CN115330713A - 基于机器视觉的阴极板检测方法、服务器及可读存储介质 - Google Patents
基于机器视觉的阴极板检测方法、服务器及可读存储介质 Download PDFInfo
- Publication number
- CN115330713A CN115330713A CN202210955148.5A CN202210955148A CN115330713A CN 115330713 A CN115330713 A CN 115330713A CN 202210955148 A CN202210955148 A CN 202210955148A CN 115330713 A CN115330713 A CN 115330713A
- Authority
- CN
- China
- Prior art keywords
- cathode plate
- image
- area
- defect
- detection
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于机器视觉的阴极板检测方法、服务器及可读存储介质,属于阴极板检测技术领域。所述方法包括:对采集的阴极板图像执行边缘检测,确定所述阴极板图像中的阴极板边缘信息;基于所述阴极板边缘信息,划定所述阴极板图像中的感兴趣区域;识别所述感兴趣区域内产品标识的位置区域,过滤所述阴极板图像中所述产品标识的位置区域;分割过滤后的阴极板图像,获得有缺陷区域的区域图像;提取所述区域图像的特征向量,经所述特征向量确定所述缺陷区域的缺陷分类。本发明用于自动化快速检测阴极板的缺陷。
Description
技术领域
本发明涉及阴极板检测技术领域,具体地涉及一种阴极板检测方法、一种边缘控制服务器和一种机器可读存储介质。
背景技术
随着新时代的能源技术发展,推动新能源技术革命,带动产业升级。新能源领域对产品质量和高效生产的需求不断增长,电池或储能装置各部件的检测愈发严格。
目前,阴极板主要通过电解法制造,例如电解制造镍阴极板,在电解生产过程中,由于镍阴极板表面质量受电解液成分及添加剂影响,镍阴极板表面会出现不同程度的气孔或结瘤现象,大量气孔或结瘤区域将严重影响产品的质量。同时,设置产品标识是阴极板生产重要工步,产品标识也是阴极板产品的一部分,而设置产品标识通常在产线外观检验工步之前,这将面临应当如何全面地检测生产的阴极板产品的问题,以避免不合格产品下线出厂,提供合格的产品。
发明内容
本发明的目的是提供一种基于机器视觉的阴极板检测方法、服务器及可读存储介质,避免了产品标识与阴极板外观的不同导致的阴极板外观检测受到影响,进而实现了完全自动化的阴极板检测产线、改善了阴极板产品质量和成本。
为了实现上述目的,本发明实施例提供一种基于机器视觉的阴极板检测方法,该阴极板检测方法包括:
对采集的阴极板图像执行边缘检测,确定所述阴极板图像中的阴极板边缘信息;
基于所述阴极板边缘信息,划定所述阴极板图像中的感兴趣区域;
识别所述感兴趣区域内产品标识的位置区域,过滤所述阴极板图像中所述产品标识的位置区域;
分割过滤后的阴极板图像,获得有缺陷区域的区域图像;
提取所述区域图像的特征向量,经所述特征向量确定所述缺陷区域的缺陷分类。
具体的,该阴极板检测方法还包括:
确定所述缺陷区域的区域图像在所述阴极板图像中的像素数量;
计算与具有所述像素数量的图像对应的图像面积;
计算所述图像面积与所述阴极板图像的图像总面积的面积比;
确定在所述缺陷分类下与所述面积比对应的缺陷分级。
具体的,在所述识别所述感兴趣区域内产品标识的位置区域之前,该阴极板检测方法还包括:
对所述阴极板图像进行补光处理。
具体的,所述识别所述感兴趣区域内产品标识的位置区域,包括:
将产品标识的图像样本与所述感兴趣区域内各个位置区域进行模板匹配,确定所述产品标识的位置区域。
具体的,所述过滤所述阴极板图像中所述产品标识的位置区域,包括:
填充所述产品标识的位置区域;
叠加填充的区域图像与所述阴极板图像,并将叠加的图像作为过滤后的阴极板图像。
具体的,所述分割过滤后的阴极板图像,其中,分割的方式包括调用自动阈值分割函数进行分割。
具体的,所述特征向量包括几何特征、颜色特征和纹理特征中至少一者;所述阴极板是镍电解阴极板。
具体的,该阴极板检测方法还包括以下至少一项:
翻转所述阴极板,并跳转至对采集的阴极板图像执行边缘检测;
对产线上的阴极板进行品级划线。
本发明实施例提供一种阴极板检测装置,该阴极板检测装置包括:
边缘检测模块,用于对采集的阴极板图像执行边缘检测,确定所述阴极板图像中的阴极板边缘信息;
区域划定模块,用于基于所述阴极板边缘信息,划定所述阴极板图像中的感兴趣区域;
过滤标识模块,用于识别所述感兴趣区域内产品标识的位置区域,过滤所述阴极板图像中所述产品标识的位置区域;
区域分割模块,用于分割过滤后的阴极板图像,获得有缺陷区域的区域图像;
缺陷预测模块,用于提取所述区域图像的特征向量,经所述特征向量确定所述缺陷区域的缺陷分类。
本发明实施例提供一种基于机器视觉的阴极板检测控制***,该阴极板检测控制***包括:
边缘控制服务器,用于执行前述的阴极板检测方法对应的机器指令;
工业相机,与所述边缘控制服务器连接,用于采集作业工位上阴极板的阴极板图像,并向所述边缘控制服务器传输所述阴极板图像;
