CN113820333A - 电池极片异常检测方法、装置、上位机及检测*** - Google Patents
电池极片异常检测方法、装置、上位机及检测*** Download PDFInfo
- Publication number
- CN113820333A CN113820333A CN202111084434.0A CN202111084434A CN113820333A CN 113820333 A CN113820333 A CN 113820333A CN 202111084434 A CN202111084434 A CN 202111084434A CN 113820333 A CN113820333 A CN 113820333A
- Authority
- CN
- China
- Prior art keywords
- detected
- position point
- distance
- data
- laser
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 47
- 230000002159 abnormal effect Effects 0.000 claims abstract description 78
- 238000000034 method Methods 0.000 claims abstract description 34
- 230000005856 abnormality Effects 0.000 claims description 26
- 238000007621 cluster analysis Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 abstract description 10
- 230000000694 effects Effects 0.000 abstract description 10
- 230000007547 defect Effects 0.000 description 7
- 238000004804 winding Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000003064 k means clustering Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000002950 deficient Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/956—Inspecting patterns on the surface of objects
-
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
- G01N2021/0106—General arrangement of respective parts
- G01N2021/0112—Apparatus in one mechanical, optical or electronic block
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Secondary Cells (AREA)
Abstract
本申请涉及一种电池极片异常检测方法、装置、上位机及检测***。该方法包括:获取电池极片待检测边缘的各待检测位置点到距离检测器之间的距离数据;根据距离数据生成待检测边缘的位置点‑距离数据曲线图;根据待检测边缘对应的多个距离数据进行聚类分析,确定聚类中心;基于聚类中心、预设距离值和位置点‑距离数据曲线图,识别待检测边缘中异常的待检测位置点以及异常类别。采用本申请,可分析出异常的类型和对应的位置点,检测效果好。
Description
技术领域
本申请涉及电池制造技术领域,特别是涉及一种电池极片异常检测方法、装置、上位机、介质及检测***。
背景技术
电池的极片是电池的重要组成部分,极片边缘的平整度对电池的整体性能有较大的影响。以锂电池为例,电池的极片边缘可能存在毛刺、缺损、极耳翻折等问题,因此,在投入使用之前,需要对极片的边缘进行检测,只有合格才能投入使用。
现有的极片边缘检测通常采用CCD(感光元件)图像传感器进行拍照,然后对获取的图像进行处理,从而判断异常。然而,这种边缘检测方式只能检测是否异常,不能检测出详细的异常情况,检测效果差。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高检测效果的电池极片异常检测方法、装置、上位机及检测***。
一种电池极片异常检测方法,包括:
获取电池极片待检测边缘的各待检测位置点到距离检测器之间的距离数据;
根据所述距离数据生成所述待检测边缘的位置点-距离数据曲线图;
根据所述待检测边缘对应的多个距离数据进行聚类分析,确定聚类中心;
基于所述聚类中心、预设距离值和所述位置点-距离数据曲线图,识别所述待检测边缘中异常的待检测位置点以及异常类别。
在其中一个实施例中,所述待检测边缘包括极耳侧和非极耳侧,所述距离数据包括所述极耳侧的各待检测位置点到所述距离检测器之间的距离数据、所述非极耳侧的各待检测位置点到所述距离检测器之间的距离数据。
在其中一个实施例中,所述获取电池极片待检测边缘的各待检测位置点到距离检测器之间的距离数据,包括:
接收所述距离检测器与各待检测位置点之间的距离的原始数据,其中,所述待检测位置点位于电池极片的待检测边缘;
剔除所述原始数据中的噪声数据,得到各待检测位置点到所述距离检测器之间的距离数据。
在其中一个实施例中,所述基于所述聚类中心、预设距离值和所述位置点-距离数据曲线图,识别所述待检测边缘中异常的待检测位置点以及异常类别,包括:
