CN113758932B - 一种基于深度学习的锂电池膈膜缺陷视觉检测方法 - Google Patents
一种基于深度学习的锂电池膈膜缺陷视觉检测方法 Download PDFInfo
- Publication number
- CN113758932B CN113758932B CN202111044890.2A CN202111044890A CN113758932B CN 113758932 B CN113758932 B CN 113758932B CN 202111044890 A CN202111044890 A CN 202111044890A CN 113758932 B CN113758932 B CN 113758932B
- Authority
- CN
- China
- Prior art keywords
- defect
- diaphragm
- lithium battery
- preset
- data
- 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.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 369
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 133
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 133
- 238000001514 detection method Methods 0.000 title claims abstract description 84
- 238000013135 deep learning Methods 0.000 title claims abstract description 34
- 230000000007 visual effect Effects 0.000 title claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims abstract description 59
- 230000002950 deficient Effects 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims description 30
- 238000005070 sampling Methods 0.000 claims description 27
- 238000007689 inspection Methods 0.000 claims description 24
- 238000003860 storage Methods 0.000 claims description 16
- 230000006399 behavior Effects 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000011179 visual inspection Methods 0.000 claims description 9
- 230000003068 static effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 description 11
- 230000004075 alteration Effects 0.000 description 9
- 239000012634 fragment Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 8
- 238000004088 simulation Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 239000000523 sample Substances 0.000 description 6
- 238000003466 welding Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003908 quality control method Methods 0.000 description 3
- 230000017105 transposition Effects 0.000 description 2
- 230000007306 turnover Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
- G01N29/041—Analysing solids on the surface of the material, e.g. using Lamb, Rayleigh or shear waves
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4445—Classification of defects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4481—Neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/023—Solids
- G01N2291/0237—Thin materials, e.g. paper, membranes, thin films
