CN113469991B - 一种锂电池极耳激光焊点视觉在线检测方法 - Google Patents
一种锂电池极耳激光焊点视觉在线检测方法 Download PDFInfo
- Publication number
- CN113469991B CN113469991B CN202110799723.2A CN202110799723A CN113469991B CN 113469991 B CN113469991 B CN 113469991B CN 202110799723 A CN202110799723 A CN 202110799723A CN 113469991 B CN113469991 B CN 113469991B
- Authority
- CN
- China
- Prior art keywords
- welding spot
- standard
- point location
- laser welding
- location coordinate
- 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
- 238000003466 welding Methods 0.000 title claims abstract description 389
- 238000001514 detection method Methods 0.000 title claims abstract description 142
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 79
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 79
- 230000000007 visual effect Effects 0.000 title claims abstract description 22
- 238000004519 manufacturing process Methods 0.000 claims abstract description 19
- 238000012216 screening Methods 0.000 claims abstract description 19
- 230000007547 defect Effects 0.000 claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims description 35
- 238000013528 artificial neural network Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 24
- 238000000034 method Methods 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 4
- 229910000679 solder Inorganic materials 0.000 description 13
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/30152—Solder
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Connection Of Batteries Or Terminals (AREA)
Abstract
本发明提供了一种锂电池极耳激光焊点视觉在线检测方法,包括:S1:获取无焊接缺陷的锂电池极耳激光焊点的实际生产图集;S2:获取待检测的锂电池极耳激光焊点的产品种类;S3:筛选得到实际生产图集中与产品种类相对应的激光焊点模板;S4:获取激光焊点模板中焊点的标准点位和标准数量;S5:获取待检测产品中锂电池极耳激光焊点的实际点位和实际数量;S6:将焊点的标准点位和标准数量与锂电池极耳激光焊点的实际点位和实际数量进行对比检测,得到检测结果,本发明的有益效果为:通过视觉检测把控产品焊点质量,及时筛选出明显焊点缺陷,减轻复检人员的检测项目,加强生产质量。
Description
技术领域
本发明涉及焊点缺陷检测领域,尤其涉及一种锂电池极耳激光焊点视觉在线检测方法。
背景技术
目前,随着我国工业的发展,焊接技术已经成为制造业和工业中必不可少的加工技术,但在焊接过程中由于复杂多变的外部生产环境容易导致焊点质量不一,在对锂电池极耳激光焊点进行检测时,传统方法是采用人工复检的方法对焊点进行检测,但人工复检不仅容易导致误判,且复检效率不高,从而对生产资源、人力资源造成了严重的浪费,因此,亟需提出一种锂电池极耳激光焊点视觉在线检测方法,用于解决人工复检不仅容易导致误判,且复检效率不高,从而对生产资源、人力资源造成了严重的浪费的问题。
