DE102023111250A1

DE102023111250A1 - Auf Röntgenaufnahmen basierende Fehlerdetektion und -vorhersage für Batteriezellen

Info

Publication number: DE102023111250A1
Application number: DE102023111250.3A
Authority: DE
Inventors: Diana M. Wegner; Megan E. McGovern; Dmitry Bruder; Sean Robert Wagner; Tanjina Ahmed; Evan William Schmitz
Original assignee: GM Global Technology Operations LLC
Current assignee: GM Global Technology Operations LLC
Priority date: 2022-09-20
Filing date: 2023-05-02
Publication date: 2024-03-21
Also published as: US20240097215A1; CN117746088A

Abstract

Ein Verfahren zum Detektieren von Defekten in Batteriezellen umfasst das Empfangen eines Röntgenaufnahmebildes einer Batteriezelle und das Segmentieren des Röntgenaufnahmebildes in Bereichen von Interesse unter Verwendung eines Klassifizierers. Das Verfahren umfasst das Verarbeiten des segmentierten Röntgenaufnahmebildes unter Verwendung des Klassifizierers, um Merkmale der Batteriezelle zu identifizieren, Detektieren, ob eines oder mehrere der Merkmale im verarbeiteten Röntgenaufnahmebild defekt ist, unter Verwendung des Klassifizierers, und Bestimmen unter Verwendung des Klassifizierers, ob die Batteriezelle defekt ist, basierend darauf, ob eines oder mehrere der Merkmale im verarbeiteten Röntgenaufnahmebild defekt ist.

Description

EINLEITUNG
Die in diesem Abschnitt bereitgestellten Informationen dienen dazu, den Kontext der Offenbarung allgemein darzustellen. Arbeiten der vorliegend genannten Erfinder, soweit sie in dieser Einleitung beschrieben sind, sowie Aspekte der Beschreibung, die möglicherweise zum Zeitpunkt der Anmeldung anderweitig nicht als Stand der Technik gelten, werden weder ausdrücklich noch stillschweigend als Stand der Technik gegen die vorliegende Offenbarung zugelassen.
Die vorliegende Offenbarung betrifft im Allgemeinen Batterien und insbesondere die Fehlerdetektion und -vorhersage für Batteriezellen basierend auf Röntgenaufnahmen.
Batterien werden für den Betrieb einer Vielzahl von Ausrüstungen verwendet, die auch Fahrzeuge wie z. B. Automobile umfasst. Batteriepacks umfassen miteinander verbundene Batteriezellen. Jeder Batteriepack kann miteinander verbundenen Zellmodulen umfassen. Jedes Zellmodul umfasst eine Vielzahl von Zellen, die miteinander verbunden sind. Jede Zelle umfasst in der Regel eine Vielzahl von Anoden und Kathoden. Die Anoden sind mit einer ersten Elektrode der Zelle verbunden. Die Kathoden sind mit einer zweiten Elektrode der Zelle verbunden. Die erste und zweite Elektrode werden auch als erste und zweite Lasche bezeichnet. Der Zellelektrodenstapel ist in der Regel in einem Gehäuse wie einem Beutel oder einer anderen Art von Gehäuse eingekapselt. Die erste und zweite Lasche befinden sich außerhalb des Gehäuses. Bei einigen Zellen befinden sich die erste und die zweite Lasche auf derselben Seite der Zelle, während bei anderen die erste und zweite Lasche auf gegenüberliegenden Seiten der Zelle angeordnet sind.
KURZDARSTELLUNG
Ein Verfahren zum Detektieren von Defekten in Batteriezellen umfasst das Empfangen eines Röntgenaufnahmebildes einer Batteriezelle und das Segmentieren des Röntgenaufnahmebildes in Bereiche von Interesse unter Verwendung eines Klassifizierers. Das Verfahren umfasst das Verarbeiten des segmentierten Röntgenaufnahmebildes unter Verwendung des Klassifizierers, um Merkmale der Batteriezelle zu identifizieren, Detektieren, ob eines oder mehrere der Merkmale im verarbeiteten Röntgenaufnahmebild defekt ist, unter Verwendung des Klassifizierers, und Bestimmen unter Verwendung des Klassifizierers, ob die Batteriezelle defekt ist, basierend darauf, ob eines oder mehrere der Merkmale im verarbeiteten Röntgenaufnahmebild defekt ist.
In einem anderen Merkmal umfasst das Verfahren ferner das Detektieren eines außergewöhnlichen Zustands in der Batteriezelle unter Verwendung eines unären Klassifizierers, der sich vom Klassifizierer unterscheidet.
In einem anderen Merkmal umfasst das Detektieren das Detektieren eines oder mehrerer von einem Riss in einer Folie einer Anode oder einer Kathode in der Batteriezelle, einer Falte in der Folie, einem Defekt in einem ersten Schweißbereich, der verschweißte Folien von Anoden oder Kathoden der Batteriezelle umfasst, und einem Defekt in einem zweiten Schweißbereich, der die verschweißten Folien umfasst, die mit einer Lasche der Batteriezelle verschweißt sind.
In einem anderen Merkmal geben eines oder mehrere der Merkmale die Qualität der Verschweißung von Folien von Anoden oder Kathoden der Batteriezelle oder die Qualität der Verschweißung der verschweißten Folien mit einer Lasche der Batteriezelle an.
In einem anderen Merkmal umfasst das Segmentieren des Röntgenaufnahmebildes das Hervorheben der Bereiche von Interesse im Röntgenaufnahmebild, das Trennen der Bereiche von Interesse voneinander und das Kennzeichnen der Bereiche von Interesse.
In einem anderen Merkmal umfasst das Verfahren ferner die Verwendung des Segmentierens zum Maskieren eines ausgewählten der Merkmale für das weitere Verarbeiten.
Bei einem anderen Merkmal umfasst das Verfahren ferner die Verwendung des Segmentierens zum Maskieren eines der Merkmale, um das Verarbeiten eines anderen der Merkmale zu erleichtern.
In einem anderen Merkmal umfasst das Verfahren ferner das Trainieren des Klassifizierers durch selektives Erweitern eines oder mehrerer der Bereiche von Interesse, ohne ein Artefakt im Röntgenaufnahmebild zu verursachen. Das Erweitern umfasst eines oder mehrere von Spiegeln, Verschieben und Drehen des Röntgenaufnahmebildes oder eines Abschnitts davon.
Ein weiteres Merkmal ist, dass das Erweitern Kontrastveränderungen, das Hinzufügen von Rauschen und das Verwischen des Röntgenaufnahmebildes oder eines Abschnitts davon ausschließt.
In einem anderen Merkmal umfasst das Detektieren, ob eines oder mehrere der Merkmale defekt ist, das Detektieren einer Kante einer Lasche der Batteriezelle, womit Folien von Anoden oder Kathoden der Batteriezelle verschweißt sind, im Röntgenaufnahmebild; Messen der Maße eines ersten Schweißbereichs, der die verschweißten Folien umfasst, und eines zweiten Schweißbereichs, der die verschweißten Folien umfasst, die mit der Lasche der Batteriezelle verschweißt sind, relativ zur Kante der Lasche; und Vergleichen der Maße mit jeweiligen Schwellenwerten.
In einem anderen Merkmal umfasst das Detektieren, ob eines oder mehrere der Merkmale defekt ist, das Detektieren einer Kante einer Lasche der Batteriezelle, womit Folien von Anoden oder Kathoden der Batteriezelle verschweißt sind, im Röntgenaufnahmebild; das Anbringen einer Linie senkrecht zur Kante der Lasche; Einkapseln eines Bereichs der verschweißten Folien zwischen der Kante und einem Ende der Lasche in einem Begrenzungsrahmen; Scannen der Linie über die Kante und den Begrenzungsrahmen; Messen der Schnittpunkte der Linie mit der Kante und zwei Seiten des Begrenzungsrahmens, die relativ parallel zur Kante verlaufen; und Bestimmen, ob die Schweißung der Folien defekt ist, basierend auf den Messungen.
In noch anderen Merkmalen umfasst ein System eine Röntgenstrahlenquelle, einen Detektor und eine Rechenvorrichtung. Die Röntgenstrahlenquelle ist so konfiguriert, dass sie einen Abschnitt einer Batteriezelle bestrahlt, wobei der Abschnitt Abschnitte von Folien von Anoden oder Kathoden der Batteriezelle und eine Lasche der Batteriezelle umfasst, womit die Folien verschweißt sind. Der Detektor ist so konfiguriert, dass er ein Röntgenaufnahmebild des Abschnitts der Batteriezelle aufzeichnet, das durch Bestrahlen des Abschnitts der Batteriezelle erzeugt wird. Die Rechenvorrichtung ist mit dem Detektor gekoppelt. Die Rechenvorrichtung ist so konfiguriert, dass sie das Röntgenaufnahmebild der Batteriezelle empfängt und das Röntgenaufnahmebild unter Verwendung eines Klassifizierers in Bereiche von Interesse segmentiert. Die Rechenvorrichtung ist so konfiguriert, dass sie das segmentierte Röntgenaufnahmebild unter Verwendung eines Klassifizierers verarbeitet, um Merkmale der Batteriezelle zu identifizieren, Detektieren, ob eines oder mehrere der Merkmale im verarbeiteten Röntgenaufnahmebild defekt ist, unter Verwendung des Klassifizierers, und Bestimmen unter Verwendung des Klassifizierers, ob die Batteriezelle defekt ist, basierend darauf, ob eines oder mehrere der Merkmale im verarbeiteten Röntgenaufnahmebild defekt ist.
Ein weiteres Merkmal ist, dass der Klassifizierer so konfiguriert ist, dass er einen außergewöhnlichen Zustand in der Batteriezelle unter Verwendung eines unären Klassifizierers detektiert, der sich vom Klassifizierer unterscheidet.
In einem anderen Merkmal ist der Klassifizierer so konfiguriert, dass er eines oder mehrere detektiert von einem Riss in einer Folie einer Anode oder einer Kathode in der Batteriezelle, einer Falte in der Folie, einem Defekt in einem ersten Schweißbereich, der verschweißte Folien von Anoden oder Kathoden der Batteriezelle umfasst, und einem Defekt in einem zweiten Schweißbereich, der die verschweißten Folien umfasst, die mit einer Lasche der Batteriezelle verschweißt sind.
In einem anderen Merkmal geben eines oder mehrere der Merkmale die Qualität der Verschweißung von Folien von Anoden oder Kathoden der Batteriezelle oder die Qualität der Verschweißung der verschweißten Folien mit einer Lasche der Batteriezelle an.
In einem anderen Merkmal ist der Klassifizierer so konfiguriert, dass er das Röntgenaufnahmebild segmentiert, indem er die Bereiche von Interesse im Röntgenaufnahmebild hervorhebt, die Bereiche von Interesse voneinander trennt und die Bereiche von Interesse kennzeichnet.
In einem anderen Merkmal ist der Klassifizierer so konfiguriert, dass er die Segmentierung verwendet, um ein ausgewähltes Merkmal zu maskieren, um das ausgewählte Merkmal für das weitere Verarbeiten weiter zu segmentieren und das Verarbeiten eines anderen Merkmals zu erleichtern.
In einem anderen Merkmal ist die Rechenvorrichtung so konfiguriert, dass sie den Klassifizierer durch selektives Erweitern eines oder mehrerer der Bereiche von Interesse trainiert, durch einen oder mehrere von Spiegeln, Verschieben und Drehen des Röntgenaufnahmebildes oder eines Abschnitts davon, ohne ein Artefakt im Röntgenaufnahmebild zu verursachen. Das Erweitern schließt Kontrastveränderungen, das Hinzufügen von Rauschen und das Verwischen des Röntgenaufnahmebildes oder eines Abschnitts davon aus.
In einem anderen Merkmal ist der Klassifizierer so konfiguriert, dass er detektiert, ob eines oder mehrere der Merkmale defekt ist, durch Detektieren einer Kante einer Lasche der Batteriezelle, womit Folien von Anoden oder Kathoden der Batteriezelle verschweißt sind, im Röntgenaufnahmebild; Messen der Maße eines ersten Schweißbereichs, der die verschweißten Folien umfasst, und eines zweiten Schweißbereichs, der die verschweißten Folien umfasst, die mit der Lasche der Batteriezelle verschweißt sind, relativ zur Kante der Lasche; und Vergleichen der Maße mit jeweiligen Schwellenwerten.
In einem anderen Merkmal ist der Klassifizierer so konfiguriert, dass er detektiert, ob eines oder mehrere der Merkmale defekt ist, durch Detektieren einer Kante einer Lasche der Batteriezelle, womit Folien von Anoden oder Kathoden der Batteriezelle verschweißt sind, im Röntgenaufnahmebild; das Anbringen einer Linie senkrecht zur Kante der Lasche; Einkapseln eines Bereichs der verschweißten Folien zwischen der Kante und einem Ende der Lasche in einem Begrenzungsrahmen; Scannen der Linie über die Kante und den Begrenzungsrahmen; Messen der Schnittpunkte der Linie mit der Kante und zwei Seiten des Begrenzungsrahmens, die relativ parallel zur Kante verlaufen; und Bestimmen, ob die Schweißung der Folien defekt ist, basierend auf den Messungen.
Weitere Anwendungsbereiche der vorliegenden Offenbarung ergeben sich aus der detaillierten Beschreibung, den Ansprüchen und den Zeichnungen. Die detaillierte Beschreibung und die spezifischen Beispiele dienen nur der Veranschaulichung und sind nicht dazu bestimmt, den Umfang der Offenbarung einzuschränken.
KURZBESCHREIBUNG DER ZEICHNUNGEN
Die vorliegende Offenbarung wird anhand der detaillierten Beschreibung und der beiliegenden Zeichnungen besser verständlich, wobei:

1A-1 C eine Querschnittsansicht einer Batteriezelle darstellen;
2A-2C ein auf Röntgenaufnahmen basierendes System zum Detektieren und Vorhersagen von Defekten in Batteriezellen darstellen;
3 ein Ablaufdiagramm eines Verfahrens zum Detektieren und Vorhersagen von Defekten in Batteriezellen unter Verwendung des auf Röntgenaufnahmen basierenden Systems von 2A-2C darstellt;
4A-4C ein Beispiel für einen Riss in einer Folie der Batteriezelle von 1A-1C darstellen;
5 und 6A-6D Beispiele für verschiedene Messungen darstellen, die durch das System von 2A-2C und das Verfahren von 3 zum Beurteilen der Integrität von Schweißnähten und zum Detektieren von Schweißnahtdefekten in den Batteriezellen durchgeführt werden;
7-11 Teilschritte einiger der Schritte des Verfahrens von 3 darstellen; und
12 ein funktionelles Blockdiagramm eines Servers darstellt, der in dem auf Röntgenaufnahmen basierenden System von 2A-2C verwendet wird.

In den Zeichnungen können Bezugszeichen wiederverwendet werden, um ähnliche und/oder identische Elemente zu identifizieren.
DETAILLIERTE BESCHREIBUNG
In der vorliegenden Offenbarung wird eine Pouch-Batteriezelle zunächst nur als Beispiel beschrieben, und alle Beschreibungen der Pouch-Batteriezelle sind nur beispielhaft. Die in der vorliegenden Offenbarung beschriebenen Systeme und Verfahren sind nicht auf das spezifische Beispiel oder einen anderen spezifischen Typ von Batteriezellen beschränkt. Vielmehr können die in der vorliegenden Offenbarung beschriebenen Systeme und Verfahren mit jedem anderen Typ von Batteriezellen verwendet werden.
In einigen Batteriezellen bestehen Anoden und Kathoden in der Regel aus dünnen Folien. Während des Herstellens werden die Enden der Folien der Anoden zusammengeschweißt und der verschweißte Abschnitt der Folien mit einer ersten Elektrode der Batteriezelle verschweißt. In ähnlicher Weise werden die Enden der Folien der Kathoden zusammengeschweißt und der verschweißte Abschnitt der Folien mit einer zweiten Elektrode der Batteriezelle verschweißt. Die erste und zweite Elektrode der Zelle werden auch als erste bzw. zweite Lasche der Batteriezelle bezeichnet.
Während des Herstellens der Batteriezellen und der anschließenden Verwendung der Batteriezellen in den in Fahrzeugen eingebauten Batterien können verschiedene Fehler auftreten. Beispielsweise können die Folien in den Batteriezellen, die sehr dünn sind (z. B. in der Größenordnung von etwa 10 Mikrometern), während der Herstellung Risse und/oder Falten bekommen. Ferner kann die Verschweißung der Folien mit den Laschen Mängel aufweisen. Ferner können nach dem Einbau der Batterien in die Fahrzeuge während der Verwendung Risse in den Folien und/oder zusätzliche Defekte in den Batteriezellen auftreten.
Um diese Defekte in den Batteriezellen aufzuspüren, werden verschiedene Verfahren eingesetzt, darunter auch röntgenbasierte Verfahren. Diese Verfahren umfassen in der Regel Basistechniken (z. B. regelbasierte Algorithmen), die zum Automatisieren der Interpretation von Röntgenaufnahmen eingesetzt werden. Diese Verfahren ermöglichen eine zuverlässige Erfassung von Röntgenaufnahmen zur automatischen Detektion von Unterbrechungen in Elektrodenstapeln in Batteriezellen. Diese Verfahren erfordern jedoch qualitativ hochwertige und wiederholbare Röntgenaufnahmen, um robuste computersichtbasierte Algorithmen zum zuverlässigen Überprüfen der Qualität der Batteriezellen zu entwickeln.
Ferner muss der Entwickler während der Entwicklung dieser regelbasierten Algorithmen alle möglichen Variationen vorhersehen, die während der Produktion (und in der Nachbearbeitung) auftreten können, um ein robustes und hochgenaues Fehlerdetektionssystem zu schaffen. Komplexe Oberflächentexturen und unterschiedliche Erscheinungsbilder von Zellkomponenten stellen für diese bildverarbeitungsbasierten Prüfsysteme eine große Herausforderung dar. Diese regelbasierten Bildverarbeitungssysteme können die Variabilität und die Abweichungen zwischen visuell ähnlichen Komponenten nicht genau erfassen. Um den Schwankungen bei der Fehlerdetektion zu begegnen, steigt die Komplexität der Algorithmen, was zu einem weniger robusten und weniger genauen System führt, das zudem rechenintensiver ist. Außerdem ist es in der Praxis für den Menschen unmöglich, alle Arten von Defekten vorherzusehen, die während der Herstellung und der anschließenden Verwendung der Batteriezellen auftreten können. Im Gegensatz dazu reagieren die nachstehend beschriebenen Algorithmen des maschinellen Lernens nicht so empfindlich auf unerwartete Abweichungen.
Die Systeme und Verfahren der vorliegenden Offenbarung beheben die Mängel der vorstehend genannten Verfahren, indem sie die automatische Fehlerdetektion und -vorhersage mit höherem Durchsatz und höherer Genauigkeit verbessern. Die Systeme und Verfahren können erweitert werden, um die Schweißnahtqualität durch automatische und wiederholbare Erfassung und Interpretation von Röntgenaufnahmebildern unter Verwendung von maschinellem Lernen und Deep Learning-Techniken zu bewerten, wie nachstehend ausführlich beschrieben. Die Systeme und Verfahren ermöglichen die Auswertung von Röntgenbildern unter Verwendung von Deep Learning und unären Klassifizierern, um Defekte wie Folienrisse und Probleme mit der Schweißqualität in Batteriezellen zu detektieren.
Insbesondere die Techniken des maschinellen Lernens und des Deep Learning der vorliegenden Offenbarung nutzen Bildsegmentierung, die die Untersuchung einzelner Merkmale in einem Bild ermöglicht, anstatt das Bild als Ganzes zu analysieren und das gesamte Bild als normal oder defekt zu klassifizieren. Ferner können Klassifizierer trainiert werden, um unvorhergesehene oder unerwartete Ausfälle zu detektieren, wie nachstehend ausführlich beschrieben. Auf Bildsegmentierung basierendes Deep Learning, das nachstehend ausführlich beschrieben wird, kann die Fehlerdetektion bei Sichtanwendungen verbessern. Die Durchführung einer zuverlässigen verbesserten Fehlerdetektion ist mit den regelbasierten Algorithmen schwierig, wenn es unübersichtliche Hintergründe und unterschiedliche Erscheinungsbilder der Komponenten gibt. Im Gegensatz dazu können die auf Bildsegmentierung basierenden Deep Learning-Verfahren der vorliegenden Offenbarung problemlos mit unübersichtlichen Hintergründen und Variationen im Erscheinungsbild der Komponenten umgehen. Darüber hinaus ist die Bildsegmentierung besser geeignet als die regelbasierten Algorithmen, um Anwendungen aufrechtzuerhalten und Modelle anhand neuer, in der Fabrik gesammelter Bilddaten neu zu trainieren, anstatt die Komplexität zu erhöhen, was bei einem regelbasierten Algorithmus notwendig ist. Die auf Bildsegmentierung basierenden Deep Learning-Techniken lassen sich leichter als die regelbasierten Algorithmen an neue Muster ohne Neuprogrammierung anpassen.
Die Systeme und Verfahren der vorliegenden Offenbarung umfassen die folgenden Merkmale, die nachstehend näher beschrieben werden. Die Systeme und Verfahren verwenden Computersicht basierend auf Röntgenaufnahmebildern zur automatischen Detektion von Foliendefekten (z. B. Risse, Falten und Schweißdefekte) durch automatische Interpretation der Röntgenaufnahmebilder. Die automatische Detektion von Foliendefekten wird durch Implementieren eines Computersichtalgorithmus zur automatischen Bestimmung des Bereichs von Interesse, der Defektdetektion und der Defektverifizierung für Fälle erreicht, in denen Defekte unter Verwendung von differenzbasierten Techniken in den Bildern schwer zu detektieren sind. Die Fehlerdetektion kann durch die nachstehend näher beschriebene Vorverarbeitung der Röntgenbilder weiter verbessert werden.
Die Systeme und Verfahren können erweitert werden, um andere Zellmerkmale wie Folienfalten, Vorschweißmaß und Maße zwischen Schweißnaht und Kante (nachstehend erklärt) sowie Schweißnahtqualitätsmerkmale zu bewerten. Die Genauigkeit der Rissvorhersage wird beispielsweise dadurch verbessert, dass mehr Pixel, die einem Rissbereich entsprechen, als Träne identifiziert werden, die Robustheit erhöht wird (z. B. indem mehr Schwankungen der Umgebungsbedingungen toleriert werden) und die Trainingskomplexität für neue Modelle verringert wird, da der manuelle Aufwand beim maschinellen Lernen niedriger ist als bei manuellen, regelbasierten Verfahren. Ferner werden zusätzliche Qualitätsmerkmale der Schweißnaht, die in den Röntgenbildern identifiziert wurden, zum Detektieren und Vorhersagen von Schweißdefekten verwendet. Beispiele für diese Merkmale sind Schweißnähte mit hoher Dichte, die in den Röntgenaufnahmebildern identifiziert sind, die Spritzer angeben, und Schweißbereiche mit niedriger Dichte, die in den Röntgenaufnahmebildern identifiziert sind, die Folienablösung (entlang des Umfangs) oder Porosität (nahe der Mitte) angeben.
Die Systeme und Verfahren erreichen diese Fähigkeiten durch die Verwendung der folgenden röntgenstrahlenspezifischen Eingaben für die maschinellen Lernmodelle. Beispielsweise werden die folgenden Bildsegmentierungstechniken verwendet: vollständige Risssegmentierung, Risskantensegmentierung (z. B. unter Verwendung von Masken), vor- und nachbearbeitete Bildsegmentierung, röntgenstrahlenspezifische Skalierung zum Minimieren von Artefakten und röntgenstrahlenspezifische Erweiterung (z. B. Spiegelung, kleine Translationen und Rotationen von Bildern; und Vermeidung von nicht röntgenstrahlenspezifischen Erweiterungsstrategien wie Kontrastveränderungen, Hinzufügen von Rauschen oder Unschärfe usw.) oder andere Vergrößerungen, die das Detektieren von Defektmerkmalen erschweren könnten. Mit diesen Bildsegmentierungstechniken können die Systeme und Verfahren den tatsächlichen Rissbereich detektieren, anstatt nur das Vorhandensein oder Fehlen eines Risses festzustellen, und sie können Schweißdefekte im Detail detektieren.
Zusätzliche unäre Klassifizierer werden verwendet, um verdächtige Proben mit unerwarteten Problemen zu detektieren, was bei der Entwicklung neuer Zellkonstruktionen oder Röntgenaufbauten hilfreich sein kann und auch das Überwachen von Herstellungsprozessen ermöglicht. Ein unärer Klassifizierer wird unter Verwendung von guten (d. h. defektfreien) Stichproben trainiert, um Ausreißer zu detektieren. Der unäre Klassifizierer kann jede Probe detektieren, die von einer Population guter Proben abweicht. Die unären Klassifizierer sind nützlich, um verdächtige Proben zu detektieren, wenn die meisten Proben für gut befunden werden (d. h. wenn wenige bis keine Proben fehlerhaft sind). Das heißt, die unären Klassifizierer sind nützlich, um andere Probleme als Riss-/Falt-/Schweißdefekte in den Proben zu detektieren, selbst wenn keiner dieser Fehler in den Proben detektiert wird. Die unären Klassifizierer sind nützlich beim Überwachen eines Prozesses oder beim Detektieren unerwarteter Probleme, wie z. B. ein verirrtes oder falsch platziertes Teil, das in einem Bild detektiert wurde.
Diese Klassifizierer (d. h. das für die Fehlerdetektion trainierte maschinelle Lernmodell und die unären Klassifizierer) können miteinander kombiniert werden, um eine hohe Genauigkeit beim Detektieren von Fehlern und unerwarteten Problemen zu erreichen. Daher automatisieren die Systeme und Verfahren der vorliegenden Offenbarung die Bildverarbeitung zur Fehlerdetektion unter Verwendung von Bildsegmentierung und Deep Learning, wie nachstehend näher beschrieben.
Die vorliegende Offenbarung ist wie folgt gegliedert. Ein Beispiel für eine Batteriezelle wird unter Bezugnahme auf 1A-1 C dargestellt und beschrieben. Ein auf Röntgenaufnahmen basierendes System zum Detektieren von Defekten in Batteriezellen wird unter Bezugnahme auf 2A-2C dargestellt und beschrieben. Ein Verfahren zum Detektieren und Vorhersagen von Defekten in den Batteriezellen unter Verwendung des auf Röntgenaufnahmen basierenden Systems wird unter Bezugnahme auf 3 dargestellt und beschrieben. Ein Beispiel für einen Riss in einer Folie einer Batteriezelle wird unter Bezugnahme auf die 4A-4C dargestellt und beschrieben. Beispiele für verschiedene Messungen, die mit dem Verfahren zum Bewerten der Integrität von Schweißnähten und zum Detektieren von Schweißnahtdefekten in den Batteriezellen durchgeführt werden, werden unter Bezugnahme auf 5 und 6A-6D dargestellt und beschrieben. Teilschritte einiger der Schritte des Verfahrens werden unter Bezugnahme auf 7- 11 dargestellt und beschrieben. Ein Beispiel für einen Server, der in einem auf Röntgenaufnahmen basierenden System verwendet wird, wird unter Bezugnahme auf 12 dargestellt und beschrieben.
BEISPIEL EINER BATTERIEZELLE
1B-1C stellen ein Beispiel für eine Batteriezelle 100 dar. 1A stellt eine Querschnittsansicht der Batteriezelle 100 dar. Die Batteriezelle 100 umfasst eine Vielzahl von Anoden 102 und Kathoden 104. Die Batteriezelle 100 umfasst ferner eine Vielzahl von Schichten eines aktiven Materials 106 und eines Separators 108. Diese Elemente werden in der folgenden Reihenfolge gestapelt: aktives Material 106, Anode 102, aktives Material 106, Separator 108, aktives Material 106, Kathode 104, aktives Material 106 usw. Der Stapel dieser Elemente wird im Allgemeinen als Elektrodenstapel der Batteriezelle 100 bezeichnet. Die Batteriezelle 100 ist in einem Gehäuse (z. B. einem Beutel) 110 eingeschlossen.
Die Anoden 102 und die Kathoden 104 bestehen im Allgemeinen aus dünnen Folien, die als Stromaufnehmer dienen. Beim Herstellen der Batteriezelle 100 werden zwei Schweißvorgänge durchgeführt. In einem ersten Schweißvorgang werden die Enden der Folien der Anoden 102 zusammengeschweißt, um eine verschweißte Anode 112 zu bilden, wie in 1 B dargestellt. Der erste Schweißvorgang wird auch als Folienschweißung oder Vorschweißung bezeichnet. Anschließend wird in einem zweiten Schweißvorgang die verschweißte Anode 112 mit einer Kante einer ersten Elektrode (auch erste Lasche genannt) 114 der Batteriezelle 100 verschweißt, wie in 1C dargestellt. Der zweite Schweißvorgang wird auch als Laschenschweiß- oder Hauptschweißvorgang bezeichnet.
Obwohl nicht dargestellt, werden die Enden der Folien der Kathoden 104 unter Verwendung ähnlicher Folienschweiß- und Laschenschweißverfahren zusammengeschweißt, um eine verschweißte Kathode zu bilden, die dann an eine Kante einer zweiten Elektrode (auch zweite Lasche genannt) der Batteriezelle 100 verschweißt wird. Das Schweißen der Anoden 102 und das Schweißen der Kathoden 104 können zusammen als Folienschweißungen bezeichnet werden. Das Schwei-ßen der verschweißten Anode 102 an die erste Lasche 114 und das Schweißen der verschweißten Kathoden 104 an die zweite Lasche können zusammen als Laschenschweißungen bezeichnet werden.
Während des Herstellens der Batteriezellen 100 und der späteren Verwendung der Batteriezellen 100 in den in Fahrzeugen eingebauten Batterien können verschiedene Fehler auftreten. Beispielsweise können die Folien der Anoden 102 und der Kathoden 104 in den Batteriezellen 100, die sehr dünn sind (z. B. in der Größenordnung von einigen Mikrometern), während des Herstellens Risse und/oder Falten bekommen, insbesondere in der Nähe der Kanten der entsprechenden Laschen. Ferner kann das Schweißen der Folien der Anoden 102 und der Kathoden 104 selbst sowie der jeweiligen Laschen Schweißdefekte aufweisen.
Ferner können nach dem Einbau der Batterien in Fahrzeuge während des Gebrauchs Risse in den Folien der Anoden 102 und der Kathoden 104 und/oder weitere Defekte in den Batteriezellen 100 auftreten. Da sich die Folien, die Schweißnähte der Folien und die Schweißnähte der mit den Laschen verschweißten Folien im Inneren der Batteriezellen 100 befinden, sind etwaige Defekte darin von außen (d. h. von der Außenseite der Batteriezellen 100) nicht sichtbar.
Daher bietet die vorliegende Offenbarung ein auf Röntgenaufnahmen basierendes System, das nachstehend beschrieben wird, um diese Defekte zu detektieren. Die folgende Beschreibung der Anoden 102, der verschweißten Anoden 112 und der Lasche 114 gilt auch für die Kathoden 104, die verschweißten Kathoden und die entsprechende Lasche.
AUF RÖNTGENSTRAHLEN BASIERENDES SYSTEM
2A-2C stellen ein Beispiel eines auf Röntgenaufnahmen basierenden Systems 150 dar, das zum Detektieren von Defekten in den Batteriezellen 100 verwendet wird. 2A stellt eine Draufsicht auf das auf Röntgenaufnahmen basierende System 150 dar. 2B stellt eine Unteransicht auf das auf Röntgenaufnahmen basierende System 150 dar. 2C stellt ein Funktionsblockdiagramm des auf Röntgenaufnahmen basierenden Systems 150 dar.
In 2A und 2B umfasst das auf Röntgenaufnahmen basierende System 150 ein Förderband 152, das eine Vielzahl von Batteriezellen 100 trägt. Das auf Röntgenaufnahmen basierende System 150 umfasst eine Röntgenstrahlenquelle 154 und einen Detektor 156. Das Förderband 152, auf dem die Vielzahl von Batteriezellen 100 transportiert werden, verläuft zwischen der Röntgenstrahlenquelle 154 und dem Detektor 156.
Die Röntgenstrahlenquelle 154 emittiert Röntgenstrahlen. Die Röntgenstrahlen aus der Röntgenstrahlenquelle 154 gehen durch einen Endabschnitt der Batteriezellen 100 hindurch, an dem sich ein Abschnitt der Folien der Anoden 102, die zum Bilden der verschweißten Anoden 112 verschweißt sind, die verschweißten Anoden 112 und die Verbindung der verschweißten Anoden 112 mit der Lasche 114 der Batteriezellen 100 befinden. Die Röntgenstrahlen aus der Röntgenstrahlenquelle 154 gehen durch das Ende der Batteriezellen 100 hindurch und treffen auf den Detektor 156 auf. Der Detektor 156 nimmt Röntgenaufnahmebilder von den Enden der Batteriezellen 100 auf. Die Röntgenaufnahmebilder umfassen Daten über einen Abschnitt der Folien der Anoden 102, die verschweißten Anoden 112 und die Verbindung der verschweißten Anoden 112 mit der Lasche 114 der Batteriezellen 100.
Wenn sich die beiden Laschen der Batteriezellen 100 auf derselben Seite befinden, gehen die Röntgenstrahlen der Röntgenstrahlenquelle 154 auch durch einen Abschnitt der Folien der Kathoden 104, die verschweißten Kathoden und die Verbindung der verschweißten Kathoden zur anderen Lasche der Batteriezellen 100 hindurch. Wenn die Röntgenstrahlen durch das Ende der Batteriezellen 100 hindurchgehen und auf den Detektor 156 auftreffen, und der Detektor 156 Röntgenaufnahmebilder von den Enden der Batteriezellen 100 aufnimmt, umfassen die Röntgenaufnahmebilder auch Daten über einen Abschnitt der Folien der Kathoden 104, die verschweißten Kathoden und die Verbindung der verschweißten Kathoden mit der anderen Lasche der Batteriezellen 100.
Wenn sich die Laschen der Batteriezellen 100 auf gegenüberliegenden Seiten der Batteriezellen 100 befinden, kann das auf Röntgenaufnahmen basierende System 150 auch eine andere Röntgenstrahlenquelle und einen anderen Detektor umfassen, die sich auf einer gegenüberliegenden Seite des Förderers 152 befinden (nicht dargestellt). Die Röntgenstrahlen aus der anderen Röntgenstrahlenquelle gehen durch ein anderes Ende der Batteriezellen 100 hindurch, in dem sich ein Abschnitt der Folien der Kathoden 104, die zum Bilden der verschweißten Kathoden verschweißt sind, die verschweißten Kathoden und die Verbindung der verschweißten Kathoden mit der anderen Lasche der Batteriezellen 100 befinden. Die Röntgenstrahlen der anderen Röntgenstrahlenquelle gehen durch das andere Ende der Batteriezellen 100 hindurch und treffen auf den anderen Detektor auf. Der andere Detektor nimmt Röntgenaufnahmebilder vom anderen Ende der Batteriezellen 100 auf. Die Röntgenaufnahmebilder umfassen Daten über einen Abschnitt der Folien der Kathoden 104, die verschweißten Kathoden und die Verbindung der verschweißten Kathoden mit der anderen Lasche der Batteriezellen 100.
In 2C umfasst das auf Röntgenaufnahmen basierende System 150 eine Rechenvorrichtung (z. B. einen Server) 158. Der Server 158 umfasst eine Recheneinheit, die einen oder mehrere Prozessoren, Speicher usw. zum Verarbeiten der Röntgenaufnahmebilder umfasst. Ein Beispiel für den Server 158 wird nachstehend unter Bezugnahme auf 12 dargestellt und beschrieben. Der Server 158 kann ein lokales (eigenständiges) Computergerät sein oder an ein Netzwerk angeschlossen werden, um das auf Röntgenaufnahmen basierende System 150 aus der Ferne zu überwachen und zu steuern und/oder um die hierin beschriebene, mindestens teilweise Verarbeitung aus der Ferne zu erleichtern. In einigen Beispielen kann der Server 158 in einem mit der Röntgenstrahlenquelle 154 und dem Detektor 156 integrierten Steuergerät implementiert sein. Ferner kann in einigen Beispielen ein Abschnitt des Servers 158 in einer Cloud implementiert sein, und der in der Cloud implementierte Abschnitt kann mit einem Rest des Servers 158 oder dem mit der Röntgenstrahlenquelle 154 und dem Detektor 156 integrierten Rest verbunden sein. Die Aufgaben des Trainings der Klassifizierer und der Verwendung der trainierten Klassifizierer zum Testen der Batteriezellen 100 können zwischen dem in die Cloud integrierten Abschnitt und dem Rest geteilt werden.
Der Server 158 ist mit der Röntgenstrahlquelle 154 und dem Detektor 156 verbunden. Der Server 158 ist nicht dargestellt, kann aber auch mit der anderen Röntgenstrahlenquelle und dem anderen Detektor verbunden sein, die vorstehend unter Bezugnahme auf 2A-2C beschrieben sind. Der Server 158 empfängt die Röntgenaufnahmebilder vom Detektor 156 und vom anderen Detektor (im Folgenden zusammenfassend als Detektor 156 bezeichnet). Der Server 158 verarbeitet die vom Detektor 156 empfangenen Röntgenaufnahmebilder, um Defekte wie Folienrisse, Schweißdefekte und andere Defekte zu detektieren, wie nachstehend unter Bezugnahme auf 3A-11 ausführlich beschrieben.
VERFAHREN ZUM DETEKTIEREN VON DEFEKTEN IN BATTERIEZELLEN
3 stellt ein Verfahren 200 zum Verarbeiten der Röntgenaufnahmebilder des auf Röntgenaufnahmen basierenden Systems 150 und zum Detektieren von Defekten wie Folienrissen, Schweißdefekten und anderen Defekten in den Batteriezellen 100 gemäß der vorliegenden Offenbarung dar. Beispielsweise wird das Verfahren 200 von einem oder mehreren Prozessoren im Server 158 durchgeführt. Das Verfahren 200 umfasst eine Trainingsphase und eine Laufzeitphase, die getrennt voneinander durchgeführt werden. Während der Trainingsphase können die Schritte 202-210, die in 3 dargestellt sind, iterativ durchgeführt werden, um die Klassifizierer zu trainieren, bis die gewünschte Leistung der trainierten Klassifizierer erreicht ist. Während der Iterationen können die Trainingsbilder, die Verarbeitung der Bilder und die Erweiterung der Bilder geändert werden, um die erforderliche Leistung der Klassifizierer zu erreichen. So können beispielsweise basierend auf falsch klassifizierten Bildern durch teilweise trainierte Klassifizierer die vorstehend genannten Änderungen vorgenommen werden, um das Training der Klassifizierer zu verbessern. Ferner kann auch ein hybrider Ansatz verwendet werden, bei dem herkömmliche bildverarbeitungsbasierte Verfahren in Verbindung mit Deep Learning verwendet werden können, um die Bewertung der trainierten Klassifizierer abzuschließen, bevor die trainierten Klassifizierer während der Laufzeit in den Schritten 212 und 214 verwendet werden können. Während der Laufzeitphase werden nur die Schritte 212 und 214 durchgeführt.
Bei 202 empfängt das Verfahren 200 die Röntgenaufnahmebilder der Endabschnitte der Batteriezellen 100 vom Detektor 156. Bei 204 verarbeitet das Verfahren 200 die Röntgenaufnahmebilder, um etwaige Risse (oder Falten) in den Folien der Anoden 102 und der Kathoden 104 hervorzuheben und die Schweißbereiche der Folienschweißnähte und der Laschenschweißnähte in den Röntgenaufnahmebildern zu markieren. Die Hervorhebung umfasst die Verwendung von Farben oder anderen Techniken, mit denen ein Bereich von Interesse (z. B. ein Riss) von einem anderen Bereich von Interesse (z. B. einem Schweißbereich) in den Röntgenaufnahmebildern identifiziert, isoliert und getrennt werden kann.
Die hervorgehobenen Bereiche in den Röntgenaufnahmebildern werden im Allgemeinen als Bereiche von Interesse bezeichnet, aus denen der trainierte Klassifizierer nach dem nachstehend beschriebenen Erweitern der Röntgenaufnahmebilder Merkmale identifiziert und Defekte in den identifizierten Merkmalen wie nachstehend beschrieben detektiert. Die Risse, Falten und Schweißnahtbereiche werden als Merkmale der Batteriezelle 100 bezeichnet, wobei Merkmal ein Kunstbegriff ist, der in den Bereichen des traditionellen bildgebenden Verfahrens und des auf maschinellem Lernen basierenden Trainings bekannt ist, und verwendet wird.
Bei 206 kennzeichnet das Verfahren 200 die Merkmale in den Röntgenaufnahmebildern. So segmentiert das Verfahren 200 die Röntgenaufnahmebilder, indem es die Merkmale in den Röntgenaufnahmebildern hervorhebt und kennzeichnet.
Die vorstehend beschriebene Segmentierung der Röntgenaufnahmebilder durch das Verfahren 200 stellt viele Vorteile beim Training eines Klassifizierers und der anschließenden Detektion von Fehlern in den Batteriezellen 100 unter Verwendung des trainierten Klassifizierers bereit. Die Segmentierung der Röntgenaufnahmebilder erfolgt durch maschinelles Lernen. Traditionell wird ein ganzes Bild als schlecht (fehlgeschlagen) kennzeichnet, wenn das Bild oder ein Abschnitt davon ein Problem im Vergleich zu einem bekannten guten Bild angibt. Umgekehrt wird ein ganzes Bild als gut (erfolgreich) gekennzeichnet, wenn das Bild im Vergleich zu einem bekannten guten Bild kein Problem angibt. Im Gegensatz dazu untersucht das Verfahren 200 jedes Pixel in einem Röntgenaufnahmebild und gruppiert die Pixel in verschiedenen Abschnitten des Röntgenaufnahmebildes als zu verschiedenen Merkmalen gehörend.
Dementsprechend kann das Verfahren 200 den Klassifizierer darauf trainieren, jedes Merkmal in einem Röntgenaufnahmebild als gut oder schlecht zu klassifizieren, anstatt das gesamte Röntgenaufnahmebild als Ganzes als gut oder schlecht zu klassifizieren. Die Segmentierung gruppiert effektiv Gebiete oder Bereiche einer Röntgenaufnahme, in denen Merkmale von Interesse auftreten können. Die einzelnen Gebiete oder Bereiche in der gesamten Röntgenaufnahme, in denen Merkmale von Interesse auftreten können, werden klassifiziert. Die Segmentierung wird verwendet, um den Algorithmus für maschinelles Lernen auf die Gebiete oder Bereiche einer Röntgenaufnahme zu richten, in denen Merkmale von Interesse auftreten können. In diesem Sinne bedeutet „gut“ frei von Mängeln oder Fehlern und „schlecht“ mangelhaft oder defekt.
Wenn beispielsweise ein Pixelmuster in einem Schweißbereich in einem Röntgenaufnahmebild mit einem bekannten Pixelmuster für eine gute Schweißnaht übereinstimmt, kann der trainierte Klassifizierer bestimmen, dass das Schweißmerkmal im Röntgenaufnahmebild gut ist. Wenn ein Pixelmuster in einem Folienbereich in demselben Röntgenaufnahmebild nicht mit einem bekannten Pixelmuster für einen guten Folienbereich übereinstimmt, kann der trainierte Klassifizierer bestimmen, dass die Folie einen Riss, eine Falte oder einen anderen Defekt aufweist. Der trainierte Klassifizierer kann dann angeben, dass das Röntgenaufnahmebild eine Störung angibt, und kann zusätzlich angeben, welches Merkmal im Röntgenaufnahmebild fehlgeschlagen ist. Somit detektiert das Verfahren 200 nicht nur ein schlechtes Röntgenaufnahmebild, sondern auch, welches Merkmal im Röntgenaufnahmebild defekt ist.
Ferner unterscheidet sich der Klassifizierer des Verfahrens 200 vom herkömmlichen Klassifizierer. Der Klassifizierer des Verfahrens 200 führt Deep Learning durch und verwendet dabei nur die segmentierten Röntgenaufnahmebilder und die für die Merkmale bereitgestellten Kennzeichnungen. Basierend auf den Kennzeichnungen identifiziert der Klassifizierer selbst die Merkmale in den segmentierten Röntgenaufnahmebildern. Im Gegensatz dazu werden bei herkömmlichen Klassifizierern die Merkmale aus den Bildern identifiziert, aus den Bildern extrahiert und den Klassifizierern für Deep Learning zugeführt. Somit vereinfacht die Segmentierung der Röntgenaufnahmebilder das Training des Klassifizierers und die anschließende Fehlerdetektion unter Verwendung des trainierten Klassifizierers erheblich.
Bei 206 verarbeitet das Verfahren 200 die segmentierten Röntgenaufnahmebilder und die Kennzeichnungen für die Merkmale weiter, um das Trainieren, Testen und die Leistung eines Klassifizierers (zum Unterscheiden von den unären Klassifizierern auch Deep Learning-Klassifizierer genannt) zu verbessern, der zum Detektieren von Defekten in den Batteriezellen 100 verwendet wird. Da die Röntgenaufnahmebilder beispielsweise Daten von der linken und der rechten Seite der Laschen umfassen, verdoppelt das Verfahren 200 die Anzahl der Proben, indem es die Röntgenaufnahmebilder entlang einer vertikalen Achse spiegelt (d. h. einer Achse, die senkrecht zur Länge einer Lasche verläuft). Durch die Verdoppelung der Anzahl der Proben wird die Fähigkeit, den Klassifizierer zu trainieren und zu testen, erheblich verbessert, was wiederum die Leistung des trainierten Klassifizierers beim Detektieren von Defekten in den Batteriezellen 100 verbessert. Die Daten von der linken und rechten Seite der Laschen können verwendet werden, wenn der Detektor 156 das Röntgenaufnahmebild der gesamten Lasche nicht erfassen kann, ohne die gewünschte Auflösung zu beeinträchtigen. Bei einer niedrigeren Auflösung kann der Detektor 156 stattdessen das Röntgenaufnahmebild der gesamten Lasche erfassen, wobei die Daten aus dem Röntgenaufnahmebild der gesamten Lasche verwendet werden können.
Zusätzlich führt das Verfahren 200 röntgenspezifische Bilderweiterungen an den segmentierten Röntgenaufnahmebildern durch. Beispielsweise ändert das Verfahren 200 die Größe der Röntgenaufnahmebilder, verschiebt die segmentierten Röntgenaufnahmebilder entlang der X- und Y-Achse usw. Beispielsweise können einige der Röntgenaufnahmebilder groß sein (z. B. mit hoher Auflösung). Dementsprechend skaliert das Verfahren 200 einige Merkmale. Beispielsweise können einige Merkmale je nach Auflösung der Röntgenaufnahmebilder verkleinert oder vergrößert werden. Allerdings kann die Skalierung im Allgemeinen Artefakte in den skalierten Abschnitten der Röntgenaufnahmebilder verursachen. Derartige Artefakte können beim Detektieren von Defekten irreführend sein. Daher verwendet das Verfahren 200 Skalierungsverfahren, die Abschnitte der Röntgenaufnahmebilder skalieren und dabei den Verlust von Details in den Merkmalen minimieren und in einigen Fällen keine Artefakte verursachen.
Weitere, nicht einschränkende Beispiele für Erweiterungen, die mit dem Verfahren 200 durchgeführt werden, umfassen das Spiegeln, Verschieben und Drehen der Röntgenaufnahmebilder oder von Abschnitten davon. Routinemäßige, nicht röntgenbasierte Bildverbesserungstechniken wie Kontrastveränderungen, Hinzufügen von Rauschen oder Unschärfe usw. werden nicht verwendet, da solche Techniken die Merkmale verdecken oder unkenntlich machen, und das Detektieren der Merkmale erschweren können. Es können auch andere Erweiterungsverfahren verwendet werden, wobei diejenigen vermieden werden, die sich negativ auf die Merkmalsdetektion auswirken können.
Bei 208 trainiert das Verfahren 200 den Deep Learning-Klassifizierer unter Verwendung der verarbeiteten Röntgenaufnahmebilder und der gekennzeichneten Merkmale darin. Das Verfahren 200 trainiert den Klassifizierer zum Detektieren und Vorhersagen von Defekten wie Rissen und Falten in den Folien der Anoden 102 und der Kathoden 104, das Detektieren der Schweißnahtqualität in den Folienschweißnähten und den Laschenschweißnähten sowie anderer Defekte. Das Verfahren 200 trainiert den Klassifizierer zum Detektieren und Vorhersagen der Defekte unter Verwendung von Maskierungsvorgängen und durch die Durchführung verschiedener Merkmalsmessungen an den verarbeiteten Röntgenaufnahmebildern. Die Maskierung wird während des Trainings verwendet, um die während des Segmentierungstrainings verwendeten Klassifikationen besser zu definieren. Beispiele für die Maskierungsvorgänge werden nachstehend unter Bezugnahme auf 4A-4C beschrieben. Beispiele für die Merkmalsmessungen werden nachstehend unter Bezugnahme auf 5-6D beschrieben.
In 210 trainiert das Verfahren 200 zusätzliche unäre Klassifizierer, um unerwartete Defekte zu detektieren, die in den Batteriezellen 100 auftreten können. So können beispielsweise Röntgenaufnahmebilder, die keine der vorstehend genannten Defekte (z. B. Risse, Falten und Schweißdefekte) enthalten, zum Trainieren eines oder mehrerer unärer Klassifizierer verwendet werden, um Ausreißerbedingungen zu detektieren, die unerwartet sind (d. h. außerhalb des Bereichs des normalen Herstellungsprozesses liegen), aber dennoch in den Batteriezellen 100 auftreten können. Röntgenaufnahmebilder, bei denen der Klassifizierer, der zum Detektieren der vorstehend genannten Defekte trainiert wurde, keine Defekte detektiert, werden als gute Bilder klassifiziert. Eine Population bekannter guter Bilder wird zum Trainieren eines oder mehrerer unärer Klassifizierer verwendet. Jeder unäre Klassifizierer wird so trainiert, dass er einen bestimmten Ausreißerzustand detektiert, der typischerweise unerwartet ist, aber in den Batteriezellen 100 auftreten kann.
Beispielsweise kann ein unärer Klassifizierer trainiert werden, um ein Merkmal in den Röntgenaufnahmebildern zu detektieren, wie z. B. einen unerwarteten weißen oder schwarzen Fleck (z. B. aufgrund eines Lochs in einer Folie) oder eine Angabe, die eine Abweichung von einer typischen Geometrie (z. B. Geometrie einer Folie oder einer Lasche) der Batteriezellen 100 angibt. Ein solches Merkmal kann einen außergewöhnlichen Zustand in einem ansonsten fehlerfreien Röntgenaufnahmebild angeben. Die Röntgenaufnahmebilder, die solche Merkmale enthalten, werden als verdächtig gekennzeichnet und nicht als erfolgreich oder fehlgeschlagen. Die verdächtigen Röntgenaufnahmebilder und die entsprechenden Batteriezellen 100 können dann weiter ausgewertet werden, um den Herstellungsprozess und/oder die Konstruktion der Batteriezellen 100 zu verbessern, damit das Auftreten der unerwarteten Bedingungen in den Batteriezellen 100 vermieden wird. Somit können die unären Klassifizierer als zweite Kontrollstufe zusätzlich zum Klassifizierer dienen, der zum Detektieren der vorstehend genannten Defekte trainiert wurde. In einigen Fällen, wenn die Anzahl der detektierten Defekte eher gering ist, kann der unäre Klassifizierer allein als primärer Klassifizierer verwendet werden, anstatt den Klassifizierer zu verwenden, der zum Detektieren der vorstehend genannten Defekte trainiert wurde.
Ferner können, wie vorstehend beschrieben, die Schritte 202-210 iterativ durchgeführt werden, um die Deep Learning- und unären Klassifizierer zu trainieren, bis eine gewünschte Leistung der trainierten Klassifizierer erreicht ist, wobei während der Iterationen die Trainingsbilder, die Verarbeitung der Bilder und die Erweiterung der Bilder modifiziert werden können, um die erforderliche Leistung der Klassifizierer zu erreichen (z. B. können basierend auf falsch klassifizierten Bildern durch teilweise trainierte Klassifizierer die vorstehend genannten Änderungen nach Bedarf vorgenommen werden, um das Training der Klassifizierer zu verbessern). Ferner kann auch ein hybrider Ansatz verwendet werden, der traditionelle bildverarbeitungsbasierte Verfahren und Deep Learning kombiniert, um die Bewertung der trainierten Klassifizierer abzuschließen, bevor die trainierten Klassifizierer während der Laufzeit in den Schritten 212 und 214 verwendet werden können, wie nachstehend beschrieben.
Bei 212 verwendet das Verfahren 200 während der Laufzeit (d. h. im Betrieb) den trainierten Deep Learning-Klassifizierer und die trainierten unären Klassifizierer, um Defekte und Ausreißerbedingungen in den Batteriezellen 100 automatisch zu detektieren und vorherzusagen. Im Betrieb (d. h. während der Laufzeit) empfängt das Verfahren 200 neue Röntgenaufnahmebilder, die von den Batteriezellen 100 aufgenommen wurden. Das Verfahren 200 verarbeitet die neuen Röntgenaufnahmebilder wie vorstehend beschrieben. Der trainierte Deep Learning-Klassifizierer kann nun automatisch die Defekte in den Batteriezellen 100 detektieren. Darüber hinaus können die trainierten unären Klassifizierer ferner alle Ausreißerbedingungen für eine weitere Auswertung detektieren.
Die Schritte 202-210 des Verfahrens 200 werden durchgeführt, um den Deep Learning-Klassifizierer und die unären Klassifizierer zu trainieren. Die Schritte 212 und 214 des Verfahrens 200 werden während der Laufzeit durchgeführt, um die hergestellten Batteriezellen 100 unter Verwendung der trainierten Klassifizierer zu testen. Während der Laufzeit werden die Schritte 202-210 nicht durchgeführt; stattdessen werden der trainierte Deep Learning-Klassifizierer und die trainierten unären Klassifizierer, die bereits in den Schritten 202-210 trainiert wurden, zum Testen der hergestellten Batteriezellen 100 verwendet.
So wird während der Laufzeit (d. h. im Betrieb) ein vom Detektor 156 empfangenes Rohbild verarbeitet und in den Klassifizierer eingegeben, der darauf trainiert ist, das verarbeitete Bild zu segmentieren. Der trainierte Klassifizierer segmentiert das verarbeitete Bild. Die Erweiterung wird nur vor dem Trainieren des Klassifizierers verwendet, um die Anzahl der Bilder zu erhöhen, die zum Trainieren des Klassifizierers verwendet werden. Die Erweiterung wird nicht verwendet, wenn der Klassifizierer während der Laufzeit in der Produktion eingesetzt wird. Wenn der Klassifizierer ein oder mehrere defekte Merkmale im segmentierten Bild detektiert, wird der entsprechende Teil der Batteriezelle als defekt bestimmt. In einigen Fällen wird das herkömmliche maschinelle Sehen zum Berechnen von Merkmalen und zum Durchführen zusätzlicher Bewertungen verwendet.
In der vorliegenden Offenbarung wird zwar ein Deep Learning-Klassifizierer beschrieben, doch können stattdessen auch mehrere Klassifizierer verwendet werden, wobei jeder Klassifizierer auf die gleiche Weise wie vorstehend beschrieben trainiert werden kann, um einen separaten Defekt zu detektieren. Beispielsweise kann ein erster Klassifizierer trainiert und zum Detektieren eines Rissdefekts verwendet werden, ein zweiter Klassifizierer kann trainiert und zum Detektieren eines Faltendefekts verwendet werden, ein dritter Klassifizierer kann trainiert und zum Detektieren von Schweißdefekten verwendet werden, usw. Alternativ kann auch ein allgemeiner Defektdetektionsklassifizierer zum Detektieren aller Defekte auf einmal verwendet werden. Die unären Klassifizierer unterscheiden sich von den Deep Learning-Klassifizierern, da die unären Klassifizierer nur mit guten Bildern trainiert werden. Daher bestimmt ein trainierter unärer Klassifizierer, ob ein Bild, das vom trainierten unären Klassifizierer ausgewertet wird, außerhalb des Bereichs liegt, und zwar basierend auf der beim Training verwendeten Bildpopulation. Daher kann ein unärer Klassifizierer nicht mit einem Defektdetektionsklassifizierer (d. h. einem Deep Learning-Klassifizierer) kombiniert werden.
Im Allgemeinen können ein oder mehrere Klassifizierer trainiert und zur Laufzeit in beliebiger Reihenfolge verwendet werden. Der Klassifizierer kann je nach Anwendung als primärer oder sekundärer Klassifizierer bezeichnet werden. Die Klassifizierer, die zum Detektieren bekannter Defekte trainiert wurden (z. B. die ein oder mehreren Deep Learning-Klassifizierer), können als primäre Klassifizierer bezeichnet werden. Mehrere Klassifizierer können zusammenarbeiten. Die Klassifizierer, die zum Detektieren unbekannter Defekte trainiert wurden, können als sekundäre Klassifizierer bezeichnet werden. In diesen zwei Kategorien von Klassifizierern werden im Falle der primären Klassifizierer zum Detektieren bekannter Defekte Bilder mit bekannten Defekten für das Training dieser Klassifizierer verwendet. Bei den sekundären Klassifizierern, die zum Detektieren unbekannter Defekte verwendet werden, existieren Bilder mit unbekannten Defekten nicht, sondern können nur detektiert werden. Daher können unbekannte Defekte zwar detektiert, aber nicht vorhergesagt werden.
Unterschritte der vorstehend genannten Schritte, die durch das Verfahren 200 durchgeführt werden, werden nachstehend unter Bezugnahme auf 7-11 dargestellt und beschrieben. Vor der Beschreibung der Teilschritte werden Beispiele für Merkmale wie Risse und Schweißnähte, entsprechende Messungen und Verfahren zum Durchführen der Messungen dargestellt und unter Bezugnahme auf 5-6D beschrieben.
BEISPIEL EINES FOLIENRISSES
4A-4C stellen ein Beispiel für einen Riss 250 in einer Folie 252 (z. B. einer Anode 102 oder einer Kathode 104) und Verfahren zum Maskieren des Risses 250 dar. Beispielsweise stellt 4A den Riss 250 in einer Folie 252 (z. B. einer Anode 102 oder einer Kathode 104) in der Nähe eines Vorschweißbereichs 302 dar (dargestellt in 5). 4B und 4C stellen zwei verschiedene Arten von Maskierungsverfahren zum weiteren Segmentieren des Risses 250 dar. 4B stellt den gesamten Bereich um den maskierten Riss 250 (einschließlich des Raums zwischen den Kanten) (sogenannte vollständige Risssegmentierung) dar. 4C stellt nur die Kanten des maskierten Risses 250 (der Raum zwischen den Kanten des Risses 250) (sogenannte Risskantensegmentierung) dar. Im Gebrauch verwendet der trainierte Klassifizierer diese Masken, um den Riss 250 vom Rest der Folie 252 zu trennen, sodass die unmaskierten Abschnitte der Folie 252 in den Röntgenaufnahmebildern weiterverarbeitet werden können (z. B. um den Riss 250 und andere detektierte Defekte oder Merkmale wie Schweißdefekte zu detektieren und/oder weiter zu analysieren).
BEISPIELE FÜR VERSCHIEDENE MESSUNGEN
5-6D stellen verschiedene Messungen dar, die mit dem Verfahren 200 durchgeführt werden, um die Integrität der Schweißnähte zu bewerten und Schweißdefekte in der Batteriezelle 100 zu detektieren. Der vorstehend unter Bezugnahme auf 3 beschriebene Klassifizierer kann so trainiert werden, dass er die Defekte unter Verwendung dieser Messungen detektiert und vorhersagt.
In 5 werden zum Verschweißen der verschweißten Anoden 112 (in 1 B dargestellt) mit der Lasche 114 die verschweißten Anoden 112 über einem ersten Ende der Lasche 114 angeordnet (d. h. dem Ende der Lasche 114, das den verschweißten Anoden 112 und der Batteriezelle 100 zugewandt ist). Das erste Ende der Lasche 114 weist eine Kante 300 auf, die in Richtung der Folien der Anoden 102 (d. h. zur Batteriezelle 100 hin) weist und als Laschenkante 300 bezeichnet wird.
Die verschweißten Folien der Anoden 102 weisen einen Vorschweißbereich (auch Folienschweißbereich genannt) 302 auf. Der Vorschweißbereich 302 umfasst die verschweißten Abschnitte der Folien der Anoden 102, die die verschweißte Anode 112 bilden (wie in 1 B dargestellt). Der Vorschweißbereich 302 umfasst Vorschweißgebiete 352 (dargestellt in 6A und 6C). Eine erste Kante des Vorschweißbereichs 302 weist zu den Folien der Anoden 102 (d. h. sie weist zur Batteriezelle 100) und wird als Vorschweißkante 304 bezeichnet. Eine zweite Kante des Vorschweißbereichs 302 weist in Richtung eines zweiten Endes der Lasche (d. h. von der Batteriezelle 100 weg) und wird als Folienkante (Enden der Folien) 306 bezeichnet.
Die verschweißten Folien der Anoden 102 (d. h. die verschweißte Anode 112) werden mit einem Abschnitt der Lasche 114 verschweißt, indem ein Abschnitt des Vorschweißbereichs 302 mit einem Abschnitt der Lasche 114 verschweißt wird. Ein Bereich, in dem der Abschnitt des Vorschweißbereichs 302 mit dem Abschnitt der Lasche 114 verschweißt wird, wird als Hauptschweißbereich (auch Laschenschweißbereich genannt) 308 bezeichnet. Der Hauptschweißbereich 308 umfasst die Hauptschweißnähte 354 (siehe 6A und 6C). Eine Kante des Hauptschweißbereichs 308, die in Richtung der Folien der Anoden 102 (d. h. in Richtung der Batteriezelle 100) weist, wird als Hauptschweißkante 310 bezeichnet.
Der Abstand zwischen der Laschenkante 300 und der Vorschweißkante 304 wird als Vorschweißmaß 312 bezeichnet. Das Vorschweißmaß 312 gibt die Länge des Vorschweißbereichs 302 an, der sich unterhalb der Laschenkante 300 erstreckt. Ein Abstand zwischen der Laschenkante 300 und der Hauptschweißkante 310 wird als Laschenschweißmaß 314 bezeichnet. Das Vorschweißmaß 312 und das Laschenschweißmaß 314 geben die Schweißnahtqualität der Hauptschweißnaht an (d. h. die Schweißnaht der verschweißten Anode 112 an der Lasche 114).
So können beispielsweise das Vorschweißmaß 312 und das Laschenschweißmaß 314 Probleme bei der Ausrichtung und Einrichtung während des Schweißvorgangs angeben. Die Fehlausrichtung oder Maße 312, 314, die außerhalb der jeweiligen spezifizierten Grenzen liegen (z. B. größer oder gleich den jeweiligen vorbestimmten Grenzwerten), können zu defekten Batteriezellen führen. Wenn das Vorschweißmaß 312 beispielsweise größer als oder gleich einem ersten vorbestimmten Schwellenwert ist, kann das Vorschweißmaß 312 eines oder mehrere der folgenden Probleme angeben: eine Fehlausrichtung zwischen der Batteriezelle 100 und dem Schweißwerkzeug, eine Fehlausrichtung der Lasche 114 mit dem Stapel der Folien der Anode 102 und ein ungleichmäßiger Druck, der während des Vorschweißens ausgeübt wird. Wenn beispielsweise das Schweißnahtmaß 314 größer als oder gleich einem zweiten vorbestimmten Schwellenwert ist, kann das Schweißnahtmaß 314 eines oder mehrere der folgenden Probleme angeben: eine Fehlausrichtung zwischen der Batteriezelle 100 und dem Schweißwerkzeug, eine Fehlausrichtung der Lasche 114 mit dem Stapel der Folien der Anode 102 und Maße der Lasche 114, die außerhalb der spezifizierten Maße liegen.
6A-6D stellen zwei verschiedene Verfahren zum Messen des Vorschweißmaßes 312 dar. 6A und 6B stellen ein erstes Verfahren 350 zum Messen des Vorschweißmaßes 312 dar. 6C und 6D stellen ein zweites Verfahren 370 zum Messen des Vorschweißmaßes 312 dar. Ähnliche Verfahren können zum Messen des Laschenschweißmaßes 314 verwendet werden. Das erste und zweite Verfahren 350, 370 werden von einem oder mehreren Prozessoren des in 2C dargestellten Servers 158 durchgeführt.
In 6A und 6C sind die Vorschweißgebiete 352 im Vorschweißbereich 302, die sich unterhalb der Laschenkante 300 (d. h. in Richtung der Batteriezelle 100) befinden, durch hohle Kreise dargestellt. Die Hauptschweißnähte 354 im Hauptschweißbereich (auch Laschenschweißbereich genannt) 308, die sich oberhalb der Laschenkante 300 (d. h. in Richtung des zweiten Endes der Lasche 114, auf das in der Beschreibung von 5 Bezug genommen wird) befinden, sind unter Verwendung ausgefüllter Kreise dargestellt. Obwohl zur Veranschaulichung der Vorschweißgebiete 352 und der Hauptschweißnähte 354 Kreise verwendet werden, müssen die Formen der Vorschweißgebiete 352 und der Hauptschweißnähte 354 nicht kreisförmig sein.
In 6A wird das Vorschweißgebiet 356, das den Punkt enthält, der am weitesten von der Laschenkante 300 entfernt ist, als P_max bezeichnet. Die Länge des Vorschweißgebiets 356 wird als Länge (P_max) bei 359 angegeben. Ein Mindestabstand zwischen der Laschenkante 300 und dem Vorschweißgebiet 356 wird als Mindestabstand (P_max, Laschenkante) bezeichnet, der bei 358 dargestellt ist. Aus diesen Maßen bestimmt das erste Verfahren 350 das Vorschweißmaß 312 wie folgt.
In 6B, bei 360, verwendet das erste Verfahren 350 die Bildsegmentierung (wie vorstehend unter Bezugnahme auf 3) um die Laschenkante 300 und den Vorschweißbereich 302 der Batteriezelle 100 zu finden. Bei 362 findet das erste Verfahren 350 ein Vorschweißgebiet P_max, das den Punkt enthält, der am weitesten von der Laschenkante 300 entfernt ist. Bei 364 bestimmt das erste Verfahren 350 das Vorschweißmaß 312 wie folgt: Vorschweißmaß = Mindestabstand (P_max, Laschenkante) + Länge (P_max).
In 6C und 6D bestimmt das zweite Verfahren 370 das Vorschweißmaß 312 wie folgt. Bei 372 verwendet das zweite Verfahren 370 eine Bildsegmentierung (wie vorstehend unter Bezugnahme auf 3) um die Laschenkante 300 und den Vorschweißbereich 302 der Batteriezelle 100 zu finden. Bei 374 kapselt das zweite Verfahren 370 die Vorschweißgebiete 352 im Vorschweißbereich 302 ein oder isoliert sie, wie durch einen im Allgemeinen rechteckigen gepunkteten Begrenzungskasten 390 in 6C dargestellt. Bei 376 führt das zweite Verfahren 370 eine Linienanpassung an der Laschenkante 300 durch und richtet eine Messlinie 392 senkrecht zur Anpassungslinie (d. h. senkrecht zur Laschenkante 300) aus.
Bei 378 verschiebt das zweite Verfahren 370 die Messlinie 392 über die Laschenkante 300 und über den isolierten Vorschweißbereich 302 im gepunkteten Begrenzungsrahmen 390. Im Wesentlichen rastert die Messlinie 392 die Laschenkante 300 und den isolierten Vorschweißbereich 302 im gepunkteten Begrenzungsrahmen 390 ab. Während des Abtastens der Laschenkante 300 und des gepunkteten Begrenzungsrahmens 390 verfolgt das zweite Verfahren 370 die Punkte, an denen die Messlinie 392 die Laschenkante 300 und die Seiten des gepunkteten Begrenzungsrahmens 390 schneidet, die im Allgemeinen parallel zur Laschenkante 300 verlaufen. Beispiele für diese Punkte der Schnittpunkte zwischen der Messlinie 392 und jeder der Laschenkanten 300 und den Seiten des gepunkteten Begrenzungsrahmens 390 sind jeweils bei 394, 396 und 398 dargestellt.
Bei 380 verwendet das zweite Verfahren 370 die Pixelabstandskalibrierung, um eine Verteilung des Maximal- und Mindestabstands zwischen der Laschenkante 300 und den Seiten des gepunkteten Begrenzungsrahmens 390 zu bestimmen. Die Verteilung des Mindestabstands wird zwischen der Laschenkante 300 und der Kante des Vorschweißbereichs 302, die der Laschenkante 300 am nächsten liegt, gemessen. Die Verteilung des Maximalabstands wird zwischen der Laschenkante 300 und der Vorschweißkante 304 gemessen (siehe 5), das ist die Kante des Vorschweißbereichs 302, die am weitesten von der Laschenkante 300 entfernt ist. Die Maximalabstandsverteilung ist eine Reihe von Messungen, die das Vorschweißmaß 312 darstellen.
Darüber hinaus kann das Verfahren 200 den Klassifizierer so trainieren, dass er viele andere Merkmale der Schweißnähte aus den Röntgenaufnahmebildern detektiert und identifiziert. Diese Merkmale umfassen beispielsweise, aber nicht ausschließlich, Merkmale, die sich aus dem Verkleben von Laschen nach dem Schweißen ergeben können, Merkmale mit hoher Dichte, die sich aus Spritzern ergeben können, Merkmale mit niedriger Dichte, die sich aus der Ablösung der Folie oder aus Porosität ergeben können, die jeweils am Rand und in der Mitte der Schweißnähte detektiert und identifiziert werden können.
TEILSCHRITTE DES VERFAHRENS
7 stellt Teilschritte des Schritts 204 des in 3 dargestellten Verfahrens 200 dar. Bei 400 identifiziert das Verfahren 200 Merkmale wie Risse und Falten in den Folien, den Vorschweißbereich (d. h. den Schweißbereich der Folien), den Hauptschweißbereich sowie Schweißbereiche mit hoher und niedriger Dichte der Laschen in den Röntgenaufnahmebildern. Bei 402 kennzeichnet das Verfahren 200 die identifizierten Merkmale zum Segmentieren der Röntgenaufnahmebilder (z. B. unter Verwendung von Maskierungen, wie vorstehend unter Bezugnahme auf 4B und 4C beschrieben).
8 stellt Unterschritte des Schritts 206 des in 3 dargestellten Verfahrens 200 dar. Bei 410 ändert das Verfahren 200 die Größe der Bereiche von Interesse (z. B. skaliert es Merkmale, um Artefakte zu minimieren) aus den Röntgenaufnahmebildern. Die Größenänderung ist vorstehend unter Bezugnahme auf 3 ausführlich beschrieben, und wird daher der Kürze halber nicht noch einmal beschrieben. Bei 412 wendet das Verfahren 200 eine röntgenstrahlenspezifische Erweiterung (z. B. Bildumkehrung, Bilddrehung usw.) auf die Röntgenaufnahmebilder an, wobei Kontraständerungen, Rauschen, Unschärfe usw. vermieden werden. Die röntgenstrahlenspezifische Erweiterung ist vorstehend unter Bezugnahme auf 3 beschrieben, und wird daher der Kürze halber nicht noch einmal beschrieben.
9 stellt Teilschritte des Schritts 210 des in 3 dargestellten Verfahrens 200 dar. Bei 420 wählt das Verfahren 200 Röntgenaufnahmebilder ohne Fehler aus (d. h. Röntgenaufnahmebilder, die keine Fehler wie Risse, Falten und Schweißdefekte enthalten). Bei 422 trainiert das Verfahren 200 einen unären Klassifizierer, um ein unerwartetes Merkmal zu detektieren. Zusätzliche unäre Klassifizierer können trainiert werden, um zusätzliche individuelle unerwartete Merkmale zu detektieren. Beispiele für die unären Klassifizierer und die unerwarteten Merkmale sind vorstehend unter Bezugnahme auf 3 beschrieben, und die Beschreibung wird daher der Kürze halber nicht wiederholt.
10 stellt Teilschritte des Schritts 212 des in 3 dargestellten Verfahrens 200 dar. In Schritt 212 prüft das Verfahren 200 aus 3 die Batteriezellen 100 durch Verarbeitung von Röntgenaufnahmebildern der Batteriezellen 100, die von dem in 2 dargestellten auf Röntgenaufnahmen basierenden System 150 unter Verwendung des trainierten Klassifizierers empfangen wurden. Im Gebrauch (d. h. während der Laufzeit) wird der Schritt 212 des Verfahrens 200 von einem oder mehreren Prozessoren des Servers 158 wie folgt durchgeführt.
Bei 450 empfängt das Verfahren 200 neue Röntgenaufnahmebilder der Batteriezellen 100 vom Detektor 156. Bei 452 verarbeitet das Verfahren 200 ein empfangenes Bild, um ein verarbeitetes Bild zu erzeugen, wie vorstehend unter Bezugnahme auf 8 beschrieben.
Bei 454 gibt das Verfahren 200 das verarbeitete Bild an den trainierten Klassifizierer weiter. Bei 456 führt der trainierte Deep Learning-Klassifizierer eine Bildsegmentierung, Merkmalsdetektion und -messung sowie eine Merkmalskennzeichnung durch, wie vorstehend unter Bezugnahme auf 3 und 5-6D beschrieben. Beispielsweise führt der trainierte Deep Learning-Klassifizierer eine Bildsegmentierung durch, um das verarbeitete Bild für die weitere Analyse mit herkömmlichem maschinellem Sehen oder anderen Verfahren zu maskieren. Bei 458 detektiert der trainierte Klassifizierer basierend auf den Merkmalsmessungen und optional unter Verwendung der vorstehend unter Bezugnahme auf 4A-4C beschriebenen Maskierungsvorgänge gute und defekte Merkmale und detektiert potenziell defekte Merkmale im verarbeiteten Bild. Beispielsweise, wenn der hybride Ansatz verwendet wird, bei dem sowohl Deep Learning-Bildsegmentierung als auch herkömmliche bildverarbeitungsbasierte Verfahren verwendet werden, können die Kennzeichnungen verwendet werden, um ein oder mehrere Merkmale zu maskieren, die in den verarbeiteten Bildern detektiert wurden, um weitere herkömmliche bildverarbeitungsbasierte Verfahren zur zusätzlichen Analyse einiger der Merkmale anzuwenden. Der trainierte Deep Learning-Klassifizierer gibt Daten aus, die gute und defekte Merkmale sowie potenziell defekte Merkmale umfassen, die im verarbeiteten Bild detektiert wurden.
11 stellt Teilschritte des Schritts 214 des in 3 dargestellten Verfahrens 200 dar. In Schritt 214 prüft das Verfahren 200 aus 3 ferner die Batteriezellen 100 durch das Verarbeiten von Röntgenaufnahmebildern der Batteriezellen 100, die von dem in 2 dargestellten auf Röntgenaufnahmen basierenden System 150 unter Verwendung des trainierten unären Klassifizierers empfangen wurden. Im Gebrauch (d. h. während der Laufzeit) wird der Schritt 214 des Verfahrens 200 von einem oder mehreren Prozessoren des Servers 158 wie folgt durchgeführt.
Bei 460 empfängt das Verfahren 200 neue Röntgenaufnahmebilder vom Detektor 156. Bei 462 detektiert das Verfahren 200 ein unerwartetes Merkmal in einem ausgewählten Röntgenaufnahmebild unter Verwendung eines der trainierten unären Klassifizierer, der zum Detektieren des unerwarteten Merkmals trainiert wurde.
Bei 464 bestimmt das Verfahren 200, ob das unerwartete Merkmal im ausgewählten Röntgenaufnahmebild detektiert wird. Wenn nicht, endet das Verfahren 200. Wenn ja, gibt das Verfahren 200 bei 466 Daten über das detektierte unerwartete Merkmal aus. Obwohl nicht dargestellt, kann das Verfahren 200 zusätzliche trainierte unäre Klassifizierer verwenden, um zusätzliche unerwartete Merkmale zu detektieren, indem die Unterschritte des Schritts 214 wiederholt werden.
SERVER
12 stellt ein vereinfachtes Beispiel für den Server 158 dar. Der Server 158 umfasst in der Regel eine oder mehrere CPUs/GPUs/TPUs oder Prozessoren 500, eine Netzwerkschnittstelle 502, einen Speicher 504 und einen Massenspeicher 506. In einigen Implementierungen kann der Server 158 ein Allzweckserver sein und ein oder mehrere Eingabegeräte 508 (z. B. eine Tastatur, ein Touchpad, eine Maus usw.) und ein Anzeige-Teilsystem 510 umfassen, das eine Anzeige 512 umfasst.
Die Netzwerkschnittstelle 502 verbindet den Server 158 mit dem auf Röntgenaufnahmen basierenden System 150 (d. h. mit der Röntgenstrahlenquelle 154 und dem Detektor 156). Die Netzwerkschnittstelle 502 kann beispielsweise eine drahtgebundene Schnittstelle (z. B. eine Ethernet- oder EtherCAT-Schnittstelle) und/oder eine drahtlose Schnittstelle (z. B. Wi-Fi, Bluetooth, Near Field Communication (NFC) oder eine andere drahtlose Schnittstelle) umfassen. Der Speicher 504 kann einen flüchtigen oder nichtflüchtigen Speicher, einen Cache-Speicher oder einen anderen Speichertyp umfassen. Der Massenspeicher 506 kann einen Flash-Speicher, ein oder mehrere magnetische Festplattenlaufwerke (HDDs) oder andere Massenspeichergeräte umfassen.
Der Prozessor 500 des Servers 158 führt ein oder mehrere Betriebssysteme (OS) 514 und eine oder mehrere Serveranwendungen 516 aus, die in einem Hypervisor für virtuelle Maschinen oder einer containerisierten Architektur mit gemeinsamem Speicher untergebracht sein können. Der Massenspeicher 506 kann eine oder mehrere Datenbanken 518 speichern, in denen Datenstrukturen abgelegt sind, die von den Serveranwendungen 516 zur Ausführung der jeweiligen Funktionen verwendet werden. Die Serveranwendungen 516 können Anwendungen umfassen, die die Röntgenstrahlenquelle 154 steuern und die vom Detektor 156 erfassten Daten verarbeiten, wie vorstehend unter Bezugnahme auf 2-11 beschrieben. Insbesondere führen die Serveranwendungen 516 die Verfahren aus, die vorstehend unter Bezugnahme auf 2-11 beschrieben wurden.
Die obige Beschreibung hat lediglich einen veranschaulichenden Charakter und soll die Offenbarung, ihre Anwendung oder ihren Gebrauch nicht einschränken. Die umfassenden Lehren der Offenbarung können in einer ganzen Reihe von Formen umgesetzt werden. Obwohl diese Offenbarung bestimmte Beispiele umfasst, sollte der wahre Umfang der Offenbarung daher nicht auf dieselben beschränkt werden, da andere Änderungen nach dem Studieren der Zeichnungen, der Patentspezifikation und der folgenden Ansprüche deutlich werden. Es versteht sich, dass ein oder mehr Schritte innerhalb eines Verfahrens in unterschiedlicher Reihenfolge (oder gleichzeitig) ausgeführt werden können, ohne die Prinzipien der vorliegenden Offenbarung zu ändern. Die hierin beschriebenen Verfahren und Schritte können beispielsweise auf eine bestimmte Anwendung zugeschnitten werden (z. B. abhängig von der Art der Batteriezellen, den Herstellungsverfahren und -materialien, die zur Herstellung der Batteriezellen verwendet werden, usw.).
Auch wenn die Ausführungsformen vorstehend jeweils als mit bestimmten Merkmalen versehen beschrieben sind, können ferner jedes einzelne oder mehr dieser Merkmale, die in Bezug auf eine Ausführungsform der Offenbarung beschrieben sind, mit Merkmalen jeder der anderen Ausführungsformen umgesetzt und/oder mit denselben kombiniert werden, selbst wenn diese Kombination nicht ausdrücklich beschrieben ist. Mit anderen Worten ausgedrückt, schließen sich die beschriebenen Ausführungsformen nicht gegenseitig aus, und ein Austausch einer oder mehrerer Ausführungsformen untereinander bleibt im Rahmen dieser Offenbarung.
Räumliche und funktionale Beziehungen zwischen Elementen (beispielsweise zwischen Steuerungen, Schaltungselementen, Halbleiterschichten usw.) werden mit verschiedenen Begriffen beschrieben, darunter „verbunden“, „in Eingriff stehend“, „gekoppelt“, „benachbart“, „neben“, „oben auf“, „über“, „unter“ und „angeordnet“. Wird eine Beziehung zwischen ersten und zweiten Elementen in der vorstehenden Offenbarung nicht ausdrücklich als „direkt“ beschrieben, kann diese Beziehung eine direkte Beziehung sein, bei der keine anderen dazwischenliegenden Elemente zwischen den ersten und zweiten Elementen vorhanden sind, aber auch eine indirekte Beziehung, bei der ein oder mehr dazwischenliegende Elemente (entweder räumlich oder funktional) zwischen den ersten und zweiten Elementen vorhanden sind. Wie hierin verwendet, sollte der Ausdruck „A, B und/oder C“ unter Verwendung einer nicht exklusiven logischen ODER-Verknüpfung als logisch (A ODER-verknüpft mit B ODER-verknüpft mit C) ausgelegt werden und nicht als „mindestens eines von A, mindestens eines von B und mindestens eines von C“ verstanden werden.
In den Figuren veranschaulicht die Richtung eines Pfeils, wie sie durch die Pfeilspitze angegeben ist, im Allgemeinen den Informationsfluss (wie Daten oder Anweisungen), der für die Veranschaulichung von Interesse ist. Beispielsweise wenn Element A und Element B eine Mehrzahl von Informationen austauschen, sind die von Element A zu Element B übertragenen Informationen für die Veranschaulichung aber relevant, kann der Pfeil von Element A zu Element B zeigen. Dieser unidirektionale Pfeil bedeutet nicht, dass keine anderen Informationen von Element B zu Element A übertragen werden. Ferner kann Element B bei Informationen, die von Element A zu Element B gesendet werden, Anfragen oder Empfangsbestätigungen für die Informationen an Element A senden.
Bei dieser Anmeldung, die die nachfolgenden Definitionen umfasst, kann der Begriff „Steuerung“ durch den Begriff „Schaltung“ ersetzt werden. Der Begriff „Steuerung“ kann sich auf Folgendes beziehen, Teil davon sein oder Folgendes umfassen: eine anwendungsspezifische integrierte Schaltung (ASIC), eine digitale, analoge oder gemischt analoge/digitale diskrete Schaltung, eine digitale, analoge oder gemischt analoge/digitale integrierte Schaltung, eine kombinatorische Logikschaltung, ein feldprogrammierbares Gate-Array (FPGA), eine Prozessorschaltung (gemeinsam, dediziert oder Gruppe), die Code ausführt, eine Speicherschaltung (gemeinsam, dediziert oder Gruppe), die vom Prozessorschaltkreis ausgeführten Code speichert, andere geeignete Hardwarekomponenten, die die beschriebene Funktionalität bereitstellen, oder eine Kombination von einigen oder allen der oben genannten Komponenten, z. B. in einem System-on-Chip.
Die Steuerung kann eine oder mehrere Schnittstellenschaltungen umfassen. Bei einigen Beispielen können die Schnittstellenschaltungen verdrahtete oder drahtlose Schnittstellen umfassen, die mit einem lokalen Netzwerk (LAN), dem Internet, einem Weitverkehrsnetz (WAN) oder Kombinationen davon verbunden sind. Die Funktionalität einer beliebigen gegebenen Steuerung der vorliegenden Offenbarung kann auf mehrere Steuerungen verteilt sein, die über Schnittstellenschaltungen verbunden sind. Beispielsweise können mehrere Steuerungen einen Ladungsausgleich ermöglichen. In einem anderen Beispiel kann eine Server-Steuerung (auch als Remote- oder Cloud-Steuerung bezeichnet) einige Funktionen im Auftrag einer Client-Steuerung ausführen.
Der Begriff „Code“, wie er vorstehend verwendet wird, kann Software, Firmware und/oder Mikrocode umfassen und sich auf Programme, Routinen, Funktionen, Klassen, Datenstrukturen und/oder Objekte beziehen. Der Begriff „gemeinsame Prozessorschaltung“ umfasst eine einzelne Prozessorschaltung, die Code von mehreren Modulen zum Teil oder in Gesamtheit ausführt. Der Begriff „Gruppenprozessorschaltung“ umfasst eine Prozessorschaltung, die in Kombination mit zusätzlichen Prozessorschaltungen Code von einem oder mehr Steuerungen zum Teil oder in Gesamtheit ausführt. Verweise auf mehrere Prozessorschaltungen umfassen mehrere Prozessorschaltungen auf diskreten Chips, mehrere Prozessorschaltungen auf einem einzelnen Chip, mehrere Kerne einer einzelnen Prozessorschaltung, mehrere Threads einer einzelnen Prozessorschaltung oder eine Kombination davon. Der Begriff „gemeinsame Speicherschaltung“ umfasst eine einzelne Speicherschaltung, die Code von mehreren Steuerungen zum Teil oder in Gesamtheit speichert. Der Begriff „Gruppenspeicherschaltung“ umfasst eine Speicherschaltung, die in Kombination mit zusätzlichen Speichern Code von einer oder mehr Steuerungen zum Teil oder in Gesamtheit speichert.
Der Begriff „Speicherschaltung“ ist eine Untermenge des Begriffs computerlesbares Medium. Der Begriff „computerlesbares Medium“, wie er hierin verwendet wird, umfasst keine transitorischen elektrischen oder elektromagnetischen Signale, die sich durch ein Medium (wie auf einer Trägerwelle) ausbreiten; der Begriff „computerlesbares Medium“ kann daher als greifbar und nicht transitorisch betrachtet werden. Nicht einschränkende Beispiele für ein nicht transitorisches, greifbares, computerlesbares Medium sind nichtflüchtige Speicherschaltungen (wie eine Flash-Speicherschaltung, eine löschbare, programmierbare Festwertspeicherschaltung oder eine Maskenfestwertspeicherschaltung), flüchtige Speicherschaltungen (wie eine statische Direktzugriffsspeicherschaltung oder eine dynamische Direktzugriffsspeicherschaltung), magnetische Speichermedien (wie ein analoges oder digitales Magnetband oder ein Festplattenlaufwerk) und optische Speichermedien (wie eine CD, eine DVD oder eine Blu-ray Disc).
Die in dieser Anmeldung beschriebenen Vorrichtungen und Verfahren können teilweise oder vollständig von einem Spezialcomputer umgesetzt werden, der dadurch erstellt wird, dass ein Allzweckcomputer konfiguriert wird, um eine oder mehrere bestimmte, in Computerprogrammen enthaltene Funktionen auszuführen. Die vorstehend beschriebenen Funktionsblöcke, Ablaufdiagrammkomponenten und andere Elemente dienen als Softwarespezifikationen, die durch die Routinearbeit eines erfahrenen Technikers oder Programmierers in die Computerprogramme übersetzt werden können.
Die Computerprogramme umfassen prozessorausführbare Anweisungen, die auf mindestens einem nicht transitorischen, konkreten, computerlesbaren Medium gespeichert sind. Die Computerprogramme können auch gespeicherte Daten umfassen oder auf diesen beruhen. Die Computerprogramme können ein Basic-Input/Output-System (BIOS), das mit der Hardware des Spezialcomputers zusammenwirkt, Gerätetreiber, die mit bestimmten Geräten des Spezialcomputers zusammenwirken, ein oder mehr Betriebssysteme, Benutzeranwendungen, Hintergrunddienste, Hintergrundanwendungen usw. umfassen.
Die Computerprogramme können umfassen: (i) beschreibenden Text, der zu parsen ist, wie. HTML (Hypertext Markup Language), XML (Extensible Markup Language) oder JSON (JavaScript Object Notation), (ii) Assembler-Code, (iii) Objektcode, der von einem Compiler aus dem Quellcode erzeugt wird, (iv) Quellcode zur Ausführung durch einen Interpreter, (v) Quellcode zur Kompilierung und Ausführung durch einen Just-in-Time-Compiler usw. Nur zum Beispiel kann Quellcode mit der Syntax von Sprachen geschrieben werden, die C, C++, C#, Objective-C, Swift, Haskell, Go, SQL, R, Lisp, Java®, Fortran, Perl, Pascal, Curl, OCaml, Javascript®, HTML5 (Hypertext Markup Language 5th Revision), Ada, ASP (Active Server Pages), PHP (PHP: Hypertext Preprocessor), Scala, Eiffel, Smalltalk, Erlang, Ruby, Flash®, Visual Basic@, Lua, MATLAB, SIMULINK und Python® umfassen.

Claims

Verfahren zum Detektieren von Defekten in Batteriezellen, wobei das Verfahren umfasst: Empfangen eines Röntgenaufnahmebildes einer Batteriezelle; Segmentieren des Röntgenaufnahmebildes in Bereiche von Interesse unter Verwendung eines Klassifizierers; Verarbeiten des segmentierten Röntgenaufnahmebildes unter Verwendung des Klassifizierers, um Merkmale der Batteriezelle zu identifizieren; Detektieren, ob eines oder mehrere der Merkmale im verarbeiteten Röntgenaufnahmebild defekt ist, unter Verwendung des Klassifizierers; und Bestimmen unter Verwendung des Klassifizierers, ob die Batteriezelle defekt ist, basierend darauf, ob eines oder mehrere der Merkmale im verarbeiteten Röntgenaufnahmebild defekt ist.
Verfahren nach Anspruch 1, das ferner das Detektieren eines außergewöhnlichen Zustands in der Batteriezelle unter Verwendung eines unären Klassifizierers umfasst, der sich vom Klassifizierer unterscheidet.
Verfahren nach Anspruch 1, wobei das Detektieren das Detektieren eines oder mehrerer umfasst von einem Riss in einer Folie einer Anode oder einer Kathode in der Batteriezelle, einer Falte in der Folie, einem Defekt in einem ersten Schweißbereich, der verschweißte Folien von Anoden oder Kathoden der Batteriezelle umfasst, und einem Defekt in einem zweiten Schweißbereich, der die verschweißten Folien umfasst, die mit einer Lasche der Batteriezelle verschweißt sind.
Verfahren nach Anspruch 1, wobei eines oder mehrere der Merkmale die Qualität der Verschweißung von Folien von Anoden oder Kathoden der Batteriezelle oder die Qualität der Verschweißung der verschweißten Folien mit einer Lasche der Batteriezelle angeben.
Verfahren nach Anspruch 1, wobei das Segmentieren des Röntgenaufnahmebildes das Hervorheben der Bereiche von Interesse im Röntgenaufnahmebild, das Trennen der Bereiche von Interesse voneinander und das Kennzeichnen der Bereiche von Interesse umfasst.
Verfahren nach Anspruch 1, das ferner die Verwendung des Segmentierens zum Maskieren eines der Merkmale umfasst, um das Verarbeiten eines anderen der Merkmale zu erleichtern.
Verfahren nach Anspruch 1, das ferner das Trainieren des Klassifizierers durch selektives Erweitern eines oder mehrerer der Bereiche von Interesse umfasst, ohne ein Artefakt im Röntgenaufnahmebild zu verursachen, wobei das Erweitern eines oder mehrere umfasst von Spiegeln, Verschieben und Drehen des Röntgenaufnahmebildes oder eines Abschnitts davon.
Verfahren nach Anspruch 7, wobei das Erweitern Kontrastveränderungen, das Hinzufügen von Rauschen und das Verwischen des Röntgenaufnahmebildes oder eines Abschnitts davon oder jegliche Erweiterung ausschließt, die Merkmale verdeckt, die das Identifizieren von Defekten erschweren.
Verfahren nach Anspruch 1, wobei das Detektieren, ob eines oder mehrere der Merkmale defekt ist, umfasst: Detektieren einer Kante einer Lasche der Batteriezelle, womit Folien von Anoden oder Kathoden der Batteriezelle verschweißt sind, im Röntgenaufnahmebild; Messen der Maße eines ersten Schweißbereichs, der die verschweißten Folien umfasst, und eines zweiten Schweißbereichs, der die verschweißten Folien umfasst, die mit der Lasche der Batteriezelle verschweißt sind, relativ zur Kante der Lasche; und Vergleichen der Maße mit jeweiligen Schwellenwerten.
Verfahren nach Anspruch 1, wobei das Detektieren, ob eines oder mehrere der Merkmale defekt ist, umfasst: Detektieren einer Kante einer Lasche der Batteriezelle, womit Folien von Anoden oder Kathoden der Batteriezelle verschweißt sind, im Röntgenaufnahmebild; Einpassen einer Linie rechtwinklig zur Kante der Lasche; Einkapseln eines Bereichs der verschweißten Folien zwischen der Kante und einem Ende der Lasche in einem Begrenzungsrahmen; Scannen der Linie über die Kante und den Begrenzungsrahmen; Messen der Schnittpunkte der Linie mit der Kante und zwei Seiten des Begrenzungsrahmens, die relativ parallel zur Kante verlaufen; und Bestimmen, ob die Schweißung der Folien defekt ist, basierend auf den Messungen.