CN115330677A - 电芯的极片异常检测方法、装置、***及存储介质 - Google Patents

电芯的极片异常检测方法、装置、***及存储介质 Download PDF

Info

Publication number
CN115330677A
CN115330677A CN202210776920.7A CN202210776920A CN115330677A CN 115330677 A CN115330677 A CN 115330677A CN 202210776920 A CN202210776920 A CN 202210776920A CN 115330677 A CN115330677 A CN 115330677A
Authority
CN
China
Prior art keywords
pole piece
piece image
image
abnormal
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
CN202210776920.7A
Other languages
English (en)
Inventor
李书萌
李秀锋
陈忠辉
王诗龙
陈杰
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.)
Huizhou Liwinon Energy Technology Co Ltd
Original Assignee
Huizhou Liwinon Energy 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 Huizhou Liwinon Energy Technology Co Ltd filed Critical Huizhou Liwinon Energy Technology Co Ltd
Priority to CN202210776920.7A priority Critical patent/CN115330677A/zh
Publication of CN115330677A publication Critical patent/CN115330677A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/174—Segmentation; Edge detection involving the use of two or more images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30204—Marker
    • 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)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了电芯的极片异常检测方法、装置、***及存储介质，检测方法依次包括：将X‑Ray设备获取的极片图像输入预先训练的第一AI模型，由第一AI模型判定OK或NG，判定为NG则输出为确定型不良品；接收判定OK的极片图像，任意一层overhang长度或角度超出设定规格判定为不良品，反之则判定为OK；接收判定OK的极片图像，特定层的overhang值小于设定的临界值判定为NO，反之则为良品；接收并将判定NO的极片图像输入预先训练的第二AI模型，进行图像相似度的匹配，判定为NG则为不良品，判定为OK则为临界型不良品。本发明可以精准地检测出存在极片异常特征的电芯，减少误判，从而提升电池的整体优率。