发明内容
本发明提供一种锂电池极耳激光焊点视觉在线检测方法,用于解决人工复检不仅容易导致误判,且复检效率不高,从而对生产资源、人力资源造成了严重的浪费的问题。
一种锂电池极耳激光焊点视觉在线检测方法,包括:
S1:获取无焊接缺陷的锂电池极耳激光焊点的实际生产图集;
S2:获取待检测的锂电池极耳激光焊点的产品种类;
S3:筛选得到实际生产图集中与产品种类相对应的激光焊点模板;
S4:获取激光焊点模板中焊点的标准点位和标准数量;
S5:获取待检测产品中锂电池极耳激光焊点的实际点位和实际数量;
S6:将焊点的标准点位和标准数量与锂电池极耳激光焊点的实际点位和实际数量进行对比检测,得到检测结果。
作为本发明的一种实施例,基于激光焊点模板,生成激光焊点模板投影;
在激光焊点模板投影上建立坐标系,获取激光焊点模板投影上每个位置对应的坐标;
令激光焊点模板投影与待检测产品重叠;
获取激光焊点模板投影中所有焊点标准点位的标准点位坐标,构建标准点位坐标集;
获取待检测产品上所有锂电池极耳激光焊点实际点位的实际点位坐标,构建实际点位坐标集;
获取实际点位坐标集中的任一实际点位坐标;
对标准点位坐标集进行筛选,判断标准点位坐标集中是否存在与实际点位坐标相同的标准点位坐标;
若存在,删除标准点位坐标集中与实际点位坐标相同的标准点位坐标,删除实际点位坐标集中与标准点位坐标相同的实际点位坐标;
若不存在,删除实际点位坐标;
直至实际点位坐标集、标准点位坐标集中任一项为空集时,停止对标准点位坐标集进行筛选;
对实际点位坐标集和标准点位坐标集分别进行空集判断,得到第一检测结果;
获取激光焊点模板投影中所有焊点的标准数量;
获取待检测产品上所有锂电池极耳激光焊点的实际数量;
对标准数量和实际数量进行相等判断,得到第二检测结果;
对第一检测结果和第二检测结果进行异常判断,得到检测结果。
作为本发明的一种实施例,对实际点位坐标集和标准点位坐标集分别进行空集判断,得到第一检测结果,包括:
若实际点位坐标集和标准点位坐标集均为空集,第一检测结果为正常结果;
若实际点位坐标集、标准点位坐标集中任一项不为空集时,第一检测结果为异常结果。
作为本发明的一种实施例,对标准数量和实际数量进行相等判断,得到第二检测结果,包括:
若标准数量等于实际数量,第二检测结果为正常结果;
若标准数量不等于实际数量,第二检测结果为异常结果。
作为本发明的一种实施例,对第一检测结果和第二检测结果进行异常判断,得到检测结果,包括:
若第一检测结果和第二检测结果均为正常结果,检测结果为待检测的锂电池极耳激光焊点正常;
若第一检测结果、第二检测结果中任一项为异常结果时,检测结果为待检测的锂电池极耳激光焊点异常。
作为本发明的一种实施例,一种锂电池极耳激光焊点视觉在线检测方法还包括:
若检测结果为待检测的锂电池极耳激光焊点异常,发送焊点异常信号至终端设备。
作为本发明的一种实施例,一种锂电池极耳激光焊点视觉在线检测方法,还包括:
采集待检测产品中锂电池极耳激光焊点的待检测焊点图像;
基于人工神经网络模型构建焊点质量检测模型;
通过预设第一获取路径获取训练样本数据,训练样本数据包括:若干存在质量问题的劣质焊点图像;
获取初始化的人工神经网络;
基于训练样本数据对初始化的人工神经网络进行训练,直至焊点质量检测模型收敛后停止训练,生成人工神经网络焊点质量检测模型;
将待检测焊点图像输入至人工神经网络焊点质量检测模型中,输出第三检测结果;
若第三检测结果为待检测焊点图像为劣质焊点图像,发送第二焊点异常信号至终端设备。
作为本发明的一种实施例,一种锂电池极耳激光焊点视觉在线检测方法还包括:采集待检测产品中锂电池极耳激光焊点的第四待检测焊点视频;
通过神经网络模型对第四待检测焊点视频中的第一焊点图像帧进行深度估计,得到与第一焊点图像帧对应的焊点深度图;
获取第四待检测焊点视频中与第一焊点图像帧相邻的预设数量幅第二焊点图像帧;
基于第一焊点图像帧中的所有第一图像像素,计算每一第一图像像素与每一第一图像像素在所有第二焊点图像帧中的对应像素之间的亮度误差权重和亮度误差;
根据亮度误差权重和亮度误差,计算每一第一图像像素的亮度误差标准值;
获取第一焊点图像帧中所有第一图像像素的亮度误差标准值,计算第一焊点图像帧的亮度误差标准值;
基于焊点深度图中的所有第二图像像素,计算每一第二图像像素和焊点深度图中与每一第二图像像素相邻的每一第一其他图像像素之间的第一平滑约束值和第一焊点图像帧中与每一第二图像像素对应的第三图像像素和第一焊点图像帧中与第三图像像素相邻的每一第二其他图像像素之间的第二平滑约束值;
根据第一平滑约束值和第二平滑约束值计算每一第二图像像素的平滑约束标准值;
获取焊点深度图中所有第二图像像素的平滑约束标准值,计算焊点深度图的平滑约束标准值;
根据第一焊点图像帧的亮度误差标准值和焊点深度图的平滑约束标准值,确定焊点目标函数;
根据焊点目标函数更新神经网络模型的模型参数,得到焊点深度估计模型;
采集待检测产品中锂电池极耳激光焊点的第五待检测焊点图像,第五待检测焊点图像中包括目标焊点对象;
根据焊点深度估计模型对第五待检测焊点图像进行深度估计,得到第四焊点图像深度图;
获取目标焊点对象在第五待检测焊点图像中的位置信息;
根据位置信息和第四焊点图像深度图,得到目标焊点对象的焊点深度信息;
获取激光焊点模板中焊点的标准深度信息;
若焊点深度信息与标准深度信息不符,目标焊点对象存在外观缺陷,发送第三焊点异常信号至终端设备。
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锂电池极耳激光焊点视觉在线检测方法的示意图。
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。
请参阅图1,本发明实施例提供了一种锂电池极耳激光焊点视觉在线检测方法,包括:
S1:获取无焊接缺陷的锂电池极耳激光焊点的实际生产图集;
S2:获取待检测的锂电池极耳激光焊点的产品种类;
S3:筛选得到实际生产图集中与产品种类相对应的激光焊点模板;
S4:获取激光焊点模板中焊点的标准点位和标准数量;
S5:获取待检测产品中锂电池极耳激光焊点的实际点位和实际数量;
S6:将焊点的标准点位和标准数量与锂电池极耳激光焊点的实际点位和实际数量进行对比检测,得到检测结果;
上述技术方案的工作原理为:获取无焊接缺陷的锂电池极耳激光焊点的极耳实际生产图集,该实际生产图集中包括了不同极耳种类的无焊接缺陷的锂电池极耳激光焊点的极耳图像,获取待检测的锂电池极耳激光焊点的产品种类,根据该产品种类从实际生产图集中筛选出与该产品种类相同的无焊接缺陷的锂电池极耳激光焊点的极耳图像,即筛选得到实际生产图集中与产品种类相对应的激光焊点模板,获取激光焊点模板中焊点的标准点位和该产品种类的极耳的焊点的标准数量,其中获取方法包括但不限于根据图像特征识别等方法进行获取,然后获取待检测产品中锂电池极耳激光焊点的实际点位和实际数量,获取方法可以与获取激光焊点模板中焊点的标准点位和该产品种类的极耳的焊点的标准数量的方法一致,得到两者的点位和数量后,将焊点的标准点位和标准数量与锂电池极耳激光焊点的实际点位和实际数量进行对比检测,得到检测结果,其中,对比的是标准点位和实际点位的位置是否存在偏差,以及焊点的数量是否存在不同;
上述技术方案的有益效果为:通过视觉检测把控产品焊点质量,通过对焊点的点位和数量进行对比,及时发现漏焊,多焊,焊点位置偏差等情况,有益于及时筛选出明显焊点缺陷,减轻复检人员的检测项目,加强生产质量。
在一个实施例中,基于激光焊点模板,生成激光焊点模板投影;
在激光焊点模板投影上建立坐标系,获取激光焊点模板投影上每个位置对应的坐标;
令激光焊点模板投影与待检测产品重叠;
获取激光焊点模板投影中所有焊点标准点位的标准点位坐标,构建标准点位坐标集;
获取待检测产品上所有锂电池极耳激光焊点实际点位的实际点位坐标,构建实际点位坐标集;
获取实际点位坐标集中的任一实际点位坐标;
对标准点位坐标集进行筛选,判断标准点位坐标集中是否存在与实际点位坐标相同的标准点位坐标;
若存在,删除标准点位坐标集中与实际点位坐标相同的标准点位坐标,删除实际点位坐标集中与标准点位坐标相同的实际点位坐标;
若不存在,删除实际点位坐标;
直至实际点位坐标集、标准点位坐标集中任一项为空集时,停止对标准点位坐标集进行筛选;
对实际点位坐标集和标准点位坐标集分别进行空集判断,得到第一检测结果;其中,
若实际点位坐标集和标准点位坐标集均为空集,第一检测结果为正常结果;
若实际点位坐标集、标准点位坐标集中任一项不为空集时,第一检测结果为异常结果;
获取激光焊点模板投影中所有焊点的标准数量;
获取待检测产品上所有锂电池极耳激光焊点的实际数量;
对标准数量和实际数量进行相等判断,得到第二检测结果;其中,
若标准数量等于实际数量,第二检测结果为正常结果;
若标准数量不等于实际数量,第二检测结果为异常结果;
对第一检测结果和第二检测结果进行异常判断,得到检测结果;其中,
若第一检测结果和第二检测结果均为正常结果,检测结果为待检测的锂电池极耳激光焊点正常;
若第一检测结果、第二检测结果中任一项为异常结果时,检测结果为待检测的锂电池极耳激光焊点异常;
上述技术方案的工作原理为:对焊点的标准点位和标准数量与锂电池极耳激光焊点的实际点位和实际数量进行对比检测,首先,基于激光焊点模板,根据投影设备生成激光焊点模板投影;在激光焊点模板投影上建立坐标系,获取激光焊点模板投影上每个位置对应的坐标;该激光焊点模板投影上存在若干坐标,优选为根据激光焊点模板上的标准焊点的大小为一个坐标点在激光焊点模板投影上设置若干坐标,保障激光焊点模板投影上每一个标准焊点都仅存在一个坐标点,令激光焊点模板投影与待检测产品重叠;激光焊点模板和待检测产品在大小上是相同的,即可以实现完美重叠,获取激光焊点模板投影中所有焊点标准点位的标准点位坐标,构建标准点位坐标集;获取待检测产品上所有锂电池极耳激光焊点实际点位的实际点位坐标,该实际点位坐标是重叠后待检测产品上的实际点位根据激光焊点模板投影上对每个位置设置的坐标对应生成的,若存在同一焊点点位一部分存在与某一坐标区域中,另一部分存在于另一坐标区域中,则该焊点的实际点位坐标不存在,由此构建实际点位坐标集;获取实际点位坐标集中的任一实际点位坐标;对标准点位坐标集进行筛选,判断标准点位坐标集中是否存在与实际点位坐标相同的标准点位坐标;若存在,删除标准点位坐标集中与实际点位坐标相同的标准点位坐标,删除实际点位坐标集中与标准点位坐标相同的实际点位坐标;如获取实际点位坐标集中的任一点位坐标A,如果实际点位坐标集中和标准点位坐标集中同时存在A,则将实际点位坐标集中和标准点位坐标集中的A进行删除,若不存在,删除实际点位坐标集中与标准点位坐标集相比不存在相同标准点位坐标的实际点位坐标;如获取实际点位坐标集中的任一点位坐标B,如果标准点位坐标集中不存在B,则将实际点位坐标集中的B进行删除,重复筛选工作,直至实际点位坐标集、标准点位坐标集中任一项为空集时,停止对标准点位坐标集进行筛选;对实际点位坐标集和标准点位坐标集分别进行空集判断,得到第一检测结果;其中,若实际点位坐标集和标准点位坐标集均为空集,第一检测结果为正常结果;若实际点位坐标集、标准点位坐标集中任一项不为空集时,第一检测结果为异常结果;该第一检测结果用于判断待检测产品的实际点位与激光焊点模板上的标准点位是否都处于相同位置上,同时也存在对点位数量进行初次判断,获取激光焊点模板投影中所有焊点的标准数量;获取待检测产品上所有锂电池极耳激光焊点的实际数量;对标准数量和实际数量进行相等判断,得到第二检测结果;焊点点位标准数量和实际数量的获取方法包括但不限于使用图像特征识别的方法对焊点点位的标准数量和实际数量进行获取,其中,若标准数量等于实际数量,第二检测结果为正常结果;若标准数量不等于实际数量,第二检测结果为异常结果;该第二检测结果用于判断待检测产品上的实际焊点数量与激光焊点模板上的标准焊点数量是否相同,防止漏焊或多焊,与第一检测结果的对点位数量进行初次判断存在区别,该区别包括但不限于同一焊点跨越了多个坐标区域的情况;对第一检测结果和第二检测结果进行异常判断,得到检测结果,其中,若第一检测结果和第二检测结果均为正常结果,检测结果为待检测的锂电池极耳激光焊点正常;若第一检测结果、第二检测结果中任一项为异常结果时,检测结果为待检测的锂电池极耳激光焊点异常,该检测结果正常则表示焊点的点位和数量均正确;
上述技术方案的有益效果为:通过坐标匹配的方式对待检测产品上的极耳激光焊点进行点位和数量上的对比检测,防止待检测产品存在漏焊、多焊、位置偏差等情况,有益于提高在筛选劣质焊点产品时的筛选精确度,从而降低复检人员的工作强度。
在一个实施例中,一种锂电池极耳激光焊点视觉在线检测方法,还包括:
若检测结果为待检测的锂电池极耳激光焊点异常,发送焊点异常信号至终端设备;
上述技术方案的工作原理和有益效果为:若检测结果为待检测的锂电池极耳激光焊点异常,发送焊点异常信号至终端设备,终端设备包括但不限于复检人员的移动设备、筛选机器的控制终端等,有益于在筛选出可能存在劣质焊点的产品时及时反馈至复检人员,提高复检效率。
在一个实施例中,一种锂电池极耳激光焊点视觉在线检测方法,还包括:
采集待检测产品中锂电池极耳激光焊点的待检测焊点图像;
基于人工神经网络模型构建焊点质量检测模型;
通过预设第一获取路径获取训练样本数据,训练样本数据包括:若干存在质量问题的劣质焊点图像;
获取初始化的人工神经网络;
基于训练样本数据对初始化的人工神经网络进行训练,直至焊点质量检测模型收敛后停止训练,生成人工神经网络焊点质量检测模型;
将待检测焊点图像输入至人工神经网络焊点质量检测模型中,输出第三检测结果;
若第三检测结果为待检测焊点图像为劣质焊点图像,发送第二焊点异常信号至终端设备;
