CN112270659A - 一种动力电池极片表面缺陷快速检测方法和*** - Google Patents

一种动力电池极片表面缺陷快速检测方法和*** Download PDF

Info

Publication number
CN112270659A
CN112270659A CN202010894239.3A CN202010894239A CN112270659A CN 112270659 A CN112270659 A CN 112270659A CN 202010894239 A CN202010894239 A CN 202010894239A CN 112270659 A CN112270659 A CN 112270659A
Authority
CN
China
Prior art keywords
pole piece
power battery
image
defects
defect
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
Application number
CN202010894239.3A
Other languages
English (en)
Inventor
董俊
马冬
侯金艳
何俊明
马凡
姜铭坤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Zhongke Deji Intelligent Technology Co ltd
Hefei Institutes of Physical Science of CAS
Original Assignee
Anhui Zhongke Deji Intelligent Technology Co ltd
Hefei Institutes of Physical Science of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui Zhongke Deji Intelligent Technology Co ltd, Hefei Institutes of Physical Science of CAS filed Critical Anhui Zhongke Deji Intelligent Technology Co ltd
Priority to CN202010894239.3A priority Critical patent/CN112270659A/zh
Publication of CN112270659A publication Critical patent/CN112270659A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30204—Marker

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (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 Analysis (AREA)

Abstract

本发明公开了一种动力电池极片表面缺陷快速检测方法和***，该方法包括：获取不同类型缺陷的动力电池极片的表面图像，并对每张图像上的缺陷进行标注，得到不同类型缺陷的动力电池极片表面缺陷检测数据集；使用四个并列的特征提取网络对各图像的特征一一对应地分别提取，然后使用多模态融合网络进行融合，建立极片表面缺陷识别模型；训练所述极片表面缺陷识别模型；以及采集待检测的动力电池极片图像，然后输入到极片表面缺陷识别模型中，通过输出结果来判断极片表面的缺陷情况。本发明可以一次检测极片上下表面四张图像，在硬件条件不变的情况下，使检测速度加倍，或者在同样的检测速度下降低对硬件性能的要求，节省成本。

Description

一种动力电池极片表面缺陷快速检测方法和***
技术领域
本发明涉及一种动力电池极片表面缺陷快速检测方法和***。
背景技术
在动力电池极片涂覆工艺中，极片表面产生的空洞、划痕等缺陷会严重影响电池的质量和使用寿命。运用机器视觉对极片表面缺陷进行检测以便及时发现并加以控制，可有效提高电池质量，降低成本。
近年来，基于深度学习的分类、检测方法逐渐用于基于机器视觉的动力电池极片表面缺陷检测领域，其一般过程是：首先获取样本图像并进行缺陷标注，然后用标注后的样本来训练神经网络，让神经网络学习到样本的特征，然后利用训练好的神经网络来检测待检图像。然而由于待检图像采样数据量大、待检测缺陷类型多，此方案很难满足缺陷检测的实时性、通用性要求。
虽然使用高性能GPU可以一定程度上达到实时性要求，但设备成本过高。如何在降低成本的同时提高检测速率，是应用深度学习方法进行极片表面缺陷检测时亟需解决的问题。
发明内容
本发明的目的在于提供一种动力电池极片表面缺陷快速检测方法和***，以解决现有的基于深度学习的极片表面缺陷检测方式无法兼顾检测效率与设备成本的问题。
为此，本发明提供了一种动力电池极片表面缺陷快速检测方法，包括：S1、获取不同类型缺陷的动力电池极片表面图像，并对每张图像上的缺陷进行标注，得到不同类型缺陷的动力电池极片表面缺陷检测数据集；其中，动力电池极片表面图像包括动力电池极片的上表面明域图像、上表面暗域图像、下表面明域图像、及下表面暗域图像；S2、使用四个并列的特征提取网络对上表面明域图像、下表面明域图像、上表面暗域图像及下表面暗域图像的特征一一对应地分别提取，然后使用多模态融合网络进行融合，建立极片表面缺陷识别模型；S3、将所述动力电池极片表面缺陷检测数据集分为训练集与测试集，训练所述极片表面缺陷识别模型；以及S4、一次性采集待检测的动力电池极片的上表面明域图像、上表面暗域图像、下表面明域图像、及下表面暗域图像，然后将这组数据输入到训练完毕的极片表面缺陷识别模型中，通过输出结果来判断极片表面的缺陷情况。
本发明还提供了一种动力电池极片表面缺陷快速检测***，包括：采集单元，用于获取不同类型缺陷的动力电池极片表面图像，其中，动力电池极片表面图像包括动力电池极片的上表面明域图像、上表面暗域图像、下表面明域图像、及下表面暗域图像；建模单元，用于对每张图像上的缺陷进行标注，得到不同类型缺陷的动力电池极片表面缺陷检测数据集；使用四个并列的特征提取网络对上表面明域图像、下表面明域图像、上表面暗域图像及下表面暗域图像的特征分别提取，然后使用多模态融合网络进行融合，建立极片表面缺陷识别模型；将所述动力电池极片表面缺陷检测数据集分为训练集与测试集，训练所述极片表面缺陷识别模型；以及检测单元，用于采集待检测的动力电池极片表面图像采集，然后将这组数据输入到训练完毕的极片表面缺陷识别模型中，通过输出结果来判断极片表面的缺陷情况。
根据本发明的动力电池极片表面缺陷快速检测方法，通过获取动力电池极片上表面明域图像集、下表面明域图像集、上表面暗域图像集及下表面暗域图像集，进行缺陷标注；利用缺陷标注后的图像集对预先构建的基于多模态融合深度学习的极片表面缺陷识别模型进行训练；利用完成训练的基于多模态融合深度学习的极片表面缺陷识别模型对极片表面缺陷进行在线识别，可以一次检测极片上下表面四张图像，大幅提高检测效率，降低检测成本。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明的动力电池极片表面缺陷快速检测方法的流程图；
图2是根据本发明的动力电池极片表面图像采集的原理示意图；以及
图3是根据本发明的动力电池极片表面缺陷快速检测***的架构图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。
本发明提出了一种动力电池极片表面缺陷快速检测方法，可以一次检测极片上下表面四张图像，在硬件条件不变的情况下，使检测速度加倍，或者在同样的检测速度下降低对硬件性能的要求，节省成本，以解决现有的基于深度学习的极片表面缺陷检测方式无法兼顾检测效率与设备成本的问题。
本发明提出的一种动力电池极片表面缺陷快速检测方法，如图1所示，其包括以下步骤：
S1：获取不同类型缺陷的极片表面图像构成训练集合，对每张图像上的缺陷进行标注，得到不同类型缺陷的极片表面缺陷检测数据集。