产线控制器,与所述边缘控制服务器连接且还与产线机器人手臂连接,用于基于由所述边缘控制服务器传输的检测结果的信息和/或控制指令,通过所述产线机器人手臂执行所述阴极板的翻转和/或移动。
具体的,所述产线控制器用于基于所述检测结果的信息,通过控制所述产线机器人手臂将所述阴极板移动至指定的分拣通道。
具体的,其中,所述检测结果的信息是由缺陷分类的数值表示的,所述分拣通道包括合格阴极板的分拣通道和不合格阴极板的分拣通道。
具体的,所述产线控制器具体用于:
在确定该数值为不合格信息时,通过控制所述产线机器人手臂将所述阴极板移动至所述不合格阴极板的分拣通道;
在确定该数值为合格信息时,通过控制所述产线机器人手臂将所述阴极板移动至所述合格阴极板的分拣通道。
具体的,其中,所述检测结果的信息是由品级分表示的,该品级分是由各缺陷分类下缺陷分级计算得到的,所述分拣通道包括优良品级阴极板、合格阴极板的分拣通道和不合格阴极板的分拣通道。
具体的,所述产线控制器具体用于:
在确定该品级分高于划线品级分时,通过控制所述产线机器人手臂将所述阴极板移动至所述优良品级阴极板的分拣通道;
在确定该品级分低于所述划线品级分且高于合格品级分时,通过控制所述产线机器人手臂将所述阴极板移动至所述合格品级阴极板的分拣通道;
在确定该品级分低于所述合格品级分时,通过控制所述产线机器人手臂将所述阴极板移动至所述不合格品级阴极板的分拣通道。
具体的,所述边缘控制服务器具体用于接收所述阴极板的第一面图像和第二面图像;其中,所述作业工位包括两个工位位置区域;所述第一面图像和第二面图像两者是分别由在所述两个工位位置区域上的工业相机采集的,且一者为所述阴极板在被所述产线机器人手臂翻转后的阴极板图像;
所述产线控制器还用于接收由所述边缘控制服务器传输的控制指令,该控制指令用于控制所述产线机器人手臂翻转所述阴极板和移动阴极板至所述两个工位位置区域中一者。
具体的,所述边缘控制服务器具体用于接收所述阴极板的第一面图像和第二面图像;其中,所述第一面图像和第二面图像两者均是由所述作业工位的工位位置区域上的工业相机采集的,且一者为所述阴极板在被所述产线机器人手臂翻转后的阴极板图像;
所述产线控制器还用于接收由所述边缘控制服务器传输的控制指令,该控制指令用于控制所述产线机器人手臂翻转所述阴极板。
具体的,该阴极板检测控制***还包括:
照明***,被布置于所述作业工位。
再一方面,本发明实施例提供一种边缘控制服务器,该边缘控制服务器包括:
至少一个处理器;
存储器,与所述至少一个处理器连接;
其中,所述存储器存储有能被所述至少一个处理器执行的指令,所述至少一个处理器通过执行所述存储器存储的指令,所述至少一个处理器通过执行所述存储器存储的指令实现前述的方法。
又一方面,本发明实施例提供一种机器可读存储介质,存储有机器指令,当所述机器指令在机器上运行时,使得机器执行前述的方法。
本发明对阴极板图像进行边缘检测既能确定阴极板的边缘也能确定阴极板的感兴趣区域,通过感兴趣区域实现关注关键局部区域内的产品标识识别以便于自动滤除和避免非阴极板影像的干扰,不需要人工参与缺陷检测工序(例如手动遮挡产品标识),从而在过滤产品标识后的图像的分割之后,避免了产品标识对区域图像的预测结果的影响。本发明进一步通过缺陷区域的像素数量所对应的图像面积和图像总面积实现产品分级。本发明进一步通过补光处理实现阴极板图像的亮度和对比度等参数的调整,改善了后续分割和特征提取的精度,避免了随机性因素造成的图像效果变化对缺陷预测结果和分级的影响。本发明进一步采用匹配方法直接确定感兴趣区域内是否存在产品标识,改善了缺陷检测的复杂度和实现成本。本发明优选填充和叠加实现产品标识的过滤,改善了缺陷检测的响应速度。本发明采用自动阈值分割函数,进一步改善了缺陷检测的复杂度和实现成本。本发明针对镍电解阴极板的气孔和结瘤特点,采用几何特征、颜色特征和纹理特征,进一步改善了缺陷检测的复杂度和实现成本。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施例,但并不构成对本发明实施例的限制。在附图中:
图1为本发明实施例的方法的主要步骤示意图;
图2为本发明实施例的一种示例性的阴极板检测控制***的架构示意图;
图3为本发明实施例的一种示例性的边缘控制服务器的检测流程示意图;
图4为本发明实施例的一种示例性的阴极板检测控制***的检测流程示意图;
图5为本发明实施例的一种示例性的阴极板检测控制***的功能概要和数据处理流程示意图;
图6为本发明实施例的一种示例性的第一个阴极板缺陷检测场景示意图;
图7为本发明实施例的一种示例性的第二个阴极板缺陷检测场景示意图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施例,并不用于限制本发明实施例。
申请人发现:已训练的卷积神经网络模型对金属表面的缺陷的图像可进行识别,然而,由于产品标识也是阴极板的外观的一部分、标识品类繁多且不同规格阴极板标识不同或随需求存在变化,产品标识容易造成阴极板光滑表面的粗糙、凹凸不平或局部的不规则轮廓边缘,该卷积神经网络模型将很难不将该产品标识的图像识别为缺陷的图像,这时人工手动检测介入是难以避免的,或者,通过收集训练标识特别样本容易造成模型对缺陷识别的过拟合或欠拟合,调整和优化模型付出的成本是很难被接收且检测结果准确度和精度呈波动性,很难到达上线使用的准确度、精度以及检测稳定性要求。