若所述距离数据的数据点位于圆圈范围外,则判定所述距离数据所对应的待检测位置点为异常的待检测位置点;其中,所述圆圈范围为以所述聚类中心为圆心、所述预设距离值为半径的圆圈范围;
分析所述异常的待检测位置点在所述位置点-距离数据曲线图中的图形特征;
基于已存的特征与异常类别的对应关系信息,确定所述图形特征对应的异常类别,得到所述异常的待检测位置点的异常类别。
在其中一个实施例中,所述基于所述聚类中心、预设距离值和所述位置点-距离数据曲线图,识别所述待检测边缘中异常的待检测位置点以及异常类别之前,还包括:
获取各待检测位置点对应的位置编码值;其中,所述位置编码值表征对应待检测位置点在所述待检测边缘的位置;
所述判定所述距离数据所对应的待检测位置点为异常的待检测位置点之后,还包括:
查找所述异常的待检测位置点所对应的位置编码值。
一种电池极片异常检测装置,包括:
数据获取模块,用于获取电池极片待检测边缘的各待检测位置点到距离检测器之间的距离数据;
曲线图生成模块,用于根据所述距离数据生成所述待检测边缘的位置点-距离数据曲线图;
聚类分析模块,用于根据所述待检测边缘对应的多个距离数据进行聚类分析,确定聚类中心;
异常识别模块,用于基于所述聚类中心、预设距离值和所述位置点-距离数据曲线图,识别所述待检测边缘中异常的待检测位置点以及异常类别。
一种上位机,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取电池极片待检测边缘的各待检测位置点到距离检测器之间的距离数据;
根据所述距离数据生成所述待检测边缘的位置点-距离数据曲线图;
根据所述待检测边缘对应的多个距离数据进行聚类分析,确定聚类中心;
基于所述聚类中心、预设距离值和所述位置点-距离数据曲线图,识别所述待检测边缘中异常的待检测位置点以及异常类别。
一种检测***,包括:距离检测器和上述的上位机,所述距离检测器与所述上位机连接;
所述距离检测器检测与电池极片待检测边缘的各待检测位置点之间的距离,并将检测的数据发送至所述上位机,所述上位机根据所述检测的数据得到距离数据。
在其中一个实施例中,所述距离检测器包括与所述上位机连接的第一激光测距仪和第二激光测距仪,所述待检测边缘包括极耳侧和非极耳侧;
所述第一激光测距仪检测所述极耳侧的各待检测位置点到所述第一激光测距仪的距离,并发送检测的数据至所述上位机;
所述第二激光测距仪检测所述非极耳侧的各待检测位置点到所述第二激光测距仪的距离,并发送检测的数据至所述上位机。
在其中一个实施例中,所述第一激光测距仪包括激光发射端和激光接收端,所述第一激光测距仪的激光接收端连接所述上位机;
所述第一激光测距仪的激光发射端和所述第一激光测距仪的激光接收端相对设置,所述电池极片位于所述第一激光测距仪的激光发射端和所述第一激光测距仪的激光接收端之间,且所述电池极片的极耳侧所在位置对应于所述第一激光测距仪的激光发射端发射激光的部分区域。
在其中一个实施例中,所述第二激光测距仪包括激光发射端和激光接收端,所述第二激光测距仪的激光接收端连接所述上位机;
所述第二激光测距仪的激光发射端和所述第二激光测距仪的激光接收端相对设置,所述电池极片位于所述第二激光测距仪的激光发射端和所述第二激光测距仪的激光接收端之间,且所述电池极片的非极耳侧所在位置对应于所述第二激光测距仪的激光发射端发射激光的部分区域。
上述电池极片异常检测方法、装置、上位机及检测***,通过获取电池极片待检测边缘中待检测位置点与距离检测器之间的距离数据,生成位置点-距离数据曲线图,并根据距离数据进行聚类分析、确定聚类中心,基于聚类中心、预设距离值和位置点-距离数据曲线图识别异常的待检测位置点和异常类别,实现对电池极片边缘位置点的异常情况进行检测,可分析出异常的类型和对应的位置点,检测效果好。
附图说明
为了更清楚地说明本申请实施例或传统技术中的技术方案,下面将对实施例或传统技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为一个实施例中电池极片异常检测方法的流程示意图;
图2为一个实施例中聚类分析的结果示意图;
图3为一个实施例中电池极片异常检测装置的结构示意图;
图4为一个实施例中距离检测器与电池极片的位置关系俯视图;
图5为一个实施例中距离检测器与电池极片的位置关系主视图;
图6为一个实施例中检测***的结构框图;
图7为一个应用例中极耳侧和非极耳侧的位置点-距离数据曲线图。
具体实施方式
为了便于理解本申请,下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的实施例。但是,本申请可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使本申请的公开内容更加透彻全面。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。
可以理解,本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件,但这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。
需要说明的是,当一个元件被认为是“连接”另一个元件时,它可以是直接连接到另一个元件,或者通过居中元件连接另一个元件。此外,以下实施例中的“连接”,如果被连接的对象之间具有电信号或数据的传递,则应理解为“电连接”、“通信连接”等。
在此使用时,单数形式的“一”、“一个”和“所述/该”也可以包括复数形式,除非上下文清楚指出另外的方式。还应当理解的是,术语“包括/包含”或“具有”等指定所陈述的特征、整体、步骤、操作、组件、部分或它们的组合的存在,但是不排除存在或添加一个或更多个其他特征、整体、步骤、操作、组件、部分或它们的组合的可能性。
