CN109086828A - 用于检测电池极片的方法和装置 - Google Patents
用于检测电池极片的方法和装置 Download PDFInfo
- Publication number
- CN109086828A CN109086828A CN201810907540.6A CN201810907540A CN109086828A CN 109086828 A CN109086828 A CN 109086828A CN 201810907540 A CN201810907540 A CN 201810907540A CN 109086828 A CN109086828 A CN 109086828A
- Authority
- CN
- China
- Prior art keywords
- pole piece
- battery pole
- image
- result information
- testing result
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了用于检测电池极片的方法和装置。该方法的一具体实施方式包括:获取待检测的电池极片的图像;响应于确定图像满足预设的检测条件,将图像输入至预先训练的电池极片毛刺检测***,得到检测结果信息,其中,电池极片毛刺检测***包括至少一个基于语义分割的卷积神经网络,检测结果信息用于指示输入的图像中的像素显示的内容的类别,用于表示非毛刺的第一类别和用于表示毛刺的第二类别。该实施方式实现了利用基于语义分割的卷积神经网络对电池极片上的毛刺进行检测,无需再由人工对电池极片上的毛刺进行检测。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及用于检测电池极片的方法和装置。
背景技术
在各种类型的电池(如锂电池、镍氢电池等)的生产过程中,由于冲切方式、冲切模具的结构、冲切模具的材料和加工方式等原因,电池极片上容易产生毛刺。
一般地,通过人工检测或半自动化光学仪器辅助检测的方式来对电池极片上的毛刺进行检测。
发明内容
本申请实施例提出了用于检测电池极片的方法和装置。
第一方面,本申请实施例提供了一种用于检测电池极片的方法,该方法包括:获取待检测的电池极片的图像;响应于确定图像满足预设的检测条件,将图像输入至预先训练的电池极片毛刺检测***,得到检测结果信息,其中,电池极片毛刺检测***包括至少一个基于语义分割的卷积神经网络,检测结果信息用于指示输入的图像中的像素显示的内容的类别,类别包括用于表示非毛刺的第一类别和用于表示毛刺的第二类别。
在一些实施例中,上述方法还包括:响应于确定图像不满足预设的检测条件,根据检测条件调整图像,得到调整后的图像;将调整后的图像输入至预先训练的电池极片毛刺检测***,得到检测结果信息。
在一些实施例中,将图像输入至预先训练的电池极片毛刺检测***,得到检测结果信息,包括:根据至少一个基于语义分割的卷积神经网络的负载信息,选取基于语义分割的卷积神经网络作为目标卷积神经网络,将图像输入至目标卷积神经网络,得到检测结果信息。
在一些实施例中,在将图像输入至预先训练的电池极片毛刺检测***,得到检测结果信息之后,还包括:根据得到的检测结果信息,查找检测结果信息对应的处理信息;执行处理信息指示的处理操作。
在一些实施例中,处理操作包括以下至少一项:记录日志、触发报警、触发对电池极片的拾取。
在一些实施例中,基于语义分割的卷积神经网络通过如下方式训练得到:确定初始卷积神经网络;获取训练样本集合,其中,训练样本包括满足检测条件的、电池极片的图像和满足检测条件的、电池极片的图像对应的检测结果信息;利用机器学习的方法,将训练样本集合中的训练样本中的图像作为初始卷积神经网络的输入,将与输入的图像对应的检测结果信息作为初始卷积神经网络的期望输出,训练得到基于语义分割的卷积神经网络。
在一些实施例中,基于语义分割的卷积神经网络通过如下方式进行更新:获取针对输入至电池极片毛刺检测***的图像标注的检测结果信息;将标注的检测结果信息与利用电池极片毛刺检测***得到的检测结果信息进行比较,得到用于表示标注的检测结果信息与利用电池极片毛刺检测***得到的检测结果信息的差异的差异值;响应于确定差异值大于预设的差异阈值,将输入至电池极片毛刺检测***的图像和对输入至电池极片毛刺检测***的图像标注的检测结果信息添加到训练样本集合中,得到更新后的训练样本集合;基于更新后的训练样本集合,训练基于语义分割的卷积神经网络,得到更新后的基于语义分割的卷积神经网络。
第二方面,本申请实施例提供了一种用于检测电池极片的装置,该装置包括:获取单元,被配置成响应于确定图像满足预设的检测条件,获取待检测的电池极片的图像;检测单元,被配置成响应于确定图像满足预设的检测条件,将图像输入至预先训练的电池极片毛刺检测***,得到检测结果信息,其中,电池极片毛刺检测***包括至少一个基于语义分割的卷积神经网络,检测结果信息用于指示输入的图像中的像素显示的内容的类别,类别包括用于表示非毛刺的第一类别和用于表示毛刺的第二类别。
在一些实施例中,上述检测单元进一步被配置成:响应于确定图像不满足预设的检测条件,根据检测条件调整图像,得到调整后的图像;将调整后的图像输入至预先训练的电池极片毛刺检测***,得到检测结果信息。
在一些实施例中,上述检测单元进一步被配置成:根据至少一个基于语义分割的卷积神经网络的负载信息,选取基于语义分割的卷积神经网络作为目标卷积神经网络,将图像输入至目标卷积神经网络,得到检测结果信息。
在一些实施例中,上述装置还包括:查找单元,被配置成根据得到的检测结果信息,查找检测结果信息对应的处理信息;处理单元,被配置成执行处理信息指示的处理操作。
在一些实施例中,上述处理操作包括以下至少一项:记录日志、触发报警、触发对电池极片的拾取。
在一些实施例中,上述基于语义分割的卷积神经网络通过如下方式训练得到:确定初始卷积神经网络;获取训练样本集合,其中,训练样本包括满足检测条件的、电池极片的图像和满足检测条件的、电池极片的图像对应的检测结果信息;利用机器学习的方法,将训练样本集合中的训练样本中的图像作为初始卷积神经网络的输入,将与输入的图像对应的检测结果信息作为初始卷积神经网络的期望输出,训练得到基于语义分割的卷积神经网络。
在一些实施例中,上述基于语义分割的卷积神经网络通过如下方式进行更新:获取针对输入至电池极片毛刺检测***的图像标注的检测结果信息;将标注的检测结果信息与利用电池极片毛刺检测***得到的检测结果信息进行比较,得到用于表示标注的检测结果信息与利用电池极片毛刺检测***得到的检测结果信息的差异的差异值;响应于确定差异值大于预设的差异阈值,将输入至电池极片毛刺检测***的图像和对输入至电池极片毛刺检测***的图像标注的检测结果信息添加到训练样本集合中,得到更新后的训练样本集合;基于更新后的训练样本集合,训练基于语义分割的卷积神经网络,得到更新后的基于语义分割的卷积神经网络。
第三方面,本申请实施例提供了一种电子设备,该电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于检测电池极片的方法和装置,通过获取待检测的电池极片的图像;响应于确定图像满足预设的检测条件,将图像输入至预先训练的电池极片毛刺检测***,得到检测结果信息,其中,电池极片毛刺检测***包括至少一个基于语义分割的卷积神经网络,检测结果信息用于指示输入的图像中的像素显示的内容的类别,类别包括用于表示非毛刺的第一类别和用于表示毛刺的第二类别,从而实现了利用基于语义分割的卷积神经网络对电池极片上的毛刺进行检测,无需再由人工对电池极片上的毛刺进行检测,有助于提升对电池极片上的毛刺的检测方式的灵活性和检测效率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请的一个实施例可以应用于其中的示例性***架构图;
图2是根据本申请的用于检测电池极片的方法的一个实施例的流程图;
图3是根据本申请的用于检测电池极片的方法的又一个实施例的流程图;
图4是根据本申请实施例的用于检测电池极片的方法的一个应用场景的示意图;
图5是根据本申请的用于检测电池极片的装置的一个实施例的结构示意图;
图6是适于用来实现本申请实施例的电子设备的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于检测电池极片的方法或用于检测电池极片的装置的实施例的示例性架构100。
如图1所示,***架构100可以包括终端设备101(图中显示为膝上型便携计算机)、102(图中显示为平板电脑)、103(图中显示为摄像设备),网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以用来采集和存储待检测的电池极片的图像。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是支持采集和存储图像的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机、台式计算机、摄像机、照相机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如可以对从终端设备101、102、103获取的待检测的电池极片的图像进行检测的检测服务器。检测服务器可以对待检测的电池极片进行处理,并将检测结果信息反馈给终端设备。
需要说明的是,上述待检测的电池极片的图像也可以直接存储在服务器105的本地,服务器105可以直接提取本地所存储的待检测的电池极片的图像并进行处理,此时,可以不存在终端设备101、102、103和网络104。
需要说明的是,本申请实施例所提供的用于检测电池极片的方法一般由服务器105执行,相应地,用于检测电池极片的装置一般设置于服务器105中。
还需要指出的是,终端设备101和102中也可以安装有图像处理类应用,终端设备101和102也可以基于图像处理类应用对待检测的电池极片的图像进行处理,此时,用于检测电池极片的方法也可以由终端设备101和102执行,相应地,用于检测电池极片的装置也可以设置于终端设备101和102中。此时,示例性***架构100可以不存在终端设备103、服务器105和网络104。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,其示出了根据本申请的用于检测电池极片的方法的一个实施例的流程200。该用于检测电池极片的方法包括以下步骤:
步骤201,获取待检测的电池极片的图像。
在本实施例中,用于检测电池极片的执行主体(如图1中的服务器105)可以通过有线或无线的方式、从本地或从其他存储设备(如图1中的终端设备101、102、103)获取待检测的电池极片的图像。
步骤202,响应于确定图像满足预设的检测条件,将图像输入至预先训练的电池极片毛刺检测***,得到检测结果信息。
在本实施例中,检测条件可以是由技术人员根据具体的应用场景、针对待检测的电池极片的图像的各种属性预先设置的。例如,检测条件可以是图像中除了显示有电池极片的图像区域之外的其它图像区域的面积小于预设的面积阈值。又例如,检测条件可以是图像的亮度和/或对比度等满足预设的亮度和/或对比度的要求。
在本实施例中,电池极片毛刺检测***可以包括至少一个基于语义分割的卷积神经网络,检测结果信息可以用于指示输入的图像中的像素显示的内容的类别,类别可以包括用于表示非毛刺的第一类别和用于表示毛刺的第二类别。
其中,输入的图像中的像素显示的内容的类别可以是预先设置的,根据实际的应用需求,可以有不同的类别划分方式。例如,针对用于表示非毛刺的第一类别,还可以进一步细分为第一子类别和第二子类别。其中,第一子类别可以用于表示非电池极片(针对图像中未显示有电池极片的图像区域),第二子类别可以用于表示电池极片且非毛刺(针对图像中显示有电池极片的非毛刺部分的图像区域)。
其中,基于语义分割的卷积神经网络可以对图像进行处理,并对图像中的各个像素对应的类别进行预测。其中,像素对应的类别可以指各像素显示的内容的类别。以电池极片的图像为例,电池极片的图像中的各个像素对应的类别可以包括两种,分别为非毛刺部分(针对图像中除了显示有毛刺的图像区域之外的其它图像区域)和毛刺部分(针对图像中显示有毛刺的图像区域)。
在本实施例中,可以预先分别针对第一类别和第二类别可以分别设置类别编号(如数字或字符串等),此时,检测结果信息可以为待检测的电池极片的图像中的各个像素所对应的类别编号。
在本实施例的一些可选的实现方式中,在获取的待检测的电池极片的图像不满足预设的检测条件时,可以根据检测条件对图像进行调整,从而得到调整后的图像。之后,可以将调整后的图像输入至预先训练的电池极片毛刺检测***,以得到检测结果信息。
例如,在获取的待检测的电池极片的图像中除了显示有电池极片的图像区域之外的其它图像区域的面积大于预设的面积阈值,那么可以先对所获取的待检测的电池极片的图像进行修剪,使得图像中除了显示有电池极片的图像区域之外的其它图像区域的面积小于预设的面积阈值。
其中,基于语义分割的卷积神经网络可以基于现有的一些基于语义分割的卷积神经网络训练得到。现有的基于语义分割的卷积神经网络的结构有多种。
可选地,基于语义分割的卷积神经网络可以通过如下方式训练得到:
第一步,确定初始基于语义分割的卷积神经网络。
在本步骤中,可以获取开源的、基于语义分割的卷积神经网络作为初始基于语义分割的卷积神经网络。
第二步,获取训练样本集合,其中,训练样本包括满足检测条件的、电池极片的图像和满足检测条件的、电池极片的图像对应的检测结果信息。
在本步骤中,可以利用摄像机等图像采集设备采集电池极片的图像,然后可以通过人工标注的方式得到图像对应的检测结果信息。实践中,可以采集不同拍摄条件下(如不同的角度、光线、滤镜、倍镜、焦距等)的电池极片的图像,从而增加训练样本数据的丰富性,进而是的训练得到的模型能够针对不同拍摄条件下的电池极片的图像具有较高的鲁棒性。
第三步,利用机器学习的方法,将训练样本集合中的训练样本中的图像作为初始基于语义分割的卷积神经网络的输入,将与输入的图像对应的检测结果信息作为初始基于语义分割的卷积神经网络的期望输出,训练得到上述基于语义分割的卷积神经网络。
在本步骤中,可以基于预设的损失函数完成对初始基于语义分割的卷积神经网络的训练。其中,损失函数可以用来表示训练过程中初始基于语义分割的卷积神经网络输出的检测结果信息和训练样本中与输入的图像对应的检测结果信息的差异程度。根据每次得到的损失函数的值调整基于语义分割的卷积神经网络的相关网络参数,并且可以在确定前后两次或多次的损失函数的值均小于一定阈值时结束训练,并将此时得到的基于语义分割的卷积神经网络作为上述基于语义分割的卷积神经网络。
可选地,基于语义分割的卷积神经网络还可以通过如下方式训练得到:
第一步,确定基于语义分割的卷积神经网络的网络结构。
由于现有的一些开源的、基于语义分割的卷积神经网络结构固定,例如卷积层的层数、是否有池化层、是否有全连接层等是设置好的,用户很难再去调整和修改。而实践中,用户根据自身的应用场景通常具有不同的需求(如需要速度快或精度高),而针对不同的需求所需要设置的网络结构也具有差别。
因此,在本步骤中,可以先根据实际的应用需求确定网络结构,例如确定基于语义分割的卷积神经网络需要包括哪些层、每层的层数、卷积核的大小等等。
第二步,基于第一步确定的网络结构,构建具有上述网络结构的初始基于语义分割的卷积神经网络。
在本步骤中,可以利用现有的一些神经网络API(Application ProgrammingInterface)来构建具有确定出的网络结构的初始基于语义分割的卷积神经网络。
第三步,获取训练数据,利用训练数据对第二步中构建的初始基于语义分割的卷积神经网络进行训练以得到训练完成的基于语义分割的卷积神经网络。
本步骤的具体过程可以参见上述关于利用训练数据训练开源的、基于语义分割的卷积神经网络得到训练完成的基于语义分割的卷积神经网络的过程。
在本实施例的一些可选的实现方式中,还可以通过如下的方式对上述训练完成的基于语义分割的卷积神经网络进行更新:
第一步,获取针对输入至电池极片毛刺检测***的图像标注的检测结果信息。
在本步骤中,可以定期地,通过抽样的方式针对输入至电池极片毛刺检测***的图像,由人工进行标注结果信息。
第二步,将标注的检测结果信息与利用电池极片毛刺检测***得到的检测结果信息进行比较,得到用于表示标注的检测结果信息与利用电池极片毛刺检测***得到的检测结果信息的差异的差异值。
第三步,响应于确定差异值大于预设的差异阈值,将输入至电池极片毛刺检测***的图像和对输入至电池极片毛刺检测***的图像标注的检测结果信息添加到训练样本集合中,得到更新后的训练样本集合。
在本步骤中,可以通过预设的差异阈值,将利用电池极片毛刺检测***得到的、误差较大的检测结果信息筛选出来,并将这部分误差较大的检测结果信息对应的输入电池极片毛刺检测***的图像,以及图像对应的标注的检测结果信息作为新的训练样本,从而更新训练样本集合。
第四步,基于更新后的训练样本集合,训练基于语义分割的卷积神经网络,得到更新后的基于语义分割的卷积神经网络。
本申请的上述实施例提供的方法可以针对电池极片的图像,设置两种类别分别用来表示非毛刺和毛刺部分,通过基于语义分割的卷积神经网络对电池极片的图像进行检测,从而可以得到图像中的每个像素对应的类别,进而可以了解电池极片上是否存在毛刺,以及毛刺所存在的区域。和人工检测电池极片上的毛刺的方法相比,有助于提升检测效率。
进一步参考图3,其示出了用于检测电池极片的方法的又一个实施例的流程300。该用于检测电池极片的方法的流程300,包括以下步骤:
步骤301,获取待检测的电池极片的图像。
本步骤的具体的执行过程可参考图2对应实施例中的步骤201的相关说明,在此不再赘述。
步骤302,根据至少一个基于语义分割的卷积神经网络的负载信息,选取基于语义分割的卷积神经网络作为目标卷积神经网络,将图像输入至目标卷积神经网络,得到检测结果信息。
在本实施例中,可以根据电池极片毛刺检测***中的各个基于语义分割的卷积神经网络的负载信息,从中选取一个基于语义分割的卷积神经网络来对待检测的电池极片的图像进行处理。例如,可以选取负载最小的基于语义分割的卷积神经网络作为目标卷积神经网络。具体地,可以选取当前空闲的基于语义分割的卷积神经网络作为目标卷积神经网络。或者在各个基于语义分割的卷积神经网络均为非空闲状态时,可以选取对应的未处理的电池极片的图像的个数最少的基于语义分割的卷积神经网络作为目标卷积神经网络。
步骤303,根据得到的检测结果信息,查找检测结果信息对应的处理信息。
在本实施例中,可以预先针对不同的检测结果信息,设置对应的处理信息。例如,可以将检测结果信息划分为两类:指示电池极片上包含有毛刺的检测结果信息(如检测结果信息中包含第二类别)和指示电池极片上不包含有毛刺的检测结果信息(如检测结果信息中不包含上述第二类别)。此时,可以针对两种类别分别设置不同的处理信息。
具体地,可以根据实际的应用需求对检测结果进行划分。例如,还可以根据预先设置的毛刺阈值,将检测结果信息划分为如下两类:指示电池极片上的毛刺的大小大于预设的毛刺阈值和电池极片上的毛刺的大小小于预设的毛刺阈值。实践中,可以先根据检测结果信息确定图像中显示有毛刺的图像区域以及未显示有毛刺的各个像素的图像区域,之后,可以根据两个图像区域的大小比值,以及待检测的电池极片的实际大小估计毛刺的大小,并与毛刺阈值进行比较,从而得到比较结果。
步骤304,执行处理信息指示的处理操作。
在本实施例的一些可选的实现方式中,处理操作可以包括以下至少一项:记录日志、触发报警、触发对电池极片的拾取。
例如,可以记录待检测的电池极片与该电池极片的检测结果信息的对应关系。又例如,在检测结果信息指示电池极片上的毛刺的大小大于预设的毛刺阈值时,可以触发预设的报警操作,或者触发对毛刺的大小大于预设的毛刺阈值的电池极片进行拾取等操作。
继续参见图4,图4是根据本实施例的用于检测电池极片的方法的应用场景的一个示意图。在图4的应用场景中,可以首先待检测的电池极片401的图像402。然后,从电池极片毛刺检测***403所包含的4个基于语义分割的卷积神经网络(分别为M1、M2、M3、M4)中选取空闲的基于语义分割的卷积神经网络M1作为目标卷积神经网络404。
之后,可以将待检测的电池极片401的图像402输入至目标卷积神经网络404,得到检测结果信息406。其中,针对待检测的电池极片401的图像402,可以设置两个类别(如图中标号405所示):毛刺和其它。并且对于毛刺部分,使用编号1标识,对于其它部分,使用编号2标识。其中,检测结果信息为输入的图像402中的各个像素分别对应的类别的编号。
以图中的检测结果信息406为(1,2,2,1····,2)为例,可以看出,该检测结果信息406表示待检测的电池极片401上存在有毛刺。进而可以根据预先设置的检测结果指示的类别与对应的处理信息的对应关系表407,查找有毛刺对应的处理信息为触发报警,从而执行触发报警的操作408。
从图3中可以看出,与图2对应的实施例相比,本实施例中的信息推送方法的流程300突出了在利用基于语义分割的卷积神经网络对待检测的电池极片的图像进行处理,并得到检测结果信息之后,还可以根据检测结果信息,查找对应的处理信息,并根据处理信息执行对应的处理操作,从而不仅实现了对电池极片的检测,而且能够根据检测结果进一步执行处理操作,有助于提升对于电池极片的处理效率。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了用于检测电池极片的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例提供的用于检测电池极片的装置500包括获取单元501和检测单元502。其中,获取单元501被配置成获取待检测的电池极片的图像;检测单元502被配置成响应于确定图像满足预设的检测条件,将图像输入至预先训练的电池极片毛刺检测***,得到检测结果信息,其中,电池极片毛刺检测***包括至少一个基于语义分割的卷积神经网络,检测结果信息用于指示输入的图像中的像素显示的内容的类别,类别包括用于表示非毛刺的第一类别和用于表示毛刺的第二类别。
在本实施例中,用于检测电池极片的装置500中:获取单元501和检测单元502的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201和步骤202的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,上述检测单元502进一步被配置成响应于确定图像不满足预设的检测条件,根据检测条件调整图像,得到调整后的图像;将调整后的图像输入至预先训练的电池极片毛刺检测***,得到检测结果信息。
在本实施例的一些可选的实现方式中,上述检测单元502进一步被配置成根据至少一个基于语义分割的卷积神经网络的负载信息,选取基于语义分割的卷积神经网络作为目标卷积神经网络,将图像输入至目标卷积神经网络,得到检测结果信息。
在本实施例的一些可选的实现方式中,上述装置500还包括:查找单元(图中未示出)被配置成根据得到的检测结果信息,查找检测结果信息对应的处理信息;处理单元(图中未示出)被配置成执行处理信息指示的处理操作。
在本实施例的一些可选的实现方式中,上述处理操作包括以下至少一项:记录日志、触发报警、触发对电池极片的拾取。
在本实施例的一些可选的实现方式中,上述基于语义分割的卷积神经网络通过如下方式训练得到:确定初始卷积神经网络;获取训练样本集合,其中,训练样本包括满足检测条件的、电池极片的图像和满足检测条件的、电池极片的图像对应的检测结果信息;利用机器学习的方法,将训练样本集合中的训练样本中的图像作为初始卷积神经网络的输入,将与输入的图像对应的检测结果信息作为初始卷积神经网络的期望输出,训练得到基于语义分割的卷积神经网络。
在本实施例的一些可选的实现方式中,上述基于语义分割的卷积神经网络通过如下方式进行更新:获取针对输入至电池极片毛刺检测***的图像标注的检测结果信息;将标注的检测结果信息与利用电池极片毛刺检测***得到的检测结果信息进行比较,得到用于表示标注的检测结果信息与利用电池极片毛刺检测***得到的检测结果信息的差异的差异值;响应于确定差异值大于预设的差异阈值,将输入至电池极片毛刺检测***的图像和对输入至电池极片毛刺检测***的图像标注的检测结果信息添加到训练样本集合中,得到更新后的训练样本集合;基于更新后的训练样本集合,训练基于语义分割的卷积神经网络,得到更新后的基于语义分割的卷积神经网络。
本申请的上述实施例提供的装置,通过获取单元获取待检测的电池极片的图像,由检测单元响应于确定图像满足预设的检测条件,将图像输入至预先训练的电池极片毛刺检测***,得到检测结果信息,其中,电池极片毛刺检测***包括至少一个基于语义分割的卷积神经网络,检测结果信息用于指示输入的图像中的像素显示的内容的类别,类别包括用于表示非毛刺的第一类别和用于表示毛刺的第二类别,从而实现了利用基于语义分割的卷积神经网络对电池极片上的毛刺进行检测,无需再由人工对电池极片上的毛刺进行检测,有助于提升对电池极片上的毛刺的检测方式的灵活性和检测效率。
下面参考图6,其示出了适于用来实现本申请实施例的电子设备的计算机***600的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机***600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有***600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请的方法中限定的上述功能。
需要说明的是,本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器,包括获取单元和检测单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取待检测的电池极片的图像的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取待检测的电池极片的图像;响应于确定图像满足预设的检测条件,将图像输入至预先训练的电池极片毛刺检测***,得到检测结果信息,其中,电池极片毛刺检测***包括至少一个基于语义分割的卷积神经网络,检测结果信息用于指示输入的图像中的像素显示的内容的类别,类别包括用于表示非毛刺的第一类别和用于表示毛刺的第二类别。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (16)
1.一种用于检测电池极片的方法,包括:
获取待检测的电池极片的图像;
响应于确定所述图像满足预设的检测条件,将所述图像输入至预先训练的电池极片毛刺检测***,得到检测结果信息,其中,所述电池极片毛刺检测***包括至少一个基于语义分割的卷积神经网络,检测结果信息用于指示输入的图像中的像素显示的内容的类别,类别包括用于表示非毛刺的第一类别和用于表示毛刺的第二类别。
2.根据权利要求1所述的方法,其中,所述方法还包括:
响应于确定所述图像不满足预设的检测条件,根据所述检测条件调整所述图像,得到调整后的图像;
将所述调整后的图像输入至所述预先训练的电池极片毛刺检测***,得到检测结果信息。
3.根据权利要求1所述的方法,其中,所述将所述图像输入至预先训练的电池极片毛刺检测***,得到检测结果信息,包括:
根据所述至少一个基于语义分割的卷积神经网络的负载信息,选取基于语义分割的卷积神经网络作为目标卷积神经网络,将所述图像输入至所述目标卷积神经网络,得到检测结果信息。
4.根据权利要求1所述的方法,其中,在所述将所述图像输入至预先训练的电池极片毛刺检测***,得到检测结果信息之后,还包括:
根据得到的检测结果信息,查找所述检测结果信息对应的处理信息;
执行所述处理信息指示的处理操作。
5.根据权利要求4所述的方法,其中,所述处理操作包括以下至少一项:记录日志、触发报警、触发对所述电池极片的拾取。
6.根据权利要求1所述的方法,其中,所述基于语义分割的卷积神经网络通过如下方式训练得到:
确定初始基于语义分割的卷积神经网络;
获取训练样本集合,其中,训练样本包括满足所述检测条件的、电池极片的图像和满足所述检测条件的、电池极片的图像对应的检测结果信息;
利用机器学习的方法,将所述训练样本集合中的训练样本中的图像作为所述初始基于语义分割的卷积神经网络的输入,将与输入的图像对应的检测结果信息作为所述初始基于语义分割的卷积神经网络的期望输出,训练得到所述基于语义分割的卷积神经网络。
7.根据权利要求6所述的方法,其中,所述基于语义分割的卷积神经网络通过如下方式进行更新:
获取针对输入至所述电池极片毛刺检测***的图像标注的检测结果信息;
将所述标注的检测结果信息与利用所述电池极片毛刺检测***得到的检测结果信息进行比较,得到用于表示所述标注的检测结果信息与利用所述电池极片毛刺检测***得到的检测结果信息的差异的差异值;
响应于确定所述差异值大于预设的差异阈值,将输入至所述电池极片毛刺检测***的图像和对输入至所述电池极片毛刺检测***的图像标注的检测结果信息添加到所述训练样本集合中,得到更新后的训练样本集合;
基于所述更新后的训练样本集合,训练所述基于语义分割的卷积神经网络,得到更新后的基于语义分割的卷积神经网络。
8.一种用于检测电池极片的装置,包括:
获取单元,被配置成获取待检测的电池极片的图像;
检测单元,被配置成响应于确定所述图像满足预设的检测条件,将所述图像输入至预先训练的电池极片毛刺检测***,得到检测结果信息,其中,所述电池极片毛刺检测***包括至少一个基于语义分割的卷积神经网络,检测结果信息用于指示输入的图像中的像素显示的内容的类别,类别包括用于表示非毛刺的第一类别和用于表示毛刺的第二类别。
9.根据权利要求8所述的装置,其中,所述检测单元进一步被配置成:
响应于确定所述图像不满足预设的检测条件,根据所述检测条件调整所述图像,得到调整后的图像;
将所述调整后的图像输入至所述预先训练的电池极片毛刺检测***,得到检测结果信息。
10.根据权利要求8所述的装置,其中,所述检测单元进一步被配置成:
根据所述至少一个基于语义分割的卷积神经网络的负载信息,选取基于语义分割的卷积神经网络作为目标卷积神经网络,将所述图像输入至所述目标卷积神经网络,得到检测结果信息。
11.根据权利要求8所述的装置,其中,所述装置还包括:
查找单元,被配置成根据得到的检测结果信息,查找所述检测结果信息对应的处理信息;
处理单元,被配置成执行所述处理信息指示的处理操作。
12.根据权利要求11所述的装置,其中,所述处理操作包括以下至少一项:记录日志、触发报警、触发对所述电池极片的拾取。
13.根据权利要求8所述的装置,其中,所述基于语义分割的卷积神经网络通过如下方式训练得到:
确定初始基于语义分割的卷积神经网络;
获取训练样本集合,其中,训练样本包括满足所述检测条件的、电池极片的图像和满足所述检测条件的、电池极片的图像对应的检测结果信息;
利用机器学习的方法,将所述训练样本集合中的训练样本中的图像作为所述初始基于语义分割的卷积神经网络的输入,将与输入的图像对应的检测结果信息作为所述初始基于语义分割的卷积神经网络的期望输出,训练得到所述基于语义分割的卷积神经网络。
14.根据权利要求13所述的装置,其中,所述基于语义分割的卷积神经网络通过如下方式进行更新:
获取针对输入至所述电池极片毛刺检测***的图像标注的检测结果信息;
将所述标注的检测结果信息与利用所述电池极片毛刺检测***得到的检测结果信息进行比较,得到用于表示所述标注的检测结果信息与利用所述电池极片毛刺检测***得到的检测结果信息的差异的差异值;
响应于确定所述差异值大于预设的差异阈值,将输入至所述电池极片毛刺检测***的图像和对输入至所述电池极片毛刺检测***的图像标注的检测结果信息添加到所述训练样本集合中,得到更新后的训练样本集合;
基于所述更新后的训练样本集合,训练所述基于语义分割的卷积神经网络,得到更新后的基于语义分割的卷积神经网络。
15.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
16.一种计算机可读介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810907540.6A CN109086828A (zh) | 2018-08-10 | 2018-08-10 | 用于检测电池极片的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810907540.6A CN109086828A (zh) | 2018-08-10 | 2018-08-10 | 用于检测电池极片的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109086828A true CN109086828A (zh) | 2018-12-25 |
Family
ID=64834520
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810907540.6A Pending CN109086828A (zh) | 2018-08-10 | 2018-08-10 | 用于检测电池极片的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109086828A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871807A (zh) * | 2019-02-21 | 2019-06-11 | 百度在线网络技术(北京)有限公司 | 人脸图像处理方法和装置 |
CN111736025A (zh) * | 2020-06-30 | 2020-10-02 | 梅州市量能新能源科技有限公司 | 电池极片断裂检测方法及*** |
CN112634190A (zh) * | 2019-09-24 | 2021-04-09 | 上海汽车集团股份有限公司 | 一种涂胶检测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104502527A (zh) * | 2014-11-06 | 2015-04-08 | 西北工业大学 | 飞机结构件模型缺陷自动检测方法 |
CN107561738A (zh) * | 2017-08-30 | 2018-01-09 | 湖南理工学院 | 基于fcn的tft‑lcd表面缺陷快速检测方法 |
CN107966447A (zh) * | 2017-11-14 | 2018-04-27 | 浙江大学 | 一种基于卷积神经网络的工件表面缺陷检测方法 |
CN108230317A (zh) * | 2018-01-09 | 2018-06-29 | 北京百度网讯科技有限公司 | 钢板缺陷检测分类方法、装置、设备及计算机可读介质 |
CN108242054A (zh) * | 2018-01-09 | 2018-07-03 | 北京百度网讯科技有限公司 | 一种钢板缺陷检测方法、装置、设备和服务器 |
-
2018
- 2018-08-10 CN CN201810907540.6A patent/CN109086828A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104502527A (zh) * | 2014-11-06 | 2015-04-08 | 西北工业大学 | 飞机结构件模型缺陷自动检测方法 |
CN107561738A (zh) * | 2017-08-30 | 2018-01-09 | 湖南理工学院 | 基于fcn的tft‑lcd表面缺陷快速检测方法 |
CN107966447A (zh) * | 2017-11-14 | 2018-04-27 | 浙江大学 | 一种基于卷积神经网络的工件表面缺陷检测方法 |
CN108230317A (zh) * | 2018-01-09 | 2018-06-29 | 北京百度网讯科技有限公司 | 钢板缺陷检测分类方法、装置、设备及计算机可读介质 |
CN108242054A (zh) * | 2018-01-09 | 2018-07-03 | 北京百度网讯科技有限公司 | 一种钢板缺陷检测方法、装置、设备和服务器 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871807A (zh) * | 2019-02-21 | 2019-06-11 | 百度在线网络技术(北京)有限公司 | 人脸图像处理方法和装置 |
CN112634190A (zh) * | 2019-09-24 | 2021-04-09 | 上海汽车集团股份有限公司 | 一种涂胶检测方法及装置 |
CN111736025A (zh) * | 2020-06-30 | 2020-10-02 | 梅州市量能新能源科技有限公司 | 电池极片断裂检测方法及*** |
CN111736025B (zh) * | 2020-06-30 | 2023-06-23 | 梅州市量能新能源科技有限公司 | 电池极片断裂检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109308490A (zh) | 用于生成信息的方法和装置 | |
CN108898185A (zh) | 用于生成图像识别模型的方法和装置 | |
CN112698769B (zh) | 信息交互方法、装置、设备、存储介质及程序产品 | |
CN110413529A (zh) | 应用于电子设备的测试方法、装置、计算设备以及介质 | |
CN108171191B (zh) | 用于检测人脸的方法和装置 | |
CN109308681A (zh) | 图像处理方法和装置 | |
CN109492128A (zh) | 用于生成模型的方法和装置 | |
CN108986169A (zh) | 用于处理图像的方法和装置 | |
CN108595628A (zh) | 用于推送信息的方法和装置 | |
CN109145828A (zh) | 用于生成视频类别检测模型的方法和装置 | |
CN109086828A (zh) | 用于检测电池极片的方法和装置 | |
CN109034069A (zh) | 用于生成信息的方法和装置 | |
CN109992498A (zh) | 测试用例的生成方法及***、计算机*** | |
CN109086780A (zh) | 用于检测电极片毛刺的方法和装置 | |
CN109242801A (zh) | 图像处理方法和装置 | |
CN110263748A (zh) | 用于发送信息的方法和装置 | |
CN108509921A (zh) | 用于生成信息的方法和装置 | |
CN109389096A (zh) | 检测方法和装置 | |
CN109145973A (zh) | 用于检测单晶硅太阳能电池缺陷的方法和装置 | |
CN109241934A (zh) | 用于生成信息的方法和装置 | |
CN109862100A (zh) | 用于推送信息的方法和装置 | |
CN110070076A (zh) | 用于选取训练用样本的方法和装置 | |
CN110046571A (zh) | 用于识别年龄的方法和装置 | |
CN109271929A (zh) | 检测方法和装置 | |
CN110110666A (zh) | 目标检测方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181225 |