CN112465814A - 基于深度学习的电池overhang的计算方法和装置 - Google Patents

基于深度学习的电池overhang的计算方法和装置 Download PDF

Info

Publication number
CN112465814A
CN112465814A CN202011492910.8A CN202011492910A CN112465814A CN 112465814 A CN112465814 A CN 112465814A CN 202011492910 A CN202011492910 A CN 202011492910A CN 112465814 A CN112465814 A CN 112465814A
Authority
CN
China
Prior art keywords
battery
training sample
sample image
image
network model
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
CN202011492910.8A
Other languages
English (en)
Inventor
刘骏
喻青
杨雁清
徐华安
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.)
Wuxi Unicomp Technology Co ltd
Original Assignee
Wuxi Unicomp Technology Co ltd
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 Wuxi Unicomp Technology Co ltd filed Critical Wuxi Unicomp Technology Co ltd
Priority to CN202011492910.8A priority Critical patent/CN112465814A/zh
Publication of CN112465814A publication Critical patent/CN112465814A/zh
Priority to US17/214,914 priority patent/US11580664B2/en
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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • 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
    • G06T2207/30108—Industrial image inspection
    • 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
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于深度学习的电池overhang的计算方法和装置，其中，该计算方法包括以下步骤：获取训练样本图像集；根据训练样本图像集对神经网络进行训练以获取分割网络模型；根据分割网络模型对待检测电池的目标检测图像进行检测，以获取相应的第一二值化图像；根据第一二值化图像获取待检测电池的正极和负极的顶部坐标；根据顶部坐标计算待检测电池的overhang。根据本发明的基于深度学习的电池overhang的计算方法，不仅大大简化了计算方式，而且计算精度和通用性较高。

Description

基于深度学习的电池overhang的计算方法和装置
技术领域
本发明涉及目标检测技术领域，具体涉及一种基于深度学习的电池overhang的计算方法和一种基于深度学习的电池overhang的计算装置。
背景技术
所谓电池overhang(对齐度)设计是指负极极片长度和宽度方向多出正负极极片之外的部分。overhang会影响电池的电化学性能，正负极完全重叠，没有overhang设计的电池性能最好，但是由于工程精度无法实现这种情况，电池反而容易出现析锂。因此，工程上需要对电池的overhang进行管控，以保证overhang在合适的规格从而保证电池的性能。
相关技术中，通常采用电池X-ray图像来计算电池overhang，然而，该方式具有一定的局限性，通用性较低，并且计算方式复杂，计算精度较低。
发明内容
本发明为解决上述技术问题，提供了一种基于深度学习的电池overhang的计算方法，不仅大大简化了计算方式，而且计算精度和通用性较高。
本发明采用的技术方案如下：
一种基于深度学习的电池overhang的计算方法，包括以下步骤：获取训练样本图像集；根据所述训练样本图像集对神经网络进行训练以获取分割网络模型；根据所述分割网络模型对待检测电池的目标检测图像进行检测，以获取相应的第一二值化图像；根据所述第一二值化图像获取所述待检测电池的正极和负极的顶部坐标；根据所述顶部坐标计算所述待检测电池的overhang。
所述获取训练样本图像集包括：采用X-ray射线对电池进行拍摄以获取训练样本图像；对所述训练样本图像中所述电池的正极和负极进行标注，以获取标注图像；根据所述训练样本图像和相应的标注图像生成所述训练样本图像集。
所述根据所述训练样本图像集对神经网络进行训练以获取分割网络模型包括：将所述训练样本图像缩放至预设尺寸；根据缩放后的训练样本图像采用梯度下降法对所述神经网络进行训练以获取所述分割网络模型。
所述根据所述训练样本图像集对神经网络进行训练以获取分割网络模型还包括：根据分割网络模型对所述训练样本图像进行检测，以获取相应的第二二值化图像；将所述第二二值化图像与所述标注图像进行比对；根据比对结果对所述分割网络模型进行校正。
一种基于深度学习的电池overhang的计算装置，包括：第一获取模块，所述第一获取模块用于获取训练样本图像集；第二获取模块，所述第二获取模块用于根据所述训练样本图像集对神经网络进行训练以获取分割网络模型；检测模块，所述检测模块用于根据所述分割网络模型对待检测电池的目标检测图像进行检测，以获取相应的第一二值化图像；第三获取模块，所述第三获取模块用于根据所述第一二值化图像获取所述待检测电池的正极和负极的顶部坐标；计算模块，所述计算模块用于根据所述顶部坐标计算所述待检测电池的overhang。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现上述的基于深度学习的电池overhang的计算方法。
一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的基于深度学习的电池overhang的计算方法。
本发明的有益效果：
本发明不仅大大简化了计算方式，而且计算精度和通用性较高。
附图说明
图1为本发明实施例的基于深度学习的电池overhang的计算方法的流程图；
图2为本发明实施例的基于深度学习的电池overhang的计算装置的方框示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1是根据本发明实施例的基于深度学习的电池overhang的计算方法的流程图。
如图1所示，本发明实施例的基于深度学习的电池overhang的计算方法，可包括以下步骤：
S1，获取训练样本图像集。
根据本发明的一个实施例，获取训练样本图像集包括：采用X-ray射线对电池进行拍摄以获取训练样本图像；对训练样本图像中电池的正极和负极进行标注，以获取标注图像；根据训练样本图像和相应的标注图像生成训练样本图像集。
具体而言，可采用X-ray射线(例如，利用X-ray设备发射X-ray射线)对电池进行拍摄以获取训练样本图像，并根据电池的特性对训练样本图像中电池的正极和负极进行标注，以获取标注图像，标注图像可包括正极和负极的二值化图像。其中，为了方便处理可将电池正极的二值化图像和负极的二值化图像以及一张底图(黑色底图)合成一张三通道的图像。
在获取到训练样本图像和相应的标注图像后，可将训练样本图像和相应的标注图像作为一个集合以生成训练样本图像集。
S2，根据训练样本图像集对神经网络进行训练以获取分割网络模型。
根据本发明的一个实施例，根据训练样本图像集对神经网络进行训练以获取分割网络模型包括：将训练样本图像缩放至预设尺寸；根据缩放后的训练样本图像采用梯度下降法对神经网络进行训练以获取分割网络模型。
具体而言，在通过上述方式获取到训练样本图像集后，可先将训练样本图像集中的训练样本图像缩放至预设尺寸，其中，缩放后的训练样本图像的尺寸与标注图像的尺寸相同，然后，根据缩放后的训练样本图像采用梯度下降法对神经网络进行训练，以获取分割网络模型。其中，神经网络可为Unet网络或者其他图像生成/图像翻译的网络。
基于上述实施例，在实际应用中，为了提高检测的准确性，在获取分割网络模型后，还可对分割网络模型进行校正，以确保分割网络模型的准确性。
具体地，根据本发明的一个实施例，根据训练样本图像集对神经网络进行训练以获取分割网络模型还包括：根据分割网络模型对训练样本图像进行检测，以获取相应的第二二值化图像；将第二二值化图像与标注图像进行比对；根据比对结果对分割网络模型进行校正。
具体而言，在获取到分割网络模型后，可通过该分割网络模型对训练样本图像进行检测，以生成相应的第二二值化图像，即获取训练样本图像对应的电池正极和负极的二值化图像，并将该第二二值化图像与标注图像进行比对。如果第二二值化图像与标注图像匹配，说明分割网络模型检测的准确度较高，无需进行校正；如果第二二值化图像与标注图像不匹配，说明分割网络模型检测的准确度较低，还需对分割网络模型进行校正。
由此，能够确保训练出的分割神经网络的准确度，从而提高了电池overhang计算的准确度。
S3，根据分割网络模型对待检测电池的目标检测图像进行检测，以获取相应的第一二值化图像。
具体而言，可先采用X-ray射线对待检测电池进行拍摄以获取待检测电池的目标检测图像，然后将目标检测图像输入分割网络模型，以通过分割网络模型对目标检测图像进行检测，以获取相应的第一二值化图像。其中，可对模型检测结果进行通道拆分，以获取待检测电池正极和负极的单通道图像，即获取第一二值化图像。
S4，根据第一二值化图像获取待检测电池的正极和负极的顶部坐标。
S5，根据顶部坐标计算待检测电池的overhang。
具体而言，在获取到第一二值化图像，即待检测电池正极和负极的单通道图像后，可分别对正极和负极的单通道图像进行阈值分割，以获取待检测电池的正极和负极的顶部坐标，然后，根据待检测电池的正极和负极的顶部坐标计算待检测电池的overhang。由此，不仅大大简化了计算方式，而且计算精度和通用性较高。
综上所述，根据本发明实施例的基于深度学习的电池overhang的计算方法，获取训练样本图像集，以及根据训练样本图像集对神经网络进行训练以获取分割网络模型，并根据分割网络模型对待检测电池的目标检测图像进行检测，以获取相应的第一二值化图像，以及根据第一二值化图像获取待检测电池的正极和负极的顶部坐标，并根据顶部坐标计算待检测电池的overhang，从而不仅大大简化了计算方式，而且计算精度和通用性较高。
对应上述实施例的基于深度学习的电池overhang的计算方法，本发明还提出一种基于深度学习的电池overhang的计算装置。
如图2所示，本发明实施例的基于深度学习的电池overhang的计算装置可包括：第一获取模块100、第二获取模块200、检测模块300、第三获取模块400和计算模块500。
其中，第一获取模块100用于获取训练样本图像集；第二获取模块200用于根据训练样本图像集对神经网络进行训练以获取分割网络模型；检测模块300用于根据分割网络模型对待检测电池的目标检测图像进行检测，以获取相应的第一二值化图像；第三获取模块400用于根据第一二值化图像获取待检测电池的正极和负极的顶部坐标；计算模块500用于根据顶部坐标计算待检测电池的overhang。
根据本发明的一个实施例，第一获取模块100具体用于：采用X-ray射线对电池进行拍摄以获取训练样本图像；对训练样本图像中电池的正极和负极进行标注，以获取标注图像；根据训练样本图像和相应的标注图像生成训练样本图像集。
根据本发明的一个实施例，第二获取模块200具体用于：将训练样本图像缩放至预设尺寸；根据缩放后的训练样本图像采用梯度下降法对神经网络进行训练以获取分割网络模型。
根据本发明的一个实施例，第二获取模块200具体还用于：根据分割网络模型对训练样本图像进行检测，以获取相应的第二二值化图像；将第二二值化图像与标注图像进行比对；根据比对结果对分割网络模型进行校正。
需要说明的是，本发明实施例的基于深度学习的电池overhang的计算装置更具体的实施方式可参照上述基于深度学习的电池overhang的计算方法的实施例，在此不再赘述。
根据本发明实施例的基于深度学习的电池overhang的计算装置，通过第一获取模块获取训练样本图像集，以及通过第二获取模块根据所述训练样本图像集对神经网络进行训练以获取分割网络模型，并通过检测模块根据所述分割网络模型对待检测电池的目标检测图像进行检测，以获取相应的第一二值化图像，以及通过第三获取模块根据所述第一二值化图像获取所述待检测电池的正极和负极的顶部坐标，并通过计算模块根据所述顶部坐标计算所述待检测电池的overhang。由此，不仅大大简化了计算方式，而且计算精度和通用性较高。
对应上述实施例，本发明还提出一种计算机设备。
本发明实施例的计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，实现上述实施例的基于深度学习的电池overhang的计算方法。
根据本发明实施例的计算机设备，不仅大大简化了计算方式，而且计算精度和通用性较高。
对应上述实施例，本发明还提出一种非临时性计算机可读存储介质。
本发明实施例的非临时性计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现上述的基于深度学习的电池overhang的计算方法。
根据本发明实施例的非临时性计算机可读存储介质，不仅大大简化了计算方式，而且计算精度和通用性较高。
在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用，或结合这些指令执行***、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (7)

1.一种基于深度学习的电池overhang的计算方法，其特征在于，包括以下步骤：
获取训练样本图像集；
根据所述训练样本图像集对神经网络进行训练以获取分割网络模型；
根据所述分割网络模型对待检测电池的目标检测图像进行检测，以获取相应的第一二值化图像；
根据所述第一二值化图像获取所述待检测电池的正极和负极的顶部坐标；
根据所述顶部坐标计算所述待检测电池的overhang。
2.根据权利要求1所述的基于深度学习的电池overhang的计算方法，其特征在于，所述获取训练样本图像集包括：
采用X-ray射线对电池进行拍摄以获取训练样本图像；
对所述训练样本图像中所述电池的正极和负极进行标注，以获取标注图像；
根据所述训练样本图像和相应的标注图像生成所述训练样本图像集。
3.根据权利要求2所述的基于深度学习的电池overhang的计算方法，其特征在于，所述根据所述训练样本图像集对神经网络进行训练以获取分割网络模型包括：
将所述训练样本图像缩放至预设尺寸；
根据缩放后的训练样本图像采用梯度下降法对所述神经网络进行训练以获取所述分割网络模型。
4.根据权利要求3所述的基于深度学习的电池overhang的计算方法，其特征在于，所述根据所述训练样本图像集对神经网络进行训练以获取分割网络模型还包括：
根据分割网络模型对所述训练样本图像进行检测，以获取相应的第二二值化图像；
将所述第二二值化图像与所述标注图像进行比对；
根据比对结果对所述分割网络模型进行校正。
5.一种基于深度学习的电池overhang的计算装置，其特征在于，包括：
第一获取模块，所述第一获取模块用于获取训练样本图像集；
第二获取模块，所述第二获取模块用于根据所述训练样本图像集对神经网络进行训练以获取分割网络模型；
检测模块，所述检测模块用于根据所述分割网络模型对待检测电池的目标检测图像进行检测，以获取相应的第一二值化图像；
第三获取模块，所述第三获取模块用于根据所述第一二值化图像获取所述待检测电池的正极和负极的顶部坐标；
计算模块，所述计算模块用于根据所述顶部坐标计算所述待检测电池的overhang。
6.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现根据权利要求1-4中任一项所述的基于深度学习的电池overhang的计算方法。
7.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现根据权利要求1-4中任一项所述的基于深度学习的电池overhang的计算方法。
CN202011492910.8A 2020-12-17 2020-12-17 基于深度学习的电池overhang的计算方法和装置 Pending CN112465814A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011492910.8A CN112465814A (zh) 2020-12-17 2020-12-17 基于深度学习的电池overhang的计算方法和装置
US17/214,914 US11580664B2 (en) 2020-12-17 2021-03-28 Deep learning-based method and device for calculating overhang of battery

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011492910.8A CN112465814A (zh) 2020-12-17 2020-12-17 基于深度学习的电池overhang的计算方法和装置

Publications (1)

Publication Number Publication Date
CN112465814A true CN112465814A (zh) 2021-03-09

Family

ID=74803169

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011492910.8A Pending CN112465814A (zh) 2020-12-17 2020-12-17 基于深度学习的电池overhang的计算方法和装置

Country Status (2)

Country Link
US (1) US11580664B2 (zh)
CN (1) CN112465814A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114549531A (zh) * 2022-04-26 2022-05-27 广州市易鸿智能装备有限公司 一种锂电池卷绕OverHang对中纠偏控制***及方法
CN114894821A (zh) * 2022-04-29 2022-08-12 浙江锂威电子科技有限公司 一种X-Ray过程监督反馈调节闭环控制方法及***
WO2023206020A1 (zh) * 2022-04-25 2023-11-02 宁德时代新能源科技股份有限公司 电池极片的Overhang检测方法、装置、设备、存储介质
CN117333654A (zh) * 2023-09-25 2024-01-02 钛玛科（北京）工业科技有限公司 锂电池极耳对齐方法、装置、设备及存储介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116503348A (zh) * 2023-04-23 2023-07-28 深圳市卓茂科技有限公司 一种卷绕锂电池的电芯阴阳极片对齐度的检测方法及设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104091322A (zh) * 2014-05-06 2014-10-08 无锡日联科技有限公司 叠片锂离子电池的检测方法
CN108631727A (zh) * 2018-03-26 2018-10-09 河北工业大学 一种基于卷积神经网络的太阳能电池板缺陷识别方法
CN109859186A (zh) * 2019-01-31 2019-06-07 江苏理工学院 一种基于halcon的锂电池模组正负极检测方法
CN110132978A (zh) * 2019-04-28 2019-08-16 无锡和博永新科技有限公司 电阻片整片检测装置及检测方法
CN110595401A (zh) * 2019-08-29 2019-12-20 东莞市骏智机电科技有限公司 一种使用X-ray射线检测电池四角的检测方法
CN111539943A (zh) * 2020-04-28 2020-08-14 深圳科瑞技术股份有限公司 基于多相机的锂电池极片堆叠位置测量方法、装置及***

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107633237B (zh) * 2017-09-30 2020-05-29 北京金山安全软件有限公司 图像背景分割方法、装置、设备及介质
CN109239075B (zh) * 2018-08-27 2021-11-30 北京百度网讯科技有限公司 电池检测方法及装置
US20220351004A1 (en) * 2021-04-28 2022-11-03 Alteryx, Inc. Industry specific machine learning applications

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104091322A (zh) * 2014-05-06 2014-10-08 无锡日联科技有限公司 叠片锂离子电池的检测方法
CN108631727A (zh) * 2018-03-26 2018-10-09 河北工业大学 一种基于卷积神经网络的太阳能电池板缺陷识别方法
CN109859186A (zh) * 2019-01-31 2019-06-07 江苏理工学院 一种基于halcon的锂电池模组正负极检测方法
CN110132978A (zh) * 2019-04-28 2019-08-16 无锡和博永新科技有限公司 电阻片整片检测装置及检测方法
CN110595401A (zh) * 2019-08-29 2019-12-20 东莞市骏智机电科技有限公司 一种使用X-ray射线检测电池四角的检测方法
CN111539943A (zh) * 2020-04-28 2020-08-14 深圳科瑞技术股份有限公司 基于多相机的锂电池极片堆叠位置测量方法、装置及***

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023206020A1 (zh) * 2022-04-25 2023-11-02 宁德时代新能源科技股份有限公司 电池极片的Overhang检测方法、装置、设备、存储介质
CN114549531A (zh) * 2022-04-26 2022-05-27 广州市易鸿智能装备有限公司 一种锂电池卷绕OverHang对中纠偏控制***及方法
CN114549531B (zh) * 2022-04-26 2022-07-15 广州市易鸿智能装备有限公司 一种锂电池卷绕OverHang对中纠偏控制***及方法
CN114894821A (zh) * 2022-04-29 2022-08-12 浙江锂威电子科技有限公司 一种X-Ray过程监督反馈调节闭环控制方法及***
CN114894821B (zh) * 2022-04-29 2024-01-09 浙江锂威电子科技有限公司 一种避免过杀的X-Ray过程监督反馈调节闭环控制方法及***
CN117333654A (zh) * 2023-09-25 2024-01-02 钛玛科（北京）工业科技有限公司 锂电池极耳对齐方法、装置、设备及存储介质

Also Published As

Publication number Publication date
US11580664B2 (en) 2023-02-14
US20220198698A1 (en) 2022-06-23

Similar Documents

Publication Publication Date Title
CN112465814A (zh) 基于深度学习的电池overhang的计算方法和装置
EP3506158B1 (en) Method and apparatus for determining lane line on road
WO2020215672A1 (zh) 医学图像病灶检测定位方法、装置、设备及存储介质
CN108932698B (zh) 图像畸变的校正方法、装置、电子设备和存储介质
CN111292314B (zh) 冠脉分段方法、装置、图像处理***和存储介质
US20200327653A1 (en) Automatic detection, counting, and measurement of logs using a handheld device
CN111080573B (zh) 肋骨图像检测方法、计算机设备和存储介质
CN113378789B (zh) 单元格位置的检测方法、装置和电子设备
CN110163850B (zh) 贴胶质量检测方法、装置、计算机设备和存储介质
EP3089107B1 (en) Computer program product and method for determining lesion similarity of medical image
CN111027474A (zh) 人脸区域获取方法、装置、终端设备和存储介质
US11651604B2 (en) Word recognition method, apparatus and storage medium
CN110111382B (zh) 不规则区域面积计算方法、装置、计算机设备和存储介质
CN116152208A (zh) 缺陷检测方法、装置、设备及存储介质
CN117611591A (zh) 电芯缺陷的工业ct检测方法、装置、电子设备及存储介质
CN116342609B (zh) 基于裁切装置的实时检测方法、***以及存储介质
CN117078662A (zh) 一种叠片式电池的检测方法、装置、图像处理设备及介质
CN112102316A (zh) 产品缺陷位置分布获取方法和装置
CN115830156B (zh) 精准电阻抗层析成像方法、装置、***、介质及设备
CN115861315A (zh) 缺陷检测方法和装置
CN113326749B (zh) 目标检测方法、装置以及存储介质、电子设备
CN115205846A (zh) 三维目标检测方法、计算机设备、存储介质及车辆
CN114399669A (zh) 目标检测方法和装置
CN112508136B (zh) 标注转换方法和装置
CN112232283B (zh) 基于光流和c3d网络的气泡检测方法和***

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

Application publication date: 20210309

RJ01 Rejection of invention patent application after publication