上述技术方案的工作原理为:采集待检测产品中锂电池极耳激光焊点的待检测焊点图像,该待检测焊点图像包括待检测焊点各个方向拍摄的图像;基于人工神经网络模型构建焊点质量检测模型;通过预设第一获取路径获取训练样本数据,该预设第一获取路径包括但不限于人工手动输入的路径,训练样本数据包括:若干存在质量问题的劣质焊点图像,该劣质焊点图像包括但不限于:焊点穿孔图像、焊点裂痕图像,焊点扭曲图像等;获取初始化的人工神经网络;基于训练样本数据对初始化的人工神经网络进行训练,其中,将若干存在质量问题的劣质焊点图像进行分组,每组图像中各种种类的劣质焊点图像有且仅有一张,该人工神经网络的训练步骤包括:步骤1、初始化网络,包括网络层数、节点数、权值及变换函数;步骤2、置网络层数为1,输入第一组存在质量问题的劣质焊点图像,通过神经网络后,得到输出;步骤3、比较输出与预先设置的阈值,该阈值为至少包含一种存在质量问题的劣质焊点图像种类;步骤4、若神经网络每次输出结果均处于设定阈值的误差范围内,则训练结束,生成人工神经网络焊点质量检测模型,否则执行步骤5;步骤5、若判断结果不在预先设置的阈值的误差范围内,则更新神经网络参数,并输入下一组存在质量问题的劣质焊点图像,继续训练,不断迭代,直至网络的输出与预先设置的阈值吻合度良好,训练结束,生成人工神经网络焊点质量检测模型;将待检测焊点图像输入至人工神经网络焊点质量检测模型中,输出第三检测结果;若第三检测结果为待检测焊点图像为劣质焊点图像,发送第二焊点异常信号至终端设备;
上述技术方案的有益效果为:基于人工神经网络和训练样本数据生成人工神经网络焊点质量检测模型,用于检测焊点的质量问题,有益于提高焊点问题检测的精确度和提高焊点问题检测的全面性,从而减轻复检人员的工作难度,通过将第二焊点异常信号发送至终端设备,有益于在筛选出可能存在劣质焊点的产品时及时反馈至复检人员,提高复检效率。
在一个实施例中,一种锂电池极耳激光焊点视觉在线检测方法,还包括:
采集待检测产品中锂电池极耳激光焊点的第四待检测焊点视频;
通过神经网络模型对第四待检测焊点视频中的第一焊点图像帧进行深度估计,得到与第一焊点图像帧对应的焊点深度图;
获取第四待检测焊点视频中与第一焊点图像帧相邻的预设数量幅第二焊点图像帧;
基于第一焊点图像帧中的所有第一图像像素,计算每一第一图像像素与每一第一图像像素在所有第二焊点图像帧中的对应像素之间的亮度误差权重和亮度误差;
根据亮度误差权重和亮度误差,计算每一第一图像像素的亮度误差标准值;
获取第一焊点图像帧中所有第一图像像素的亮度误差标准值,计算第一焊点图像帧的亮度误差标准值;
基于焊点深度图中的所有第二图像像素,计算每一第二图像像素和焊点深度图中与每一第二图像像素相邻的每一第一其他图像像素之间的第一平滑约束值和第一焊点图像帧中与每一第二图像像素对应的第三图像像素和第一焊点图像帧中与第三图像像素相邻的每一第二其他图像像素之间的第二平滑约束值;
根据第一平滑约束值和第二平滑约束值计算每一第二图像像素的平滑约束标准值;
获取焊点深度图中所有第二图像像素的平滑约束标准值,计算焊点深度图的平滑约束标准值;
根据第一焊点图像帧的亮度误差标准值和焊点深度图的平滑约束标准值,确定焊点目标函数;
根据焊点目标函数更新神经网络模型的模型参数,得到焊点深度估计模型;
采集待检测产品中锂电池极耳激光焊点的第五待检测焊点图像,第五待检测焊点图像中包括目标焊点对象;
根据焊点深度估计模型对第五待检测焊点图像进行深度估计,得到第四焊点图像深度图;
获取目标焊点对象在第五待检测焊点图像中的位置信息;
根据位置信息和第四焊点图像深度图,得到目标焊点对象的焊点深度信息;
获取激光焊点模板中焊点的标准深度信息;
若焊点深度信息与标准深度信息不符,目标焊点对象存在外观缺陷,发送第三焊点异常信号至终端设备;
上述技术方案的工作原理为:采集待检测产品中锂电池极耳激光焊点的第四待检测焊点视频;通过神经网络模型对第四待检测焊点视频中的第一焊点图像帧进行深度估计,得到与第一焊点图像帧对应的焊点深度图;获取第四待检测焊点视频中与第一焊点图像帧相邻的预设数量幅第二焊点图像帧;基于第一焊点图像帧中的所有第一图像像素,计算每一第一图像像素与每一第一图像像素在所有第二焊点图像帧中的对应像素之间的亮度误差权重和亮度误差;根据亮度误差权重和亮度误差,计算每一第一图像像素的亮度误差标准值;获取第一焊点图像帧中所有第一图像像素的亮度误差标准值,计算第一焊点图像帧的亮度误差标准值;基于焊点深度图中的所有第二图像像素,计算每一第二图像像素和焊点深度图中与每一第二图像像素相邻的每一第一其他图像像素之间的第二平滑约束值和第一焊点图像帧中与每一第二图像像素对应的第三图像像素和第一焊点图像帧中与第三图像像素相邻的每一第二其他图像像素之间的第一平滑约束值;根据第一平滑约束值和第二平滑约束值计算每一第二图像像素的平滑约束标准值;获取焊点深度图中所有第二图像像素的平滑约束标准值,计算焊点深度图的平滑约束标准值;根据第一焊点图像帧的亮度误差标准值和焊点深度图的平滑约束标准值,确定焊点目标函数;根据焊点目标函数更新神经网络模型的模型参数,得到焊点深度估计模型;采集待检测产品中锂电池极耳激光焊点的第五待检测焊点图像,第五待检测焊点图像中包括目标焊点对象;根据焊点深度估计模型对第五待检测焊点图像进行深度估计,得到第四焊点图像深度图;获取目标焊点对象在第五待检测焊点图像中的位置信息;根据位置信息和第四焊点图像深度图,得到目标焊点对象的焊点深度信息;获取激光焊点模板中焊点的标准深度信息;若焊点深度信息与标准深度信息不符,则判定目标焊点对象存在外观缺陷,发送第三焊点异常信号至终端设备;
上述技术方案的有益效果为:通过焊点深度估计模型,获取待检测产品上的焊点深度信息,将焊点深度信息与标准深度信息相比,便于更精确的判断待检测产品上的焊点是否存在焊点扭曲、焊点烧穿等外观缺陷,有益于提高劣质焊点检测的精确度,从而减轻复检人员的工作难度,通过将第三焊点异常信号发送至终端设备,有益于在筛选出可能存在劣质焊点的产品时及时反馈至复检人员,提高复检效率。
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 (7)
1.一种锂电池极耳激光焊点视觉在线检测方法,其特征在于,包括:
S1:获取无焊接缺陷的锂电池极耳激光焊点的实际生产图集;
S2:获取待检测的锂电池极耳激光焊点的产品种类;
S3:筛选得到所述实际生产图集中与所述产品种类相对应的激光焊点模板;
S4:获取所述激光焊点模板中焊点的标准点位和标准数量;
S5:获取待检测产品中锂电池极耳激光焊点的实际点位和实际数量;
S6:将所述焊点的标准点位和标准数量与所述锂电池极耳激光焊点的实际点位和实际数量进行对比检测,得到检测结果;
所述步骤S6具体包括:
基于所述激光焊点模板,生成激光焊点模板投影;
在所述激光焊点模板投影上建立坐标系,获取所述激光焊点模板投影上每个位置对应的坐标;
令所述激光焊点模板投影与所述待检测产品重叠;
获取所述激光焊点模板投影中所有焊点标准点位的标准点位坐标,构建标准点位坐标集;
获取所述待检测产品上所有锂电池极耳激光焊点实际点位的实际点位坐标,构建实际点位坐标集;
获取实际点位坐标集中的任一实际点位坐标;
对所述标准点位坐标集进行筛选,判断所述标准点位坐标集中是否存在与所述实际点位坐标相同的标准点位坐标;
若存在,删除所述标准点位坐标集中与所述实际点位坐标相同的标准点位坐标,删除所述实际点位坐标集中与所述标准点位坐标相同的实际点位坐标;
若不存在,删除所述实际点位坐标;
直至所述实际点位坐标集、所述标准点位坐标集中任一项为空集时,停止对所述标准点位坐标集进行筛选;
对所述实际点位坐标集和所述标准点位坐标集分别进行空集判断,得到第一检测结果;
获取所述激光焊点模板投影中所有焊点的标准数量;
获取所述待检测产品上所有锂电池极耳激光焊点的实际数量;
对所述标准数量和所述实际数量进行相等判断,得到第二检测结果;
对所述第一检测结果和所述第二检测结果进行异常判断,得到检测结果。
2.根据权利要求1所述的一种锂电池极耳激光焊点视觉在线检测方法,其特征在于,所述对所述实际点位坐标集和所述标准点位坐标集分别进行空集判断,得到第一检测结果,包括:
若所述实际点位坐标集和所述标准点位坐标集均为空集,所述第一检测结果为正常结果;
若所述实际点位坐标集、所述标准点位坐标集中任一项不为空集时,所述第一检测结果为异常结果。
3.根据权利要求1所述的一种锂电池极耳激光焊点视觉在线检测方法,其特征在于,所述对所述标准数量和所述实际数量进行相等判断,得到第二检测结果,包括:
若所述标准数量等于所述实际数量,所述第二检测结果为正常结果;
若所述标准数量不等于所述实际数量,所述第二检测结果为异常结果。
4.根据权利要求1所述的一种锂电池极耳激光焊点视觉在线检测方法,其特征在于,所述对所述第一检测结果和所述第二检测结果进行异常判断,得到检测结果,包括:
若所述第一检测结果和所述第二检测结果均为正常结果,所述检测结果为所述待检测的锂电池极耳激光焊点正常;
若所述第一检测结果、所述第二检测结果中任一项为异常结果时,所述检测结果为所述待检测的锂电池极耳激光焊点异常。
5.根据权利要求4所述的一种锂电池极耳激光焊点视觉在线检测方法,其特征在于,还包括:
若所述检测结果为所述待检测的锂电池极耳激光焊点异常,发送焊点异常信号至终端设备。
6.根据权利要求1所述的一种锂电池极耳激光焊点视觉在线检测方法,其特征在于,还包括:
采集待检测产品中锂电池极耳激光焊点的待检测焊点图像;
基于人工神经网络模型构建焊点质量检测模型;
通过预设第一获取路径获取训练样本数据,所述训练样本数据包括:若干存在质量问题的劣质焊点图像;
获取初始化的人工神经网络;
基于所述训练样本数据对所述初始化的人工神经网络进行训练,直至所述焊点质量检测模型收敛后停止训练,生成人工神经网络焊点质量检测模型;
将所述待检测焊点图像输入至人工神经网络焊点质量检测模型中,输出第三检测结果;
若所述第三检测结果为所述待检测焊点图像为劣质焊点图像,发送第二焊点异常信号至终端设备。
7.根据权利要求1所述的一种锂电池极耳激光焊点视觉在线检测方法,其特征在于,还包括:
采集待检测产品中锂电池极耳激光焊点的第四待检测焊点视频;
通过神经网络模型对所述第四待检测焊点视频中的第一焊点图像帧进行深度估计,得到与所述第一焊点图像帧对应的焊点深度图;
获取所述第四待检测焊点视频中与所述第一焊点图像帧相邻的预设数量幅第二焊点图像帧;
基于所述第一焊点图像帧中的所有第一图像像素,计算每一第一图像像素与每一第一图像像素在所有第二焊点图像帧中的对应像素之间的亮度误差权重和亮度误差;
根据所述亮度误差权重和所述亮度误差,计算每一第一图像像素的亮度误差标准值;
获取所述第一焊点图像帧中所有第一图像像素的亮度误差标准值,计算第一焊点图像帧的亮度误差标准值;
基于所述焊点深度图中的所有第二图像像素,计算每一第二图像像素和所述焊点深度图中与每一第二图像像素相邻的每一第一其他图像像素之间的第一平滑约束值和所述第一焊点图像帧中与每一第二图像像素对应的第三图像像素和所述第一焊点图像帧中与所述第三图像像素相邻的每一第二其他图像像素之间的第二平滑约束值;
根据所述第一平滑约束值和所述第二平滑约束值计算每一第二图像像素的平滑约束标准值;
获取所述焊点深度图中所有第二图像像素的平滑约束标准值,计算焊点深度图的平滑约束标准值;
根据所述第一焊点图像帧的亮度误差标准值和焊点深度图的平滑约束标准值,确定焊点目标函数;
根据所述焊点目标函数更新所述神经网络模型的模型参数,得到焊点深度估计模型;
采集待检测产品中锂电池极耳激光焊点的第五待检测焊点图像,所述第五待检测焊点图像中包括目标焊点对象;
根据所述焊点深度估计模型对所述第五待检测焊点图像进行深度估计,得到第四焊点图像深度图;
获取所述目标焊点对象在所述第五待检测焊点图像中的位置信息;
根据所述位置信息和所述第四焊点图像深度图,得到目标焊点对象的焊点深度信息;
获取激光焊点模板中焊点的标准深度信息;
若所述焊点深度信息与所述标准深度信息不符,所述目标焊点对象存在外观缺陷,发送第三焊点异常信号至终端设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110799723.2A CN113469991B (zh) | 2021-07-15 | 2021-07-15 | 一种锂电池极耳激光焊点视觉在线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110799723.2A CN113469991B (zh) | 2021-07-15 | 2021-07-15 | 一种锂电池极耳激光焊点视觉在线检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113469991A CN113469991A (zh) | 2021-10-01 |
CN113469991B true CN113469991B (zh) | 2022-03-18 |
Family
ID=77880406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110799723.2A Active CN113469991B (zh) | 2021-07-15 | 2021-07-15 | 一种锂电池极耳激光焊点视觉在线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113469991B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113744269B (zh) * | 2021-11-05 | 2022-02-18 | 武汉逸飞激光股份有限公司 | 圆柱电芯焊接质量检测方法、装置、电子设备及存储介质 |
CN115100600B (zh) * | 2022-06-30 | 2024-05-31 | 苏州市新方纬电子有限公司 | 一种电池包的产线智能检测方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104535587A (zh) * | 2014-12-23 | 2015-04-22 | 安徽科鸣三维科技有限公司 | 一种基于机器视觉的pcba焊点检测方法 |
CN109142367A (zh) * | 2018-07-23 | 2019-01-04 | 广州超音速自动化科技股份有限公司 | 一种锂电池极耳虚焊检测方法及极耳焊接检测*** |
CN111307818A (zh) * | 2020-02-25 | 2020-06-19 | 华南理工大学 | 一种锂电池极耳激光焊点视觉在线检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8552337B2 (en) * | 2009-06-11 | 2013-10-08 | Illinois Tool Works Inc. | Weld defect detection systems and methods for laser hybrid welding |
CN106556794A (zh) * | 2016-11-18 | 2017-04-05 | 广州视源电子科技股份有限公司 | 用于实现pcba板检测的方法和装置 |
CN107545566A (zh) * | 2017-07-27 | 2018-01-05 | 深圳市易飞扬通信技术有限公司 | 视觉检测方法及*** |
-
2021
- 2021-07-15 CN CN202110799723.2A patent/CN113469991B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104535587A (zh) * | 2014-12-23 | 2015-04-22 | 安徽科鸣三维科技有限公司 | 一种基于机器视觉的pcba焊点检测方法 |
CN109142367A (zh) * | 2018-07-23 | 2019-01-04 | 广州超音速自动化科技股份有限公司 | 一种锂电池极耳虚焊检测方法及极耳焊接检测*** |
CN111307818A (zh) * | 2020-02-25 | 2020-06-19 | 华南理工大学 | 一种锂电池极耳激光焊点视觉在线检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113469991A (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109767418B (zh) | 检査装置、数据生成装置、数据生成方法及存储介质 | |
CN113469991B (zh) | 一种锂电池极耳激光焊点视觉在线检测方法 | |
CN111539923A (zh) | 一种焊缝缺陷的数字射线检测方法、***及服务器 | |
CN109146873B (zh) | 一种基于学习的显示屏缺陷智能检测方法及装置 | |
CN114994061A (zh) | 一种基于机器视觉的钢轨智能化检测方法及*** | |
CN113470005B (zh) | 一种圆柱电池盖帽的焊点检测装置和焊点检测方法 | |
CN107515481A (zh) | 一种显示面板的检测方法和装置 | |
CN115131268A (zh) | 一种基于图像特征提取与三维模型匹配的自动化焊接*** | |
CN113077416A (zh) | 一种基于图像处理的焊点焊接缺陷检测方法与*** | |
CN113111903A (zh) | 智能产线监测***及监测方法 | |
CN115035092A (zh) | 基于图像的瓶体检测方法、装置、设备及存储介质 | |
CN117733439B (zh) | 一种具有焊缝成形质量实时预测功能的焊接机器人 | |
CN111223081A (zh) | 基于深度学习的零件开孔识别与检测方法及*** | |
CN109685756A (zh) | 影像特征自动辨识装置、***及方法 | |
CN114581368A (zh) | 一种基于双目视觉的棒材焊牌方法及装置 | |
CN117086519B (zh) | 基于工业互联网的联网设备数据分析及评估***、方法 | |
US20220284699A1 (en) | System and method of object detection using ai deep learning models | |
CN117589770A (zh) | Pcb贴片板检测方法、装置、设备及介质 | |
KR20220046824A (ko) | 리튬 이차 전지의 용접부 검사 방법 | |
CN112756840A (zh) | 焊接质量检测*** | |
KR20220085115A (ko) | 생산부품의 스마트 비전검사를 위한 인공지능머신의 라벨링 학습방법 | |
CN112088395A (zh) | 图像处理装置、图像处理方法以及图像处理程序 | |
CN115908292A (zh) | 焊接工件的缺陷检测方法、装置及存储介质 | |
CN110992333B (zh) | COF Film缺陷AITraining数据库及应用 | |
CN114782436B (zh) | Pcb缺陷检测方法、电路板计量测量方法及制作方法 |
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 |