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Acoustics & Sound (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Battery Electrode And Active Subsutance (AREA)
Abstract
本发明提供一种基于深度学习的锂电池隔膜缺陷视觉检测方法，包括：通过预设的线阵相机，采集锂电池隔膜的缺陷隔膜图像，并通过所述缺陷隔膜图像，对锂电池膈膜的缺陷位置进行定位，确定缺陷位置；通过预设的超声波探伤仪，对缺陷位置进行探测，并获取探测数据；接收所述探测数据并传输至预设的深度学习网络系统进行分析，生成缺陷隔膜的缺陷特征数据；基于预设的大数据中心，处理所述缺陷特征数据，并通过所述缺陷特征数据，搭建三维缺陷隔膜检测模型；通过缺陷隔膜检测模型，检测锂电池隔膜，并生成对应的缺陷统计记录，本发明的目的在于快速检测锂电池隔膜缺陷，提升锂电池品质。
Description
技术领域
本发明涉及深度学习、膈膜缺陷视觉技术领域，特别涉及一种基于深度学习的锂电池膈膜缺陷视觉系统。
背景技术
目前，锂电池生产过程中，因为机械振动、物料残次等因素的影响，焊接产品不可避免地存在多种不同类型的焊接缺陷，包括极耳翻折、极耳焊破、极片首层未焊、极片周边碎屑、隔膜异物碎屑等缺陷。为确保电池品质，需要采用机器视觉检测产品缺陷，由于产品极片形状不稳定，极片碎屑细小、极片翻折、无规律。主要依赖于一些规则限制和一些人为设计特征的常规机器视觉检测算法无能为力，无法适应缺陷的多样性，不能满足生产需求。
发明内容
本发明提供一种基于深度学习的锂电池膈膜缺陷视觉系统，以解决上述问题。
实施例1：
根据图1所示，本发明实施例提供了一种基于深度学习的锂电池隔膜缺陷视觉检测方法，其特征在于，包括：
通过预设的线阵相机，采集锂电池隔膜的缺陷隔膜图像，并通过所述缺陷隔膜图像，对锂电池膈膜的缺陷位置进行定位，确定缺陷位置；
通过预设的超声波探伤仪，对缺陷位置进行探测，并获取探测数据；
接收所述探测数据并传输至预设的深度学习网络系统进行分析，生成缺陷隔膜的缺陷特征数据；
基于预设的大数据中心，处理所述缺陷特征数据，并通过所述缺陷特征数据，搭建三维缺陷隔膜检测模型；
通过缺陷隔膜检测模型，检测所述锂电池隔膜，并生成对应的缺陷统计记录。
作为本技术方案的一种实施例，所述通过预设的线阵相机，采集锂电池膈膜的缺陷隔膜图像，并通过所述缺陷隔膜图像，确定锂电池膈膜的缺陷位置，包括以下步骤：
步骤1：通过预设的线阵相机和预设的LED线性聚光源，对锂电池隔膜进行扫描，采集锂电池隔膜的隔膜图像；
步骤2：基于预设的AI隔膜质检图像系统，接收并识别锂电池隔膜图像是否出现缺陷，确定识别结果；
步骤3：当所述识别结果为隔膜图像出现缺陷时，获取锂电池膈膜的缺陷隔膜图像，并按照对应的比例缩放所述缺陷隔膜图像，标定对应的锂电池膈膜的缺陷位置；
步骤4：当所述识别结果为隔膜图像未出现缺陷时，返回步骤1。
作为本技术方案的一种实施例，所述步骤3，包括：
步骤301：当所述识别结果为隔膜图像出现缺陷时，通过AI隔膜质检图像系统，获取缺陷隔膜图像，按照对应的比例对所述缺陷隔膜图像进行投影，确定缺陷隔膜模型；
步骤302：根据所述缺陷隔膜模型，对缺陷隔膜模型的缺陷位置进行贴标，确定缺陷定标位置；
步骤303：基于所述缺陷定标位置，计算锂电池膈膜对应的缺陷位置的位置定位数据；
步骤304：根据所述位置定位数据，确定锂电池膈膜缺陷位置。
作为本技术方案的一种实施例，所述步骤2，包括：
步骤201：基于预设的AI隔膜质检图像系统，基于预设的隔膜质检图像系统，采集预设的标准隔膜图像的第一采样点；
步骤202：接收锂电池隔膜的隔膜图像，并基于所述的隔膜质检图像系统，采集隔膜图像的第二采样点；
步骤203：计算第一采样点和第二采样点的色差值，并计算色差值是否超过预设的色差阈值，生成计算结果；
步骤204：当所述计算结果为色差值超过预设的色差阈值时，对第二采样点进行靶标标定，确定标定样点；
步骤205：基于预设的点云配准系统，对所述标定样点进行缺陷识别，识别所述隔膜图像是否出现缺陷，确定识别结果。
作为本技术方案的一种实施例，所述通过预设的超声波探伤仪，对缺陷位置进行探测，并获取探测数据，包括：
获取锂电池膈膜的缺陷位置；
通过预设的超声波探伤仪，对所述缺陷位置发送超声波信号，并确定超声波频率；
将所述超声波频率传输至预设的大数据中心进行分析，确定缺陷位置的超声波波形，根据所述超声波波形，生成所述缺陷位置对应的探测数据。
作为本技术方案的一种实施例，所述将所述超声波传输至预设的大数据中心进行分析，确定超声波波形，根据所述超声波波形，生成所述缺陷位置对应的探测数据，包括：
获取锂电池隔膜的超声波叠加波型；
基于预设的大数据中心，计算超声波叠加波型和超声波波型的相差波，确定锂电池缺陷隔膜的超声波波形；
基于大数据中心预设的存储数据库，追溯存储数据库内预存的缺陷波形，并计算超声波波形和缺陷波形的相差值；
判断所述相差值是否在预设范围内，确定判断结果；
当所述判断结果为相差值是在预设范围内，查找和缺陷波形对应的波形数据，确定探测数据；
当所述判断结果为相差值不在预设范围内，记录对应所述超声波波形，并传输至大数据中心预设的存储数据库。
作为本技术方案的一种实施例，所述接收所述探测数据并传输至预设的深度学习网络系统进行分析，生成缺陷隔膜的缺陷特征数据，包括：
接收所述探测数据，对所述探测数据进行语义分割，确定分割数据；
基于预设的深度学习网络系统，对所述分割数据进行字符识别，生成行为数据；
对所述行为数据进行特征提取，确定缺陷隔膜的缺陷特征数据。