Description

电芯的极片异常检测方法、装置、***及存储介质
技术领域
本发明属于电芯检测的技术领域，具体涉及一种电芯的极片异常检测方法、装置、***及存储介质。
背景技术
随着图像算法的成熟，AI检测技术已在X-Ray自动检测领域广泛应用。在锂电池的X-Ray测试过程中，通常会使用AI智能算法对图片进行识别判定，检测不规则不良品。现有软包锂电池由阴、阳极极片与隔膜卷绕而成，通常阳极总宽度大于阴极，阳极超出阴极的长度被称为overhang长度；在X-Ray射线的穿透下，会显示出卷绕电芯不同层数的竖线。
现有软包锂电池极片异常的检测判定是利用X-Ray机对锂电池进行自动检测时，通常会先对图片进行形貌识别判定，判定未通过的输出为不良品，判定通过的再对图片每层的overhang长度及偏斜角度(相对于内层竖线的偏斜)进行判定，任一层的overhang长度或角度超出规格范围即为不良品，任一层的overhang长度或角度未超出规格范围即为良品。在图片形貌识别判定过程中不良品可分为2类，一种是100％确认为不良，即确定型不良品，一种是极片轻微变形，客户可以接受的类型，即临界型不良品，临界型不良品可以作为良品进行输出。影响锂电池检测优率的主要为临界型不良品，临界型不良品的形貌特征与确定型不良品的形貌特征相似，所以AI模型很难界定，导致将很多临界型不良品判定为确定型不良品，从而导致结果误判(即合格判定为不合格)。
发明内容
本发明的目的之一在于：针对现有技术的不足，提供一种电芯的极片异常检测方法，该方法可以精准地检测出存在极片异常特征的电芯，减少误判，从而提升电池的整体优率。
为了实现上述目的，本发明采用如下技术方案：
一种电芯的极片异常检测方法，包括以下步骤：
步骤1：将X-Ray设备获取到的极片图像输入预先训练的第一AI模型，进行图像相似度的匹配，由第一AI模型给出OK或NG的判定结果，被判定为NG的电芯输出为确定型不良品；
步骤2：接收步骤1判定为OK输出的极片图像，获取极片图像每层overhang的上下端点，计算每层overhang的长度和角度，任意一层overhang长度或角度超出设定规格的被判定为NG，被判定为NG的极片图像对应的电芯输出为不良品，每层overhang长度和角度在设定规格内的极片图像被判定为OK；
步骤3：接收步骤2判定为OK输出的极片图像，根据极片图像特定层的overhang值与设定的临界值对比，极片图像特定层的overhang值大于临界值被判定为YES，被判定为YES的极片图像对应的电芯输出为良品，极片图像特定层的overhang值小于临界值的极片图像被判定为NO；
步骤4：接收步骤3判定为NO输出的极片图像，将极片图像输入预先训练的第二AI模型，进行图像相似度的匹配，由第二AI模型给出OK或NG的判定结果，被判定为NG的极片图像对应的电芯输出为不良品，被判定为OK的极片图像的对应的电芯输出为临界型不良品。
进一步地，极片图像的特定层为极片图像的最外层或极片图像的次外层。
进一步地，在步骤1中，电芯经机械手搬运后，将电芯的待测角移至X-Ray射线管中心，经X-Ray射线照射后，在增强器中成像，由CCD拍照，得到极片图像。
进一步地，在将极片图像输入至预先训练的第一AI模型之前，将极片图像转换为灰度图像格式的极片图像，并进行不失真转换，得到用于输入至第一AI模型的预处理后的极片图像。
进一步地，在将极片图像输入至预先训练的第一AI模型之前，采集训练数据中电芯的异常极片图像和正常极片图像；对异常极片图像的异常区域进行标注，根据异常区域的坐标和尺寸生成异常极片图像的标注文本；将异常极片图像、正常极片图像、标注文本、图像分类类别输入至目标检测模型中进行极片异常预测训练，并在训练完成后得到预先训练的第一AI模型；
在将极片图像输入至预先训练的第二AI模型之前，采集训练数据中电芯的最外层和/或次外层异常极片图像和正常极片图像，最外层和/或次外层异常极片图像的歪斜和变形程度相对于第一AI模型的训练数据中的异常极片图像较小；对异常极片图像的异常区域进行标注，根据异常区域的坐标和尺寸生成异常极片图像的标注文本；将异常极片图像、正常极片图像、标注文本、图像分类类别输入至目标检测模型中进行极片异常预测训练，并在训练完成后得到预先训练的第二AI模型。
相对于现有技术，本发明至少具有以下有益效果：