在一个实施例中,如图1所示,提供了一种电池极片异常检测方法,可以应用于检测异常的上位机。以应用于上位机为例,该方法包括:
S100:获取电池极片待检测边缘的各待检测位置点到距离检测器之间的距离数据。
电池极片的待检测边缘是电池极片需要被检测是否异常的区域,待检测位置点可以包括待检测边缘沿电池极片的延伸方向从一端到另一端的所有位置点。比如,电池极片的延伸方向上一端为A端、另一端为B端,距离检测器进行距离检测时,电池极片沿AB方向移动,距离检测器可以检测A端至B端的各个位置,则待检测位置点包括距离检测器检测过的各位置点。
待检测位置点到距离检测器之间的距离数据,表征待检测位置点到距离检测器之间的距离。具体地,可以是由距离检测器检测与各待检测位置点之间的距离,上位机可以根据距离检测器检测的数据得到距离数据。具体地,待检测边缘可以是一个,也可以是多个。
S120:根据距离数据生成待检测边缘的位置点-距离数据曲线图。
位置点-距离数据曲线图是表征待检测位置点与距离数据的对应关系的二维曲线图,其横坐标和纵坐标分别为距离数据和用于识别待检测位置点的数据。
S140:根据待检测边缘对应的多个距离数据进行聚类分析,确定聚类中心。
有多个待检测边缘时,对于每一个待检测边缘,根据对应的距离数据进行聚类分析确定聚类中心。
S160:基于聚类中心、预设距离值和位置点-距离数据曲线图,识别待检测边缘中异常的待检测位置点以及异常类别。
其中,预设距离值可以根据实际需要的异常判别精准度进行设置。具体地,有多个待检测边缘时,对于每一个待检测边缘,基于待检测边缘的位置点-距离数据曲线图、聚类中心、预设距离值,识别这个待检测边缘中异常的待检测位置点以及异常的待检测位置点的异常类别。具体地,异常类别一般包括缺损、毛刺、极耳翻折。
上述电池极片异常检测方法,通过获取电池极片待检测边缘中待检测位置点与距离检测器之间的距离数据,生成位置点-距离数据曲线图,并根据距离数据进行聚类分析、确定聚类中心,基于聚类中心、预设距离值和位置点-距离数据曲线图识别异常的待检测位置点和异常类别,实现对电池极片边缘位置点的异常情况进行检测,可分析出异常的类型和对应的位置点,检测效果好。
在其中一个实施例中,待检测边缘包括极耳侧和非极耳侧,距离数据包括极耳侧的各待检测位置点到距离检测器之间的距离数据、非极耳侧的各待检测位置点到距离检测器之间的距离数据。通过对极耳侧和非极耳侧分别进行距离数据的获取,之后,针对极耳侧的距离数据和非极耳侧的距离数据分别进行异常分析,从而实现对极耳侧和非极耳侧的边缘异常识别。
在其中一个实施例中,步骤S100可以是获取电芯卷绕过程中的极片待检测边缘的各待检测位置点到距离检测器之间的距离数据。通过采集电芯卷绕过程中的极片边缘的距离数据,从而实现对电芯卷绕过程中的电池极片边缘进行异常检测。
在其中一个实施例中,步骤S100包括:接收距离检测器与各待检测位置点之间的距离的原始数据,其中,待检测位置点位于电池极片的待检测边缘;剔除原始数据中的噪声数据,得到各待检测位置点到距离检测器之间的距离数据。
原始数据是距离检测器检测与各待检测位置点之间的距离所得到的数据,即为距离检测器检测的数据。噪声数据是距离检测器检测过程中的干扰数据。例如,距离检测器检测过程中电池极片移动,噪声数据包括电池极片未移动阶段产生的数据,比如在电芯卷绕过程中的等待或停顿阶段对应检测得到的数据。通过对距离检测器检测得到的原始数据进行预处理,剔除无用的噪声数据,留下的数据是待检测边缘实际的轮廓数据,减少后续运算量,提升运算速度。
具体地,可以是根据预设的数据筛选规则筛选出原始数据中的噪声数据,以剔除原始数据中的噪声数据。又或者,可以是接收用户的筛选指令,筛选出噪声数据并剔除。
在其中一个实施例中,步骤S140包括:根据待检测边缘对应的多个距离数据,采用K-means聚类算法进行聚类分析确定聚类中心。
K-means聚类算法即K均值聚类算法。提取距离数据的最小值和最大值为特征,构建特征空间,将距离数据进行分析,寻找特征分布;根据特征的分布以及电池极片待检测边缘的特点,确定聚类的个数,计算聚类中心。通过采用K-means聚类算法,处理简单快捷。可以理解,在其他实施例中,还可以采用其他聚类分析方法进行聚类分析。
在其中一个实施例中,步骤S160包括步骤(a1)至步骤(a3)。
步骤(a1):若距离数据的数据点位于圆圈范围外,则判定距离数据所对应的待检测位置点为异常的待检测位置点。圆圈范围为以聚类中心为圆心、预设距离值为半径的圆圈范围。
距离数据的数据点位于圆圈范围外,即表示距离数据与聚类中心之间的距离大于预设距离值,此时判定距离数据对应的待检测位置点为异常的待检测位置点。具体地,若距离数据的数据点位于圆圈范围的边界线上,即距离数据与聚类中心的距离刚好等于预设距离值,则可以认为距离数据对应的待检测位置点为正常的待检测位置点。
步骤(a2):分析异常的待检测位置点在位置点-距离数据曲线图中的图形特征。
步骤(a3):基于已存的特征与异常类别的对应关系信息,确定图形特征对应的异常类别,得到异常的待检测位置点的异常类别。
特征与异常类别的对应关系信息,表征图形特征所对应的异常类别。通过确定异常的待检测位置点的图形特征,准确分析出异常的类型。
以待检测边缘包括极耳侧和非极耳侧为例,在极耳侧和非极耳侧各放置一个用于检测距离的激光测距仪,则可以得到极耳侧和非极耳侧的距离数据、生成极耳侧和非极耳侧的位置点-距离数据曲线图。激光测距仪包括激光发射端和激光接收端,极片位于激光发射端和激光接收端之间,当激光发射端和激光接收端之间存在极片时,激光发射端发出的激光则不能被激光接收端接收,反之则会被接收。理想情况下,极耳侧的位置点-距离数据曲线图是矩形波的形状,非极耳侧的位置点-距离数据曲线图是一条直线。对于有异常的情况,在异常的位置点处曲线图的图形会发生变化,比如,位置点-距离数据曲线图的横坐标为位置点、纵坐标为距离数据,对于非极耳侧,若是缺损,则在缺损的位置处的图形特征为向上凸出,若是毛刺,则在毛刺的位置处的图形特征为向下凸出;因此,若识别到向上凸出的图形特征,则判定异常类别为缺损,若识别到向下凸出的图形特征,则判定为毛刺。