作为本技术方案的一种实施例，所述基于预设的大数据中心，处理所述缺陷特征数据，并通过所述缺陷特征数据，搭建三维缺陷隔膜检测模型，包括以下步骤：基于预设的深度学习网络系统，处理所述缺陷特征数据，确定静态锂电池隔膜缺陷的动态斜率；
其中，
代表静态锂电池隔膜缺陷趋向的动态斜率，d′i代表大数据中心预设的第i个缺陷特征模拟数据，i＝1,2,…n,n代表采集到的缺陷特征模拟数据总个数，di代表第i个缺陷特征数据，t′i代表大数据中心预设的采集到的缺陷特征模拟数据的第i个时刻；ti代表采集到的缺陷特征数据的第i个时刻；
通过所述动态斜率，构建锂电池隔膜缺陷趋向模型；
其中，所述F代表静态锂电池隔膜缺陷趋向模型，f(dn)代表第n个缺陷特征数据和均值的1×n的差值矩阵，En×n代表单位矩阵， Cov(ti,xi)代表关于第i个时刻采集到的缺陷特征数据的协方差矩阵， j＝1,2,…m,m代表获取到的相同的动态斜率的缺陷特征数据的总个数，dn代表第n个缺陷特征数据，
代表缺陷特征数据的动态斜率， T代表矩阵的转置；
通过锂电池隔膜缺陷趋向模型，对锂电池隔膜缺陷进行三维缺陷模型搭建，确定三维缺陷隔膜检测模型：
其中，F′代表三维缺陷隔膜检测模型，
代表关于锂电池隔膜缺陷趋向模型的空间体积。
作为本技术方案的一种实施例，所述通过缺陷隔膜检测模型，检测锂电池隔膜，并生成对应的缺陷统计记录，包括：
通过缺陷隔膜检测模型，检测锂电池隔膜，获取目标缺陷特征数据；
基于预设的缺陷种类，对所述目标缺陷特征数据进行分类，确定分类结果；
基于预设的大数据中心，识别并处理所述分类结果，统计锂电池隔膜的缺陷种类数量，并确定和缺陷种类对应的缺陷数据；
对锂电池隔膜存在的缺陷种类进行标号，并按照所述标号，查找对应的缺陷数据，并生成对应的缺陷统计记录。
作为本技术方案的一种实施例，所述基于预设的缺陷种类，对所述目标缺陷特征数据进行分类处理，确定分类结果，包括：
基于预设的大数据中心的处理系统，接收目标缺陷特征数据，并对所述目标缺陷特征数据进行语义分析，确定分析结果；
将所述分析结果和大数据中心预设的数据库中的分类数据进行对比，确定分析结果的分析类型；其中，
所述分析类型代表对目标缺陷特征数据的缺陷类型的分析；
划分所述分析类型，确定分析类型的分类结果。
本发明的有益效果如下：本发明实施例通过预设的线阵相机，采集锂电池隔膜的缺陷隔膜图像，线阵相机不仅仅精度高，对比同样像素的相机成本低，并且可以利用光学原理，“减小”线阵CCD像元尺寸，提高了CCD的分辨率，通过所述缺陷隔膜图像，确定锂电池膈膜缺陷位置；隔膜缺陷一般极耳翻折、极耳焊破、极片首层未焊、极片周边碎屑、隔膜异物碎屑等缺陷，但是隔膜缺陷由于极片较小，难以探测，通过预设的超声波探伤仪，对锂电池膈膜缺陷位置进行探测，获取探测数据，探测数据一般由于锂电池缺陷的不同从而生成的波形不同；接收所述探测数据并传输至预设的深度学习网络系统，生成行为数据，分析所述行为数据，生成缺陷隔膜的缺陷特征数据，对不同缺陷隔膜的特征进行提取，进行特征获取；基于预设的大数据中心，处理所述缺陷特征数据，生成对应的缺陷统计数据表，可视化的缺陷数据为用户直观的检查提供了便捷，灵活的检测方式。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
在附图中：
图1为本发明实施例中一种基于深度学习的锂电池膈膜缺陷视觉检测方法的方法流程图；
图2为本发明实施例中一种基于深度学习的锂电池膈膜缺陷视觉检测方法的方法流程图；
图3为本发明实施例中一种基于深度学习的锂电池膈膜缺陷视觉检测方法的方法流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
需说明的是，当部件被称为“固定于”或“设置于”另一个部件，它可以直接在另一个部件上或者间接在该另一个部件上。当一个部件被称为是“连接于”另一个部件，它可以是直接或者间接连接至该另一个部件上。
需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”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发明和简化描述，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发明的限制。
此外，需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序，“多个”的含义是两个或两个以上，除非另有明确具体的限定。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
实施例1：
根据图1所示，本发明实施例提供了一种基于深度学习的锂电池隔膜缺陷视觉检测方法，其特征在于，包括：
通过预设的线阵相机，采集锂电池隔膜的缺陷隔膜图像，并通过所述缺陷隔膜图像，对锂电池膈膜的缺陷位置进行定位，确定缺陷位置；
通过预设的超声波探伤仪，对缺陷位置进行探测，并获取探测数据；
接收所述探测数据并传输至预设的深度学习网络系统进行分析，生成缺陷隔膜的缺陷特征数据；
基于预设的大数据中心，处理所述缺陷特征数据，并通过所述缺陷特征数据，搭建三维缺陷隔膜检测模型；
通过缺陷隔膜检测模型，检测所述锂电池隔膜，并生成对应的缺陷统计记录。
上述技术方案的工作原理和有益效果为：
本发明实施例通过预设的线阵相机，采集锂电池隔膜的缺陷隔膜图像，线阵相机不仅仅精度高，对比同样像素的相机成本低，并且可以利用光学原理，“减小”线阵相机像元尺寸，提高了相机的分辨率，通过所述缺陷隔膜图像，确定锂电池膈膜缺陷位置；隔膜缺陷一般极耳翻折、极耳焊破、极片首层未焊、极片周边碎屑、隔膜异物碎屑等缺陷，但是隔膜缺陷由于极片较小，难以探测，通过预设的超声波探伤仪，对锂电池膈膜缺陷位置进行探测，获取探测数据，探测数据一般由于锂电池缺陷的不同从而生成的波形不同；接收所述探测数据并传输至预设的深度学习网络系统，生成行为数据，分析所述行为数据，生成缺陷隔膜的缺陷特征数据，对不同缺陷隔膜的特征进行提取，进行特征获取；基于预设的大数据中心，处理所述缺陷特征数据，生成对应的缺陷统计数据表，可视化的缺陷数据为用户直观的检查提供了便捷，灵活的检测方式。
