CN108107051B - 基于机器视觉的锂电池缺陷检测***及方法 - Google Patents
基于机器视觉的锂电池缺陷检测***及方法 Download PDFInfo
- Publication number
- CN108107051B CN108107051B CN201711372002.3A CN201711372002A CN108107051B CN 108107051 B CN108107051 B CN 108107051B CN 201711372002 A CN201711372002 A CN 201711372002A CN 108107051 B CN108107051 B CN 108107051B
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- image
- defect
- gray
- area
- 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
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
- 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
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/8861—Determining coordinates of flaws
-
- 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
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/8874—Taking dimensions of defect into account
-
- 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
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/888—Marking defects
-
- 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
- G01N2021/8887—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 based on image processing techniques
Landscapes
- Secondary Cells (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Signal Processing (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供一种基于机器视觉的锂电池缺陷检测方法，包括以下步骤：步骤S1，采集锂电池侧边的图像；步骤S2，对采集的图像进行处理和分析，通过视觉检测软件进行；步骤S3，根据图像处理和分析的判断结果，对锂电池进行良品与不良品分流处理。本发明用相机拍摄锂电池切边后，滴胶前的侧边图像，通过图像分析检测锂电池侧边是否在破损，漏液，封膜切边不良等状况，将检测结果实时反馈给工控机，最后挑出不合格的锂电池。
Description
技术领域
本发明涉及属于锂电池自动化设备技术领域，尤其是一种基于机器视觉的锂电池缺陷检测***。
背景技术
在锂电池生产工艺中，锂电池侧边胶合前需要检测侧边是否存在破损，漏液，封膜切边不良等状况。在现有生产中首先从产线上提取锂电池到夹具中，经过切刀切边后滴胶再胶合，其中确定胶合前电池侧边是否存在破损是十分重要的，涉及到电池的合格率和安全性。在现有生产工序中，因检测步骤在切刀切边后，滴胶前，这一检测工艺较难在机器上进行人工检测，大都在胶合后或产线前人工肉眼检测。采用现有检测工序时，因为检测不实时，人工肉眼易视觉疲劳，人为影响因素大等原因，存在着检测效率低，漏检率高等现象。
在现有技术工序中，人工检测存在着很多缺点，如检测不实时，人为判断标准不一，人为因素影响较多等，也会导致锂电池存在人为二次接触导致破损的情况。
发明内容
本发明的目的在于克服现有技术中存在的不足，提供一种基于机器视觉的锂电池缺陷检测***及方法，用相机拍摄锂电池切边后，滴胶前的侧边图像，通过图像分析检测锂电池侧边是否在破损，漏液，封膜切边不良等状况，将检测结果实时反馈给工控机，最后挑出不合格的锂电池。本发明采用的技术方案是：
一种基于机器视觉的锂电池缺陷检测方法，包括以下步骤：
步骤S1，采集锂电池侧边的图像；
步骤S2，对采集的图像进行处理和分析；
步骤S3，根据图像处理和分析的判断结果，对锂电池进行良品与不良品分流处理。
进一步地，步骤S2具体包括：
步骤S201，首先对图像进行预处理，转换成相应灰度图；
步骤S202，定位锂电池的位置，从灰度图中抓取要检测的区域；采用平均阈值分割法处理；具体包括：
对灰度图中每一行像素用公式(1)计算：
其中m为每行像素灰度值的平均阈值，c是图像的长度,a是补偿参数，x表示一行上各个像素的灰度值；用上述相同方法得到每列像素灰度值的平均阈值；然后用阈值分割法得到锂电池的边缘，进一步找到锂电池上需要检测的区域；
步骤S203，采用梯度标记，对检测区域内梯度超过设定阈值的缺陷进行分析和标记；具体如下：
检测区域内像素灰度值作卷积，得到像素灰度值变化的梯度；卷积处理输出的像素灰度值变化的梯度y(i,j)是输入像素灰度值f(i+a,j+b)的加权和，如公式(2)计算:
其中h是卷积运算的核，a和b是卷积核的长度和宽度，i和j是图像像素的横坐标和纵坐标；
步骤S204，将标记的区域连通作为缺陷区域；
步骤S205，根据标记出的缺陷区域的面积和/或周长来判断该缺陷区域是否是需要检测出的缺陷。
进一步地，步骤S201中还进行降噪处理。
进一步地，补偿参数a取值范围(0-50)。
进一步地，步骤S203中，在做卷积时，针对不同的缺陷采用不同的核进行运算。
进一步地，步骤S3中，具体包括：
如果判断结果显示来料是良品，则标记为ok，该工位的锂电池会正常流到下一个工序；
如果判断结果显示缺陷区域被判断为缺陷，则记住该工位的锂电池后把锂电池流入不良品区域。
本发明还提供一种基于机器视觉的锂电池缺陷检测***，
包括相机、视觉检测***、控制***；在检测工位设置传感器，以检测是否有锂电池，如有则相应触发相机采集图像；
相机侧向对准检测工位，以拍摄锂电池侧边的图像；相机连接视觉检测***，视觉检测***连接控制***；
视觉检测***通过视觉检测软件对采集的图像进行处理和分析；
控制***根据图像处理和分析的判断结果，对锂电池进行良品与不良品分流处理。
本发明的优点：本发明采用CCD视觉非接触式检测，主要解决了锂电池侧边胶合前需要检测电池侧边是否存在缺陷的问题，同时又保证了该工序检测不会二次人为接触导致电池破损，检测效率高，漏检率低。
1)节约的大量的人力资源并保证了检测的效率。
2)图像处理过程中电池定位算法和缺陷检测算法提高了检测精度和稳定性；可以保证自动识别需要检测的电池区域，标记出缺陷区域在图像中的具体的位置，面积和周长大小。
附图说明
图1为本发明的检测***示意图。
图2为本发明的正常锂电池侧面示意图。
图3为本发明的锂电池侧边存在漏液现象示意图。
图4为本发明的锂电池侧边存在异物示意图。
图5为本发明的锂电池切边不良示意图。
图6为本发明实施例检测方法流程图。
具体实施方式
下面结合具体附图和实施例对本发明作进一步说明。
基于机器视觉的锂电池缺陷检测***，如图1所示，包括CCD相机1、视觉检测***2、控制***3；其中视觉检测***2可以是一台计算机，上面安装有视觉检测软件；控制***3可以是工控机；在检测工位4可设置传感器，以检测夹具中是否有锂电池，如有则相应触发CCD相机1采集图像；
CCD相机1侧向对准检测工位4，以拍摄锂电池侧边的图像；CCD相机1连接视觉检测***2，视觉检测***2连接控制***3；
图2中显示了锂电池切边工艺后正常的情况，锂电池5的侧边501完好，切边后的封膜6也正常；
图3中显示了锂电池切边工艺后，锂电池5侧边501漏液的情况；
图4中显示了锂电池切边工艺后，锂电池侧边501存在异物的情况；这会导致后续封膜6包装后，锂电池成品中存在异物或封装不良；
图5中显示了锂电池切边工艺后，封膜6切边不良的情况，这会导致后续无法进行封装；
基于机器视觉的锂电池缺陷检测方法，具体包括以下步骤：
步骤S1，CCD相机1采集锂电池侧边的图像，并将图像传送给视觉检测***2；
步骤S2，视觉检测***2对接收到的图像进行处理和分析，主要通过视觉检测软件进行；具体包括：
步骤S201，首先对图像进行预处理，转换成相应灰度图，以及降噪处理，去除干扰因素；
步骤S202，定位锂电池的位置，从灰度图中抓取要检测的区域；采用平均阈值分割法处理；具体包括：
对灰度图中每一行像素用公式(1)计算：
其中m为每行像素灰度值的平均阈值，c是图像的长度,a是补偿参数(0-50)，x表示一行上各个像素的灰度值；用上述相同方法得到每列像素灰度值的平均阈值；然后用阈值分割法得到锂电池的边缘，进一步找到锂电池上需要检测的区域；
举例来说，假如有下表所示8行像素；
| 50 | 50 | 100 | 50 | 50 | |||||
| 50 | 50 | 50 | 50 | 50 | 50 | 50 | 50 | 50 | 50 |
| 100 | 100 | 100 | 100 | 100 | 100 | 100 | 100 | 100 | 100 |
| 100 | 100 | 100 | 100 | 100 | 100 | 100 | 100 | 100 | 100 |
| 100 | 100 | 100 | 100 | 100 | 100 | 100 | 100 | 100 | 100 |
| 100 | 100 | 100 | 100 | 100 | 100 | 100 | 100 | 100 | 100 |
| 50 | 50 | 50 | 50 | 50 | 50 | 50 | 50 | 50 | 50 |
| 50 | 50 | 100 | 50 | 50 |
锂电池的上下边缘是第2和第7行；
先计算每行像素灰度值的平均阈值，比如得到的是：20,50,100,100,100,100,50,20；
然后进行阈值分割，阈值是50就会得到正确的2到7行边缘；
对于图像的每列像素，采用相同的处理方法进行阈值分割；
步骤S203，采用梯度标记，对检测区域内梯度超过设定阈值的缺陷进行分析和标记；具体如下：
检测区域内像素灰度值作卷积，得到像素灰度值变化的梯度；在做卷积时，可针对不同的缺陷采用不同的核进行运算；卷积处理输出的像素灰度值变化的梯度y(i,j)是输入像素灰度值f(i+a,j+b)的加权和，如公式(2)计算:
其中h是卷积运算的核，a和b是卷积核的长度和宽度，i和j是图像像素的横坐标和纵坐标；
步骤S204，将标记的区域连通作为缺陷区域；
步骤S205，根据标记出的缺陷区域的面积和周长来决定该缺陷区域是否是想要检测出的缺陷；
实际检测时，有些面积非常小的缺陷区域，可能不判断为缺陷；
步骤S3，视觉检测***的判断结果发送给控制***；控制***进行：
如果判断结果显示来料是良品，则标记为ok，该工位的锂电池会正常流到下一个工序；
如果判断结果显示缺陷区域被判断为缺陷，则控制***如工控机记住该工位的锂电池后把锂电池流入不良品区域；
锂电池缺陷具体检测过程如图6所示，首先锂电池通过相机检测的工位，通过传感器检测出夹具中是否有锂电池，如果有电池，工控机控制的相机开始触发采集图像，图像传送到视觉检测软件，经过软件的分析判断锂电池侧边是否有缺陷，把结果信息发送给工控机，如果是正常料，则流入下一道工序，如果是不良品则记录当前电池的工位，把锂电池流入不良品区域；至此缺陷检测功能完成。
Claims (8)
1.一种基于机器视觉的锂电池缺陷检测方法，其特征在于，包括以下步骤：
步骤S1，采集锂电池侧边的图像；
步骤S2，对采集的图像进行处理和分析；
步骤S3，根据图像处理和分析的判断结果，对锂电池进行良品与不良品分流处理；
步骤S2具体包括：
步骤S201，首先对图像进行预处理，转换成相应灰度图；
步骤S202，定位锂电池的位置，从灰度图中抓取要检测的区域；采用平均阈值分割法处理；具体包括：
对灰度图中每一行像素用公式(1)计算：
其中m为每行像素灰度值的平均阈值，c是图像的长度,a是补偿参数，x表示一行上各个像素的灰度值；
用上述相同方法得到每列像素灰度值的平均阈值；
然后用阈值分割法得到锂电池的边缘，进一步找到锂电池上需要检测的区域；
步骤S203，采用梯度标记，对检测区域内梯度超过设定阈值的缺陷进行分析和标记；具体如下：
检测区域内像素灰度值作卷积，得到像素灰度值变化的梯度；卷积处理输出的像素灰度值变化的梯度y(i,j)是输入像素灰度值f(i+a,j+b)的加权和，如公式(2)计算:
其中h是卷积运算的核，a和b是卷积核的长度和宽度，i和j是图像像素的横坐标和纵坐标；
步骤S204，将标记的区域连通作为缺陷区域；
步骤S205，根据标记出的缺陷区域的面积和/或周长来判断该缺陷区域是否是需要检测出的缺陷。
2.如权利要求1所述的基于机器视觉的锂电池缺陷检测方法，其特征在于，
步骤S201中还进行降噪处理。
3.如权利要求1所述的基于机器视觉的锂电池缺陷检测方法，其特征在于，
补偿参数a取值范围(0-50)。
4.如权利要求1所述的基于机器视觉的锂电池缺陷检测方法，其特征在于，
步骤S203中，在做卷积时，针对不同的缺陷采用不同的核进行运算。
5.如权利要求1所述的基于机器视觉的锂电池缺陷检测方法，其特征在于，
步骤S3中，具体包括：
如果判断结果显示来料是良品，则标记为ok，该工位的锂电池会正常流到下一个工序；
如果判断结果显示缺陷区域被判断为缺陷，则记住该工位的锂电池后把锂电池流入不良品区域。
6.一种基于机器视觉的锂电池缺陷检测***，其特征在于，
包括相机、视觉检测***、控制***；在检测工位设置传感器，以检测是否有锂电池，如有则相应触发相机采集图像；
相机侧向对准检测工位，以拍摄锂电池侧边的图像；相机连接视觉检测***，视觉检测***连接控制***；
视觉检测***通过视觉检测软件对采集的图像进行处理和分析；
控制***根据图像处理和分析的判断结果，对锂电池进行良品与不良品分流处理；
视觉检测***对接收到的图像进行处理和分析，具体包括：
步骤S201，首先对图像进行预处理，转换成相应灰度图；
步骤S202，定位锂电池的位置，从灰度图中抓取要检测的区域；采用平均阈值分割法处理；
对灰度图中每一行像素用公式(1)计算：
其中m为每行像素灰度值的平均阈值，c是图像的长度,a是补偿参数，x表示一行上各个像素的灰度值；用上述相同方法得到每列像素灰度值的平均阈值；然后用阈值分割法得到锂电池的边缘，进一步找到锂电池上需要检测的区域；
步骤S203，采用梯度标记，对检测区域内梯度超过设定阈值的缺陷进行分析和标记；具体如下：
检测区域内像素灰度值作卷积，得到像素灰度值变化的梯度；卷积处理输出的像素灰度值变化的梯度y(i,j)是输入像素灰度值f(i+a,j+b)的加权和，如公式(2)计算:
其中h是卷积运算的核，a和b是卷积核的长度和宽度，i和j是图像像素的横坐标和纵坐标；
步骤S204，将标记的区域连通作为缺陷区域；
步骤S205，根据标记出的缺陷区域的面积和/或周长来判断该缺陷区域是否是需要检测出的缺陷。
7.如权利要求6所述的基于机器视觉的锂电池缺陷检测***，其特征在于，
步骤S201中还进行降噪处理。
8.如权利要求6所述的基于机器视觉的锂电池缺陷检测***，其特征在于，
步骤S203中，在做卷积时，针对不同的缺陷采用不同的核进行运算。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711372002.3A CN108107051B (zh) | 2017-12-19 | 2017-12-19 | 基于机器视觉的锂电池缺陷检测***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711372002.3A CN108107051B (zh) | 2017-12-19 | 2017-12-19 | 基于机器视觉的锂电池缺陷检测***及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108107051A CN108107051A (zh) | 2018-06-01 |
| CN108107051B true CN108107051B (zh) | 2020-03-31 |
Family
ID=62211050
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711372002.3A Active CN108107051B (zh) | 2017-12-19 | 2017-12-19 | 基于机器视觉的锂电池缺陷检测***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108107051B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102022100051A1 (de) | 2022-01-03 | 2023-07-06 | Dr. Ing. H.C. F. Porsche Aktiengesellschaft | Verfahren zur Prüfung einer Oberflächentopografie eines Batteriegehäuses sowie eine Prüfanordnung für ein Batteriegehäuseteil |
Families Citing this family (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108711154A (zh) * | 2018-08-24 | 2018-10-26 | 深圳市诚捷智能装备股份有限公司 | 电容器缺陷检测方法、电容器缺陷检测***及电容器组立捺印连体机 |
| CN109239076B (zh) * | 2018-08-29 | 2021-04-06 | 西安理工大学 | 一种基于机器视觉的缝纫线迹缺陷检测方法 |
| 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*** |
| CN109596620A (zh) * | 2018-11-10 | 2019-04-09 | 江苏网进科技股份有限公司 | 基于机器视觉的产品表面形状缺陷检测方法和*** |
| CN109685789B (zh) * | 2018-12-24 | 2024-05-31 | 广州超音速自动化科技股份有限公司 | 基于视觉检测的电芯表面胶纸检测方法及装置 |
| JP6630912B1 (ja) * | 2019-01-14 | 2020-01-15 | 株式会社デンケン | 検査装置及び検査方法 |
| CN110501341A (zh) * | 2019-08-19 | 2019-11-26 | 无锡先导智能装备股份有限公司 | 电池检测***及电池检测方法 |
| CN112455098A (zh) * | 2019-09-09 | 2021-03-09 | 无锡先导智能装备股份有限公司 | 极片打标方法和极片打标*** |
| CN110608861A (zh) * | 2019-09-10 | 2019-12-24 | 深圳市誉辰自动化设备有限公司 | 软包电池密封性检测方法及装置 |
| CN110802042A (zh) * | 2019-11-12 | 2020-02-18 | 中国计量大学 | 基于机器视觉的锂电池智能检测与控制*** |
| CN111951253B (zh) * | 2020-05-19 | 2021-08-20 | 高视科技(苏州)有限公司 | 用于锂电池表面缺陷检测的方法、设备及可读存储介质 |
| IT202000024808A1 (it) * | 2020-10-21 | 2022-04-21 | Marposs Spa | Metodo ed unità di controllo ottico di un bordo di un nastro con riconoscimento di parti metalliche |
| CN113640304B (zh) * | 2021-08-10 | 2024-03-08 | 合肥国轩高科动力能源有限公司 | 一种动力电池密封钉焊接检测装置及方法 |
| CN113706495B (zh) * | 2021-08-23 | 2022-11-22 | 广东奥普特科技股份有限公司 | 一种在传送带上自动检测锂电池参数的机器视觉检测*** |
| CN114184616A (zh) * | 2021-11-25 | 2022-03-15 | 安徽布拉特智能科技有限公司 | 一种锂电池用蓝膜的检测装置及其控制方法 |
| CN114136981A (zh) * | 2021-11-26 | 2022-03-04 | 广东速美达自动化股份有限公司 | 一种锂电池包Mylar膜检测方法及检测*** |
| CN114462558A (zh) * | 2022-04-13 | 2022-05-10 | 南昌工程学院 | 一种数据增广的监督学习图像缺陷分类方法与*** |
| 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 |
| CN115060320B (zh) * | 2022-06-20 | 2023-09-29 | 武汉涛初科技有限公司 | 一种基于机器视觉的动力锂电池生产质量在线监测分析*** |
| CN115156093A (zh) * | 2022-06-29 | 2022-10-11 | 上海商汤智能科技有限公司 | 电池外壳缺陷检测方法、***及装置 |
| CN117929280A (zh) * | 2024-03-21 | 2024-04-26 | 宁德时代新能源科技股份有限公司 | 电池蓝膜包覆***及电池蓝膜包覆的检测方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101821581A (zh) * | 2007-08-31 | 2010-09-01 | 托蒂瓦尔太阳能公司 | 用于检查物体表面的方法和装置 |
| CN201897572U (zh) * | 2010-03-02 | 2011-07-13 | 新奥光伏能源有限公司 | 一种玻璃破边检测*** |
| CN102374993A (zh) * | 2010-08-20 | 2012-03-14 | 吴华 | 集成电路封装片三维引脚外观检测单元及其检测方法 |
| CN203053878U (zh) * | 2012-12-31 | 2013-07-10 | 惠州市通用视觉科技有限公司 | 一种锂电池检测用治具 |
| CN103376260A (zh) * | 2012-04-27 | 2013-10-30 | 韩美半导体株式会社 | 半导体封装检查设备及使用该设备的半导体封装检查方法 |
| CN103487440A (zh) * | 2013-08-28 | 2014-01-01 | 东莞市三瑞自动化科技有限公司 | 一种基于机器视觉的电池极耳检测方法及其检测*** |
| CN103499585A (zh) * | 2013-10-22 | 2014-01-08 | 常州工学院 | 基于机器视觉的非连续性锂电池薄膜缺陷检测方法及其装置 |
| CN203630045U (zh) * | 2013-10-21 | 2014-06-04 | 郑州安图生物工程股份有限公司 | ***联检卡 |
| CN105548201A (zh) * | 2016-01-15 | 2016-05-04 | 浙江野马电池有限公司 | 一种电池焊盖视觉检测方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101349540B (zh) * | 2007-07-18 | 2011-06-29 | 财团法人工业技术研究院 | 影像调整方法及影像撷取装置 |
| JP6707920B2 (ja) * | 2016-03-14 | 2020-06-10 | 株式会社リコー | 画像処理装置、画像処理方法、およびプログラム |
| JP2017203622A (ja) * | 2016-05-09 | 2017-11-16 | コニカミノルタ株式会社 | 色むら検査方法及び色むら検査装置 |
| CN106841214A (zh) * | 2017-01-21 | 2017-06-13 | 兰州理工大学 | 一种非接触式风电叶片风沙侵蚀程度检测方法 |
| CN106952258B (zh) * | 2017-03-23 | 2019-12-03 | 南京汇川图像视觉技术有限公司 | 一种基于梯度方向直方图的瓶口缺陷检测方法 |
-
2017
- 2017-12-19 CN CN201711372002.3A patent/CN108107051B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101821581A (zh) * | 2007-08-31 | 2010-09-01 | 托蒂瓦尔太阳能公司 | 用于检查物体表面的方法和装置 |
| CN201897572U (zh) * | 2010-03-02 | 2011-07-13 | 新奥光伏能源有限公司 | 一种玻璃破边检测*** |
| CN102374993A (zh) * | 2010-08-20 | 2012-03-14 | 吴华 | 集成电路封装片三维引脚外观检测单元及其检测方法 |
| CN103376260A (zh) * | 2012-04-27 | 2013-10-30 | 韩美半导体株式会社 | 半导体封装检查设备及使用该设备的半导体封装检查方法 |
| CN203053878U (zh) * | 2012-12-31 | 2013-07-10 | 惠州市通用视觉科技有限公司 | 一种锂电池检测用治具 |
| CN103487440A (zh) * | 2013-08-28 | 2014-01-01 | 东莞市三瑞自动化科技有限公司 | 一种基于机器视觉的电池极耳检测方法及其检测*** |
| CN203630045U (zh) * | 2013-10-21 | 2014-06-04 | 郑州安图生物工程股份有限公司 | ***联检卡 |
| CN103499585A (zh) * | 2013-10-22 | 2014-01-08 | 常州工学院 | 基于机器视觉的非连续性锂电池薄膜缺陷检测方法及其装置 |
| CN105548201A (zh) * | 2016-01-15 | 2016-05-04 | 浙江野马电池有限公司 | 一种电池焊盖视觉检测方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102022100051A1 (de) | 2022-01-03 | 2023-07-06 | Dr. Ing. H.C. F. Porsche Aktiengesellschaft | Verfahren zur Prüfung einer Oberflächentopografie eines Batteriegehäuses sowie eine Prüfanordnung für ein Batteriegehäuseteil |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108107051A (zh) | 2018-06-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108107051B (zh) | 基于机器视觉的锂电池缺陷检测***及方法 | |
| CN106568783B (zh) | 一种五金零件缺陷检测***及方法 | |
| CN105046700B (zh) | 基于亮度校正与颜色分类的水果表面缺陷检测方法及*** | |
| CN108776140B (zh) | 一种基于机器视觉的印刷品瑕疵检测方法及*** | |
| CN111275679B (zh) | 一种基于图像的太阳能电池缺陷检测***及方法 | |
| CN107886495B (zh) | 一种基于相似度匹配的汽车零配件缺陷识别方法 | |
| CN108257171A (zh) | 基于光视觉的汽车雷达装配孔径检测方法 | |
| CN107490582A (zh) | 一种流水线工件检测*** | |
| CN113920096B (zh) | 一种集成电路金属封装缺陷检测方法 | |
| CN112529875A (zh) | 一种基于人工智能的光伏组件玻璃爆裂预警方法及*** | |
| CN113487563B (zh) | 一种基于el图像的光伏组件隐裂自适应检测方法 | |
| CN110807765B (zh) | 一种基于图像处理的悬垂绝缘子串倾斜检测方法与*** | |
| CN108009547A (zh) | 一种变电站设备的铭牌识别方法和装置 | |
| CN106770321A (zh) | 一种基于多阈值区间的塑料零件缺陷检测方法 | |
| CN106651893A (zh) | 一种基于边缘检测的墙体裂缝识别方法 | |
| CN111898494B (zh) | 一种采矿扰动地块边界识别方法 | |
| CN113393426A (zh) | 一种轧钢板表面缺陷检测方法 | |
| CN115294031A (zh) | 基于红外热成像分析的光伏组件故障图像识别方法 | |
| CN111539927A (zh) | 汽车塑料组合件紧固卡扣缺装检测装置的检测过程及算法 | |
| CN114119505A (zh) | 一种检测芯片粘连区域缺陷的方法及装置 | |
| CN113838043A (zh) | 金属箔材制造中基于机器视觉的质量分析方法 | |
| CN113808104A (zh) | 一种基于分块的金属表面缺陷检测方法及*** | |
| CN109596620A (zh) | 基于机器视觉的产品表面形状缺陷检测方法和*** | |
| CN117252840A (zh) | 一种光伏阵列缺陷消除评定方法、装置及计算机设备 | |
| CN106169079A (zh) | 一种基于计算机视觉的压力容器数量识别方法 |
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 |