例如图2所示,聚类分析确定聚类中心后,与聚类中心的距离小于或等于预设距离值的数据点为正常点,对应的距离数据为正常的距离数据;与聚类中心的距离大于预设值的数据点为异常点,对应的距离数据为异常的距离数据,再结合位置点-距离数据曲线图分析图形特征,确定异常类别。
在其中一个实施例中,步骤S160之前,还包括:获取各待检测位置点对应的位置编码值;其中,位置编码值表征对应待检测位置点在待检测边缘的位置。
例如,电池极片的延伸方向上一端为A端、另一端为B端,距离检测器进行距离检测时,电池极片沿AB方向移动,可以预先将距离检测器检测路线上的每一个位置点进行位置编码。具体地,可以是距离检测器将检测的数据与对应的位置编码值绑定发送至上位机,也可以是上位机每获取一个待检测位置点的距离数据,则自动对应一个位置编码值。
对应地,步骤(a1)之后,还包括:查找异常的待检测位置点所对应的位置编码值。
通过确定异常的待检测位置点的位置编码值,基于位置编码值可以精准确定异常的待检测位置点在电池极片的具***置,从而实现对异常位置的精确确定,异常分析精细、效果好。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图3所示,提供了一种电池极片异常检测装置,包括:数据获取模块210、曲线图生成模块230、聚类分析模块250和异常识别模块270,其中:
数据获取模块210用于获取电池极片待检测边缘的各待检测位置点到距离检测器之间的距离数据。曲线图生成模块230用于根据距离数据生成待检测边缘的位置点-距离数据曲线图。聚类分析模块250用于根据待检测边缘对应的多个距离数据进行聚类分析,确定聚类中心。异常识别模块270用于基于聚类中心、预设距离值和位置点-距离数据曲线图,识别待检测边缘中异常的待检测位置点以及异常类别。
上述电池极片异常检测装置,通过获取电池极片待检测边缘中待检测位置点与距离检测器之间的距离数据,生成位置点-距离数据曲线图,并根据距离数据进行聚类分析、确定聚类中心,基于聚类中心、预设距离值和位置点-距离数据曲线图识别异常的待检测位置点和异常类别,实现对电池极片边缘位置点的异常情况进行检测,可分析出异常的类型和对应的位置点,检测效果好。
在其中一个实施例中,待检测边缘包括极耳侧和非极耳侧,距离数据包括极耳侧的各待检测位置点到距离检测器之间的距离数据、非极耳侧的各待检测位置点到距离检测器之间的距离数据。通过对极耳侧和非极耳侧分别进行距离数据的获取,之后,针对极耳侧的距离数据和非极耳侧的距离数据分别进行异常分析,从而实现对极耳侧和非极耳侧的边缘异常识别。
在其中一个实施例中,数据获取模块210可以用于获取电芯卷绕过程中的极片待检测边缘的各待检测位置点到距离检测器之间的距离数据。通过采集电芯卷绕过程中的极片边缘的距离数据,从而实现对电芯卷绕过程中的电池极片边缘进行异常检测。
在其中一个实施例中,数据获取模块210接收距离检测器与各待检测位置点之间的距离的原始数据,其中,待检测位置点位于电池极片的待检测边缘;剔除原始数据中的噪声数据,得到各待检测位置点到距离检测器之间的距离数据。通过对距离检测器检测得到的原始数据进行预处理,剔除无用的噪声数据,留下的数据是待检测边缘实际的轮廓数据,减少后续运算量,提升运算速度。
在其中一个实施例中,聚类分析模块250根据待检测边缘对应的多个距离数据,采用K-means聚类算法进行聚类分析确定聚类中心。通过采用K-means聚类算法,处理简单快捷。可以理解,在其他实施例中,还可以采用其他聚类分析方法进行聚类分析。
在其中一个实施例中,异常识别模块270用于在距离数据的数据点位于圆圈范围外时,判定距离数据所对应的待检测位置点为异常的待检测位置点;其中,圆圈范围为以聚类中心为圆心、预设距离值为半径的圆圈范围;分析异常的待检测位置点在位置点-距离数据曲线图中的图形特征;基于已存的特征与异常类别的对应关系信息,确定图形特征对应的异常类别,得到异常的待检测位置点的异常类别。通过确定异常的待检测位置点的图形特征,准确分析出异常的类型。
在其中一个实施例中,电池极片异常检测装置还包括编码值获取模块,用于在异常识别模块270执行相应功能之前,获取各待检测位置点对应的位置编码值;其中,位置编码值表征对应待检测位置点在待检测边缘的位置。对应地,异常识别模块270判定距离数据所对应的待检测位置点为异常的待检测位置点之后,查找异常的待检测位置点所对应的位置编码值。
通过确定异常的待检测位置点的位置编码值,基于位置编码值可以精准确定异常的待检测位置点在电池极片的具***置,从而实现对异常位置的精确确定,异常分析精细、效果好。
关于电池极片异常检测装置的具体限定可以参见上文中对于电池极片异常检测方法的限定,在此不再赘述。上述电池极片异常检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于上位机中的处理器中,也可以以软件形式存储于上位机中的存储器中,以便于处理器调用执行以上各个模块对应的操作。需要说明的是,本申请实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
在一个实施例中,提供了一种上位机,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
上述上位机,由于可以实现上述各方法实施例中的步骤,同理,可分析出异常的类型和对应的位置点,检测效果好。