实施例2：
本技术方案提供了一种实施例，所述通过预设的线阵相机，采集锂电池膈膜的缺陷隔膜图像，并通过所述缺陷隔膜图像，确定锂电池膈膜的缺陷位置，包括以下步骤：
步骤1：通过预设的线阵相机和预设的LED线性聚光源，对锂电池隔膜进行扫描，采集锂电池隔膜的隔膜图像；
步骤2：基于预设的AI隔膜质检图像系统，接收并识别锂电池隔膜图像是否出现缺陷，确定识别结果；
步骤3：当所述识别结果为隔膜图像出现缺陷时，获取锂电池膈膜的缺陷隔膜图像，并按照对应的比例缩放所述缺陷隔膜图像，标定对应的锂电池膈膜的缺陷位置；
步骤4：当所述识别结果为隔膜图像未出现缺陷时，返回步骤1。
上述技术方案的工作原理和有益效果为：
本技术方案通过预设的线阵相机，采集锂电池膈膜的缺陷隔膜图像，可以对图像加以高清的识别，通过预设的线阵相机和预设的LED 线性聚光源，对锂电池隔膜进行扫描，生成锂电池隔膜的隔膜图像，通过LED线性聚光源不仅提高照射亮度同时使得线阵相机的像素更加清晰，更容易获取到一些非常细微缺陷划分的图片，基于预设的 AI隔膜质检图像系统，获取隔膜图像，并判断隔膜图像是否出现缺陷，确定判断结果，当所述判断结果为隔膜图像出现缺陷时，通过预设的 AI隔膜质检图像系统，采集锂电池膈膜的缺陷隔膜图像，确定锂电池膈膜缺陷位置；AI隔膜质检图像系统可以AI智能的去对膈膜图像加以分析，不仅可以分辨极细微精度的极耳翻折、极耳焊破、极片首层未焊、极片周边碎屑、隔膜异物碎屑等缺陷，当所述判断结果为隔膜图像未出现缺陷时，返回步骤1，通过一种高精度的识别和超声波探测对锂电池隔膜进行探测，保证数据的精准探测。
实施例3：本技术方案提供了一种实施例，所述步骤3，包括：
步骤301：当所述识别结果为隔膜图像出现缺陷时，通过AI隔膜质检图像系统，获取缺陷隔膜图像，按照对应的比例对所述缺陷隔膜图像进行投影，确定缺陷隔膜模型；
步骤302：根据所述缺陷隔膜模型，对缺陷隔膜模型的缺陷位置进行贴标，确定缺陷定标位置；
步骤303：基于所述缺陷定标位置，计算锂电池膈膜对应的缺陷位置的位置定位数据；
步骤304：根据所述位置定位数据，确定锂电池膈膜缺陷位置。
上述技术方案的工作原理和有益效果为：
本技术方案在当所述判断结果为隔膜图像出现缺陷时，通过AI 隔膜质检图像系统，获取缺陷隔膜图像，对所述缺陷隔膜图像进行预设的比例投影，确定缺陷隔膜模型，对缺陷隔膜模型投影是为了立体获取缺陷隔膜的缺陷，锂电池是三维的形状结构，隔膜是包裹着锂电池的，所以需要三维的呈现整个锂电池外覆盖的缺陷隔膜；根据所述缺陷隔膜模型，对缺陷隔膜模型的缺陷位置进行贴标，确定缺陷定标位置，通过在投影上的定位，可以查找到锂电池隔膜对应的缺陷位置；基于所述缺陷定标位置，按照预设的比例进行逆向投影，计算锂电池膈膜对应的缺陷位置的位置定位数据，逆向投影是将锂电池隔膜按比例的投影的比例，再逆向投影回去，定位到一比一的锂电池上，根据所述位置定位数据，确定锂电池膈膜缺陷位置，整个缺陷隔膜模型位置的定位，通过AI隔膜质检系统的精准扫描，不仅获取到极精细的定位，同时对三维的锂电池进行投影，更方便对特征缺陷的信息提取，提供了一种高效、便捷的自动质检方法。
实施例4：本技术方案提供了一种实施例，所述步骤2，包括：
步骤201：基于预设的AI隔膜质检图像系统，基于预设的隔膜质检图像系统，采集预设的标准隔膜图像的第一采样点；
步骤202：接收锂电池隔膜的隔膜图像，并基于所述的隔膜质检图像系统，采集隔膜图像的第二采样点；
步骤203：计算第一采样点和第二采样点的色差值，并计算色差值是否超过预设的色差阈值，生成计算结果；
步骤204：当所述计算结果为色差值超过预设的色差阈值时，对第二采样点进行靶标标定，确定标定样点；
步骤205：基于预设的点云配准系统，对所述标定样点进行缺陷识别，识别所述隔膜图像是否出现缺陷，确定识别结果。
上述技术方案的工作原理和有益效果为：
本技术方案提供了一种实施例，基于预设的AI隔膜质检图像系统，采集预设的标准隔膜图像的第一采样点，标准隔膜图像的第一采样点一般是理想的隔膜色差，接收锂电池隔膜的隔膜图像，并基于所述的隔膜质检图像系统，采集隔膜图像的第二采样点，膈膜图像一般可能包含缺陷图像，通过计算第一采样点和第二采样点的色差值，并计算色差值是否超过预设的色差阈值，生成计算结果，通过像素的计算，可以对隔膜上的缺陷以对应的比例放大，并计算出缺陷位置的色差，当计算结果为色差值超过预设的色差阈值时，对第二采样点进行靶标标定，确定标定样点，阈值是个范围，色差阈值可以对缺陷隔膜进行标定，精准定位，基于预设的点云配准系统，对所述标定样点进行缺陷识别，识别所述隔膜图像是否出现缺陷，确定识别结果，提高了膈膜图像的精确识别性，针对性和灵活性。
实施例5：
本技术方案提供了一种实施例，所述通过预设的超声波探伤仪，对缺陷位置进行探测，并获取探测数据，包括：
获取锂电池膈膜的缺陷位置；
通过预设的超声波探伤仪，对所述缺陷位置发送超声波信号，并确定超声波频率；
将所述超声波频率传输至预设的大数据中心进行分析，确定缺陷位置的超声波波形，根据所述超声波波形，生成所述缺陷位置对应的探测数据。
上述技术方案的工作原理和有益效果为：
本技术方案通过预设的超声波探伤仪，对锂电池膈膜缺陷位置进行探测，获取探测数据，超声波探伤仪主要通过预设频率范围内的超声波的信号，对锂电池隔膜表现进行侦查，如果超声波发出和接收的回声波相差到预设阈值外，则说明隔膜表面有异常凸起或者凹陷，通过精度极高的信号频率，精准获取锂电池膈膜的缺陷位置，通过预设的超声波探伤仪，对所述缺陷位置发送超声波信号，并确定超声波频率，大数据中心可以计算出超声波探测仪的超声波信号的不同波长差，并计算出超声波探伤仪的监测结果，将所述超声波频率传输至预设的大数据中心进行分析，确定超声波频率波形，记录所述波形，生成所述缺陷位置对应的探测数据，提供了一种精准的灵活的探伤方式，接收所述探测数据，对所述探测数据进行语义分割，确定分割数据；基于预设的深度学习网络系统，对所述分割数据进行字符识别，生成行为数据；对所述行为数据进行特征提取，确定缺陷隔膜的缺陷特征数据，为构建三维缺陷隔膜检测模型提供原始的特征数据。
实施例6：
本技术方案提供了一种实施例，所述将所述超声波传输至预设的大数据中心进行分析，确定超声波波形，根据所述超声波波形，生成所述缺陷位置对应的探测数据，包括：
获取锂电池隔膜的超声波叠加波型；
基于预设的大数据中心，计算超声波叠加波型和超声波波型的相差波，确定锂电池缺陷隔膜的超声波波形；
基于大数据中心预设的存储数据库，追溯存储数据库内预存的缺陷波形，并计算超声波波形和缺陷波形的相差值；
判断所述相差值是否在预设范围内，确定判断结果；
当所述判断结果为相差值是在预设范围内，查找和缺陷波形对应的波形数据，确定探测数据；
当所述判断结果为相差值不在预设范围内，记录对应所述超声波波形，并传输至大数据中心预设的存储数据库。
上述技术方案的工作原理和有益效果为：
本技术方案将所述超声波传输至预设的大数据中心进行分析，确定超声波波形，根据所述超声波波形，生成所述缺陷位置对应的探测数据，获取锂电池隔膜的超声波叠加波型，提供一种精确的测量，在图像的测量基准上，加以超声波检测，进行对第一遍的校准和测量，基于预设的大数据中心，计算超声波叠加波型和超声波波型的相差波，确定锂电池缺陷隔膜的超声波波形，通过超声波波形，为缺陷数据提供原始材料，基于大数据中心预设的存储数据库，追溯存储数据库内预存的缺陷波形，并计算超声波波形和缺陷波形的相差值，提高缺陷的精准值，判断相差值是否在预设范围内，确定判断结果，当判断结果为相差值是在预设范围内，查找和缺陷波形对应的波形数据，确定探测数据，不同的相差值，缺陷的定义不同，通过直接查找和对比，直接发现探测数据的波形；当判断结果为相差值不在预设范围内，记录对应所述超声波波形，并传输至大数据中心预设的存储数据库，将没有被记载的缺陷数据统计在存储数据库，并传输至用户终端给工作人员检测。实施例7：根据图2所示，本技术方案提供了一种实施例，所述接收所述探测数据并传输至预设的深度学习网络系统进行分析，生成缺陷隔膜的缺陷特征数据，包括：
接收所述探测数据，对所述探测数据进行语义分割，确定分割数据；
基于预设的深度学习网络系统，对所述分割数据进行字符识别，生成行为数据；
对所述行为数据进行特征提取，确定缺陷隔膜的缺陷特征数据。
上述技术方案的工作原理和有益效果为：
本技术方案基于预设的大数据中心的处理系统，接收缺陷特征数据，对缺陷特征数据进行语义分析，确定分析结果，通过对缺陷数据的机器识别，从而转化为人类能理解的缺陷识别，语义分析主要用于对特征数据进行意义识别，从而确定缺陷特征表现出的缺陷，将计算机的数据语言和语义进行对应；将分析结果和大数据中心预设的数据库中的分类数据进行对比，确定分析结果的分析类型，划分分析类型，确定分析类型的分类结果，通过对分析结果的划分，提供了一种灵活、方便的缺陷特征数据提取方法，对缺陷特征数据进行含义的识别，从而为缺陷统计记录提供原始数据。
实施例8：
本技术方案提供了一种实施例，所述基于预设的大数据中心，处理所述缺陷特征数据，并通过所述缺陷特征数据，搭建三维缺陷隔膜检测模型，包括以下步骤：基于预设的深度学习网络系统，处理所述缺陷特征数据，确定静态锂电池隔膜缺陷的动态斜率；
其中，
代表静态锂电池隔膜缺陷趋向的动态斜率，d′i代表大数据中心预设的第i个缺陷特征模拟数据，i＝1,2,…n,n代表采集到的缺陷特征模拟数据总个数，di代表第i个缺陷特征数据，t′i代表大数据中心预设的采集到的缺陷特征模拟数据的第i个时刻；ti代表采集到的缺陷特征数据的第i个时刻；
通过所述动态斜率，构建锂电池隔膜缺陷趋向模型；
其中，所述F代表静态锂电池隔膜缺陷趋向模型，f(dn)代表第n个缺陷特征数据和均值的1×n的差值矩阵，En×n代表单位矩阵， Cov(ti,xi)代表关于第i个时刻采集到的缺陷特征数据的协方差矩阵， j＝1,2,…m,m代表获取到的相同的动态斜率的缺陷特征数据的总个数，dn代表第n个缺陷特征数据，
代表缺陷特征数据的动态斜率， T代表矩阵的转置；
通过锂电池隔膜缺陷趋向模型，对锂电池隔膜缺陷进行三维缺陷模型搭建，确定三维缺陷隔膜检测模型：
其中，F′代表三维缺陷隔膜检测模型，
代表关于锂电池隔膜缺陷趋向模型的空间体积。
上述技术方案的工作原理和有益效果为：
本技术方案基于预设的大数据中心，处理缺陷特征数据，并通过缺陷特征数据，搭建三维缺陷隔膜检测模型，从而为缺陷隔膜检测提高精确性和针对性，基于预设的深度学习网络系统，处理缺陷特征数据，通过缺陷特征模拟数据和缺陷特征数据，确定静态锂电池隔膜缺陷的动态斜率
通过动态斜率，构建锂电池隔膜缺陷趋向模型F，，模拟隔膜缺陷的缺陷模拟轨迹方式，通过锂电池隔膜缺陷趋向模型，对锂电池隔膜缺陷进行三维缺陷模型搭建，确定三维缺陷隔膜检测模型F′，从而对缺陷隔膜进行量化抽取特征，从而可以获取到质控因子，质控因子可以对缺陷隔膜的特征进行提取，确定如果改进，减少缺陷，通过这些质控因子建立质检模型，复合电池缺陷隔膜的质检轨迹，提供了一种灵活、便捷的质检方法，并提出一种精准的改进方式。
实施例9：
根据图3所示，本技术方案提供了一种实施例，所述通过缺陷隔膜检测模型，检测锂电池隔膜，并生成对应的缺陷统计记录，包括：
通过缺陷隔膜检测模型，检测锂电池隔膜，获取目标缺陷特征数据；
基于预设的缺陷种类，对所述目标缺陷特征数据进行分类，确定分类结果；
基于预设的大数据中心，识别并处理所述分类结果，统计锂电池隔膜的缺陷种类数量，并确定和缺陷种类对应的缺陷数据；
对锂电池隔膜存在的缺陷种类进行标号，并按照所述标号，查找对应的缺陷数据，并生成对应的缺陷统计记录。
上述技术方案的工作原理和有益效果为：
本技术方案通过缺陷隔膜检测模型，检测锂电池隔膜，获取目标缺陷特征数据，基于预设的缺陷种类，对目标缺陷特征数据进行分类，确定分类结果，从而确定缺陷的类型，基于预设的大数据中心，识别并处理分类结果，统计锂电池隔膜的缺陷种类数量，并确定和缺陷种类的缺陷数据，对锂电池隔膜存在的缺陷种类进行标号，并按照标号，查找对应的缺陷数据，提供了一种检索的方式，并生成对应的缺陷统计数据记录，提供了一种可视化、全面的、灵活的缺陷统计数据记录自动生成方式。
实施例10：
本技术方案提供了一种实施例，所述基于预设的缺陷种类，对所述目标缺陷特征数据进行分类处理，确定分类结果，包括：
基于预设的大数据中心的处理系统，接收目标缺陷特征数据，并对所述目标缺陷特征数据进行语义分析，确定分析结果；
将所述分析结果和大数据中心预设的数据库中的分类数据进行对比，确定分析结果的分析类型；其中，
所述分析类型代表对目标缺陷特征数据的缺陷类型的分析；
划分所述分析类型，确定分析类型的分类结果。
上述技术方案的工作原理和有益效果为：
本技术方案基于预设的大数据中心的处理系统，接收目标缺陷特征数据，并对目标缺陷特征数据进行语义分析，确定分析结果，将分析结果和大数据中心预设的数据库中的分类数据进行对比，确定分析结果的分析类型；分析类型代表对目标缺陷特征数据的缺陷类型的分析，分析类型表示目标缺陷特征数据的缺陷类型；划分分析类型，确定分析类型的分类结果，将不同的缺陷类型进行分类，从而获取到最合适的分类结果，为缺陷统计数据记录提供原始材料。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种基于深度学习的锂电池隔膜缺陷视觉检测方法，其特征在于，包括：
通过预设的线阵相机，采集锂电池隔膜的缺陷隔膜图像，并通过所述缺陷隔膜图像，对锂电池膈膜的缺陷位置进行定位，确定缺陷位置；
通过预设的超声波探伤仪，对缺陷位置进行探测，并获取探测数据；
接收所述探测数据并传输至预设的深度学习网络系统进行分析，生成缺陷隔膜的缺陷特征数据；
基于预设的大数据中心，处理所述缺陷特征数据，并通过所述缺陷特征数据，搭建三维缺陷隔膜检测模型；
通过缺陷隔膜检测模型，检测所述锂电池隔膜，并生成对应的缺陷统计记录；
所述通过预设的线阵相机，采集锂电池膈膜的缺陷隔膜图像，并通过所述缺陷隔膜图像，确定锂电池膈膜的缺陷位置，包括以下步骤：
步骤1：通过预设的线阵相机和预设的LED线性聚光源，对锂电池隔膜进行扫描，采集锂电池隔膜的隔膜图像；
步骤2：基于预设的AI隔膜质检图像系统，接收并识别锂电池隔膜图像是否出现缺陷，确定识别结果；
步骤3：当所述识别结果为隔膜图像出现缺陷时，获取锂电池膈膜的缺陷隔膜图像，并按照对应的比例缩放所述缺陷隔膜图像，标定对应的锂电池膈膜的缺陷位置；
步骤4：当所述识别结果为隔膜图像未出现缺陷时，返回步骤1；
所述通过预设的超声波探伤仪，对缺陷位置进行探测，并获取探测数据，包括：
获取锂电池膈膜的缺陷位置；
通过预设的超声波探伤仪，对所述缺陷位置发送超声波信号，并确定超声波频率；
将所述超声波频率传输至预设的大数据中心进行分析，确定缺陷位置的超声波波形，根据所述超声波波形，生成所述缺陷位置对应的探测数据；
所述接收所述探测数据并传输至预设的深度学习网络系统进行分析，生成缺陷隔膜的缺陷特征数据，包括：
接收所述探测数据，对所述探测数据进行语义分割，确定分割数据；
基于预设的深度学习网络系统，对所述分割数据进行字符识别，生成行为数据；
对所述行为数据进行特征提取，确定缺陷隔膜的缺陷特征数据；
所述基于预设的大数据中心，处理所述缺陷特征数据，并通过所述缺陷特征数据，搭建三维缺陷隔膜检测模型，包括以下步骤：基于预设的深度学习网络系统，处理所述缺陷特征数据，确定静态锂电池隔膜缺陷的动态斜率；
通过所述动态斜率，构建锂电池隔膜缺陷趋向模型；
通过锂电池隔膜缺陷趋向模型，对锂电池隔膜缺陷进行三维缺陷模型搭建，确定三维缺陷隔膜检测模型。
2.如权利要求1所述的一种基于深度学习的锂电池膈膜缺陷视觉检测方法，其特征在于，所述步骤3，包括：
步骤301：当所述识别结果为隔膜图像出现缺陷时，通过AI隔膜质检图像系统，获取缺陷隔膜图像，按照对应的比例对所述缺陷隔膜图像进行投影，确定缺陷隔膜模型；
步骤302：根据所述缺陷隔膜模型，对缺陷隔膜模型的缺陷位置进行贴标，确定缺陷定标位置；
步骤303：基于所述缺陷定标位置，计算锂电池膈膜对应的缺陷位置的位置定位数据；
步骤304：根据所述位置定位数据，确定锂电池膈膜缺陷位置。
3.如权利要求1所述的一种基于深度学习的锂电池膈膜缺陷视觉检测方法，其特征在于，所述步骤2，包括：
步骤201：基于预设的AI隔膜质检图像系统，基于预设的隔膜质检图像系统，采集预设的标准隔膜图像的第一采样点；
步骤202：接收锂电池隔膜的隔膜图像，并基于所述的隔膜质检图像系统，采集隔膜图像的第二采样点；
步骤203：计算第一采样点和第二采样点的色差值，并计算色差值是否超过预设的色差阈值，生成计算结果；
步骤204：当所述计算结果为色差值超过预设的色差阈值时，对第二采样点进行靶标标定，确定标定样点；
步骤205：基于预设的点云配准系统，对所述标定样点进行缺陷识别，识别所述隔膜图像是否出现缺陷，确定识别结果。
4.如权利要求1所述的一种基于深度学习的锂电池膈膜缺陷视觉检测方法，其特征在于，所述将所述超声波传输至预设的大数据中心进行分析，确定超声波波形，根据所述超声波波形，生成所述缺陷位置对应的探测数据，包括：
获取锂电池隔膜的超声波叠加波型；
基于预设的大数据中心，计算超声波叠加波型和超声波波型的相差波，确定锂电池缺陷隔膜的超声波波形；
基于大数据中心预设的存储数据库，追溯存储数据库内预存的缺陷波形，并计算超声波波形和缺陷波形的相差值；
判断所述相差值是否在预设范围内，确定判断结果；
当所述判断结果为相差值是在预设范围内，查找和缺陷波形对应的波形数据，确定探测数据；
当所述判断结果为相差值不在预设范围内，记录对应所述超声波波形，并传输至大数据中心预设的存储数据库。
5.如权利要求1所述的一种基于深度学习的锂电池膈膜缺陷视觉检测方法，其特征在于，所述通过缺陷隔膜检测模型，检测锂电池隔膜，并生成对应的缺陷统计记录，包括：
通过缺陷隔膜检测模型，检测锂电池隔膜，获取目标缺陷特征数据；
基于预设的缺陷种类，对所述目标缺陷特征数据进行分类，确定分类结果；
基于预设的大数据中心，识别并处理所述分类结果，统计锂电池隔膜的缺陷种类数量，并确定和缺陷种类对应的缺陷数据；
对锂电池隔膜存在的缺陷种类进行标号，并按照所述标号，查找对应的缺陷数据，并生成对应的缺陷统计记录。
6.如权利要求5所述的一种基于深度学习的锂电池膈膜缺陷视觉检测方法，其特征在于，所述基于预设的缺陷种类，对所述目标缺陷特征数据进行分类处理，确定分类结果，包括：
基于预设的大数据中心的处理系统，接收目标缺陷特征数据，并对所述目标缺陷特征数据进行语义分析，确定分析结果；
将所述分析结果和大数据中心预设的数据库中的分类数据进行对比，确定分析结果的分析类型；其中，
所述分析类型代表对目标缺陷特征数据的缺陷类型的分析；
划分所述分析类型，确定分析类型的分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111044890.2A CN113758932B (zh) | 2021-09-07 | 2021-09-07 | 一种基于深度学习的锂电池膈膜缺陷视觉检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111044890.2A CN113758932B (zh) | 2021-09-07 | 2021-09-07 | 一种基于深度学习的锂电池膈膜缺陷视觉检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113758932A CN113758932A (zh) | 2021-12-07 |
| CN113758932B true CN113758932B (zh) | 2022-11-25 |
Family
ID=78793504
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111044890.2A Active CN113758932B (zh) | 2021-09-07 | 2021-09-07 | 一种基于深度学习的锂电池膈膜缺陷视觉检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113758932B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116413337A (zh) * | 2021-12-31 | 2023-07-11 | 广东利元亨智能装备股份有限公司 | 基于电池缺陷检测系统的检测方法、系统及存储介质 |
| CN114092474B (zh) * | 2022-01-19 | 2022-05-13 | 深圳市杰美特科技股份有限公司 | 一种手机外壳复杂纹理背景的加工缺陷检测方法及系统 |
| CN115829907B (zh) * | 2022-04-18 | 2024-02-23 | 宁德时代新能源科技股份有限公司 | 对复合料带的隔膜进行缺陷检测的方法、装置、系统 |
| CN114782429B (zh) * | 2022-06-17 | 2023-04-07 | 深圳市菲尼基科技有限公司 | 基于图像的锂电池缺陷检测方法、装置、设备及存储介质 |
| CN116674300B (zh) * | 2023-05-24 | 2023-11-14 | 常州润来科技有限公司 | 一种基于铜管探伤结果的自动喷墨标记系统及方法 |
| CN117109274B (zh) * | 2023-09-22 | 2024-03-19 | 惠州市信宇人科技有限公司 | 一种用于锂离子电池极片干燥的数字孪生系统及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109360186A (zh) * | 2018-08-31 | 2019-02-19 | 广州超音速自动化科技股份有限公司 | 锂电池隔膜检测方法、电子设备、存储介质及系统 |
| CN110763705A (zh) * | 2019-10-30 | 2020-02-07 | 艾偲睿科技(厦门)有限责任公司 | 一种基于x光影像的深度学习识别方法、系统以及x光机 |
| CN111024728A (zh) * | 2019-12-26 | 2020-04-17 | 江西交通职业技术学院 | 一种基于计算机视觉与超声波探伤的铁路检测方法和系统 |