采用激光检测方法进行镍板产品质量检查,所采用的检测***包括:两个二维激光扫描传感器、控制单元、光电传感器、电气驱动模块以及机械装置,检测步骤为:光电传感器检测到被测镍板;控制单元实时接收来自上下两个激光传感器的镍板表面数据;接收完数据判定镍板表面质量是否合格。激光检测方法对不平整区域检测灵敏,然而,很难检测阴极板产品标识的信息,激光检测方法难以解决具有产品标识的阴极板产品的缺陷检测问题,很难直接应用于阴极板产品的产线。
实施例1
本发明实施例提供了阴极板检测方法,可应用于服务器或具备计算、指令处理能力的设备,如图1,该阴极板检测方法可以包括:
S1)对采集的阴极板图像执行边缘检测,确定所述阴极板图像中的阴极板边缘信息;
S2)基于所述阴极板边缘信息,划定所述阴极板图像中的感兴趣区域;
S3)识别所述感兴趣区域内产品标识的位置区域,过滤所述阴极板图像中所述产品标识的位置区域;
S4)分割过滤后的阴极板图像,获得有缺陷区域的区域图像;
S5)提取所述区域图像的特征向量,经所述特征向量确定所述缺陷区域的缺陷分类。
在本发明实施例中,阴极板可以位于指定的作业工位,作业工位可以有配置的工位位置标识,该作业工位上有配置的工业相机,工业相机对阴极板进行图像采集,并将与工位位置标识对应的阴极板图像(或影像)传输至前述的服务器或设备。
作为本发明实施例公开的一种示例性的实例,可以调用Sobel、Prewitt、Roberts、Canny、Marr-Hildreth等边缘检测算子中任意至少一者,在一些有利的实施方式中,可以优选Canny边缘检测算子。在边缘检测之后,可获得阴极板影像的阴极板边缘信息,该阴极板边缘信息可以包括轮廓上的位置点/像素点,从而在阴极板图像上确定阴极板影像的轮廓边缘。在本发明实施例中,图像的位置点是栅格化后图像的坐标点,像素是图像的位置点描述的最小单元格,该最小单元格有颜色数值,像素点即最小单元格。
所述阴极板边缘信息体现阴极板图像内阴极板影像的轮廓边缘内的区域图像是关键的局部区域图像,阴极板图像内其余区域图像可以是作业工位上的背景影像和作业机械等非关键的局部区域图像。可以划定轮廓边缘内的区域图像作为所述阴极板图像中的感兴趣区域(Region of Interesting,ROI,也是区域图像),从而通过ROI能够避免非关键区域图像内图像影像特点对缺陷检测的影响,非关键区域图像内图像影像例如作业工位背景、滚轴或支撑架等。ROI的设置可以结合具体阴极板的形状和产品标识的布置方位等进行设置,例如角位区域和指定大小的区域等。可以理解的,本发明实施例的ROI内不是严格限定该ROI仅包含阴极板影像,为了适应需求的产品的检测场景,本发明实施例的ROI也可以划定成阴极板影像的区域和其余区域的组合区域。
为了避免曝光不均匀性和随机性图像效果的波动,可通过补光算法对阴极板图像进行补光处理。补光处理可以包括基于正常曝光且没有过暗/过明区域的亮度、对比度和饱和度等各参数的均值,对当前的阴极板图像进行调整,并且可以只针对ROI内的区域图像进行调整。
在本发明实施例公开的一种示例性的实例中,阴极板可以是镍板,产品标识可以是阴极板的商业标识或徽标(LOGO),调用镍板LOGO图像样本,在划定的检测ROI中利用模板匹配法识别镍板LOGO的位置区域,从而实现简单快速的LOGO位置确定步骤。在一些有利的实施方式中,可以在数据库中配置镍板LOGO图像样本集,各样本集可以与指定的作业工位的工位位置标识绑定,即便是产线上被机器人手臂放置的阴极板有多种、各异的产品标识,也能被快速匹配识别确定。
过滤阴极板图像中产品标识的位置区域可采用填充和叠加的方法。具体可以包括:
填充所述产品标识的位置区域;
叠加填充的区域图像与所述阴极板图像,并将叠加的图像作为过滤后的阴极板图像。
其中填充的方式可以包括初始化与该产品标识的位置区域一致的蒙板,可以基于无缺陷的阴极板的图像的像素对该蒙板进行赋值,赋值后的蒙板即填充的区域图像,填充的区域图像可以在所述阴极板图像的图层之上且可以是不透明的。
由于阴极板缺陷会造成阴极板图像上阴极板影像存在阴影或高亮等不同于光滑表面的阴极板的异常图像效果,则可以采用图像分割的方式,确定出含有缺陷区域的区域图像。在一些有利的实施方式中,可以调用自动阈值分割函数/方法(Otsu),简单快速地将有缺陷区域的区域图像分割。
在阴极板的制造工艺中,常采用电解法,电解法制造的阴极板中出现的缺陷的特征有局限的数据规模。有鉴于此,可以预先收集对电解法中出现的阴极板的有缺陷区域的图像样本和基本视为没有缺陷区域的图像样本,并以此图像样本训练神经网络模型,得到即时可在线使用的分类器。可以将有缺陷区域的区域图像输入神经网络模型中,通过其分类器确定缺陷区域的缺陷分类。在该神经网络模型中,提取的特征向量可以包括几何特征、颜色特征和纹理特征中至少一者,可以理解的,这并不是限定实施方式而可以有其他特征向量的设计和选择。
若分类器确定缺陷区域的区域图像被视为无缺陷的区域图像,则可以执行后续产线工序并向数据库/可视化设备反馈该作业工位上的阴极板缺陷检测正常,即缺陷检测结果为合格品。若在确定缺陷区域的缺陷分类之后(可以向数据库/可视化设备反馈该作业工位上的阴极板缺陷检测异常,即缺陷检测结果为不合格品),则可以通过缺陷区域的区域图像与阴极板图像的相对大小,确定该缺陷区域的缺陷分级。具体地,在确定分类器输出的结果表示为缺陷区域中缺陷被分类为气孔缺陷或结瘤缺陷或指定类型的缺陷之后,还可以包括:
S6)确定所述缺陷区域的区域图像在所述阴极板图像中的像素数量;
S7)计算与具有所述像素数量的图像对应的图像面积;
S8)计算所述图像面积与所述阴极板图像的图像总面积的面积比;
S9)确定在所述缺陷分类下与所述面积比对应的缺陷分级。
作为本发明公开的一个示例性的实例,图像总面积可以基于阴极板图像中阴极板影像的边缘信息计算获得,例如,该边缘信息可包括阴极板影像的长、宽的数值等。缺陷分级可包括一般缺陷和严重缺陷。若计算的面积比低于配置的一般缺陷面积比阈值,则可以确定当前的缺陷区域内的缺陷是一般缺陷,若计算的面积比高于配置的一般缺陷面积比阈值,则可以确定当前的缺陷区域内的缺陷是严重缺陷。其中对于阴极板存在多个缺陷分类,可以对每类缺陷配置系数,通过系数和相应缺陷分类的面积比求和,该求和结果作为阴极板的面积比并与阈值作比。可以理解的,这并非本发明实施例限定的实施方式,而可以选择和设计符合产线和产品的缺陷分级。
在一些高效生产的场景中,在缺陷分级完成之后,该阴极板检测方法还可以包括:
对产线上的阴极板进行品级划线。
其中,可以对产线生产批次对应的各个阴极板双面的全部缺陷分类的缺陷分级进行数值统计(例如对面积比加权求和,求和结果作为品级分),进行品级划线,划线可基于各个阴极板的品级分数与配置的品级分阈值相比,若高于品级分数,则划线为优良品级或指定的品级,若低于配置的品级分数,则划线为一般品级或指定的其他品级。
实施例2
本发明实施例与实施例1属于同一发明构思,本发明实施例提供了阴极板检测装置,该阴极板检测装置可以包括:
边缘检测模块,用于对采集的阴极板图像执行边缘检测,确定所述阴极板图像中的阴极板边缘信息;
区域划定模块,用于基于所述阴极板边缘信息,划定所述阴极板图像中的感兴趣区域;
过滤标识模块,用于识别所述感兴趣区域内产品标识的位置区域,过滤所述阴极板图像中所述产品标识的位置区域;
区域分割模块,用于分割过滤后的阴极板图像,获得有缺陷区域的区域图像;
缺陷预测模块,用于提取所述区域图像的特征向量,经所述特征向量确定所述缺陷区域的缺陷分类。
在本发明实施例中,阴极板检测装置(或其中任意一个模块)可以基于一个或多个控制器和/或具有处理器的电子设备等硬件实施,在一些情况中,阴极板检测装置可以在数字电子电路***、集成电路***、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SoC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。
具体的,该阴极板检测装置还可以包括:
缺陷分级模块,用于:确定所述缺陷区域的区域图像在所述阴极板图像中的像素数量;计算与具有所述像素数量的图像对应的图像面积;计算所述图像面积与所述阴极板图像的图像总面积的面积比;确定在所述缺陷分类下与所述面积比对应的缺陷分级。
具体的,该阴极板检测装置还可以包括:
补光处理模块,用于:对所述阴极板图像进行补光处理。
具体的,识别所述感兴趣区域内产品标识的位置区域,包括:
将产品标识的图像样本与所述感兴趣区域内各个位置区域进行模板匹配,确定所述产品标识的位置区域。
具体的,过滤所述阴极板图像中所述产品标识的位置区域,包括:
填充所述产品标识的位置区域;
叠加填充的区域图像与所述阴极板图像,并将叠加的图像作为过滤后的阴极板图像。
具体的,所述特征向量包括几何特征、颜色特征和纹理特征中至少一者;所述阴极板是镍电解阴极板。
具体的,该阴极板检测装置还可以通过产线控制器和机器人手臂翻转所述阴极板;该阴极板检测装置还可以对产线上的阴极板进行品级划线。
实施例3
本发明实施例与实施例1至2均属于同一发明构思,本发明实施例提供了基于机器视觉的阴极板检测控制***。该阴极板检测控制***可以是对镍板外观质量检查智能化***。如图2,该阴极板检测控制***可以包括:
边缘控制服务器(可以作为实施例2中阴极板检测装置的一种产品),用于执行实施例1中的阴极板检测方法对应的机器指令;
工业相机,与所述边缘控制服务器连接,用于采集阴极板图像并向所述边缘控制服务器传输所述阴极板图像;
产线控制器,与所述边缘控制服务器连接且还与产线机器人手臂连接,用于基于所述边缘控制服务器传输的检测结果的信息和/或控制指令,通过所述产线机器人手臂执行阴极板的翻转和/或移动。其中,所述检测结果包括缺陷分类和/或缺陷分级,缺陷分类和缺陷分级都可以用数值表示。
示例一,检测结果的信息是由缺陷分类的数值表示的,指定的分拣通道包括合格阴极板的分拣通道和不合格阴极板的分拣通道。产线控制器在确定该数值为不合格信息时,通过控制产线机器人手臂将所述阴极板移动至所述不合格阴极板的分拣通道。产线控制器在确定该数值为合格信息时,通过控制所述产线机器人手臂将所述阴极板移动至所述合格阴极板的分拣通道。
示例二,检测结果的信息是由品级分表示的,该品级分是由各缺陷分类下缺陷分级统计计算得到的,分拣通道包括优良品级阴极板、合格阴极板的分拣通道和不合格阴极板的分拣通道。产线控制器在确定该品级分高于划线品级分时,通过控制所述产线机器人手臂将阴极板移动至优良品级阴极板的分拣通道;产线控制器在确定该品级分低于划线品级分且高于合格品级分时,通过控制产线机器人手臂将所述阴极板移动至所述合格品级阴极板的分拣通道;产线控制器在确定该品级分低于合格品级分时,通过控制所述产线机器人手臂将所述阴极板移动至所述不合格品级阴极板的分拣通道。在上述示例中,低于可以指小于,高于可以指大于等于;合格品级分小于划线品级分,不合格品级分小于合格品级分。
该阴极板检测控制***还可以包括:照明***,被布置于作业工位,用于改善工业相机对阴极板的曝光或拍摄;质检终端,用于呈现阴极板图像和阴极板影像的检测结果。照明***可以包括光源和光源控制器。工业相机可以包括可见光相机和镜头。在一些高效生产的场景中,被检测的阴极板的第一面,可以与第一照明***和第一工业相机对应,在第一面完成阴极板检测之后,经翻转和移动该阴极板后,检测该阴极板的第二面,此时第二面可以与第二照明***和第二工业相机对应,从而在该阴极板的第二面在检测开始时/过程中可以使用第一照明***和第一工业相机对其他未被检测的阴极板的第一面进行检测。
在本发明实施例中,该阴极板检测控制***作为镍电解排板检查机组的独立单元对镍电解阴极板进行外观检查,分析检测结果存储到本地数据库,阴极板检测控制***的输入条件为工业摄像机抓拍和对应照明***启动信号、阴极板当前工位位置信号,输出结果为表示合格和不合格的数字量信号,即阴极板外观质量合格和不合格两种情况。
工业相机可以具有捕获照片的功能和视频拍摄的功能,例如选用千兆工业GigE相机。产线控制器可以选用PLC控制器。照明和工业相机的电源由PLC控制***提供,照明***信号及其状态由PLC控制。为方便后期***扩容升级,GigE工业相机通过万兆卡轨式网络交换机与边缘控制服务器连接。工业相机依次通过信号控制器、分布式IO(或相同功能的连接器/转换器),与万兆卡轨式网络交换机连接;光源控制器通过分布式IO与万兆卡轨式网络交换机连接。质检终端与万兆卡轨式网络交换机连接,质检终端可以包括显示器、工作站服务器以及人机交互设备。
作为本发明公开的一种示例性的实例,如图3,边缘控制服务器可以具体用于:利用自动边缘检测对采集来的影像进行边缘检测,划定检测的ROI;利用影像补光算法对影像进行补光处理,输入镍板LOGO样本,利用模板匹配法识别在划定的检测ROI中的镍板LOGO;利用自动阈值分割法对过滤LOGO位置的影像数据进行分割,获得有缺陷的区域,提取该部分的特征向量,包括几何特征,颜色特征,纹理特征和指定的特征,加载预先训练完成的神经网络模型,将特征送入该模型中,以其分类器进行预测,确定缺陷分类,并通过缺陷的像素统计实现缺陷分级,可以将缺陷分类和缺陷分级作为检测结果(或将实施例1中的划线的品级/计算的品级分数作为检测结果),通过串口RS485端口将检测结果输出到镍电解排板检查机组的PLC控制器对应通道,由PLC控制器基于缺陷分类,控制机器人手臂执行相应的动作,例如移动镍板到各个缺陷分类和缺陷分级对应的处理通道或翻转该镍板,以便于进行镍板另一面的检测。
本发明实施例中,边缘控制服务器对镍板外观表面进行检查,即通过工业相机获取镍板外观图像,在边缘控制服务器(可选地)非实时地进行图像分析处理、数据库管理、数据信息存储和对外发布,且图像处理的最终结果信息传输到产线的实时***(PLC控制器和机器人手臂)中。执行检测结果可以存储在边缘控制服务器中配置的本地数据库,镍板外观质量检查控制条件为工业摄像机抓拍和对应照明***启动信号、镍板当前位置状态等信息。因此,如图4,前述的阴极板检测控制***实现了阴极板影像的采集和光源控制,以及影像预处理(即边缘检测和分割),然后实现了缺陷检测缺陷区域的检测、识别和评级,最后还能将检测结果进行存储管理和报表输出呈现。
如图5,可以由边缘控制服务器和质检终端组成机器视觉检测***,该视觉检测***向前端硬件(光源和工业相机)发送光源控制信号和工业相机控制信号,并接收由工业相机传回的影像数据(至少有一帧阴极板图像)。边缘控制服务器用于:***实时数据采集,预处理,缺陷的提取检测,识别分类,缺陷评级,分发结果,***业务状态及相关硬件的状态监视等工作。质检终端用于:检测结果的展示/保存,检测结果确认,统计分析,报表生成,专家级应用等工作。边缘控制服务器可以向质检终端发送检测结果和该作业工位上的阴极板图像(可以是原始阴极板影像)。
在本发明公开的一种示例性的实例中,如图6,应用阴极板检测控制***的产线,产线有一个排板检查机组(可以视为是一个阴极板检测通道,即实际中还可以有多个排板检查机组,即多个阴极板检测通道,一个产线控制器可控制至少一个阴极板检测通道),该排板检查机组具有板材传送结构,该排板检查机组可分为多个功能区域,例如可以包括排板区域300、作业工位(包括两个工位位置区域,记第一工位位置区域301和第二工位位置区域302)、品级划线区域303。产线还可以包括分拣通道304、305、306,分拣通道的配置可根据具体产品质量要求和产线特点进行设计。例如,可以仅配置合格阴极板和不合格阴极板的分拣通道,以分拣通道304作为合格产品(合格阴极板)的通道,以分拣通道305作为不合格产品(不合格阴极板)的通道,又例如,可以配置按品级分拣的分拣通道,以分拣通道304作为优良品级产品(优良品级阴极板)的通道,以分拣通道305作为普通品级产品(合格阴极板)的通道,而以分拣通道306作为不合格产品(不合格阴极板)的通道。排板区域300和品级划线区域303、以及分拣通道304、305、306被配置有传送速度V(速度值可独立配置/相同)。该排板检查机组还可以包括受控于产线控制器的多个产线机器人手臂,产线机器人手臂可以通过导轨式工业机器人实现或通过自由移动式多轴工业机器人实现等。产线机器人手臂307可以用于作业工位的阴极板的运动操作,产线机器人手臂308可以用于阴极板的分拣操作。在一些应用场景中,产线机器人手臂307还可以用于不合格阴极板被分拣至分拣通道306的操作。
每个产线机器人手臂的状态信息(例如姿态数据、正在执行的任务数据等)可以被产线控制器存储至指定的存储空间(或单元地址)中,边缘控制服务器可以经串口RS485端口访问这些单元地址而得到各个产线机器人手臂的状态信息,便于生成指定的控制指令实现阴极板的操作,例如产线机器人手臂308姿态未回到指定姿态,需要先复位然后才能进行下次分拣操作,则控制指令可以包括复位指令和分拣操作的指令。对于作业工位,第一工位位置区域301有第一工位位置标识01,第二工位位置区域302有第二工位位置标识00。产线上还设置有工业相机309、311,以及照明***310、312,工业相机309、311以及照明***310、312均通过控制器接收边缘控制服务器的控制指令(例如拍摄的指令、调整光亮度的指令)或启动电源开关信号,工业相机309、311还经控制器传输阴极板图像至边缘控制服务器。
工业相机309和照明***310对第一工位位置区域301有光学对准,且能够捕获第一工位位置标识01和阴极板影像,因此,第一工位位置标识01可用于关联对应工业相机309、照明***310以及拍摄的阴极板图像,便于边缘控制服务器下发控制指令至产线控制器和图像数据处理。类似地,第二工位位置标识00可用于关联对应工业相机311、照明***312以及拍摄的阴极板图像。在一些节能应用场景中,任一照明***包括多个发光通道灯组,每个发光通道灯组可单独被控制开或关,便于依据产品表面反光程度施加适应的亮度的光照以及节省电能;与同一工位位置标识对应的照明***和工业相机的电源可以同步被启动和关闭,便于在未进行阴极板图像采集时电能节省。
在第一个阴极板缺陷检测场景中,阴极板313和阴极板314(具有极小区域的缺陷315)因基本没有缺陷而被传送至分拣通道304中,阴极板316因带较大(面积比高于面积比阈值)区域的缺陷317而即将被产线机器人手臂308分拣至分拣通道305,分拣通道305中已存在具有较大区域的缺陷319的阴极板318。阴极板都具有产品标识,在图6中均以(带斜线填充的)不规则区域表示,例如产品标识327,为了便于说明,可以记具有产品标识的阴极板的侧面为正面,没有产品标识的侧面即反面。品级划线区域303上承载了已检测出缺陷321的阴极板320、未检测出缺陷的阴极板322;第二工位位置区域302上承载了已被工业相机309采集正面图像的、且正在被工业相机311采集反面图像的阴极板323,第一工位位置区域301上承载了正在被工业相机309采集正面图像的、且还未被采集反面图像的阴极板324,边缘控制服务器可以同时开启工业相机309、照明***310,以及工业相机311、312,边缘控制服务器可以接收阴极板324的正面图像和阴极板323的反面图像,并完成实施例1中的阴极板检测方法对应的机器指令的执行,可分别记录各阴极板的对应面的图像,可暂时关闭工业相机309、照明***310,以及工业相机311、312;排板区域300有已排板、已排序的待检测阴极板325、326、328。产线控制器对各功能区域内的阴极板可以有排序记录,以便于控制产线机器人手臂操作,例如原位于品级划线区域303中第一顺序的阴极板316,产线控制器基于边缘控制器传输的阴极板316的检测结果的信息(例如不合格的信息),控制产线机器人手臂指定取出第一顺序的阴极板316并分拣至分拣通道305,产线机器人手臂则取出当前品级划线区域303中处于第一顺序的阴极板。顺序的标记指定仅仅是自动化控制的一种示例方式,在另一些应用场景中,排板检查机组可以对承载的各个阴极板设置对应的唯一标识,并该唯一标识不发生变化,产线机器人手臂具有识别该唯一标识的功能,例如唯一标识为产品标识中设置的条形码、二维码等,产线机器人手臂可以具有摄像头、扫描仪等。
在第二个阴极板缺陷检测场景中,如图7,该第二个阴极板缺陷检测场景的发生时刻稍迟于(例如几秒)第一个阴极板缺陷检测场景的发生时刻。此时,品级划线区域303上的阴极板320已被产线机器人手臂308取出并即将被分拣至分拣通道305。边缘控制服务器确定阴极板323已完成双面的阴极板缺陷检测后,可以基于由产线控制器传输的、产线机器人手臂307的状态信息,向所述产线控制器传输用于翻转阴极板323(以实现具有产品标识的正面朝向统一的方向)和将阴极板323从第二工位位置区域302移动至品级划线区域303的控制指令(图7中产线机器人手臂307已完成该控制指令的执行)。若阴极板323具有严重缺陷,则边缘控制服务器基于由产线控制器传输的、产线机器人手臂307的状态信息,向产线控制器传输阴极板323的检测结果的信息,产线控制器可以控制产线机器人手臂307将阴极板323取出并分拣至分拣通道306。阴极板325已被(此场景惯性输送或在其他场景中由产线机器人手臂307)移动至第一工位位置区域301。边缘控制服务器在第一个阴极板缺陷检测场景中确定了阴极板324的正面图像(即第一面图像)的缺陷分类或缺陷分级之后,基于由产线控制器传输的、产线机器人手臂307的状态信息,向产线控制器传输用于对阴极板324翻转180°、以及从第一工位位置区域301将阴极板324移动至第二工位位置区域302的控制指令,而在另一些应用场景中,作业工位可以只有一个工位位置区域,则只需要翻转的控制指令。在阴极板324被移动至第二工位位置区域302之后,边缘控制服务器可以再次同时开启工业相机309、照明***310,以及工业相机311、312,边缘控制服务器可以接收阴极板324的反面图像(即第二面图像)和阴极板325的正面图像,并完成实施例1中的阴极板检测方法对应的机器指令的执行,并可以相对于阴极板324和阴极板325的唯一标识,在数据库中记录图像和检测结果,边缘控制服务器可以再次短暂关闭工业相机309、照明***310,以及工业相机311、312。在图6和图7中,短线虚框是移动目标位置区域或原位置区域,点虚框是缺陷的突出标记。
在本发明实施例中,边缘控制服务器可以是虚拟的服务器或物理的服务器,该服务器可以被配置有容器,容器可以加载了镜像文件/安装了程序,镜像文件/程序可具有实现实施例1中阴极板检测方法的机器指令,而在另一些应用场景中,该服务器可以被配置有可执行的脚本文件或被配置有编译的程序,脚本文件/编译的程序可以具有实施例1中阴极板检测方法的机器指令。
本发明实施例能够实现镍电解阴极板的边缘检测、镍电解阴极板的LOGO检测、镍电解阴极板气孔或结瘤的缺陷检测;同时由每个缺陷所占像素数量估算每类缺陷对应的面积及总体面积百分比,判断镍板整体质量品级。本发明实施例实现了自动化快速的阴极板检测控制***,为大规模、批量化阴极板的产线(流水线、生产线)提供缺陷检测和产品分级划线、以及基于缺陷分级/品级划线实现自动分拣,改善了阴极板的检测工序的安全性、效率和成本。
实施例4
本发明实施例与实施例1至3均属于同一发明构思,本发明实施例提供了边缘控制服务器和计算机可读存储介质。
边缘控制服务器旨在表示各种形式的具备指令处理能力和计算能力的设备,例如,计算机、工控机和服务器等,处理器和存储器可以以片上***型芯片形式实施(SoC或MCU)或直接使用具备连接接口的电路主板的组装方式。存储器存储有能被至少一个处理器执行的指令,至少一个处理器通过执行所述存储器存储的指令实现前述实施例1中的方法。机器可读存储介质可以是非瞬时的、非易失的,可以被配置有程序,所述程序在被处理器执行时实现前述实施例1中的方法,实现镍电解阴极板的缺陷检测。
以上结合附图详细描述了本发明实施例的可选实施方式,但是,本发明实施例并不限于上述实施方式中的具体细节,在本发明实施例的技术构思范围内,可以对本发明实施例的技术方案进行多种简单变型,这些简单变型均属于本发明实施例的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明实施例对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得单片机、芯片或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质可以是非瞬时的,存储介质可以包括:U盘、硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、闪存(Flash memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外,本发明实施例的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明实施例的思想,其同样应当视为本发明实施例所公开的内容。
Claims (10)
1.一种基于机器视觉的阴极板检测方法,其特征在于,该阴极板检测方法包括:
对采集的阴极板图像执行边缘检测,确定所述阴极板图像中的阴极板边缘信息;
基于所述阴极板边缘信息,划定所述阴极板图像中的感兴趣区域;
识别所述感兴趣区域内产品标识的位置区域,过滤所述阴极板图像中所述产品标识的位置区域;
分割过滤后的阴极板图像,获得有缺陷区域的区域图像;
提取所述区域图像的特征向量,经所述特征向量确定所述缺陷区域的缺陷分类。
2.根据权利要求1所述的阴极板检测方法,其特征在于,该阴极板检测方法还包括:
确定所述缺陷区域的区域图像在所述阴极板图像中的像素数量;
计算与具有所述像素数量的图像对应的图像面积;
计算所述图像面积与所述阴极板图像的图像总面积的面积比;
确定在所述缺陷分类下与所述面积比对应的缺陷分级。
3.根据权利要求1所述的阴极板检测方法,其特征在于,在所述识别所述感兴趣区域内产品标识的位置区域之前,该阴极板检测方法还包括:
对所述阴极板图像进行补光处理。
4.根据权利要求1所述的阴极板检测方法,其特征在于,所述识别所述感兴趣区域内产品标识的位置区域,包括:
将产品标识的图像样本与所述感兴趣区域内各个位置区域进行模板匹配,确定所述产品标识的位置区域。
5.根据权利要求2至4中任意一项权利要求所述的阴极板检测方法,其特征在于,所述过滤所述阴极板图像中所述产品标识的位置区域,包括:
填充所述产品标识的位置区域;
叠加填充的区域图像与所述阴极板图像,并将叠加的图像作为过滤后的阴极板图像。
6.根据权利要求1所述的阴极板检测方法,其特征在于,所述分割过滤后的阴极板图像,其中,分割的方式包括调用自动阈值分割函数进行分割。
7.根据权利要求1所述的阴极板检测方法,其特征在于,所述特征向量包括几何特征、颜色特征和纹理特征中至少一者;所述阴极板是镍电解阴极板。
8.根据权利要求1所述的阴极板检测方法,其特征在于,该阴极板检测方法还包括以下至少一项:
翻转所述阴极板,并跳转至对采集的阴极板图像执行边缘检测;
对产线上的阴极板进行品级划线。
9.一种边缘控制服务器,其特征在于,该边缘控制服务器包括:
至少一个处理器;
存储器,与所述至少一个处理器连接;
其中,所述存储器存储有能被所述至少一个处理器执行的指令,所述至少一个处理器通过执行所述存储器存储的指令实现权利要求1至8中任意一项权利要求所述的方法。
10.一种机器可读存储介质,存储有机器指令,当所述机器指令在机器上运行时,使得机器执行权利要求1至8中任意一项权利要求所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210955148.5A CN115330713A (zh) | 2022-08-10 | 2022-08-10 | 基于机器视觉的阴极板检测方法、服务器及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210955148.5A CN115330713A (zh) | 2022-08-10 | 2022-08-10 | 基于机器视觉的阴极板检测方法、服务器及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115330713A true CN115330713A (zh) | 2022-11-11 |
Family
ID=83921290
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210955148.5A Pending CN115330713A (zh) | 2022-08-10 | 2022-08-10 | 基于机器视觉的阴极板检测方法、服务器及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115330713A (zh) |
-
2022
- 2022-08-10 CN CN202210955148.5A patent/CN115330713A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110659660B (zh) | 利用深度学习***的自动光学检测分类设备及其训练设备 | |
CN104749184B (zh) | 自动光学检测方法和*** | |
CN106226325B (zh) | 一种基于机器视觉的座椅表面缺陷检测***及其方法 | |
CN112053318A (zh) | 基于深度学习的二维pcb缺陷实时自动检测与分类装置 | |
US11657599B2 (en) | Method for detecting appearance of six sides of chip multi-layer ceramic capacitor based on artificial intelligence | |
CN111289538A (zh) | 基于机器视觉的pcb板元件检测***及检测方法 | |
CN109840900A (zh) | 一种应用于智能制造车间的故障在线检测***及检测方法 | |
Li et al. | Automatic industry PCB board DIP process defect detection with deep ensemble method | |
CN115184359A (zh) | 一种自动调参的表面缺陷检测***与方法 | |
CN102901735B (zh) | 利用计算机对工件缺损、裂变、变形进行自动检测的*** | |
WO2023134286A1 (zh) | 一种阴极铜在线质量自动检测分类方法 | |
WO2023168984A1 (zh) | 一种基于面阵相机的阴极铜质量检测方法及*** | |
CN114577805A (zh) | 一种MiniLED背光面板缺陷检测方法及装置 | |
CN116337887A (zh) | 铸造缸体上表面缺陷检测方法及*** | |
CN115178493A (zh) | 手机外壳外观检测***及检测方法 | |
CN117455917B (zh) | 一种蚀刻引线框架误报库建立及误报在线判定筛选方法 | |
CN114627122A (zh) | 一种缺陷检测方法及装置 | |
CN113706496B (zh) | 一种基于深度学习模型的飞行器结构裂纹检测方法 | |
CN111178445A (zh) | 图像处理方法及装置 | |
CN114359155A (zh) | 一种覆膜方法及*** | |
CN117589770A (zh) | Pcb贴片板检测方法、装置、设备及介质 | |
CN116681677A (zh) | 一种锂电池缺陷检测方法、装置及*** | |
CN115330713A (zh) | 基于机器视觉的阴极板检测方法、服务器及可读存储介质 | |
CN115343293A (zh) | 基于机器视觉的阴极板检测控制***及生产线 | |
CN113267506A (zh) | 木板ai视觉缺陷检测装置、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 |