在一个实施例中,提供了一种检测***,包括:距离检测器和上述实施例中的上位机,距离检测器与上位机连接。距离检测器检测与电池极片待检测边缘的各待检测位置点之间的距离,并将检测的数据发送至上位机,上位机根据检测的数据得到距离数据。上位机包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
上述检测***,由于采用了前述上位机,同理,可分析出异常的类型和对应的位置点,检测效果好。
在其中一个实施例中,距离检测器包括与上位机连接的第一激光测距仪和第二激光测距仪,待检测边缘包括极耳侧和非极耳侧;第一激光测距仪检测极耳侧的各待检测位置点到第一激光测距仪的距离,并发送检测的数据至上位机;第二激光测距仪检测非极耳侧的各待检测位置点到第二激光测距仪的距离,并发送检测的数据至上位机。上位机根据检测的数据得到极耳侧和非极耳侧各待检测位置点对应的距离数据。
现有技术中大多采用CCD图像传感器进行拍照,然后对获取的图像进行处理,从而判断异常,硬件成本较高。本实施例采用两个激光测距仪分别对极耳侧和非极耳侧进行测量,辅助实现对极耳侧和非极耳侧的异常分析,相比于采用CCD图像传感器,可降低硬件成本。
在其中一个实施例中,第一激光测距仪包括激光发射端和激光接收端,第一激光测距仪的激光接收端连接上位机;第一激光测距仪的激光发射端和第一激光测距仪的激光接收端相对设置,电池极片位于第一激光测距仪的激光发射端和第一激光测距仪的激光接收端之间,且电池极片的极耳侧所在位置对应于第一激光测距仪的激光发射端发射激光的部分区域,从而使得第一激光测距仪的激光发射端发射的部分激光被电池极片的极耳侧遮挡,而不会被第一激光测距仪的激光接收端接收。
具体地,第二激光测距仪的具体结构可以与第一激光测距仪的具体结构相同,也包括激光发射端和激光接收端,第二激光测距仪的激光接收端连接上位机;第二激光测距仪的激光发射端和第二激光测距仪的激光接收端相对设置,电池极片位于第二激光测距仪的激光发射端和第二激光测距仪的激光接收端之间,且电池极片的非极耳侧所在位置对应于第二激光测距仪的激光发射端发射激光的部分区域,从而使得第二激光测距仪的激光发射端发射的部分激光被电池极片的非极耳侧遮挡,而不会被第二激光测距仪的激光接收端接收。
如图4和图5所示,第一激光测距仪和第二激光测距仪可以位于极片所放置位置的上方或下方进行距离测量。当激光发射端和激光接收端之间存在极片时,激光发射端发出的激光则不能被激光接收端接收,反之则会被接收。理想情况下,极耳侧的位置点-距离数据曲线图是矩形波的形状,非极耳侧的位置点-距离数据曲线图是一条直线。
在其中一个实施例中,上述检测***还包括可编程逻辑控制器(PLC),可编程逻辑控制器与距离检测器电连接,且与上位机通信连接,距离检测器检测的数据通过可编程逻辑控制器发送至上位机。
在其中一个实施例中,可编程逻辑控制器与距离检测器设置于下位机,下位机与上位机通信连接。比如图6所示,可编程逻辑控制器与上位机可以通过UDP通信连接。上位机包含整个数据处理的流程,以及最后结果数据的存储,其中,结果数据可以是包括异常的待检测位置点的异常类别、位置编码值等信息。***配置涉及通信配置、预处理配置、聚类分析配置、异常识别配置、存储配置等。下位机用于数据采集和传输,PLC将距离检测器采集的数据通过UDP协议与上位机通信,上位机将最后的结果数据通过UDP协议发给PLC,并本地存储。
为更好的说明本申请,以下以一个应用实例进行说明。
采用上述电池极片异常检测方法,通过距离检测器检测距离数据、剔除噪声数据后得到距离数据,生成的位置点-距离数据曲线图如图7所示,S1表示极耳侧的曲线,S2表示非极耳侧的曲线。基于距离数据进行异常识别,得到结果如下表1所示。
表1
上表1中各数据的含义是:
极耳侧(外侧)有3个缺陷,在位置编码值为14900的位置发生缺损,在位置编码值为15980的位置发生毛刺,在位置编码值为16120的位置发生极耳翻折。
非极耳侧(内侧)有2个缺陷,在位置编码值为18400的位置发生缺损,在位置编码值为18600的位置发生毛刺。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
在本说明书的描述中,参考术语“有些实施例”、“其他实施例”、“理想实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特征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描述不一定指的是相同的实施例或示例。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (11)
1.一种电池极片异常检测方法,其特征在于,包括:
获取电池极片待检测边缘的各待检测位置点到距离检测器之间的距离数据;
根据所述距离数据生成所述待检测边缘的位置点-距离数据曲线图;
根据所述待检测边缘对应的多个距离数据进行聚类分析,确定聚类中心;
基于所述聚类中心、预设距离值和所述位置点-距离数据曲线图,识别所述待检测边缘中异常的待检测位置点以及异常类别。
2.根据权利要求1所述的方法,其特征在于,所述待检测边缘包括极耳侧和非极耳侧,所述距离数据包括所述极耳侧的各待检测位置点到所述距离检测器之间的距离数据、所述非极耳侧的各待检测位置点到所述距离检测器之间的距离数据。
3.根据权利要求1所述的方法,其特征在于,所述获取电池极片待检测边缘的各待检测位置点到距离检测器之间的距离数据,包括:
接收所述距离检测器与各待检测位置点之间的距离的原始数据,其中,所述待检测位置点位于电池极片的待检测边缘;
剔除所述原始数据中的噪声数据,得到各待检测位置点到所述距离检测器之间的距离数据。
4.根据权利要求1所述的方法,其特征在于,所述基于所述聚类中心、预设距离值和所述位置点-距离数据曲线图,识别所述待检测边缘中异常的待检测位置点以及异常类别,包括:
若所述距离数据的数据点位于圆圈范围外,则判定所述距离数据所对应的待检测位置点为异常的待检测位置点;其中,所述圆圈范围为以所述聚类中心为圆心、所述预设距离值为半径的圆圈范围;
分析所述异常的待检测位置点在所述位置点-距离数据曲线图中的图形特征;
基于已存的特征与异常类别的对应关系信息,确定所述图形特征对应的异常类别,得到所述异常的待检测位置点的异常类别。
5.根据权利要求4所述的方法,其特征在于,所述基于所述聚类中心、预设距离值和所述位置点-距离数据曲线图,识别所述待检测边缘中异常的待检测位置点以及异常类别之前,还包括:
获取各待检测位置点对应的位置编码值;其中,所述位置编码值表征对应待检测位置点在所述待检测边缘的位置;
所述判定所述距离数据所对应的待检测位置点为异常的待检测位置点之后,还包括:
查找所述异常的待检测位置点所对应的位置编码值。
6.一种电池极片异常检测装置,其特征在于,包括:
数据获取模块,用于获取电池极片待检测边缘的各待检测位置点到距离检测器之间的距离数据;
曲线图生成模块,用于根据所述距离数据生成所述待检测边缘的位置点-距离数据曲线图;
聚类分析模块,用于根据所述待检测边缘对应的多个距离数据进行聚类分析,确定聚类中心;
异常识别模块,用于基于所述聚类中心、预设距离值和所述位置点-距离数据曲线图,识别所述待检测边缘中异常的待检测位置点以及异常类别。
7.一种上位机,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
8.一种检测***,其特征在于,包括:距离检测器和如权利要求7所述的上位机,所述距离检测器与所述上位机连接;
所述距离检测器检测与电池极片待检测边缘的各待检测位置点之间的距离,并将检测的数据发送至所述上位机,所述上位机根据所述检测的数据得到距离数据。
9.根据权利要求8所述的检测***,其特征在于,所述距离检测器包括与所述上位机连接的第一激光测距仪和第二激光测距仪,所述待检测边缘包括极耳侧和非极耳侧;
所述第一激光测距仪检测所述极耳侧的各待检测位置点到所述第一激光测距仪的距离,并发送检测的数据至所述上位机;
所述第二激光测距仪检测所述非极耳侧的各待检测位置点到所述第二激光测距仪的距离,并发送检测的数据至所述上位机。
10.根据权利要求9所述的检测***,其特征在于,所述第一激光测距仪包括激光发射端和激光接收端,所述第一激光测距仪的激光接收端连接所述上位机;
所述第一激光测距仪的激光发射端和所述第一激光测距仪的激光接收端相对设置,所述电池极片位于所述第一激光测距仪的激光发射端和所述第一激光测距仪的激光接收端之间,且所述电池极片的极耳侧所在位置对应于所述第一激光测距仪的激光发射端发射激光的部分区域。
11.根据权利要求10所述的检测***,其特征在于,所述第二激光测距仪包括激光发射端和激光接收端,所述第二激光测距仪的激光接收端连接所述上位机;
所述第二激光测距仪的激光发射端和所述第二激光测距仪的激光接收端相对设置,所述电池极片位于所述第二激光测距仪的激光发射端和所述第二激光测距仪的激光接收端之间,且所述电池极片的非极耳侧所在位置对应于所述第二激光测距仪的激光发射端发射激光的部分区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111084434.0A CN113820333B (zh) | 2021-09-16 | 2021-09-16 | 电池极片异常检测方法、装置、上位机及检测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111084434.0A CN113820333B (zh) | 2021-09-16 | 2021-09-16 | 电池极片异常检测方法、装置、上位机及检测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113820333A true CN113820333A (zh) | 2021-12-21 |
CN113820333B CN113820333B (zh) | 2024-06-07 |
Family
ID=78914648
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111084434.0A Active CN113820333B (zh) | 2021-09-16 | 2021-09-16 | 电池极片异常检测方法、装置、上位机及检测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113820333B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114332049A (zh) * | 2021-12-31 | 2022-04-12 | 广东利元亨智能装备股份有限公司 | 边缘检测方法、装置、电子设备及存储介质 |
WO2023216249A1 (zh) * | 2022-05-13 | 2023-11-16 | 宁德时代新能源科技股份有限公司 | 用于极片的检测方法和检测装置以及叠片*** |
WO2023231015A1 (zh) * | 2022-06-02 | 2023-12-07 | 宁德时代新能源科技股份有限公司 | 电芯检测方法、装置、***、处理器以及控制器 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101662011A (zh) * | 2008-08-26 | 2010-03-03 | 比亚迪股份有限公司 | 一种电池极片及其制备方法和含有该极片的电池 |
CN102299293A (zh) * | 2011-07-22 | 2011-12-28 | 深圳市崧鼎科技有限公司 | 一种电池极片的制造方法及由该方法制造的电池 |
US20140115403A1 (en) * | 2012-03-26 | 2014-04-24 | Nec Laboratories America, Inc. | Method and System for Software System Performance Diagnosis with Kernel Event Feature Guidance |
CN104209242A (zh) * | 2014-09-24 | 2014-12-17 | 浙江西凯新能源开发有限公司 | 一种电池极片连续涂布挡料装置及其制作方法 |
CN104681875A (zh) * | 2014-12-22 | 2015-06-03 | 东莞市安德丰电池有限公司 | 一种锂离子电池超厚的处理方法 |
CN106292809A (zh) * | 2016-10-22 | 2017-01-04 | 深圳市信宇人科技有限公司 | 适用于锂电池或极片真空烘烤线的温湿度跟踪监控***及方法 |
CN106405422A (zh) * | 2015-07-27 | 2017-02-15 | 宁德新能源科技有限公司 | 锂离子电池极片膨胀断裂的测试方法 |
CN108037130A (zh) * | 2017-12-01 | 2018-05-15 | 深圳市科陆电子科技股份有限公司 | 电芯的极耳缺陷自动检测方法及自动检测装置 |
CN109067725A (zh) * | 2018-07-24 | 2018-12-21 | 成都亚信网络安全产业技术研究院有限公司 | 网络流量异常检测方法及装置 |
CN109270071A (zh) * | 2018-07-23 | 2019-01-25 | 广州超音速自动化科技股份有限公司 | 一种极耳上涂层异常检测方法及极耳焊接检测*** |
CN109978070A (zh) * | 2019-04-03 | 2019-07-05 | 北京市天元网络技术股份有限公司 | 一种改进的K-means异常值检测方法以及装置 |
CN110779446A (zh) * | 2019-11-08 | 2020-02-11 | 广东利元亨智能装备股份有限公司 | 电池检测方法、装置、电子设备及电池检测*** |
CN111077456A (zh) * | 2019-12-25 | 2020-04-28 | 深圳市比克动力电池有限公司 | 一种锂离子电池析锂的无损检测方法 |
CN111580004A (zh) * | 2020-05-12 | 2020-08-25 | 珠海冠宇电池股份有限公司 | 电池检测方法、装置、设备及计算机可读存储介质 |
CN112329847A (zh) * | 2020-11-03 | 2021-02-05 | 北京神州泰岳软件股份有限公司 | 一种异常检测方法、装置、电子设备及存储介质 |
CN112858919A (zh) * | 2021-01-18 | 2021-05-28 | 北京理工大学 | 一种基于聚类分析的电池***在线故障诊断方法和*** |
CN112905412A (zh) * | 2021-01-29 | 2021-06-04 | 清华大学 | 关键性能指标数据的异常检测方法及装置 |
CN112991264A (zh) * | 2021-02-05 | 2021-06-18 | 西安理工大学 | 一种单晶硅光伏电池裂纹缺陷的检测方法 |
-
2021
- 2021-09-16 CN CN202111084434.0A patent/CN113820333B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101662011A (zh) * | 2008-08-26 | 2010-03-03 | 比亚迪股份有限公司 | 一种电池极片及其制备方法和含有该极片的电池 |
CN102299293A (zh) * | 2011-07-22 | 2011-12-28 | 深圳市崧鼎科技有限公司 | 一种电池极片的制造方法及由该方法制造的电池 |
US20140115403A1 (en) * | 2012-03-26 | 2014-04-24 | Nec Laboratories America, Inc. | Method and System for Software System Performance Diagnosis with Kernel Event Feature Guidance |
CN104209242A (zh) * | 2014-09-24 | 2014-12-17 | 浙江西凯新能源开发有限公司 | 一种电池极片连续涂布挡料装置及其制作方法 |
CN104681875A (zh) * | 2014-12-22 | 2015-06-03 | 东莞市安德丰电池有限公司 | 一种锂离子电池超厚的处理方法 |
CN106405422A (zh) * | 2015-07-27 | 2017-02-15 | 宁德新能源科技有限公司 | 锂离子电池极片膨胀断裂的测试方法 |
CN106292809A (zh) * | 2016-10-22 | 2017-01-04 | 深圳市信宇人科技有限公司 | 适用于锂电池或极片真空烘烤线的温湿度跟踪监控***及方法 |
CN108037130A (zh) * | 2017-12-01 | 2018-05-15 | 深圳市科陆电子科技股份有限公司 | 电芯的极耳缺陷自动检测方法及自动检测装置 |
CN109270071A (zh) * | 2018-07-23 | 2019-01-25 | 广州超音速自动化科技股份有限公司 | 一种极耳上涂层异常检测方法及极耳焊接检测*** |
CN109067725A (zh) * | 2018-07-24 | 2018-12-21 | 成都亚信网络安全产业技术研究院有限公司 | 网络流量异常检测方法及装置 |
CN109978070A (zh) * | 2019-04-03 | 2019-07-05 | 北京市天元网络技术股份有限公司 | 一种改进的K-means异常值检测方法以及装置 |
CN110779446A (zh) * | 2019-11-08 | 2020-02-11 | 广东利元亨智能装备股份有限公司 | 电池检测方法、装置、电子设备及电池检测*** |
CN111077456A (zh) * | 2019-12-25 | 2020-04-28 | 深圳市比克动力电池有限公司 | 一种锂离子电池析锂的无损检测方法 |
CN111580004A (zh) * | 2020-05-12 | 2020-08-25 | 珠海冠宇电池股份有限公司 | 电池检测方法、装置、设备及计算机可读存储介质 |
CN112329847A (zh) * | 2020-11-03 | 2021-02-05 | 北京神州泰岳软件股份有限公司 | 一种异常检测方法、装置、电子设备及存储介质 |
CN112858919A (zh) * | 2021-01-18 | 2021-05-28 | 北京理工大学 | 一种基于聚类分析的电池***在线故障诊断方法和*** |
CN112905412A (zh) * | 2021-01-29 | 2021-06-04 | 清华大学 | 关键性能指标数据的异常检测方法及装置 |
CN112991264A (zh) * | 2021-02-05 | 2021-06-18 | 西安理工大学 | 一种单晶硅光伏电池裂纹缺陷的检测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114332049A (zh) * | 2021-12-31 | 2022-04-12 | 广东利元亨智能装备股份有限公司 | 边缘检测方法、装置、电子设备及存储介质 |
WO2023216249A1 (zh) * | 2022-05-13 | 2023-11-16 | 宁德时代新能源科技股份有限公司 | 用于极片的检测方法和检测装置以及叠片*** |
WO2023231015A1 (zh) * | 2022-06-02 | 2023-12-07 | 宁德时代新能源科技股份有限公司 | 电芯检测方法、装置、***、处理器以及控制器 |
Also Published As
Publication number | Publication date |
---|---|
CN113820333B (zh) | 2024-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113820333A (zh) | 电池极片异常检测方法、装置、上位机及检测*** | |
CN111681256B (zh) | 图像边缘检测方法、装置、计算机设备和可读存储介质 | |
CN116523921B (zh) | 一种针对极耳翻折情况的检测方法、装置和*** | |
EA004910B1 (ru) | Способ и устройство для определения областей, представляющих интерес, в изображениях и для передачи изображения | |
CN112508846A (zh) | 缺陷检测方法及装置、电子设备和存储介质 | |
CN113030121B (zh) | 用于电路板元器件的自动光学检测方法、***、及设备 | |
CN112598922A (zh) | 车位检测方法、装置、设备及存储介质 | |
CN114581446B (zh) | 一种叠片电池的电芯异常检测方法及*** | |
CN117746077A (zh) | 一种芯片缺陷的检测方法、装置、设备和存储介质 | |
CN111724323B (zh) | 激光雷达点云阳光噪点去除方法及装置 | |
CN117095246A (zh) | 基于偏振成像的深度学习指针仪表读数识别方法 | |
CN108362227A (zh) | 轮毂检测方法、装置、***及控制设备 | |
CN111488829A (zh) | 杆塔巡检照片分类方法、装置、电子设备以及存储介质 | |
CN115331193A (zh) | 一种车位识别方法、识别***、电子设备及存储介质 | |
CN114355234A (zh) | 一种电源模块的智能化质量检测方法及*** | |
CN112529883A (zh) | 一种基于图像边缘识别的贴片检测方法及装置 | |
CN117495891B (zh) | 点云边缘检测方法、装置和电子设备 | |
CN113705672A (zh) | 图像目标检测的阈值选取方法、***、装置及存储介质 | |
CN111797783A (zh) | 一种基于双通道卷积神经网络的智能脉冲星筛查*** | |
CN116448666B (zh) | 一种基于机器视觉的锂电池盒的检测装置及检测方法 | |
CN118155004A (zh) | 针对隔膜表面缺陷的缺陷分类模型的训练方法和装置 | |
CN115564707A (zh) | 一种基于ai图像识别的产品质量缺陷智能检测方法及*** | |
CN115272309A (zh) | 缺陷检测方法和*** | |
CN118279672A (zh) | 一种核电站池中燃料棒组件的图像检测方法及*** | |
CN116485748A (zh) | 孔槽识别检测方法、***、设备及介质 |
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 |