S2：将所述上表面明域图像、下表面明域图像、上表面暗域图像及下表面暗域图像使用特征提取网络和多模态融合网络进行融合，建立基于多模态融合深度学习的极片表面缺陷识别模型。
S3：将所述极片表面缺陷检测数据集进行训练集与测试集的划分，训练基于多模态融合深度学习的极片表面缺陷识别模型。
S4：在待检测的极片表面，使用S1中所述的方法进行图像采集，然后将这组数据输入到S3中训练完毕的极片表面缺陷识别模型中，通过输出结果来判断极片表面的缺陷情况。
在步骤S1中，所述极片表面图像由同步工作的两套新型光学成像***获取，分别用于采集极片上表面图像和下表面图像。
如图2所示，新型光学成像***包括：新型LED光源和双目相机拍摄装置，所述极片表面图像获取过程如下：
步骤1、根据待检测的动力电池极板表面缺陷类型，设置光源信号控制器来控制两路LED的亮灭，确定LED光路；
步骤2、通过照射角度转换装置调整照射角度，并根据确定的LED光路，利用导光装置对菲涅尔透镜、滤光片和衰减片进行调整，达到照射到极板表面上的光的均匀性、照射角度和亮度都满足缺陷检测要求；
步骤3、调整摄像机工作参数，包括通过摄像机内置的传感器来感知光路变化，自动匹配光源的峰值波长；通过安装在传送装置上的编码器感知极板传送速度变化，调节相机的扫描频率等，确保获得恒定质量的图像；
步骤4、通过相机信号控制器调整两个相机的明域、暗域区域位置，保证两个相机同步工作，采用明域、暗域成像接收模式相结合，如此能够最大程度地获取缺陷细节。
在步骤S1中，极片表面图像包括极片上表面图像和极片下表面图像；所述极片上表面图像包括上表面明域图像和上表面暗域图像，所述极片下表面图像包括下表面明域图像和下表面暗域图像。
极片表面的缺陷情况分为正常、结构缺陷和颜色缺陷，所述结构缺陷包括空洞、划痕等，所述颜色缺陷包括脏污、黑点等。
图像的标注方式包括：当所述极片表面图像不存在缺陷时则标注0，存在结构缺陷时则标注1，存在颜色缺陷时则标注2。
优选地，当所述极片表面图像存在空洞缺陷时则标注101，存在划痕缺陷时则标注102，依此类推。当所述极片表面图像存在脏污缺陷时则标注201，存在黑点缺陷时则标注202，依此类推。
极片表面缺陷检测数据集利用新型光学成像***，采集极片表面同一平面位置同一角度(或不同角度)的图像，即获得上表面明域图像、下表面明域图像、上表面暗域图像及下表面暗域图像四张图像作为一组缺陷检测数据，以极板表面的缺陷情况作为每张图像的标签，即每组极片表面缺陷检测数据中，包含一张上表面明域图像、一张下表面明域图像、一张上表面暗域图像、一张下表面暗域图像和一个缺陷情况标签；将采集到的所有组极片表面缺陷检测数据构成极片表面缺陷检测数据集。
如图3所示，特征提取网络使用四个并列的DenseNet-121网络，分别以采集的各组极片上表面明域图像、下表面明域图像、上表面暗域图像及下表面暗域图像作为输入，用于提取缺陷特征，得到四个长度为N的向量，将其连接得到一个长度为4N的向量作为提取的特征向量输出。
多模态融合网络采用2～4层全连接网络，用于缺陷的检测，前一层全连接网络的输出作为后一层全连接网络的输入，第一层全连接网络的输入为所述特征提取网络得到的长度为4N的特征向量，最后一层全连接网络的输出为表征缺陷情况的特征向量，该特征向量的长度等于输入的一组检测数据中含有的缺陷情况标签种类数，该特征向量的各元素分别表示各类缺陷情况的概率，概率最大并且概率超过设定阈值的类别就是判定的缺陷分类。
特征提取网络还包括预处理单元和裁剪单元。所述预处理单元用于对获取的极片表面图像进行去噪、增强处理，提高对比度；所述裁剪单元用于对预处理后的极片表面图像裁剪为预设像素大小，通过采用阈值分割算法，从图像中分割提取待检测区域，将分割出的待检测区域图像进行缩放，并保存为图像样本。
在步骤S3中，将所述训练集中的上表面明域图像、下表面明域图像、上表面暗域图像及下表面暗域图像分别输入S2建立的极片表面缺陷识别模型的四个并列的DenseNet-121网络，通过反向传播算法对极片表面缺陷识别模型进行训练；利用所述测试集来判断极片表面缺陷识别模型的训练效果，以得到训练完毕的四个单通道极片表面缺陷识别模型。所述多模态融合网络对所述四个单通道极片表面缺陷识别模型进行融合，利用concat方法融合所述四个DenseNet-121网络，一并输入到全连接层，以学得不同模态间的关联特征，得到训练好的基于多模态融合深度学习的极片表面缺陷识别模型。
为获得更多样本量，避免极片表面缺陷检测数据集中数据不足影响模型训练效果，所述训练集与测试集可在扩充后的极片表面缺陷检测数据集进行划分，划分比例可自行设定，默认为8：2，默认极片表面缺陷检测数据集数据充足，不进行扩充操作。
数据集的扩充方法为：将步骤S1得到的极片表面缺陷检测数据集中的任一组数据，对其随机进行相同的旋转、平移的数据增强操作，以生成一组新的数据；将生成的所有组新数据加入到所述极片表面缺陷检测数据集中，得到所述扩充的极片表面缺陷检测数据集。
上述训练当train loss与test loss都呈下降趋势并趋于稳定时，模型初始化训练完成。
在步骤S4中，将采集的待检测极片上表面明域图像、下表面明域图像、上表面暗域图像及下表面暗域图像输入到训练完毕的极片表面缺陷识别模型中，给出表征极片表面缺陷情况的特征向量中置信度最高的缺陷情况标签。
所述缺陷情况包括但不限于缺陷标识和缺陷类型。所述缺陷标识为所述缺陷标注方式设定的标签值，比如空洞缺陷的缺陷标识为101；所述缺陷类型分为正常、结构缺陷和颜色缺陷。
所述缺陷情况识别为有缺陷时，进行告警，支持语音播报、大屏弹窗、声光报警等告警方式。
可选的，缺陷类型可用不同颜色标识进行大屏告警。
与现有技术相比，本检测方法具有以下技术效果/优势。
本检测方法通过获取动力电池极片上表面明域图像集、下表面明域图像集、上表面暗域图像集及下表面暗域图像集，可以获取极片上下表面空洞、划痕等结构缺陷和脏污、黑点等颜色缺陷的高质量图片，从而最大程度获取缺陷细节。
本检测方法通过采用DenseNet-121网络训练单通道极片表面缺陷识别模型，利用多模态融合网络对单通道极片表面缺陷识别模型进行融合，增加了模型的多缺陷类型识别能力，使训练后的基于多模态融合深度学习的极片表面缺陷识别模型能够适应各种具有不同缺陷特征、不同对比度的动力电池极片表面图像缺陷检测，提升了该模型的适用范围。
本检测方法利用完成训练的基于多模态融合深度学习的极片表面缺陷识别模型对极片表面缺陷进行在线识别，可以一次检测极片上下表面四张图像，大幅提高检测效率，降低检测成本。
本发明还提供了一种动力电池极片表面缺陷快速检测***，如图3所示，包括采集单元、建模单元、以及检测单元。
采集单元用于获取不同类型缺陷的动力电池极片表面图像，其中，动力电池极片表面图像包括动力电池极片的上表面明域图像、上表面暗域图像、下表面明域图像、及下表面暗域图像。
建模单元用于对每张图像上的缺陷进行标注，得到不同类型缺陷的动力电池极片表面缺陷检测数据集，使用四个并列的特征提取网络对上表面明域图像、下表面明域图像、上表面暗域图像及下表面暗域图像的特征分别提取，然后使用多模态融合网络进行融合，建立极片表面缺陷识别模型，最后将所述动力电池极片表面缺陷检测数据集分为训练集与测试集，训练所述极片表面缺陷识别模型。
检测单元用于一次性采集待检测的动力电池极片的上表面明域图像、上表面暗域图像、下表面明域图像、及下表面暗域图像，然后将这组数据输入到训练完毕的极片表面缺陷识别模型中，通过输出结果来判断极片表面的缺陷情况。
本检测***还包括告警输出单元，用于对检测出的极片表面的缺陷情况进行告警。
本发明的动力电池极片表面缺陷快速检测***中的建模单元和检测单元可以集成在电子设备中，该电子设备可以是服务器，也可以是终端等设备。
其中，服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式***，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、网络加速服务(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
其中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接。
本预测方法由硬件和计算机程序结合的方式来实现，该计算机程序可存储在计算机可读存储介质中，该可读存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种动力电池极片表面缺陷快速检测方法，其特征在于，包括：
S1、获取不同类型缺陷的动力电池极片表面图像，并对每张图像上的缺陷进行标注，得到不同类型缺陷的动力电池极片表面缺陷检测数据集；其中，动力电池极片表面图像包括动力电池极片的上表面明域图像、上表面暗域图像、下表面明域图像、及下表面暗域图像；
S2、使用四个并列的特征提取网络对上表面明域图像、下表面明域图像、上表面暗域图像及下表面暗域图像的特征一一对应地分别提取，然后使用多模态融合网络进行融合，建立极片表面缺陷识别模型；
S3、将所述动力电池极片表面缺陷检测数据集分为训练集与测试集，训练所述极片表面缺陷识别模型；以及
S4、一次性采集待检测的动力电池极片的上表面明域图像、上表面暗域图像、下表面明域图像、及下表面暗域图像，然后将这组数据输入到训练完毕的极片表面缺陷识别模型中，通过输出结果来判断极片表面的缺陷情况。
2.根据权利要求1所述的动力电池极片表面缺陷快速检测方法，其特征在于，采用同步工作的两套光学成像***，一次性采集动力电池极片的上表面明域图像、下表面明域图像、上表面暗域图像及下表面暗域图像。
3.根据权利要求2所述的动力电池极片表面缺陷快速检测方法，其特征在于，两套光学成像***分别布置在动力电池极板的两侧，每套光学成像***包括对动力电池极板表面照射的光源、用于采集明域图像的第一相机、以及用于采集暗域图像的第二相机。
4.根据权利要求3所述的动力电池极片表面缺陷快速检测方法，其特征在于，所述第一相机和第二相机采集极片表面同一平面位置同一角度的图像。
5.根据权利要求1所述的动力电池极片表面缺陷快速检测方法，其特征在于，所述特征提取网络使用DenseNet-121网络，多模态融合网络采用2～4层全连接网络，用于缺陷的检测，前一层全连接网络的输出作为后一层全连接网络的输入，第一层全连接网络的输入为所述特征提取网络得到的长度为4N的特征向量，最后一层全连接网络的输出为表征缺陷情况的特征向量，该特征向量的长度等于输入的一组检测数据中含有的缺陷情况标签种类数，该特征向量的各元素分别表示各类缺陷情况的概率，概率最大并且概率超过设定阈值的类别就是判定的缺陷分类。
6.根据权利要求5所述的动力电池极片表面缺陷快速检测方法，其特征在于，所述特征提取网络还包括预处理单元和裁剪单元，所述预处理单元用于对获取的极片表面图像进行去噪、增强处理；所述裁剪单元用于对预处理后的极片表面图像裁剪为预设像素大小，通过采用阈值分割算法，从图像中分割提取待检测区域，将分割出的待检测区域图像进行缩放，并保存为图像样本。
7.根据权利要求1所述的动力电池极片表面缺陷快速检测方法，其特征在于，所述极片表面的缺陷情况分为正常、结构缺陷和颜色缺陷，所述结构缺陷包括空洞、划痕，所述颜色缺陷包括脏污和黑点。
8.根据权利要求1所述的动力电池极片表面缺陷快速检测方法，其特征在于，还包括对极片表面的缺陷情况进行告警的步骤。
9.一种动力电池极片表面缺陷快速检测***，其特征在于，包括：
采集单元，用于获取不同类型缺陷的动力电池极片表面图像，其中，动力电池极片表面图像包括动力电池极片的上表面明域图像、上表面暗域图像、下表面明域图像、及下表面暗域图像；
建模单元，用于对每张图像上的缺陷进行标注，得到不同类型缺陷的动力电池极片表面缺陷检测数据集；使用四个并列的特征提取网络对上表面明域图像、下表面明域图像、上表面暗域图像及下表面暗域图像的特征分别提取，然后使用多模态融合网络进行融合，建立极片表面缺陷识别模型；将所述动力电池极片表面缺陷检测数据集分为训练集与测试集，训练所述极片表面缺陷识别模型；以及
检测单元，用于采集待检测的动力电池极片表面图像采集，然后将这组数据输入到训练完毕的极片表面缺陷识别模型中，通过输出结果来判断极片表面的缺陷情况。
10.根据权利要求9所述的动力电池极片表面缺陷快速检测***，其特征在于，还包括告警输出单元，用于对极片表面的缺陷情况进行告警。
CN202010894239.3A 2020-08-31 2020-08-31 一种动力电池极片表面缺陷快速检测方法和*** Pending CN112270659A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010894239.3A CN112270659A (zh) 2020-08-31 2020-08-31 一种动力电池极片表面缺陷快速检测方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010894239.3A CN112270659A (zh) 2020-08-31 2020-08-31 一种动力电池极片表面缺陷快速检测方法和***

Publications (1)

Publication Number Publication Date
CN112270659A true CN112270659A (zh) 2021-01-26

Family

ID=74349646

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010894239.3A Pending CN112270659A (zh) 2020-08-31 2020-08-31 一种动力电池极片表面缺陷快速检测方法和***

Country Status (1)

Country Link
CN (1) CN112270659A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113658137A (zh) * 2021-08-17 2021-11-16 浙江工商大学 一种基于胶囊网络的飞机表面缺陷检测方法和***
CN114418963A (zh) * 2021-12-28 2022-04-29 淮阴工学院 一种基于机器视觉的电池极板缺陷检测方法
CN115829906A (zh) * 2022-04-18 2023-03-21 宁德时代新能源科技股份有限公司 对复合料带的阴极极片进行缺陷检测的方法、装置、***
CN116630305A (zh) * 2023-07-18 2023-08-22 北京阿丘机器人科技有限公司 电池盖板外观检测方法、装置、设备及存储介质
EP4303807A1 (de) * 2022-07-05 2024-01-10 Lapp Engineering AG Verfahren, mess-system und computerprogrammprodukt zur farbprüfung

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN203310772U (zh) * 2013-05-15 2013-11-27 湖州师范学院 一种大型钢管焊缝缺陷双域检测装置
CN103785627A (zh) * 2014-01-27 2014-05-14 河南科技大学 锂电池极片表面缺陷在线检测分拣***及其分拣方法
CN107741427A (zh) * 2017-11-30 2018-02-27 南京航空航天大学 汽车发动机涡轮壳表面缺陷的机器视觉检测装置及方法
CN108108768A (zh) * 2017-12-29 2018-06-01 清华大学 基于卷积神经网络的光伏玻璃缺陷分类方法及装置
CN110006919A (zh) * 2018-12-10 2019-07-12 浙江大学台州研究院 一种抛光石英晶片浅划痕检测的装置与方法
CN110146515A (zh) * 2019-04-19 2019-08-20 广州超音速自动化科技股份有限公司 板材钻孔及表面缺陷检测装置及使用方法
CN110458828A (zh) * 2019-08-12 2019-11-15 广东工业大学 一种基于多模态融合网络的激光焊接缺陷识别方法及装置
CN111028204A (zh) * 2019-11-19 2020-04-17 清华大学 一种基于多模态融合深度学习的布匹缺陷检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN203310772U (zh) * 2013-05-15 2013-11-27 湖州师范学院 一种大型钢管焊缝缺陷双域检测装置
CN103785627A (zh) * 2014-01-27 2014-05-14 河南科技大学 锂电池极片表面缺陷在线检测分拣***及其分拣方法
CN107741427A (zh) * 2017-11-30 2018-02-27 南京航空航天大学 汽车发动机涡轮壳表面缺陷的机器视觉检测装置及方法
CN108108768A (zh) * 2017-12-29 2018-06-01 清华大学 基于卷积神经网络的光伏玻璃缺陷分类方法及装置
CN110006919A (zh) * 2018-12-10 2019-07-12 浙江大学台州研究院 一种抛光石英晶片浅划痕检测的装置与方法
CN110146515A (zh) * 2019-04-19 2019-08-20 广州超音速自动化科技股份有限公司 板材钻孔及表面缺陷检测装置及使用方法
CN110458828A (zh) * 2019-08-12 2019-11-15 广东工业大学 一种基于多模态融合网络的激光焊接缺陷识别方法及装置
CN111028204A (zh) * 2019-11-19 2020-04-17 清华大学 一种基于多模态融合深度学习的布匹缺陷检测方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113658137A (zh) * 2021-08-17 2021-11-16 浙江工商大学 一种基于胶囊网络的飞机表面缺陷检测方法和***
CN114418963A (zh) * 2021-12-28 2022-04-29 淮阴工学院 一种基于机器视觉的电池极板缺陷检测方法
CN114418963B (zh) * 2021-12-28 2023-12-05 淮阴工学院 一种基于机器视觉的电池极板缺陷检测方法
CN115829906A (zh) * 2022-04-18 2023-03-21 宁德时代新能源科技股份有限公司 对复合料带的阴极极片进行缺陷检测的方法、装置、***
CN115829906B (zh) * 2022-04-18 2024-01-30 宁德时代新能源科技股份有限公司 对复合料带的阴极极片进行缺陷检测的方法、装置、***
EP4303807A1 (de) * 2022-07-05 2024-01-10 Lapp Engineering AG Verfahren, mess-system und computerprogrammprodukt zur farbprüfung
CN116630305A (zh) * 2023-07-18 2023-08-22 北京阿丘机器人科技有限公司 电池盖板外观检测方法、装置、设备及存储介质
CN116630305B (zh) * 2023-07-18 2024-02-13 北京阿丘机器人科技有限公司 电池盖板外观检测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN112270659A (zh) 一种动力电池极片表面缺陷快速检测方法和***
US11380232B2 (en) Display screen quality detection method, apparatus, electronic device and storage medium
CN111612763B (zh) 手机屏幕缺陷检测方法、装置及***、计算机设备及介质
CN106875373B (zh) 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法
CN111415329B (zh) 一种基于深度学习的工件表面缺陷检测方法
CN111814850A (zh) 缺陷检测模型训练方法、缺陷检测方法及相关装置
CN111626112A (zh) 一种基于轻量化3D-RDNet模型的烟雾视频检测方法及***
CN109558792B (zh) 一种基于样本和特征检测互联网徽标内容的方法和***
CN112766218B (zh) 基于非对称联合教学网络的跨域行人重识别方法和装置
CN111339832A (zh) 人脸合成图像的检测方法及装置
CN112686833A (zh) 一种基于卷积神经网络的工业产品表面缺陷检测和分类装置
CN110544231A (zh) 基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法
CN112446437A (zh) 一种基于机器视觉的货架商品规格识别方法
CN111398291A (zh) 基于深度学***漆包电磁线表面瑕疵检测方法
CN111145222A (zh) 一种结合烟雾运动趋势和纹理特征的火灾检测方法
CN115205247A (zh) 电池极片的缺陷检测方法、装置、设备及存储介质
CN116385430A (zh) 一种机器视觉瑕疵检测方法、装置、介质及设备
CN112052730B (zh) 一种3d动态人像识别监控设备及方法
CN113222901A (zh) 一种基于单阶段钢球表面缺陷检测的方法
CN116071315A (zh) 一种基于机器视觉的产品可视缺陷检测方法及***
CN111339927A (zh) 一种电力营业厅人员工作状态智能识别***
CN114612418A (zh) 一种鼠标外壳表面缺陷检测方法及装置、***、电子设备
CN117670820B (zh) 一种塑料薄膜生产缺陷检测方法及***
CN111160100A (zh) 一种基于样本生成的轻量级深度模型航拍车辆检测方法
CN114549489A (zh) 一种面向雕花口红质检的实例分割缺陷检测方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210126