本发明的极片图像经过通过第一AI模型判定为NG，则输出确定型不良品，判定为OK的极片图像类型为不良品与良品，因为确定型不良品的极片异常程度较大，第一AI模型无法准确判定出异常程度较小的电芯，所以需要进行下一步判定；
将OK的极片图像的每层overhang的长度和角度与设定规格进行比对，进一步判定出极片图像的类型，判定NG为不良品，判定为OK的极片图像类型则为不良品与良品，其中OK的极片图像类型中的不良品为难以通过每层overhang的长度和角度比对进行判定的，因此需要进行下一步判定；
将OK的极片图像通过特定层的overhang值与临界值的对比，进一步的判定出极片图像的类型，判定YES为良品，判定为NO的极片图像类型则为不良品，为了避免NO的极片图像中的不良品中包括有临界型不良品，因此需要进行下一步判定；
将NO的极片图像通过第二AI模型的判定，可以将临界型不良品从不良品中区分出来。经过上面四个步骤的判定从而能够精准地输出确定型不良品、不良品、良品与临界型不良品，减少误判，从而提升电池的整体优率。
本发明的目的之二在于：针对现有技术的不足，提供一种电芯的极片异常检测装置，该装置可以精准地检测出存在极片异常特征的电芯，减少误判，从而提升电池的整体优率。
为了实现上述目的，本发明采用如下技术方案：
一种电芯的极片异常检测装置，包括：
采集模块，被配置为采集电芯的极片图像；
第一判定模块，被配置为将极片图像输入至预先训练的第一AI模型，进行图像相似度的匹配，在极片图像的图像相似度低，则判定极片图像对应的电芯为不良品，在极片图像的图像相似度高，则将极片图像输出至下一模块；
计算模块，被配置为接收第一判定模块的极片图像，获取极片图像每层overhang的上下端点，计算极片图像的每层overhang的长度和角度；
第二判定模块，被配置获取极片图像的每层overhang的长度和角度，在极片图像的每层overhang的长度和角度超出设定规格，判定极片图像对应的电芯为不良品，在极片图像的每层overhang的长度和角度在设定规格内，则将极片图像输出至下一模块；
第三判定模块，被配置为接收第二判定模块的极片图像，在极片图像特定层的overhang值大于设定的临界值，判定极片图像对应的电芯输出为良品，在极片图像特定层的overhang值小于设定的临界值，则将极片图像输出至下一模块；
第四判定模块，被配置为接收第三判定模块的极片图像，将极片图像输入至预先训练的第二AI模型，进行图像相似度的匹配，在极片图像的图像相似度低，则判定极片图像对应的电芯为不良品，在极片图像的图像相似度高，则判定极片图像对应的电芯为临界型不良品。
进一步地，电芯的极片异常检测装置还包括：
转换模块，被配置为在将极片图像输入至预先训练的第一AI模型之前，将极片图像转换为灰度图像格式的极片图像，并进行不失真转换，得到用于输入至第一AI模型的预处理后的极片图像；
第一训练模块，被配置为在将极片图像输入至预先训练的第一AI模型之前，采集训练数据中电芯的异常极片图像和正常极片图像；对异常极片图像的异常区域进行标注，根据异常区域的坐标和尺寸生成异常极片图像的标注文本；将异常极片图像、正常极片图像、标注文本、图像分类类别输入至目标检测模型中进行极片异常预测训练，并在训练完成后得到预先训练的第一AI模型；
第二训练模块，被配置为在将极片图像输入至预先训练的第二AI模型之前，采集训练数据中电芯的最外层和/或次外层异常极片图像和正常极片图像，最外层和/或次外层异常极片图像的歪斜和变形程度相对于第一训练模型训练数据中的异常极片图像较小；对异常极片图像的异常区域进行标注，根据异常区域的坐标和尺寸生成异常极片图像的标注文本；将异常极片图像、正常极片图像、标注文本、图像分类类别输入至目标检测模型中进行极片异常预测训练，并在训练完成后得到预先训练的第二AI模型。
进一步地，第一训练模块中训练数据的异常极片图像类型包括：侧向受力导致变形的异常极片图像；纵向受力导致变形的异常极片图像；连续3层以上overhang角度大于30°的异常极片图像。
所述的检测装置与上述的电芯的极片异常检测方法相对于现有技术所具有的优势相同，在此不再赘述。
本发明的目的之三在于：针对现有技术的不足，提供一种电芯的极片异常检测***，该***可以精准地检测出存在极片异常特征的电芯，减少误判，从而提升电池的整体优率。
为了实现上述目的，本发明采用如下技术方案：
一种电芯极片异常的检测***，包括X-Ray设备、处理器以及存储装置，存储装置存储有计算机程序，处理器用于执行程序，以实现上述实施例的极片异常检测方法。
所述的检测***与上述的电芯的极片异常检测方法相对于现有技术所具有的优势相同，在此不再赘述。
本发明的目的之四在于：针对现有技术的不足，提供一种计算机可读存储介质，该存储介质可以精准地检测出存在极片异常特征的电芯，减少误判，从而提升电池的整体优率。
为了实现上述目的，本发明采用如下技术方案：
一种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，以用于实现上述实施例的极片异常检测方法。
所述的存储介质与上述的电芯的极片异常检测方法相对于现有技术所具有的优势相同，在此不再赘述。
附图说明
下面将参考附图来描述本发明示例性实施方式的特征、优点和技术效果。
图1为本发明中实施例的极片图像的含义解释图。
图2为本发明中实施例的确定型不良品的极片图像示意图。
图3为本发明中实施例的临界型不良品的极片图像示意图。
图4为本发明中实施例的电芯的极片异常检测方法的流程图。
图5为本发明中实施例的电芯的极片异常检测装置的结构示意图。
图6为本发明中实施例的电芯的极片异常检测***的结构示意图。
其中，附图标记说明如下：
1-X-Ray设备；2-处理器；3-存储装置；401-采集模块；402-转换模块；403-第一训练模块；404-第一判定模块；405-计算模块；406-第二判定模块；407-第三判定模块；408-第二训练模块；409-第四判定模块。
具体实施方式
如在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可理解，硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名称的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”为一开放式用语，故应解释成“包含但不限定于”。“大致”是指在可接受的误差范围内，本领域技术人员能够在一定误差范围内解决技术问题，基本达到技术效果。
此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。
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N个用于实现定制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，并且本申请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，这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解，本申请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，N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。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。以下结合附图对本发明作进一步详细说明，但不作为对本发明的限定。
如图1至图4所示，一种电芯的极片异常检测方法，包括以下步骤：
步骤1：将X-Ray设备1获取到的极片图像输入预先训练的第一AI模型，进行图像相似度的匹配，由第一AI模型给出OK或NG的判定结果，被判定为NG的电芯输出为确定型不良品；
步骤2：接收步骤1判定为OK输出的极片图像，获取极片图像每层overhang的上下端点，计算每层overhang的长度和角度，任意一层overhang长度或角度超出设定规格的被判定为NG，被判定为NG的极片图像对应的电芯输出为不良品，每层overhang长度和角度在设定规格内的极片图像被判定为OK；
步骤3：接收步骤2判定为OK输出的极片图像，根据极片图像特定层的overhang值与设定的临界值对比，极片图像特定层的overhang值大于临界值被判定为YES，被判定为YES的极片图像对应的电芯输出为良品，极片图像特定层的overhang值小于临界值的极片图像被判定为NO；
步骤4：接收步骤3判定为NO输出的极片图像，将极片图像输入预先训练的第二AI模型，进行图像相似度的匹配，由第二AI模型给出OK或NG的判定结果，被判定为NG的极片图像对应的电芯输出为不良品，被判定为OK的极片图像的对应的电芯输出为临界型不良品。
上述步骤1与步骤4中的OK指每层的电极线清晰、无偏斜，NG指电极线歪斜、中断、数量缺失等。电极线为人为选定极片图像中的阳极极片超出阴极极片的线段。
相对于现有技术，本发明至少具有以下有益效果：
本发明的极片图像经过通过第一AI模型判定为NG，则输出确定型不良品，判定为OK的极片图像类型为不良品与良品，因为确定型不良品的极片异常程度较大，第一AI模型无法准确判定出异常程度较小的电芯，所以需要进行下一步判定；
将OK的极片图像的每层overhang的长度和角度与设定规格进行比对，进一步判定出极片图像的类型，判定NG为不良品，判定为OK的极片图像类型则为不良品与良品，其中OK的极片图像类型中的不良品为难以通过每层overhang的长度和角度比对进行判定的，因此需要进行下一步判定；
将OK的极片图像通过特定层的overhang值与临界值的对比，进一步的判定出极片图像的类型，判定YES为良品，判定为NO的极片图像类型则为不良品，为了避免NO的极片图像中的不良品中包括有临界型不良品，因此需要进行下一步判定；
NO的极片图像通过第二AI模型的判定，可以将临界型不良品从不良品中区分出来。经过上面四个步骤的判定从而能够精准地输出确定型不良品、不良品、良品与临界型不良品，减少误判，从而提升电池的整体优率。
进一步地，极片图像的特定层为极片图像的最外层或极片图像的次外层。通常最外层与次外层的极片容易受到外力挤压导致变形，所以最外层与次外层的overhang相比其他层，更易歪斜，歪斜会使overhang值变小，因此可以根据最外层与次外层的overhang值与设定的临界值对比，小于阈值表明具有歪斜风险，则将极片图像输出至第二AI模型。大于阈值表面外层未受外力歪斜，则将极片图像对应的电芯输出为良品。判定的临界值通常与电池的品种有关，可以取0～1倍的overhang值。
进一步地，在步骤1中，电芯经机械手搬运后，将电芯的待测角移至X-Ray射线管中心，经X-Ray射线照射后，在增强器中成像，由CCD拍照，得到极片图像。通过在增强器中成像，使得到的极片图像能够更加的清晰，从而降低了图像噪声的影响。
进一步地，在将极片图像输入至预先训练的第一AI模型之前，将极片图像转换为灰度图像格式的极片图像，并进行不失真转换，得到用于输入至第一AI模型的预处理后的极片图像。通过将极片图像转化为灰度图像格式的极片图像，从而减少图像原始数据量，便于后续处理时计算量更少。
进一步地，在将极片图像输入至预先训练的第一AI模型之前，采集训练数据中电芯的异常极片图像和正常极片图像；对异常极片图像的异常区域进行标注，根据异常区域的坐标和尺寸生成异常极片图像的标注文本；将异常极片图像、正常极片图像、标注文本、图像分类类别输入至目标检测模型中进行极片异常预测训练，并在训练完成后得到预先训练的第一AI模型；
在将极片图像输入至预先训练的第二AI模型之前，采集训练数据中电芯的最外层和/或次外层异常极片图像和正常极片图像，最外层和/或次外层异常极片图像的歪斜和变形程度相对于第一AI模型的训练数据中的异常极片图像较小；对异常极片图像的异常区域进行标注，根据异常区域的坐标和尺寸生成异常极片图像的标注文本；将异常极片图像、正常极片图像、标注文本、图像分类类别输入至目标检测模型中进行极片异常预测训练，并在训练完成后得到预先训练的第二AI模型。
其中，第一AI模型的训练数据中的异常极片图像为侧向受力导致变形的异常极片图像；纵向受力导致变形的异常极片图像；连续3层以上overhang角度大于30°的异常极片图像。
图5为本申请实施例提供的电芯的极片异常检测装置的结构示意图。该检测装置包括：
采集模块401，被配置为采集电芯的极片图像；
第一判定模块404，被配置为将极片图像输入至预先训练的第一AI模型，进行图像相似度的匹配，在极片图像的图像相似度低，则判定极片图像对应的电芯为不良品，在极片图像的图像相似度高，则将极片图像输出至下一模块；
计算模块405，被配置为接收第一判定模块404的极片图像，获取极片图像每层overhang的上下端点，计算极片图像的每层overhang的长度和角度；
第二判定模块406，被配置获取极片图像的每层overhang的长度和角度，在极片图像的每层overhang的长度和角度超出设定规格，判定极片图像对应的电芯为不良品，在极片图像的每层overhang的长度和角度在设定规格内，则将极片图像输出至下一模块；
第三判定模块407，被配置为接收第二判定模块406的极片图像，在极片图像特定层的overhang值大于设定的临界值，判定极片图像对应的电芯输出为良品，在极片图像特定层的overhang值小于设定的临界值，则将极片图像输出至下一模块；
第四判定模块409，被配置为接收第三判定模块407的极片图像，将极片图像输入至预先训练的第二AI模型，进行图像相似度的匹配，在极片图像的图像相似度低，则判定极片图像对应的电芯为不良品，在极片图像的图像相似度高，则判定极片图像对应的电芯为临界型不良品。
进一步地，电芯的极片异常检测装置还包括：
转换模块402，被配置为在将极片图像输入至预先训练的第一AI模型之前，将极片图像转换为灰度图像格式的极片图像，并进行不失真转换，得到用于输入至第一AI模型的预处理后的极片图像；
第一训练模块403，被配置为在将极片图像输入至预先训练的第一AI模型之前，采集训练数据中电芯的异常极片图像和正常极片图像；对异常极片图像的异常区域进行标注，根据异常区域的坐标和尺寸生成异常极片图像的标注文本；将异常极片图像、正常极片图像、标注文本、图像分类类别输入至目标检测模型中进行极片异常预测训练，并在训练完成后得到预先训练的第一AI模型；
第二训练模块408，被配置为在将极片图像输入至预先训练的第二AI模型之前，采集训练数据中电芯的最外层和/或次外层异常极片图像和正常极片图像，最外层和/或次外层异常极片图像的歪斜和变形程度相对于第一训练模型训练数据中的异常极片图像较小；对异常极片图像的异常区域进行标注，根据异常区域的坐标和尺寸生成异常极片图像的标注文本；将异常极片图像、正常极片图像、标注文本、图像分类类别输入至目标检测模型中进行极片异常预测训练，并在训练完成后得到预先训练的第二AI模型。
进一步地，第一训练模块403中训练数据的异常极片图像类型包括：侧向受力导致变形的异常极片图像；纵向受力导致变形的异常极片图像；连续3层以上overhang角度大于30°的异常极片图像。
图6为本申请实施例提供的电芯的极片异常检测***的结构示意图。该检测***可以包括：X-Ray设备1、处理器2以及存储装置3，存储装置3存储有计算机程序，处理器2用于执行程序，处理器2执行程序时实现上述实施例中提供的电芯的极片异常检测方法。
进一步地，检测设备还包括通信接口，用于X-Ray设备1、存储装置3和处理器2之间的通信。
存储装置3可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
如果X-Ray设备1、存储装置3、处理器2和通信接口独立实现，则X-Ray设备1、通信接口、存储装置3和处理器2可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry StandardArchitecture，简称为ISA)总线、外部设备互连(Peripheral Component，简称为PCI)总线或扩展工业标准体系结构(Extended IndustryStandardArchitecture，简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等，为便于表示，图6中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储装置3、处理器2及通信接口集成在一块芯片上实现，则存储装置3、处理器2及通信接口可以通过内部接口完成相互间的通信，通过外部设备互连总线与X-Ray设备1进行通信连接。
处理器2可能是一个中央处理器2(Central Processing Unit，简称为CPU)，或者是特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路。
本实施例还提供一种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2执行时实现如上的电芯的极片异常检测方法。
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。

Claims (10)

1.一种电芯的极片异常检测方法，其特征在于，包括以下步骤：
步骤1：将X-Ray设备获取到的极片图像输入预先训练的第一AI模型，进行图像相似度的匹配，由所述第一AI模型给出OK或NG的判定结果，被判定为NG的电芯输出为确定型不良品；
步骤2：接收所述步骤1判定为OK输出的所述极片图像，获取所述极片图像每层overhang的上下端点，计算每层所述overhang的长度和角度，任意一层所述overhang长度或角度超出设定规格被判定为NG，被判定为NG的所述极片图像对应的所述电芯输出为不良品，每层所述overhang长度和角度在设定规格内的所述极片图像被判定为OK；
步骤3：接收所述步骤2判定为OK输出的所述极片图像，根据所述极片图像特定层的overhang值与设定的临界值对比，所述极片图像特定层的overhang值大于所述临界值被判定为YES，被判定为YES的所述极片图像对应的所述电芯输出为良品，所述极片图像特定层的overhang值小于临界值的所述极片图像被判定为NO；
步骤4：接收所述步骤3判定为NO输出的所述极片图像，将所述极片图像输入预先训练的第二AI模型，进行图像相似度的匹配，由所述第二AI模型给出OK或NG的判定结果，被判定为NG的所述极片图像对应的所述电芯输出为不良品，被判定为OK的所述极片图像的对应的所述电芯输出为临界型不良品。
2.根据权利要求1所述的极片异常检测方法，其特征在于，所述极片图像的特定层为所述极片图像的最外层或所述极片图像的次外层。
3.根据权利要求1所述的极片异常检测方法，其特征在于，在所述步骤1中，所述电芯经机械手搬运后，将所述电芯的待测角移至X-Ray射线管中心，经X-Ray射线照射后，在增强器中成像，由CCD拍照，得到所述极片图像。
4.根据权利要求3所述的极片异常检测方法，其特征在于，在将所述极片图像输入至预先训练的所述第一AI模型之前，将所述极片图像转换为灰度图像格式的所述极片图像，并进行不失真转换，得到用于输入至所述第一AI模型的预处理后的所述极片图像。
5.根据权利要求1所述的极片异常检测方法，其特征在于，在将所述极片图像输入至所述预先训练的第一AI模型之前，采集训练数据中所述电芯的异常极片图像和正常极片图像；对所述异常极片图像的异常区域进行标注，根据所述异常区域的坐标和尺寸生成所述异常极片图像的标注文本；将所述异常极片图像、所述正常极片图像、所述标注文本、图像分类类别输入至目标检测模型中进行极片异常预测训练，并在训练完成后得到所述预先训练的第一AI模型；
在将所述极片图像输入至所述预先训练的第二AI模型之前，采集训练数据中所述电芯的最外层和/或次外层异常极片图像和正常极片图像，最外层和/或次外层异常极片图像的歪斜和变形程度相对于第一AI模型的训练数据中的异常极片图像较小；对所述异常极片图像的异常区域进行标注，根据所述异常区域的坐标和尺寸生成所述异常极片图像的标注文本；将所述异常极片图像、所述正常极片图像、所述标注文本、图像分类类别输入至目标检测模型中进行极片异常预测训练，并在训练完成后得到所述预先训练的第二AI模型。
6.一种电芯的极片异常检测装置，其特征在于，包括：
采集模块，被配置为采集电芯的极片图像；
第一判定模块，被配置为将所述极片图像输入至预先训练的第一AI模型，进行图像相似度的匹配，在所述极片图像的图像相似度低，则判定所述极片图像对应的所述电芯为确定型不良品，在所述极片图像的图像相似度高，则将所述极片图像输出至下一模块；
计算模块，被配置为接收第一判定模块的所述极片图像，获取所述极片图像每层overhang的上下端点，计算所述极片图像的每层所述overhang的长度和角度；
第二判定模块，被配置获取所述极片图像的每层所述overhang的长度和角度，在所述极片图像的每层所述overhang的长度和角度超出设定规格，判定所述极片图像对应的电芯为不良品，在所述极片图像的每层所述overhang的长度和角度在设定规格内，则将所述极片图像输出至下一模块；
第三判定模块，被配置为接收所述第二判定模块的所述极片图像，在所述极片图像特定层的overhang值大于设定的临界值，判定所述极片图像对应的电芯输出为良品，在所述极片图像特定层的overhang值小于设定的临界值，则将所述极片图像输出至下一模块；
第四判定模块，被配置为接收第三判定模块的所述极片图像，将所述极片图像输入至预先训练的第二AI模型，进行图像相似度的匹配，在所述极片图像的图像相似度高，则判定所述极片图像对应的所述电芯为临界型不良品，在所述极片图像的图像相似度低，则判定所述极片图像对应的所述电芯为不良品。
7.根据权利要求6所述的极片异常检测装置，其特征在于，还包括：
转换模块，被配置为在将所述极片图像输入至所述预先训练的所述第一AI模型之前，将所述极片图像转换为灰度图像格式的所述极片图像，并进行不失真转换，得到用于输入至所述第一AI模型的预处理后的所述极片图像；
第一训练模块，被配置为在将所述极片图像输入至所述预先训练的第一AI模型之前，采集训练数据中所述电芯的异常极片图像和正常极片图像；对所述异常极片图像的异常区域进行标注，根据所述异常区域的坐标和尺寸生成所述异常极片图像的标注文本；将所述异常极片图像、所述正常极片图像、所述标注文本、图像分类类别输入至目标检测模型中进行极片异常预测训练，并在训练完成后得到所述预先训练的第一AI模型；
第二训练模块，被配置为在将所述极片图像输入至所述预先训练的第二AI模型之前，采集训练数据中所述电芯的最外层和/或次外层异常极片图像和正常极片图像，最外层和/或次外层异常极片图像的歪斜和变形程度相对于第一训练模型训练数据中的异常极片图像较小；对所述异常极片图像的异常区域进行标注，根据所述异常区域的坐标和尺寸生成所述异常极片图像的标注文本；将所述异常极片图像、所述正常极片图像、所述标注文本、图像分类类别输入至目标检测模型中进行极片异常预测训练，并在训练完成后得到所述预先训练的第二AI模型。
8.根据权利要求7所述的极片异常检测装置，其特征在于，所述第一训练模块中所述训练数据的所述异常极片图像类型包括：侧向受力导致变形的所述异常极片图像；纵向受力导致变形的所述异常极片图像；连续3层以上所述overhang角度大于30°的所述异常极片图像。
9.一种电芯极片异常的检测***，其特征在于，包括X-Ray设备、处理器以及存储装置，所述存储装置存储有计算机程序，所述处理器用于执行所述程序，以实现如权利要求1-5任一所述的极片异常检测方法。
10.一种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，以用于实现如权利要求1-5任一项所述的极片异常检测方法。
CN202210776920.7A 2022-07-04 2022-07-04 电芯的极片异常检测方法、装置、***及存储介质 Pending CN115330677A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210776920.7A CN115330677A (zh) 2022-07-04 2022-07-04 电芯的极片异常检测方法、装置、***及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210776920.7A CN115330677A (zh) 2022-07-04 2022-07-04 电芯的极片异常检测方法、装置、***及存储介质

Publications (1)

Publication Number Publication Date
CN115330677A true CN115330677A (zh) 2022-11-11

Family

ID=83918293

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210776920.7A Pending CN115330677A (zh) 2022-07-04 2022-07-04 电芯的极片异常检测方法、装置、***及存储介质

Country Status (1)

Country Link
CN (1) CN115330677A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115508389A (zh) * 2022-11-24 2022-12-23 江苏时代新能源科技有限公司 检测装置、缺陷检测方法、装置、计算机设备和存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115508389A (zh) * 2022-11-24 2022-12-23 江苏时代新能源科技有限公司 检测装置、缺陷检测方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
CN113706495B (zh) 一种在传送带上自动检测锂电池参数的机器视觉检测***
CN110599484B (zh) 缺陷检测方法、装置及存储介质
CN116109635B (zh) 复合悬式绝缘子表面质量检测方法、装置、设备及介质
CN108871185B (zh) 零件检测的方法、装置、设备以及计算机可读存储介质
CN111415339B (zh) 一种复杂纹理工业产品图像缺陷检测方法
CN115147370A (zh) 一种电池顶盖焊接缺陷检测方法、装置、介质及电子设备
CN115330677A (zh) 电芯的极片异常检测方法、装置、***及存储介质
CN113688817A (zh) 一种自动巡检的仪表识别方法及识别***
CN113077416A (zh) 一种基于图像处理的焊点焊接缺陷检测方法与***
CN114581446B (zh) 一种叠片电池的电芯异常检测方法及***
CN114549414A (zh) 一种针对轨道数据的异常变化检测方法及***
CN113971663A (zh) 极片翻折检测方法、装置、检测设备及存储介质
WO2024113541A1 (zh) 电芯极片检测方法、装置与电子设备
CN115170476B (zh) 基于图像处理的印制线路板缺陷检测方法
CN115908303A (zh) 一种电缆缺陷诊断模型的构建方法和***
CN112801110B (zh) 轨道列车线阵相机图像畸变校正的目标检测方法及装置
CN112308061B (zh) 一种车牌字符识别方法及装置
JP2000003436A (ja) Ｉｓａｒ画像識別装置およびｉｓａｒ画像識別方法
CN114998194A (zh) 产品缺陷检测方法、***和存储介质
CN114720812A (zh) 一种配电网故障处理与故障定位的方法及***
CN112690809B (zh) 确定设备异常原因的方法、装置、服务器和存储介质
EP4321857A1 (en) Method and apparatus for detecting welding mark, and electronic device
CN108734707B (zh) 一种基于红外线激光和3d相机的手机喇叭泡棉有无检测方法
CN112712492A (zh) 确定设备质量的方法、装置、服务器和存储介质
CN114418941B (zh) 一种基于电力巡检设备检测数据的缺陷诊断方法及***

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