| JP2020134187A (ja) * | 2019-02-14 | 2020-08-31 | ファナック株式会社 | 傷検査装置および方法 |
| CN112950547A (zh) * | 2021-02-03 | 2021-06-11 | 佛山科学技术学院 | 一种基于深度学习的锂电池隔膜缺陷机器视觉检测方法 |
| CN113155851A (zh) * | 2021-04-30 | 2021-07-23 | 西安交通大学 | 基于深度学习的覆铜板表面缺陷视觉在线检测方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190346566A1 (en) * | 2018-05-11 | 2019-11-14 | Chih-Chieh Lin | Surface detection method |
-
2021
- 2021-09-07 CN CN202111044890.2A patent/CN113758932B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109360186A (zh) * | 2018-08-31 | 2019-02-19 | 广州超音速自动化科技股份有限公司 | 锂电池隔膜检测方法、电子设备、存储介质及系统 |
| JP2020134187A (ja) * | 2019-02-14 | 2020-08-31 | ファナック株式会社 | 傷検査装置および方法 |
| CN110763705A (zh) * | 2019-10-30 | 2020-02-07 | 艾偲睿科技(厦门)有限责任公司 | 一种基于x光影像的深度学习识别方法、系统以及x光机 |
| CN111024728A (zh) * | 2019-12-26 | 2020-04-17 | 江西交通职业技术学院 | 一种基于计算机视觉与超声波探伤的铁路检测方法和系统 |
| CN112950547A (zh) * | 2021-02-03 | 2021-06-11 | 佛山科学技术学院 | 一种基于深度学习的锂电池隔膜缺陷机器视觉检测方法 |
| CN113155851A (zh) * | 2021-04-30 | 2021-07-23 | 西安交通大学 | 基于深度学习的覆铜板表面缺陷视觉在线检测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113758932A (zh) | 2021-12-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113758932B (zh) | 一种基于深度学习的锂电池膈膜缺陷视觉检测方法 | |
| CA2146911C (en) | Lumber defect scanning including multi-dimensional pattern recognition | |
| CN114926462B (zh) | 一种金属材料表面缺陷的智能检测方法及系统 | |
| JP5718781B2 (ja) | 画像分類装置および画像分類方法 | |
| CN106846298B (zh) | 光纤排线识别方法和装置 | |
| CN116429768B (zh) | 一种密封钉焊接质量检测方法、系统、设备及存储介质 | |
| CN111242899B (zh) | 基于图像的瑕疵检测方法及计算机可读存储介质 | |
| CN113313712B (zh) | 一种电池涂胶缺陷检测方法、装置、电子设备及存储介质 | |
| CN109283182A (zh) | 一种电池焊点缺陷的检测方法、装置及系统 | |
| CN115601359A (zh) | 一种焊缝检测方法及装置 | |
| CN119006503B (zh) | 基于纹理特征分析的接触式仪器三维轮廓缺陷检测方法 | |
| CN116337871A (zh) | 一种动力电池焊缝检测方法、系统、设备及存储介质 | |
| CN117542301A (zh) | 一种显示屏的检测方法及系统 | |
| CN110335242A (zh) | 一种基于多模型融合的轮胎x光病疵检测方法 | |
| CN113191362B (zh) | 一种变电设备油渗漏缺陷检测装置及方法 | |
| CN118521590B (zh) | 一种基于机器学习的喷绘机印刷质量评估方法及系统 | |
| CN119086721A (zh) | 基于非接触式测量的塑料制品强度检测方法及装置 | |
| CN114943707B (zh) | 基于像素级角膜生物力学参数的细微角膜形变识别方法及装置 | |
| KR101782366B1 (ko) | 스케일 보정을 통한 표본 정규화가 수행되는 학습기반의 비전검사 방법 | |
| KR100538229B1 (ko) | 화상 형성을 위한 미디어 판별 방법 및 장치 | |
| CN215767497U (zh) | 压力表智能检定装置 | |
| CN112967231B (zh) | 焊接质量检测方法及其装置、计算机可读存储介质 | |
| CN114140392B (zh) | 一种基于深度学习的卷包设备保养质量自动判别方法、装置及系统 | |
| CN119515775A (zh) | 基于目标检测的加油机软管生产质量检测方法 | |
| CN119438218A (zh) | 一种基于人工智能的产品缺陷检测方法、装置及电子设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |