CN114972258A - 基于机器视觉的电池表面缺陷检测方法、***及相关设备 - Google Patents
基于机器视觉的电池表面缺陷检测方法、***及相关设备 Download PDFInfo
- Publication number
- CN114972258A CN114972258A CN202210587227.5A CN202210587227A CN114972258A CN 114972258 A CN114972258 A CN 114972258A CN 202210587227 A CN202210587227 A CN 202210587227A CN 114972258 A CN114972258 A CN 114972258A
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- data
- battery
- difference
- 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
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
- 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
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明公开了一种基于机器视觉的电池表面缺陷检测方法、***及相关设备,方法包括:获取待检测电池对应的待检测图像数据和待检测环境数据;获取标准电池对应的标准图像数据和标准环境数据;根据上述待检测图像和上述标准图像获取差值图像数据,根据上述待检测环境数据和上述标准环境数据获取差值环境数据,其中,上述差值图像数据包括表面差值图像、热力分布差值图像和深度差值图像;根据上述差值图像数据,通过预先训练好的特征提取模型进行特征提取,获得上述待检测电池对应的待判断特征;根据上述差值环境数据和上述待判断特征,通过预先训练好的缺陷分类器获取上述待检测电池对应的缺陷类别。本发明有利于提高电池表面缺陷检测的效率。
Description
技术领域
本发明涉及电池检测技术领域,尤其涉及的是一种基于机器视觉的电池表面缺陷检测方法、***及相关设备。
背景技术
随着科学技术的发展,电池的应用也越来越广泛。在此过程中,对于电池的质量要求也越来越高。目前,通常会预先对电池进行缺陷检测,以避免使用有缺陷的电池带来安全隐患或其它不利影响。
现有技术中,通常通过人工检查的方式对电池表面的缺陷进行观察和检测,从而辨别出表面存在缺陷的电池。现有技术的问题在于,通过人工对电池表面的缺陷进行检测不利于提高电池表面缺陷检测的效率。
因此,现有技术还有待改进和发展。
发明内容
本发明的主要目的在于提供一种基于机器视觉的电池表面缺陷检测方法、***及相关设备,旨在解决现有技术中通过人工对电池表面的缺陷进行检测不利于提高电池表面缺陷检测的效率的问题。
为了实现上述目的,本发明第一方面提供一种基于机器视觉的电池表面缺陷检测方法,其中,上述基于机器视觉的电池表面缺陷检测方法包括:
获取待检测电池对应的待检测图像数据和待检测环境数据,其中,上述待检测图像数据包括上述待检测电池的待检测表面图像、待检测热力分布图像和待检测深度图像,上述待检测环境数据包括上述待检测电池所在区域的环境温度和环境湿度;
获取标准电池对应的标准图像数据和标准环境数据,其中,上述标准图像数据包括上述标准电池的标准表面图像、标准热力分布图像和标准深度图像,上述标准环境数据包括上述标准电池所在区域的环境温度和环境湿度,上述标准电池与上述待检测电池的型号相同;
根据上述待检测图像和上述标准图像获取差值图像数据,根据上述待检测环境数据和上述标准环境数据获取差值环境数据,其中,上述差值图像数据包括表面差值图像、热力分布差值图像和深度差值图像;
根据上述差值图像数据,通过预先训练好的特征提取模型进行特征提取,获得上述待检测电池对应的待判断特征;
根据上述差值环境数据和上述待判断特征,通过预先训练好的缺陷分类器获取上述待检测电池对应的缺陷类别。
可选的,上述根据上述待检测图像和上述标准图像获取差值图像数据,根据上述待检测环境数据和上述标准环境数据获取差值环境数据,包括:
将上述待检测表面图像与上述标准表面图像相减以获得上述表面差值图像,将上述待检测热力分布图像与上述标准热力分布图像相减以获得上述热力分布差值图像,将上述待检测深度图像与上述标准深度图像相减以获得上述深度差值图像;
将上述待检测环境数据和上述标准环境数据相减以获得上述差值环境数据,其中,上述差值环境数据包括温度差值和湿度差值。
可选的,上述根据上述差值图像数据,通过预先训练好的特征提取模型进行特征提取,获得上述待检测电池对应的待判断特征,包括:
获取上述待检测电池对应的图像权重数据,其中,上述图像权重数据用于限定上述差值图像数据中各图像中不同区域对应的权重值;
将上述图像权重数据和上述差值图像数据输入上述预先训练好的特征提取模型,通过上述预先训练好的特征提取模型进行特征提取并输出上述待判断特征。
可选的,上述获取上述待检测电池对应的图像权重数据,包括:
根据上述差值图像数据获取权重判断图像,其中,上述权重判断图像是上述表面差值图像、上述热力分布差值图像和上述深度差值图像中的任意一种;
根据预设的差值等级范围和上述权重判断图像中各个像素点的值获取上述权重判断图像的各个像素点对应的差值等级;
根据上述差值等级确定上述权重判断图像中各个像素点的权重值,获得上述图像权重数据。
可选的,上述待检测电池和上述标准电池的表面分别设置有多个一一对应的标志点,上述获取上述待检测电池对应的图像权重数据,包括:
分别获取每一个上述标志点对应的待检测像素数目和标准像素数目,其中,上述待检测像素数目是上述标志点在上述待检测表面图像中所占的像素点的个数,上述标准像素数目是该标志点在上述标准表面图像中所占的像素点的个数;
根据上述待检测像素数目和上述标准像素数目获取各上述标志点的形变程度;
根据上述形变程度确定各上述标志点所在区域的权重值,获得上述图像权重数据。
可选的,上述特征提取模型根据如下步骤进行训练:
将模型训练数据中的表面差值训练图像、热力分布差值训练图像、深度差值训练图像和图像权重训练数据输入上述特征提取模型,通过上述特征提取模型提取上述表面差值训练图像对应的模型提取特征,其中,上述模型训练数据包括多组训练图像组,每一组训练图像组包括表面差值训练图像、热力分布差值训练图像、深度差值训练图像、图像权重训练数据和标注特征,上述标注特征是预先标注的该训练图像组中表面差值训练图像对应的缺陷特征;
根据上述表面差值训练图像对应的标注特征和上述表面差值训练图像对应的模型提取特征,对上述特征提取模型的模型参数进行调整,并继续执行上述将模型训练数据中的表面差值训练图像、热力分布差值训练图像、深度差值训练图像和图像权重训练数据输入上述特征提取模型的步骤,直到满足预设模型训练条件,以得到训练好的特征提取模型;
其中,上述特征提取模型是卷积神经网络模型。
可选的,上述缺陷分类器根据如下步骤进行训练:
将分类器训练数据中的训练特征和差值环境训练数据输入上述缺陷分类器,通过上述缺陷分类器获取上述训练特征对应的预测缺陷类别,其中,上述分类器训练数据包括多组训练特征数据组,每一组训练特征数据组包括训练特征、差值环境训练数据和标注缺陷类别,上述标注缺陷类别是预先标注的该训练特征数据组中训练特征对应的实际缺陷类别;
根据上述训练特征对应的实际缺陷类别和上述训练特征对应的预测缺陷类别,对上述缺陷分类器的参数进行调整,并继续执行上述将分类器训练数据中的训练特征和差值环境训练数据输入上述缺陷分类器的步骤,直到满足预设分类器训练条件,以得到训练好的缺陷分类器。
本发明第二方面提供一种基于机器视觉的电池表面缺陷检测***,其中,上述基于机器视觉的电池表面缺陷检测***包括:
待检测数据获取模块,用于获取待检测电池对应的待检测图像数据和待检测环境数据,其中,上述待检测图像数据包括上述待检测电池的待检测表面图像、待检测热力分布图像和待检测深度图像,上述待检测环境数据包括上述待检测电池所在区域的环境温度和环境湿度;
标准数据获取模块,用于获取标准电池对应的标准图像数据和标准环境数据,其中,上述标准图像数据包括上述标准电池的标准表面图像、标准热力分布图像和标准深度图像,上述标准环境数据包括上述标准电池所在区域的环境温度和环境湿度,上述标准电池与上述待检测电池的型号相同;
差值数据获取模块,用于根据上述待检测图像和上述标准图像获取差值图像数据,根据上述待检测环境数据和上述标准环境数据获取差值环境数据,其中,上述差值图像数据包括表面差值图像、热力分布差值图像和深度差值图像;
特征提取模块,用于根据上述差值图像数据,通过预先训练好的特征提取模型进行特征提取,获得上述待检测电池对应的待判断特征;
缺陷类别获取模块,用于根据上述差值环境数据和上述待判断特征,通过预先训练好的缺陷分类器获取上述待检测电池对应的缺陷类别。
本发明第三方面提供一种智能终端,上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的基于机器视觉的电池表面缺陷检测程序,上述基于机器视觉的电池表面缺陷检测程序被上述处理器执行时实现上述任意一种基于机器视觉的电池表面缺陷检测方法的步骤。
本发明第四方面提供一种计算机可读存储介质,上述计算机可读存储介质上存储有基于机器视觉的电池表面缺陷检测程序,上述基于机器视觉的电池表面缺陷检测程序被处理器执行时实现上述任意一种基于机器视觉的电池表面缺陷检测方法的步骤。
由上可见,本发明方案中,获取待检测电池对应的待检测图像数据和待检测环境数据,其中,上述待检测图像数据包括上述待检测电池的待检测表面图像、待检测热力分布图像和待检测深度图像,上述待检测环境数据包括上述待检测电池所在区域的环境温度和环境湿度;获取标准电池对应的标准图像数据和标准环境数据,其中,上述标准图像数据包括上述标准电池的标准表面图像、标准热力分布图像和标准深度图像,上述标准环境数据包括上述标准电池所在区域的环境温度和环境湿度,上述标准电池与上述待检测电池的型号相同;根据上述待检测图像和上述标准图像获取差值图像数据,根据上述待检测环境数据和上述标准环境数据获取差值环境数据,其中,上述差值图像数据包括表面差值图像、热力分布差值图像和深度差值图像;根据上述差值图像数据,通过预先训练好的特征提取模型进行特征提取,获得上述待检测电池对应的待判断特征;根据上述差值环境数据和上述待判断特征,通过预先训练好的缺陷分类器获取上述待检测电池对应的缺陷类别。
与现有技术中通过人工对电池表面的缺陷进行检测的方案相比,本发明方案中可以根据待检测电池对应的待检测图像数据和待检测环境数据、标准电池对应的标准图像数据和标准环境数据获得差值图像数据和差值环境数据,从而通过预先训练好的特征提取模型基于差值图像数据进行特征提取,并通过预先训练好的缺陷分类器结合上述差值环境数据和提取出的待判断特征进行缺陷分类并获得待检测电池对应的缺陷类别。如此,可以自动实现待检测电池的表面缺陷的检测,无需进行人工判断和检测,有利于提高电池表面缺陷检测的效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1是本发明实施例提供的一种基于机器视觉的电池表面缺陷检测方法的流程示意图;
图2是本发明实施例图1中步骤S300的具体流程示意图;
图3是本发明实施例提供的一种基于机器视觉的电池表面缺陷检测***的结构示意图;
图4是本发明实施例提供的一种智能终端的内部结构原理框图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况下,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当…时”或“一旦”或“响应于确定”或“响应于检测到”。类似的,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述的条件或事件]”或“响应于检测到[所描述条件或事件]”。
下面结合本发明实施例的附图,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的一部分实施例,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它实施例,都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其它不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
随着科学技术的发展,电池的应用也越来越广泛。在此过程中,对于电池的质量要求也越来越高。目前,通常会预先对电池进行缺陷检测,以避免使用有缺陷的电池带来安全隐患或其它不利影响。
现有技术中,通常通过人工检查的方式对电池表面的缺陷进行观察和检测,从而辨别出表面存在缺陷的电池。现有技术的问题在于,通过人工对电池表面的缺陷进行检测不利于提高电池表面缺陷检测的效率。
在一种应用场景中,可以通过一个预先训练的模型进行电池表面缺陷检测,但目前通常使用一个缺陷识别模型,直接通过缺陷识别模型针对输入的图像进行缺陷检测,输出对应的缺陷类别。上述缺陷识别模型的训练过程较为复杂,需要大量的数据进行训练,且数据量大,数据的位数也高,从而导致计算量也很大。因此,上述缺陷检测模型的训练效率和使用上述缺陷检测模型进行缺陷检测的效率都较低。并且要求对应的图像处理设备(如GPU设备)有较高的算力等性能,需要消耗大量时间和硬件资源,导致缺陷检测的成本较高,不利于提高缺陷检测的便利性和降低检测成本。并且,在训练数据有限的情况下,获得的缺陷识别模型的识别精度也较低,不利于提高缺陷检测的准确性。
为了解决上述多个问题中的至少一个问题,本发明方案中,获取待检测电池对应的待检测图像数据和待检测环境数据,其中,上述待检测图像数据包括上述待检测电池的待检测表面图像、待检测热力分布图像和待检测深度图像,上述待检测环境数据包括上述待检测电池所在区域的环境温度和环境湿度;获取标准电池对应的标准图像数据和标准环境数据,其中,上述标准图像数据包括上述标准电池的标准表面图像、标准热力分布图像和标准深度图像,上述标准环境数据包括上述标准电池所在区域的环境温度和环境湿度,上述标准电池与上述待检测电池的型号相同;根据上述待检测图像和上述标准图像获取差值图像数据,根据上述待检测环境数据和上述标准环境数据获取差值环境数据,其中,上述差值图像数据包括表面差值图像、热力分布差值图像和深度差值图像;根据上述差值图像数据,通过预先训练好的特征提取模型进行特征提取,获得上述待检测电池对应的待判断特征;根据上述差值环境数据和上述待判断特征,通过预先训练好的缺陷分类器获取上述待检测电池对应的缺陷类别。
与现有技术中通过人工对电池表面的缺陷进行检测的方案相比,本发明方案中可以根据待检测电池对应的待检测图像数据和待检测环境数据、标准电池对应的标准图像数据和标准环境数据获得差值图像数据和差值环境数据,从而通过预先训练好的特征提取模型基于差值图像数据进行特征提取,并通过预先训练好的缺陷分类器结合上述差值环境数据和提取出的待判断特征进行缺陷分类并获得待检测电池对应的缺陷类别。如此,可以自动实现待检测电池的表面缺陷的检测,无需进行人工判断和检测,有利于提高电池表面缺陷检测的效率。
同时,本发明中将电池表面的缺陷检测任务划分为两部分,即特征提取和缺陷分类,通过训练好的特征提取模型进行特征提取,通过训练好的缺陷分类器对提取出的待判断特征进行缺陷分类,而特征提取模型和缺陷分类器可以分开进行训练,有利于降低训练数据的复杂度,并且可以有效降低模型和分类器的复杂度,使得两者更为轻量化,有利于提高特征提取模型和缺陷分类器的训练效率和检测效率。
进一步的,本发明中在进行缺陷检测(和模型训练)时使用的都是差值数据,例如差值图像数据和差值环境数据,差值数据与原始数据相比,对应的数据值(或数据位数)通常更低,因此在检测(和训练)过程中,对应的计算量也会更小,因此不要求GPU设备有较高的性能,有利于减少硬件资源的占用,降低检测成本。
同时,本发明中综合了多源的数据(包括待检测图像数据和待检测环境数据)进行缺陷检测,可以提高缺陷检测的准确性。并且,使用的是对应的数据差值,综合轻量化的分体模型(即分开训练和使用的特征提取模型和缺陷分类器)和轻量化的数据,提高对应的模型训练效率和检测效率,且可以应用于算力较低的GPU设备中,可以提高缺陷检测的准确性和方便性。
示例性方法
如图1所示,本发明实施例提供一种基于机器视觉的电池表面缺陷检测方法,具体的,上述方法包括如下步骤:
步骤S100,获取待检测电池对应的待检测图像数据和待检测环境数据。
其中,上述待检测图像数据包括上述待检测电池的待检测表面图像、待检测热力分布图像和待检测深度图像,上述待检测环境数据包括上述待检测电池所在区域的环境温度和环境湿度。
步骤S200,获取标准电池对应的标准图像数据和标准环境数据。
其中,上述标准图像数据包括上述标准电池的标准表面图像、标准热力分布图像和标准深度图像,上述标准环境数据包括上述标准电池所在区域的环境温度和环境湿度,上述标准电池与上述待检测电池的型号相同。
上述待检测电池是需要进行表面缺陷检测的电池,上述标准电池是预先设置的一个与待检测电池型号相同,但表面没有缺陷的电池。在一种应用场景中,可以预先采集不同型号的没有缺陷的电池对应的标准数据(包括标准图像数据和标准环境数据)并保存,从而在需要对各种型号的待检测电池进行表面缺陷检测时可以快速获得对应的标准数据。
上述待检测图像数据是对上述待检测电池进行图像数据采集获得的图像,上述待检测表面图像是对待检测电池的表面进行采集获得的灰度(或RGB)图像,上述待检测热力分布图像是通过预设的红外成像仪对待检测电池的表面进行采集获得的热力分布图像,上述待检测深度图像是对待检测电池的表面进行采集获得的深度图像。需要说明的是,可以对上述待检测电池的各个表面分别进行图像采集,本实施例中,以对一个表面(例如上表面)进行图像采集和缺陷检测为例进行说明,但不作为具体限定。进一步的,上述待检测表面图像、待检测热力分布图像和待检测深度图像是一一对应的,即对于上述待检测表面图像中的任意一个像素点,在上述待检测热力分布图像和待检测深度图像中都有一个唯一对应的像素点。
需要说明的是,标准数据(包括标准图像数据和标准环境数据)是将标准电池放置于预设的温度和湿度正常(即温度和湿度属于电池正常工作所要求的范围)的区域并进行采集获得的,本实施例中,上述标准电池和待检测电池放置于相同的区域。且上述标准数据的采集方式与待检测数据(包括待检测图像数据和待检测环境数据)的采集方式相同,在此不再赘述。
可选的,环境数据还可以包括光照强度,即待检测环境数据还包括待检测电池所在区域的光照强度,标准环境数据还包括标准电池所在区域的光照强度,如此,结合光照强度进行判断,有利于提高缺陷检测识别的准确性。
在一种应用场景中,上述标准电池还可以是与上述待检测电池型号相同,且具有已知类别的表面缺陷的电池,如此,可以方便的判断上述待检测电池是否具有与标准电池相同类别的表面缺陷。
步骤S300,根据上述待检测图像和上述标准图像获取差值图像数据,根据上述待检测环境数据和上述标准环境数据获取差值环境数据。
其中,上述差值图像数据包括表面差值图像、热力分布差值图像和深度差值图像。
本实施例中,如图2所示,上述步骤S300具体包括如下步骤:
步骤S301,将待检测表面图像与标准表面图像相减以获得表面差值图像,将待检测热力分布图像与标准热力分布图像相减以获得热力分布差值图像,将待检测深度图像与标准深度图像相减以获得深度差值图像。
步骤S302,将上述待检测环境数据和上述标准环境数据相减以获得上述差值环境数据,其中,上述差值环境数据包括温度差值和湿度差值。
需要说明的是,在上述步骤中,图像相减代表将两幅图像中每一个像素点的值相减。例如,待检测表面图像和标准表面图像中每一个像素点的值代表对应的灰度(或RGB)值,待检测热力分布图像和标准热力分布图像中每一个像素点的值代表对应的温度值,待检测深度图像和标准深度图像中每一个像素点的值代表对应的深度值,相减后获得对应的灰度(或RGB)差值、温度差值和深度差值,根据对应的差值可以获知待检测电池的表面发生的变化,从而判断其表面是否存在缺陷,且可以根据存在缺陷的位置的差值特征确定缺陷的类型。
上述温度差值由待检测环境数据和标准环境数据中的环境温度相减获得,上述湿度差值由待检测环境数据和标准环境数据中的环境湿度相减获得。需要说明的是,本实施例中,还可以对相减后获得的差值数据进行标准化处理,消除其中的负数值,进一步降低计算量和计算难度。例如,将待检测深度图像减去标准深度图像之后获得一个深度差值图像,如果该深度差值图像中存在某一个或多个像素点处对应的差值是小于0的,则对该深度差值图像进行标准化处理以使得处理后的深度差值图像中每一个像素点处对应的差值都不小于0。上述标准化处理过程包括:获取该深度差值图像中的最小负数值,将该深度差值图像中每一个像素点的值都加上最小负数值的绝对值。
在另一种应用场景中,各个差值图像中每一个像素点的值也可以是对应的差值方差,例如,对于热力分布差值图像中的任意一个目标像素点,其取值是目标差值与目标平均值的差值,目标差值是目标像素点在待检测热力分布图像中的像素值减去目标像素点在标准热力分布图像中的像素值,目标平均值是待检测热力分布图像和标准热力分布图像中所有像素点的差值的平均值。如此,可以使得对应的差值图像更好地体现待检测电池表面的各个区域的突变程度,提高缺陷检测的效率。
步骤S400,根据上述差值图像数据,通过预先训练好的特征提取模型进行特征提取,获得上述待检测电池对应的待判断特征。
其中,上述预先训练好的特征提取模型是预先训练好的用于进行特征提取的模型,其输出可以包括输入的多个图像中至少一个图像中目标区域的坐标以及各目标区域对应的数据值,上述目标区域是出现异常特征的区域,即通过对应的差值判断出的变化较大(例如差值大于预设阈值)的区域。
需要说明的是,本实施例中的特征提取模型(或缺陷分类器)被预先训练并建立了对应的输入数据和输出数据之间的关联关系,可以根据对应的输入数据确定关联的输出数据。
具体的,本实施例中,上述步骤S400具体包括:获取上述待检测电池对应的图像权重数据,其中,上述图像权重数据用于限定上述差值图像数据中各图像中不同区域对应的权重值;将上述图像权重数据和上述差值图像数据输入上述预先训练好的特征提取模型,通过上述预先训练好的特征提取模型进行特征提取并输出上述待判断特征。
具体的,上述图像权重数据可以包括目标数目个权重值,上述目标数目与表面差值图像(或热力分布差值图像、深度差值图像)中像素点的数目相同。因此可以通过图像权重数据为表面差值图像、热力分布差值图像和深度差值图像中的每一个像素点设置对应的权重,为上述特征提取模型引入注意力机制,使得模型在训练或检测过程中优先关注权重更高的区域,从而有利于提高模型在训练时的收敛速度和检测效率。
在一种应用场景中,上述图像权重数据可以由用户预先设置,例如,电池的哪些部分更容易损坏,就对应设置更高的权重。可选的,上述图像权重数据还可以根据待检测图像确定,或者结合电池表面预先设置的标志点确定。
具体的,在一种应用场景中,上述获取上述待检测电池对应的图像权重数据,包括:
根据上述差值图像数据获取权重判断图像,其中,上述权重判断图像是上述表面差值图像、上述热力分布差值图像和上述深度差值图像中的任意一种;
根据预设的差值等级范围和上述权重判断图像中各个像素点的值获取上述权重判断图像的各个像素点对应的差值等级;
根据上述差值等级确定上述权重判断图像中各个像素点的权重值,获得上述图像权重数据。
其中,上述预设的差值等级范围是预先设置并存储的各个差值等级对应的差值范围值,对应的,差值越大时差值等级越高,差值等级越高时权重值越大,即可以为变化程度大的区域(或像素点)设置更高的权重值,使模型更关注这些区域。例如,可以预先设置差值范围为0到5时为第一差值等级,范围为6到10时为第二差值等级,第一差值等级对应的权重值为1,第二差值等级对应的权重值为2,以此类推。
在一种应用场景中,还可以将上述表面差值图像、上述热力分布差值图像和上述深度差值图像分别作为上述权重判断图像,计算出各个像素点对应的3个权重值,并取其平均值作为各像素点最终对应的权重值。
具体的,本实施例中,上述待检测电池和上述标准电池的表面分别设置有多个一一对应的标志点,上述获取上述待检测电池对应的图像权重数据,包括:
分别获取每一个上述标志点对应的待检测像素数目和标准像素数目,其中,上述待检测像素数目是上述标志点在上述待检测表面图像中所占的像素点的个数,上述标准像素数目是该标志点在上述标准表面图像中所占的像素点的个数;
根据上述待检测像素数目和上述标准像素数目获取各上述标志点的形变程度;
根据上述形变程度确定各上述标志点所在区域的权重值,获得上述图像权重数据。
需要说明的是,上述待检测电池和上述标准电池的型号相同,即尺寸大小完全相同,且当上述待检测电池的表面没有缺陷时,待检测电视与标准电池完全相同。进一步的,上述待检测电池和上述标准电池的表面设置有一一对应的多个标志点,标志点通过印刷的方式设置在电池的表面,对于待检测电池上的任意一个标志点,在标准电池上有唯一对应且大小、位置都相同的一个标志点与之对应。
本实施例中,标志点的形变程度通过标志点在对应的表面图像内所占像素点的个数的差值确定,例如,对于任意一个标志点,将其第一像素个数与第二像素个数的差值的绝对值作为形变程度,第一像素个数是该标志点在待检测表面图像中所占的像素点的个数,第二像素个数是该标志点在标准表面图像中所占的像素点的个数。
获取到各个标志点的形变程度之后,可以根据预设的形变程度等级确定各个标志点区域对应的权重值,例如,形变程度为0到5时为第一级形变,对应的权重值为1,形变程度为6到10时为第二级形变,对应的权重值为2,以此类推,但不作为具体限定。在一种应用场景中,标志点所在区域由待检测表面图像中标志点的中心点坐标和预设的区域半径确定,还可以有其它确定方式,在此不作具体限定。
本实施例中,上述特征提取模型根据如下步骤进行训练:
将模型训练数据中的表面差值训练图像、热力分布差值训练图像、深度差值训练图像和图像权重训练数据输入上述特征提取模型,通过上述特征提取模型提取上述表面差值训练图像对应的模型提取特征,其中,上述模型训练数据包括多组训练图像组,每一组训练图像组包括表面差值训练图像、热力分布差值训练图像、深度差值训练图像、图像权重训练数据和标注特征,上述标注特征是预先标注的该训练图像组中表面差值训练图像对应的缺陷特征;
根据上述表面差值训练图像对应的标注特征和上述表面差值训练图像对应的模型提取特征,对上述特征提取模型的模型参数进行调整,并继续执行上述将模型训练数据中的表面差值训练图像、热力分布差值训练图像、深度差值训练图像和图像权重训练数据输入上述特征提取模型的步骤,直到满足预设模型训练条件,以得到训练好的特征提取模型;
其中,上述特征提取模型是卷积神经网络模型。
需要说明的是,本实施例中,仅通过上述特征提取模型提取表面差值训练图像对应的模型提取特征,实际使用过程中,还可以对热力分布差值训练图像和/或深度差值训练图像进行特征提取,在此不作为具体限定。上述图像权重训练数据的生成过程可以参照上述图像权重数据的生成过程,在此不再赘述。训练过程中的各种差值数据是预先对训练用的电池进行数据采集并与标准电池对应的数据相减后获得的,在此不再赘述。
上述标注特征包括预先对图像进行标注获得的图像中存在缺陷的区域,以及各区域具体的像素值数据。对应的,上述特征提取模型输出的模型提取特征包括模型提取出的表面差值训练图像中可能存在缺陷的区域,以及各区域具体的像素值数据。
上述预设模型训练条件是预先设置的模型训练完成需要满足的条件,可以是迭代次数大于预设的模型迭代阈值,也可以是训练获得的模型在预设的模型测试数据集上的损失值小于预设的模型损失阈值,在此不作具体限定。
步骤S500,根据上述差值环境数据和上述待判断特征,通过预先训练好的缺陷分类器获取上述待检测电池对应的缺陷类别。
对于上述特征提取模型输出的待判断特征,可以进一步通过缺陷分类器确定其对应的缺陷类别。本实施例中,上述待检测电池为锂电池,对应的缺陷类别可以是气泡、压痕、破损和裂纹中的一种或多种,还可以是其它类别的缺陷,在此不作具体限定。
上述特征提取模型输出的待判断特征体现了表面差值训练图像中可能存在缺陷的区域,以及各区域具体的像素值数据,而各区域具体的像素值可以代表该区域的变化以及变化程度,因此可以据此进行缺陷的分类。例如,假设某一个存在缺陷的区域是一个3*3的矩阵区域,其第一列和第三列的像素值都为4,第2列的像素值为1,则该区域可能存在划痕。进一步的,本实施例中,还考虑环境温度和湿度对电池的影响(例如温度的变化可能导致电池鼓包),从而结合差值环境数据和待判断特征更快地实现缺陷分类。
其中,上述缺陷分类器根据如下步骤进行训练:
将分类器训练数据中的训练特征和差值环境训练数据输入上述缺陷分类器,通过上述缺陷分类器获取上述训练特征对应的预测缺陷类别,其中,上述分类器训练数据包括多组训练特征数据组,每一组训练特征数据组包括训练特征、差值环境训练数据和标注缺陷类别,上述标注缺陷类别是预先标注的该训练特征数据组中训练特征对应的实际缺陷类别;
根据上述训练特征对应的实际缺陷类别和上述训练特征对应的预测缺陷类别,对上述缺陷分类器的参数进行调整,并继续执行上述将分类器训练数据中的训练特征和差值环境训练数据输入上述缺陷分类器的步骤,直到满足预设分类器训练条件,以得到训练好的缺陷分类器。
其中,上述预设分类器训练条件是预先设置的分类器训练完成需要满足的条件,可以是迭代次数大于预设的分类器迭代阈值,也可以是训练获得的分类器在预设的分类器测试数据集上的损失值小于预设的分类器损失阈值,在此不作具体限定。
需要说明的是,本实施例中,模型迭代阈值与分类器迭代阈值可以分别设置和调整,且可以设置为不相等,两者互不影响;同样的,模型损失阈值和分类器损失阈值也可以分别设置和调整,且可以设置为不相等,两者也互不影响。如此,特征提取模型和缺陷分类器可以分别进行训练,且两者的训练精度可以分开调节,两部分的准确性也可以根据实际需求进行调整,使得模型和分类器的训练过程更简便,且可以使用户在满足需要的准确性的条件下,自由地控制这两个部分的训练收敛速度。
在一种应用场景中,上述缺陷分类器是支持向量机(SVM)。在另一种应用场景中,预先设置有多个待选择类别,上述缺陷分类器输出的是与各个待判断特征对应的各个待选择类别的概率,例如待判断特征A为待选择类别1的概率、为待选择类别2的概率等。对于每一个待判断特征,获取其概率最高的待选择类别作为目标待选择类别,如果目标待选择类别的概率高于预设的概率阈值,则认为目标待选择类别是该待判断特征对应的缺陷类别,反之则认为该待判断特征不存在缺陷。
由上可见,本实施例中,可以根据待检测电池对应的待检测图像数据和待检测环境数据、标准电池对应的标准图像数据和标准环境数据获得差值图像数据和差值环境数据,从而通过预先训练好的特征提取模型基于差值图像数据进行特征提取,并通过预先训练好的缺陷分类器结合上述差值环境数据和提取出的待判断特征进行缺陷分类并获得待检测电池对应的缺陷类别。如此,可以自动实现待检测电池的表面缺陷的检测,无需进行人工判断和检测,有利于提高电池表面缺陷检测的效率。
示例性设备
如图3中所示,对应于上述基于机器视觉的电池表面缺陷检测方法,本发明实施例还提供一种基于机器视觉的电池表面缺陷检测***,上述基于机器视觉的电池表面缺陷检测***包括:
待检测数据获取模块610,用于获取待检测电池对应的待检测图像数据和待检测环境数据,其中,上述待检测图像数据包括上述待检测电池的待检测表面图像、待检测热力分布图像和待检测深度图像,上述待检测环境数据包括上述待检测电池所在区域的环境温度和环境湿度。
标准数据获取模块620,用于获取标准电池对应的标准图像数据和标准环境数据,其中,上述标准图像数据包括上述标准电池的标准表面图像、标准热力分布图像和标准深度图像,上述标准环境数据包括上述标准电池所在区域的环境温度和环境湿度,上述标准电池与上述待检测电池的型号相同。
差值数据获取模块630,用于根据上述待检测图像和上述标准图像获取差值图像数据,根据上述待检测环境数据和上述标准环境数据获取差值环境数据,其中,上述差值图像数据包括表面差值图像、热力分布差值图像和深度差值图像。
特征提取模块640,用于根据上述差值图像数据,通过预先训练好的特征提取模型进行特征提取,获得上述待检测电池对应的待判断特征。
缺陷类别获取模块650,用于根据上述差值环境数据和上述待判断特征,通过预先训练好的缺陷分类器获取上述待检测电池对应的缺陷类别。
具体的,本实施例中,上述基于机器视觉的电池表面缺陷检测***及其各模块的具体功能可以参照上述基于机器视觉的电池表面缺陷检测方法中的对应描述,在此不再赘述。
需要说明的是,上述基于机器视觉的电池表面缺陷检测***的各个模块的划分方式并不唯一,在此也不作为具体限定。
基于上述实施例,本发明还提供了一种智能终端,其原理框图可以如图4所示。上述智能终端包括处理器及存储器。该智能终端的存储器包括基于机器视觉的电池表面缺陷检测程序,存储器为基于机器视觉的电池表面缺陷检测程序的运行提供环境。该基于机器视觉的电池表面缺陷检测程序被处理器执行时实现上述任意一种基于机器视觉的电池表面缺陷检测方法的步骤。需要说明的是,上述智能终端还可以包括其它功能模块或单元,在此不作具体限定。
本领域技术人员可以理解,图4中示出的原理框图,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的智能终端的限定,具体地智能终端可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本发明实施例还提供一种计算机可读存储介质,上述计算机可读存储介质上存储有数控机床主轴误差预测与补偿程序,上述数控机床主轴误差预测与补偿程序被处理器执行时实现本发明实施例提供的任意一种基于机器视觉的电池表面缺陷检测方法的步骤。
应理解,上述实施例中各步骤的序号大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将上述***的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,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单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各实例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟是以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的***/智能终端和方法,可以通过其它的方式实现。例如,以上所描述的***/智能终端实施例仅仅是示意性的,例如,上述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以由另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。
上述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,上述计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,上述计算机程序包括计算机程序代码,上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质可以包括:能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,上述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不是相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于机器视觉的电池表面缺陷检测方法,其特征在于,所述方法包括:
获取待检测电池对应的待检测图像数据和待检测环境数据,其中,所述待检测图像数据包括所述待检测电池的待检测表面图像、待检测热力分布图像和待检测深度图像,所述待检测环境数据包括所述待检测电池所在区域的环境温度和环境湿度;
获取标准电池对应的标准图像数据和标准环境数据,其中,所述标准图像数据包括所述标准电池的标准表面图像、标准热力分布图像和标准深度图像,所述标准环境数据包括所述标准电池所在区域的环境温度和环境湿度,所述标准电池与所述待检测电池的型号相同;
根据所述待检测图像和所述标准图像获取差值图像数据,根据所述待检测环境数据和所述标准环境数据获取差值环境数据,其中,所述差值图像数据包括表面差值图像、热力分布差值图像和深度差值图像;
根据所述差值图像数据,通过预先训练好的特征提取模型进行特征提取,获得所述待检测电池对应的待判断特征;
根据所述差值环境数据和所述待判断特征,通过预先训练好的缺陷分类器获取所述待检测电池对应的缺陷类别。
2.根据权利要求1所述的基于机器视觉的电池表面缺陷检测方法,其特征在于,所述根据所述待检测图像和所述标准图像获取差值图像数据,根据所述待检测环境数据和所述标准环境数据获取差值环境数据,包括:
将所述待检测表面图像与所述标准表面图像相减以获得所述表面差值图像,将所述待检测热力分布图像与所述标准热力分布图像相减以获得所述热力分布差值图像,将所述待检测深度图像与所述标准深度图像相减以获得所述深度差值图像;
将所述待检测环境数据和所述标准环境数据相减以获得所述差值环境数据,其中,所述差值环境数据包括温度差值和湿度差值。
3.根据权利要求1所述的基于机器视觉的电池表面缺陷检测方法,其特征在于,所述根据所述差值图像数据,通过预先训练好的特征提取模型进行特征提取,获得所述待检测电池对应的待判断特征,包括:
获取所述待检测电池对应的图像权重数据,其中,所述图像权重数据用于限定所述差值图像数据中各图像中不同区域对应的权重值;
将所述图像权重数据和所述差值图像数据输入所述预先训练好的特征提取模型,通过所述预先训练好的特征提取模型进行特征提取并输出所述待判断特征。
4.根据权利要求3所述的基于机器视觉的电池表面缺陷检测方法,其特征在于,所述获取所述待检测电池对应的图像权重数据,包括:
根据所述差值图像数据获取权重判断图像,其中,所述权重判断图像是所述表面差值图像、所述热力分布差值图像和所述深度差值图像中的任意一种;
根据预设的差值等级范围和所述权重判断图像中各个像素点的值获取所述权重判断图像的各个像素点对应的差值等级;
根据所述差值等级确定所述权重判断图像中各个像素点的权重值,获得上述图像权重数据。
5.根据权利要求3所述的基于机器视觉的电池表面缺陷检测方法,其特征在于,所述待检测电池和所述标准电池的表面分别设置有多个一一对应的标志点,所述获取所述待检测电池对应的图像权重数据,包括:
分别获取每一个所述标志点对应的待检测像素数目和标准像素数目,其中,所述待检测像素数目是所述标志点在所述待检测表面图像中所占的像素点的个数,所述标准像素数目是该标志点在所述标准表面图像中所占的像素点的个数;
根据所述待检测像素数目和所述标准像素数目获取各所述标志点的形变程度;
根据所述形变程度确定各所述标志点所在区域的权重值,获得上述图像权重数据。
6.根据权利要求3所述的基于机器视觉的电池表面缺陷检测方法,其特征在于,所述特征提取模型根据如下步骤进行训练:
将模型训练数据中的表面差值训练图像、热力分布差值训练图像、深度差值训练图像和图像权重训练数据输入所述特征提取模型,通过所述特征提取模型提取所述表面差值训练图像对应的模型提取特征,其中,所述模型训练数据包括多组训练图像组,每一组训练图像组包括表面差值训练图像、热力分布差值训练图像、深度差值训练图像、图像权重训练数据和标注特征,所述标注特征是预先标注的该训练图像组中表面差值训练图像对应的缺陷特征;
根据所述表面差值训练图像对应的标注特征和所述表面差值训练图像对应的模型提取特征,对所述特征提取模型的模型参数进行调整,并继续执行所述将模型训练数据中的表面差值训练图像、热力分布差值训练图像、深度差值训练图像和图像权重训练数据输入所述特征提取模型的步骤,直到满足预设模型训练条件,以得到训练好的特征提取模型;
其中,所述特征提取模型是卷积神经网络模型。
7.根据权利要求1所述的基于机器视觉的电池表面缺陷检测方法,其特征在于,所述缺陷分类器根据如下步骤进行训练:
将分类器训练数据中的训练特征和差值环境训练数据输入所述缺陷分类器,通过所述缺陷分类器获取所述训练特征对应的预测缺陷类别,其中,所述分类器训练数据包括多组训练特征数据组,每一组训练特征数据组包括训练特征、差值环境训练数据和标注缺陷类别,所述标注缺陷类别是预先标注的该训练特征数据组中训练特征对应的实际缺陷类别;
根据所述训练特征对应的实际缺陷类别和所述训练特征对应的预测缺陷类别,对所述缺陷分类器的参数进行调整,并继续执行所述将分类器训练数据中的训练特征和差值环境训练数据输入所述缺陷分类器的步骤,直到满足预设分类器训练条件,以得到训练好的缺陷分类器。
8.一种基于机器视觉的电池表面缺陷检测***,其特征在于,所述***包括:
待检测数据获取模块,用于获取待检测电池对应的待检测图像数据和待检测环境数据,其中,所述待检测图像数据包括所述待检测电池的待检测表面图像、待检测热力分布图像和待检测深度图像,所述待检测环境数据包括所述待检测电池所在区域的环境温度和环境湿度;
标准数据获取模块,用于获取标准电池对应的标准图像数据和标准环境数据,其中,所述标准图像数据包括所述标准电池的标准表面图像、标准热力分布图像和标准深度图像,所述标准环境数据包括所述标准电池所在区域的环境温度和环境湿度,所述标准电池与所述待检测电池的型号相同;
差值数据获取模块,用于根据所述待检测图像和所述标准图像获取差值图像数据,根据所述待检测环境数据和所述标准环境数据获取差值环境数据,其中,所述差值图像数据包括表面差值图像、热力分布差值图像和深度差值图像;
特征提取模块,用于根据所述差值图像数据,通过预先训练好的特征提取模型进行特征提取,获得所述待检测电池对应的待判断特征;
缺陷类别获取模块,用于根据所述差值环境数据和所述待判断特征,通过预先训练好的缺陷分类器获取所述待检测电池对应的缺陷类别。
9.一种智能终端,其特征在于,所述智能终端包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的基于机器视觉的电池表面缺陷检测程序,所述基于机器视觉的电池表面缺陷检测程序被所述处理器执行时实现如权利要求1-7任意一项所述基于机器视觉的电池表面缺陷检测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有基于机器视觉的电池表面缺陷检测程序,所述基于机器视觉的电池表面缺陷检测程序被处理器执行时实现如权利要求1-7任意一项所述基于机器视觉的电池表面缺陷检测方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210587227.5A CN114972258B (zh) | 2022-05-27 | 2022-05-27 | 基于机器视觉的电池表面缺陷检测方法、***及相关设备 |
PCT/CN2022/137073 WO2023226357A1 (zh) | 2022-05-27 | 2022-12-06 | 基于机器视觉的电池表面缺陷检测方法、***及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210587227.5A CN114972258B (zh) | 2022-05-27 | 2022-05-27 | 基于机器视觉的电池表面缺陷检测方法、***及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114972258A true CN114972258A (zh) | 2022-08-30 |
CN114972258B CN114972258B (zh) | 2023-04-07 |
Family
ID=82954785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210587227.5A Active CN114972258B (zh) | 2022-05-27 | 2022-05-27 | 基于机器视觉的电池表面缺陷检测方法、***及相关设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114972258B (zh) |
WO (1) | WO2023226357A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115294135A (zh) * | 2022-10-09 | 2022-11-04 | 临沂华太电池有限公司 | 一种电池卷边封口质量检测方法 |
WO2023226357A1 (zh) * | 2022-05-27 | 2023-11-30 | 深圳先进技术研究院 | 基于机器视觉的电池表面缺陷检测方法、***及相关设备 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118046395B (zh) * | 2024-04-15 | 2024-07-12 | 厦门大学 | 视觉辅助扣式电池的组装方法、装置、设备、及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130339919A1 (en) * | 2012-06-18 | 2013-12-19 | International Business Machines Corporation | Method and Apparatus for Hierarchical Wafer Quality Predictive Modeling |
CN103593670A (zh) * | 2013-10-14 | 2014-02-19 | 浙江工业大学 | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 |
CN108830837A (zh) * | 2018-05-25 | 2018-11-16 | 北京百度网讯科技有限公司 | 一种用于检测钢包溶蚀缺陷的方法和装置 |
US20210319546A1 (en) * | 2020-04-10 | 2021-10-14 | Samsung Display Co., Ltd. | Image-based defects identification and semi-supervised localization |
CN113658176A (zh) * | 2021-09-07 | 2021-11-16 | 重庆科技学院 | 基于交互注意力与卷积神经网络的瓷砖表面缺陷检测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015059855A (ja) * | 2013-09-19 | 2015-03-30 | セントラル硝子株式会社 | 欠陥検査方法及び欠陥検査装置 |
CN110619618B (zh) * | 2018-06-04 | 2023-04-07 | 杭州海康威视数字技术股份有限公司 | 一种表面缺陷检测方法、装置及电子设备 |
CN109598721B (zh) * | 2018-12-10 | 2021-08-31 | 广州市易鸿智能装备有限公司 | 电池极片的缺陷检测方法、装置、检测设备和存储介质 |
CN111951253B (zh) * | 2020-05-19 | 2021-08-20 | 高视科技(苏州)有限公司 | 用于锂电池表面缺陷检测的方法、设备及可读存储介质 |
CN114972258B (zh) * | 2022-05-27 | 2023-04-07 | 深圳先进技术研究院 | 基于机器视觉的电池表面缺陷检测方法、***及相关设备 |
-
2022
- 2022-05-27 CN CN202210587227.5A patent/CN114972258B/zh active Active
- 2022-12-06 WO PCT/CN2022/137073 patent/WO2023226357A1/zh unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130339919A1 (en) * | 2012-06-18 | 2013-12-19 | International Business Machines Corporation | Method and Apparatus for Hierarchical Wafer Quality Predictive Modeling |
CN103593670A (zh) * | 2013-10-14 | 2014-02-19 | 浙江工业大学 | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 |
CN108830837A (zh) * | 2018-05-25 | 2018-11-16 | 北京百度网讯科技有限公司 | 一种用于检测钢包溶蚀缺陷的方法和装置 |
US20210319546A1 (en) * | 2020-04-10 | 2021-10-14 | Samsung Display Co., Ltd. | Image-based defects identification and semi-supervised localization |
CN113658176A (zh) * | 2021-09-07 | 2021-11-16 | 重庆科技学院 | 基于交互注意力与卷积神经网络的瓷砖表面缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
CHANGLU XU等: "Surface Defects Detection and Identification of Lithium Battery Pole Piece Based on Multi-Feature Fusion and PSO-SVM", 《IEEE ACCESS》 * |
苑玮琦等: "圆柱形覆膜锂电池圆周面破膜检测方法研究", 《信息与电脑(理论版)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023226357A1 (zh) * | 2022-05-27 | 2023-11-30 | 深圳先进技术研究院 | 基于机器视觉的电池表面缺陷检测方法、***及相关设备 |
CN115294135A (zh) * | 2022-10-09 | 2022-11-04 | 临沂华太电池有限公司 | 一种电池卷边封口质量检测方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2023226357A1 (zh) | 2023-11-30 |
CN114972258B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114972258B (zh) | 基于机器视觉的电池表面缺陷检测方法、***及相关设备 | |
JP7138753B2 (ja) | 画像欠陥検出方法、装置、電子機器、記憶媒体および製品 | |
CN111814850A (zh) | 缺陷检测模型训练方法、缺陷检测方法及相关装置 | |
CN111815564B (zh) | 一种检测丝锭的方法、装置及丝锭分拣*** | |
CN110544231B (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 | |
CN110135514B (zh) | 一种工件分类方法、装置、设备及介质 | |
CN108009567B (zh) | 一种结合图像颜色及hog和svm的粪便性状的自动辨别方法 | |
CN115880298A (zh) | 一种基于无监督预训练的玻璃表面缺陷检测方法及*** | |
CN111932510A (zh) | 一种图像清晰度的确定方法及装置 | |
CN116030237A (zh) | 工业缺陷检测方法、装置及电子设备、存储介质 | |
CN116168351B (zh) | 电力设备巡检方法及装置 | |
CN113469997A (zh) | 平面玻璃的检测方法、装置、设备和介质 | |
CN113570007A (zh) | 零件缺陷识别模型构建优化方法、装置、设备及存储介质 | |
CN115984662B (zh) | 一种多模态数据预训练及识别方法、装置、设备及介质 | |
CN111507957A (zh) | 身份证图片转换方法、装置、计算机设备及存储介质 | |
CN115294033A (zh) | 一种基于语义分割网络的轮胎带束层差级和错边缺陷检测方法 | |
CN114581419A (zh) | 变压器绝缘套管缺陷检测方法、相关设备及可读存储介质 | |
CN116363136B (zh) | 一种机动车部件自动化生产在线筛选方法及*** | |
CN117274212A (zh) | 一种桥梁水下结构裂缝检测方法 | |
CN112329845A (zh) | 更换纸币的方法、装置、终端设备及计算机可读存储介质 | |
CN116843677A (zh) | 钣金件的外观质量检测***及其方法 | |
CN114863426B (zh) | 一种目标特征注意力与金字塔相耦合的微小目标检测方法 | |
CN116665138B (zh) | 一种汽车配件冲压加工视觉检测方法及*** | |
CN116109627B (zh) | 基于迁移学习和小样本学习缺陷检测方法、装置及介质 | |
CN112164035B (zh) | 基于图像的缺陷检测方法、装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant |