输出的目标特征图进行卷积操作,以进一步处理和提取特征。这个步骤的目标是生成目标双通道热力图,并计算出每个像素点在第一通道和第二通道上的分数。其中,第一通道分数表示该像素点在背景方面的得分,用来表示该像素点属于背景的程度。第二通道分数表示该像素点在缺陷方面的评分,用来表示该像素点存在缺陷的可能性或严重程度。通过计算每个像素点的第一通道分数和第二通道分数,可以对目标双通道热力图中的每个像素点进行背景和缺陷的评估。
在一些实施例中,由于最后一次上采样以及特征融合后的特征图的通道数为64,可以经过一次卷积核为1X1的卷积操作,将特征图变成了通道数为2的目标双通道热力图,其中第一个通道代表的是第一类的得分,也就是背景的得分;第二个通道代表的是第二类的得分,也就是缺陷的得分。
一些实施例的步骤150中,将之前计算得到的每个像素点的第一通道分数和第二通道分数,根据具体的任务需求和分数分布情况,设定一个阈值。阈值可以根据实际情况调整根据设定的阈值,对第二通道分数进行二值化处理。一般而言,大于或等于阈值的像素点被标记为缺陷区域,小于阈值的像素点被标记为非缺陷区域。
参照图6,根据本申请的一些实施例,步骤150,可以包括,但不限于下述步骤610至步骤620。
步骤610,对每个像素点的第一通道分数和第二通道分数进行归一化处理,计算第一通道分数对应的第一通道类别概率、和第二通道分数对应的第二通道类别概率;
步骤620,根据第一通道类别概率和第二通道类别概率确定电池缺陷区域。
在一些实施例中,可以将目标双通道热力图输入到Softmax函数中进行计算。Softmax函数将对每个像素点的两个通道的得分进行归一化,得到对应类别的概率。通过对Softmax函数输出的概率进行解读,可以确定概率较大的像素点所对应的类别。如果第二个通道的概率较大,则表示该像素点被分类为缺陷部分。因此,可以根据这个结果图中概率较大的像素点来确定图像中的缺陷位置。
参照图7,根据本申请的一些实施例,时间信息融合神经网络模型的预训练过程可以包括,但不限于下述步骤710至步骤740。
步骤710,获取训练数据集;
步骤720,将预设的焦点损失函数和预设的重叠度损失函数进行整合,得到复合损失函数;
步骤730,将多个训练热力图输入初始的时间信息融合神经网络模型进行迭代训练;
步骤740,当时间信息融合神经网络模型在迭代训练中满足第一训练预设条件时,得到预训练的时间信息融合神经网络模型。
一些实施例的步骤710中,获取训练数据集包括多个训练热力图、和训练热力图对应的第一训练标签用于标记缺陷位置。训练数据集包来源于超声导波扫描成像系统得到的连续图片数据。将所得连续图片按照每十张抽取一次的顺序,抽取十张图片为一组,共有数据1521组。
参照图8,根据本申请的一些实施例,步骤710,可以包括,但不限于下述步骤810至步骤830。
步骤810,获取原始训练数据集;
步骤820,对原始训练数据集中的图片进行部分遮盖以及旋转,得到部分遮盖训练数据集和旋转数据集;
步骤830,将原始训练数据集、部分遮盖训练数据集以及旋转数据集合并得到训练数据集。
一些实施例的步骤810至步骤830中,可以对原始训练数据集中的热力图进行部分遮盖和旋转的操作,以生成部分遮盖训练数据集和旋转数据集。部分遮盖可以是对热力图的某些区域进行遮盖或模糊处理,以模拟实际应用中可能存在的部分缺失情况。旋转可以是对热力图进行旋转操作,以增加数据集的多样性和鲁棒性。可以将原始训练数据集、部分遮盖训练数据集和旋转数据集合并,以得到最终的训练数据集。合并后的训练数据集包含了原始数据集中的样本以及经过部分遮盖和旋转处理的样本,用于训练时间信息融合神经网络模型。
参照图9,在一些实施例中,通过将训练数据集分为十张图片一组得到1521组训练组,再分别遮盖第一象限、第二象限、第三象限、第四象限以及旋转30°、45°、60°实现数据增强将训练数据集扩充到13259组。
一些实施例的步骤720中,可以将预设的焦点损失函数和预设的重叠度损失函数进行整合,得到一个复合损失函数。复合损失函数综合考虑了焦点和重叠度两个方面的损失。其公式为:
FL(y')=-α(1-y')γ*ylog(y')-(1-α)y'γ*(1-y)log(1-y')
Loss(y')=FL(y')+DL(y')
Loss(y′)=FL(y′)+DL(y′)
其中,y'为预测的像素值,y为标签的像素值,α和γ都是超参数,N为整个图像的像素数量。
焦点损失函数是用于度量预测结果与真实标签之间的差异的函数。它可以根据任务的具体要求而定,例如均方差损失函数、交叉熵损失函数等。焦点损失函数帮助网络模型更好地学习和优化预测结果。
重叠度损失函数用于惩罚模型预测结果中的重叠部分。这有助于模型更好地理解和预测热力图中不同目标的位置和边界。重叠度损失函数可以采用IoU(Intersectionover Union)等度量方法来计算预测结果与真实标签之间的重叠度。
通过将焦点损失函数和重叠度损失函数整合在一起,可以得到一个综合考虑焦点和重叠度的复合损失函数。这个复合损失函数可以用于训练时间信息融合神经网络模型,引导模型学习准确预测热力图中目标的位置和边界,提高了缺陷识别分割的准确性。
一些实施例的步骤730中,使用多个训练热力图作为输入来迭代训练时间信息融合神经网络模型,并更新模型的参数。每一轮迭代训练中,基于时间信息融合神经网络模型对训练热力图进行识别,得到本轮识别结果,并将本轮识别结果与第一训练标签代入复合损失函数计算训练偏差数据,以通过训练偏差数据更新时间信息融合神经网络模型。
通过这样的迭代训练过程,时间信息融合神经网络模型将逐渐学习到热力图中目标的位置和边界,同时减小损失值,实现对缺陷位置的标识任务。
参照图10,根据本申请的一些实施例,步骤730之前,可以包括,但不限于下述步骤1010至步骤1030。
步骤1010,获取带有缺陷的亚克力板数据集;
步骤1020,将多个亚克力板热力图输入初始的图像分割模型进行迭代训练;
步骤1030,当图像分割模型在迭代训练中满足第二训练预设条件时,基于训练后的图像分割网络的参数对时间信息融合神经网络模型参数进行初始化。
一些实施例的步骤1010中,需要获取带有缺陷的亚克力板数据集,其中,带有缺陷的亚克力板数据属于理想情况下的缺陷数据。亚克力板数据集包括多个带有缺陷的亚克力板图、和亚克力板图对应的第二训练标签,第二训练标签标识了亚克力板图中的缺陷位置。
一些实施例的步骤1020中,将获取到的带有缺陷的亚克力板数据集输入初始的图像分割模型中即Unet模型,每一轮迭代训练中,基于图像分割模型对亚克力板图进行图像分割,得到本轮分割结果,并基于本轮分割结果与第二训练标签计算模型损失量,以通过模型损失量更新图像分割模型的参数。
一些实施例的步骤1030中,通过设置训练预设条件来判断图像分割模型是否完成训练,且时空信息融合神经网络模型的编码器层结构与图像分割模型的编码器层结构一致,所以可以使用训练好的图像分割模型的编码器层对时空信息融合神经网络模型的编码器层进行参数初始化,使得时空信息融合神经网络模型在训练开始时具备一定的缺陷分割能力。
其中,训练预设条件包括:
迭代次数:确定训练过程的迭代次数。这可以是一个固定的整数值,例如1000次迭代,或者根据训练过程中的性能表现进行动态调整。
模型损失量阈值:设置一个损失量的阈值作为停止训练的条件。损失量是用来衡量模型预测结果与真实标签之间的差异的指标。可以根据经验或验证集上的性能来选择适当的阈值。当损失量低于或等于阈值时,可以认为模型已经达到预设的性能要求,在训练过程中,可以在每次迭代结束后计算模型的损失量,并与预设的阈值进行比较。如果损失量低于或等于阈值,可以停止训练并保存模型参数。
一些实施例的步骤740中,当时间信息融合神经网络模型在迭代训练中满足第一训练预设条件时,可以得到预训练的时间信息融合神经网络模型。第一训练预设条件可以是根据模型的性能指标或损失函数的值来定义,例如训练偏差数据阈值或者训练迭代次数。一旦满足这些条件,可以保存模型的参数,并将其用作后续任务的起点。
图11示出了本申请实施例提供的基于超声导波成像的电池缺陷检测系统1100,包括:
第一信号发生器1110,用于输出激励信号给功率放大器1120。
功率放大器1120,用于将激励信号放大预设倍数,并输出给振动源1140。
振动源1140,位于待测电池1130外部,用于接收放大后的激励信号发生振动产生超声导波。
激光多普勒测振仪1150,用于发射激光经过双轴振镜1160采集在待测电池1130内部传输的超声导波形成的电池结构表征信号。
第二信号发生器1170,用于根据阶梯函数控制双轴振镜1160X轴和Y轴的运动轨迹,以控制激光多普勒测振仪1150在待测电池中的扫描范围和扫描方向;
上位机1180,用于控制第一信号发生器1110、第二信号发生器1170以及激光多普勒测振仪1150工作,还用于对采集到的电池结构表征信号进行热力图成像。
在一些实施例中,在上位机1180上通过LabVIEW程序对第一信号发生器1110、第二信号发生器1170和数据采集卡(图中未示)进行操控。通过编写LabVIEW程序发送信号给数据采集卡,将数据采集卡的触发信号电压设置为500mV,触发后的采样频率设置为2x10^7Hz,触发后采集点数设置为3000,当激光多普勒测振仪1150接收到的信号超过触发信号电压的时候对后续3000点信号进行采集,并采集被触发时刻双轴振镜1160的X轴和Y轴的电压值。通过LabVIEW程序发送信号给第二信号发生器1170,控制X轴和Y轴的两个通道分别开启,再发送同步信号,将两个通道的信号进行同步,Y轴的一个周期结束后,则结束一轮信号采集。
图12示出了本申请实施例提供的电子设备1200。电子设备1200包括:处理器1201、存储器1202及存储在存储器1202上并可在处理器1201上运行的计算机程序,计算机程序运行时用于执行上述的基于超声导波成像的电池缺陷检测方法。
处理器1201和存储器1202可以通过总线或者其他方式连接。
存储器1202作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序,如本申请实施例描述的基于超声导波成像的电池缺陷检测方法。处理器1201通过运行存储在存储器1202中的非暂态软件程序以及指令,从而实现上述的基于超声导波成像的电池缺陷检测方法。
存储器1202可以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、至少一个功能所需要的应用程序。存储数据区可存储执行上述的基于超声导波成像的电池缺陷检测方法。此外,存储器1202可以包括高速随机存取存储器1202,还可以包括非暂态存储器1202,例如至少一个储存设备存储器件、闪存器件或其他非暂态固态存储器件。在一些实施方式中,存储器1202可选包括相对于处理器1201远程设置的存储器1202,这些远程存储器1202可以通过网络连接至该电子设备1200。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实现上述的基于超声导波成像的电池缺陷检测方法所需的非暂态软件程序以及指令存储在存储器1202中,当被一个或者多个处理器1201执行时,执行上述的基于超声导波成像的电池缺陷检测方法,例如,执行图1中的方法步骤110至步骤140、图2中的方法步骤210至步骤240、图4中的方法步骤410至步骤420、图6中的方法步骤610至步620、图7中的方法步骤710至步骤720、图8中的方法步骤810至步骤830、图10中的方法步骤1010至步骤1030。
本申请实施例还提供了计算机可读存储介质,存储有计算机可执行指令,计算机可执行指令用于执行上述的基于超声导波成像的电池缺陷检测方法。
在一实施例中,该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个控制处理器执行,例如,执行图1中的方法步骤110至步骤140、图2中的方法步骤210至步骤240、图4中的方法步骤410至步骤420、图6中的方法步骤610至步620、图7中的方法步骤710至步骤720、图8中的方法步骤810至步骤830、图10中的方法步骤1010至步骤1030。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、储存设备存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包括计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。还应了解,本申请实施例提供的各种实施方式可以任意进行组合,以实现不同的技术效果。
以上是对本申请的较佳实施进行了具体说明,但本申请并不局限于上述实施方式,熟悉本领域的技术人员在不违背本申请精神的共享条件下还可作出种种等同的变形或替换,这些等同的变形或替换均包括在本申请权利要求所限定的范围内。
Claims (10)
1.一种基于超声导波成像的电池缺陷检测方法,其特征在于,包括:
基于预设的信号发生器和振动源生成超声导波,并将所述超声导波输入待测电池;
根据预设的热力图采集频率采集所述超声导波在所述待测电池中传播时对应的待测电池热力图集;其中,所述待测电池热力图集包括按照时序排列的多张待测电池热力图;
将按照时序排列的多张所述待测电池热力图输入预训练的时间信息融合神经网络模型,得到目标特征图;
对所述时间信息融合神经网络模型输出的所述目标特征图进行卷积操作,得到目标双通道热力图、和对应于所述目标双通道热力图的每个像素点的第一通道分数和第二通道分数;其中,所述第一通道分数表示对应的所述像素点的背景得分,第二通道分数表示所述目标双通道热力图对应的所述像素的缺陷评分;
基于所述每一所述像素点对应的所述第一通道分数和所述第二通道分数计算得到待测电池缺陷区域。
2.根据权利要求1所述的方法,其特征在于,所述根据预设的热力图采集频率采集所述超声导波在所述待测电池中传播时对应的待测电池热力图集,包括:
使用激光多普勒测振仪配合双轴振镜连续扫描在所述待测电池中预设范围内传播的所述超声导波,得到多个电池结构表征信号;其中,所述电池结构表征信号包括所述双轴振镜的X轴电压值、Y轴电压值以及电池结构表征幅值;
根据所述预设范围创建超声信号矩阵,并根据所述X轴电压值和所述Y轴电压值,确定所述电池结构表征幅值在对应所述超声信号矩阵中的索引;
根据每一所述电池结构表征幅值在所述超声信号矩阵中的索引将所述电池结构表征幅值填入所述超声信号矩阵,得到目标信号矩阵;
针对每一所述目标信号矩阵进行热力图可视化处理,得到所述待测电池热力图集。
3.根据权利要求2所述的方法,其特征在于,所述针对每一所述目标信号矩阵进行热力图可视化处理,得到所述待测电池热力图集之后,还包括:
对所述待测电池热力图集的每一所述待测电池热力图进行预处理;其中,所述预处理包括中值滤波处理或者锐化处理;
采用双线性差值算法,对预处理后的所述待测电池热力图集进行分辨率扩充。
4.根据权利要求1所述的方法,其特征在于,所述将按照时序排列的多张所述待测电池热力图输入预训练的时间信息融合神经网络模型,得到目标特征图之前,还包括对所述时间信息融合神经网络模型进行预训练,具体包括:
获取训练数据集;其中,训练数据集包括多个训练热力图、和所述训练热力图对应的第一训练标签;
将预设的焦点损失函数和预设的重叠度损失函数进行整合,得到复合损失函数;
将多个所述训练热力图输入初始的所述时间信息融合神经网络模型进行迭代训练;每一轮迭代训练中,基于所述时间信息融合神经网络模型对所述训练热力图进行识别,得到本轮识别结果,并将所述本轮识别结果与所述第一训练标签代入所述复合损失函数得到训练偏差数据,以通过所述训练偏差数据更新所述时间信息融合神经网络模型;
当所述时间信息融合神经网络模型在迭代训练中满足第一训练预设条件时,得到预训练的所述时间信息融合神经网络模型。
5.根据权利要求4所述的方法,其特征在于,所将多个所述训练热力图输入初始的所述时间信息融合神经网络模型进行迭代训练之前,还包括:
获取带有缺陷的亚克力板数据集;其中,所述亚克力板数据集包括多个带有缺陷的亚克力板图、和所述亚克力板图对应的第二训练标签;
将多个所述亚克力板图输入初始的图像分割模型进行迭代训练;每一轮迭代训练中,基于所述图像分割模型对所述亚克力板图进行图像分割,得到本轮分割结果,并基于所述本轮分割结果与所述第二训练标签计算模型损失量,以通过所述模型损失量更新所述图像分割模型;
当所述图像分割模型在迭代训练中满足第二训练预设条件时,基于训练后的所述图像分割网络的参数对所述时间信息融合神经网络模型参数进行初始化。
6.根据权利要求4所述的方法,其特征在于,所述获取训练数据集,包括:
获取原始训练数据集;
对所述原始训练数据集中的图片进行部分遮盖以及旋转,得到部分遮盖训练数据集和旋转数据集;
将所述原始训练数据集、所述部分遮盖训练数据集以及所述旋转数据集合并得到训练数据集。
7.根据权利要求1所述的方法,其特征在于,所述基于所述每一所述像素点对应的所述第一通道分数和所述第二通道分数计算得到待测电池缺陷区域,包括:
对每个像素点的所述第一通道分数和所述第二通道分数进行归一化处理,计算所述第一通道分数对应的第一通道类别概率、和所述第二通道分数对应的第二通道类别概率;
根据所述第一通道类别概率和所述第二通道类别概率确定所述电池缺陷区域。
8.一种基于超声导波成像的电池缺陷检测系统,其特征在于,包括:
第一信号发生器,用于输出激励信号给功率放大器;
功率放大器,用于将所述激励信号放大预设倍数,并输出给振动源;
振动源,位于待测电池外部,用于接收放大后的所述激励信号发生振动产生超声导波;
激光多普勒测振仪,用于发射激光经过双轴振镜采集在所述待测电池内部传输的所述超声导波形成的电池结构表征信号;所述电池结构表征信号包括:所述双轴振镜的X轴电压值、Y轴电压值以及电池结构表征幅值;
第二信号发生器,用于根据阶梯函数控制所述双轴振镜X轴和Y轴的运动轨迹,以控制所述激光多普勒测振仪在所述待测电池中的扫描范围和扫描方向;
上位机,用于控制所述第一信号发生器、所述第二信号发生器以及所述激光多普勒测振仪工作,还用于对采集到的所述电池结构表征信号进行热力图成像。
9.一种电子设备,其特征在于,包括:存储器、处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的基于超声导波成像的电池缺陷检测方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质存储有程序,所述程序被处理器执行实现如权利要求1至7中任意一项所述的基于超声导波成像的电池缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410161503.0A CN118067842A (zh) | 2024-02-05 | 2024-02-05 | 基于超声导波成像的电池缺陷检测方法及系统、设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410161503.0A CN118067842A (zh) | 2024-02-05 | 2024-02-05 | 基于超声导波成像的电池缺陷检测方法及系统、设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118067842A true CN118067842A (zh) | 2024-05-24 |
Family
ID=91109068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410161503.0A Pending CN118067842A (zh) | 2024-02-05 | 2024-02-05 | 基于超声导波成像的电池缺陷检测方法及系统、设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118067842A (zh) |
-
2024
- 2024-02-05 CN CN202410161503.0A patent/CN118067842A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3382386B1 (en) | Defect detection using ultrasound scan data | |
Jang et al. | Deep learning–based autonomous concrete crack evaluation through hybrid image scanning | |
Huynh | Vision-based autonomous bolt-looseness detection method for splice connections: Design, lab-scale evaluation, and field application | |
US11714024B2 (en) | Vision-based fatigue crack detection using feature tracking | |
Jeong et al. | Literature review and technical survey on bridge inspection using unmanned aerial vehicles | |
Ijjeh et al. | Full wavefield processing by using FCN for delamination detection | |
CN115629127B (zh) | 一种货箱缺陷分析方法、装置、设备及可读存储介质 | |
Saini et al. | Optimisation of the half-skip total focusing method (HSTFM) parameters for sizing surface-breaking cracks | |
Yang et al. | Insulator identification and self-shattering detection based on mask region with convolutional neural network | |
US20180299412A1 (en) | Defect detection using ultrasound scan data | |
KR20200080814A (ko) | 음향 방출 결함 신호 검출 장치 및 방법 | |
Wu et al. | Laser ultrasonic imaging of wavefield spatial gradients for damage detection | |
US10896509B2 (en) | Processing digital image to remove unwanted portion | |
CN113554645B (zh) | 基于wgan的工业异常检测方法和装置 | |
Ghafoor et al. | Non-contact detection of railhead defects and their classification by using convolutional neural network | |
CN113887454A (zh) | 基于卷积神经网络点源识别的非接触激光超声检测方法 | |
CN118067842A (zh) | 基于超声导波成像的电池缺陷检测方法及系统、设备 | |
JP2001135363A (ja) | 電池の電解液リーク検査装置および電池の電解液リーク検査方法 | |
CN112861708B (zh) | 一种雷达图像的语义分割方法、设备及存储介质 | |
CN112788293B (zh) | 一种信息采集方法、装置、终端设备及存储介质 | |
KR20230041413A (ko) | 용접 이음부의 결함의 위치를 검출하기 위한 3차원 초음파 스캐너 | |
Tang et al. | Artificial intelligence approach for aerospace defect detection using single-shot multibox detector network in phased array ultrasonic | |
US11054398B2 (en) | Ultrasonic inspection method, ultrasonic inspection device, and computer-readable storage medium | |
Gantala et al. | Automated defect recognition (ADR) for monitoring industrial components using neural networks with phased array ultrasonic images | |
Jiang et al. | Semi-Supervised Framework for Rail Track Surface Damage Detection: Rail track surface damage detected by RTDS-Net |
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 |