CN116309564B - 基于人工智能图像识别的电芯外观缺陷检测方法及*** - Google Patents
基于人工智能图像识别的电芯外观缺陷检测方法及*** Download PDFInfo
- Publication number
- CN116309564B CN116309564B CN202310553482.2A CN202310553482A CN116309564B CN 116309564 B CN116309564 B CN 116309564B CN 202310553482 A CN202310553482 A CN 202310553482A CN 116309564 B CN116309564 B CN 116309564B
- Authority
- CN
- China
- Prior art keywords
- battery cell
- identification
- appearance
- current
- standard
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 206010052428 Wound Diseases 0.000 claims description 45
- 208000027418 Wounds and injury Diseases 0.000 claims description 45
- 238000011156 evaluation Methods 0.000 claims description 41
- 230000002159 abnormal effect Effects 0.000 claims description 39
- 230000001953 sensory effect Effects 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 12
- 238000004806 packaging method and process Methods 0.000 claims description 11
- 238000013473 artificial intelligence Methods 0.000 claims description 9
- 208000014674 injury Diseases 0.000 claims description 9
- 230000008733 trauma Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000005314 correlation function Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000012800 visualization Methods 0.000 claims description 5
- 238000012512 characterization method Methods 0.000 claims description 4
- 238000013441 quality evaluation Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000005859 cell recognition Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 5
- 210000004027 cell Anatomy 0.000 description 208
- 239000000047 product Substances 0.000 description 20
- 230000009286 beneficial effect Effects 0.000 description 11
- 238000013461 design Methods 0.000 description 8
- 230000000007 visual effect Effects 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 5
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 229910052744 lithium Inorganic materials 0.000 description 4
- 238000012797 qualification Methods 0.000 description 3
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 239000004020 conductor Substances 0.000 description 2
- 210000005069 ears Anatomy 0.000 description 2
- 229910001416 lithium ion Inorganic materials 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 229920000642 polymer Polymers 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000000472 traumatic effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 206010047571 Visual impairment Diseases 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- 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
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于人工智能图像识别的电芯外观缺陷检测方法及***,其方法包括:获取目标规格电芯的标准尺寸信息和标准外观信息,根据标准尺寸信息和标准外观信息提取电芯识别特征;根据电芯识别特征和预设学习网络模型构建目标规格电芯的识别模型以及识别模型的多个识别策略;获取当前电芯的高清图像,根据高清图像确定识别模型的目标识别策略并将高清图像输入到识别模型中;根据识别模型的识别结果确定当前电芯各个外观指标缺陷。可以使用模型代替人工进行外观检测,通过预先录入的精确外观参数来无误差地对每个加工电芯进行外观检测,提高了检测精度和效率的同时也降低了人力使用成本,保证了电芯产品的加工质量,提高了实用性。
Description
技术领域
本发明涉及电芯检测技术领域,尤其涉及一种基于人工智能图像识别的电芯外观缺陷检测方法及***。
背景技术
电芯是锂离子聚合物电池产品的一种原材料,电芯设有极耳部,极耳部就是从电芯中将正负极引出来的金属导电体,通俗的说就是电芯正负两极的耳朵,一个电芯会延伸出两个极耳部。
在锂电池的生产过程中电芯的极耳是否存在弯折/折痕是直接关系到锂电池产品质量的重要因素,因此需要检测电芯的极耳是否存在弯折/折痕情况;另外部分电芯的表面外观会出现瑕疵:如电芯的上下表面、上下封边会出现划痕、凹点、凸点等缺陷,不仅影响外观,且对电芯的生产使用安全也有较大影响,因此在电芯生产后需对其外观进行检测,传统的检测方式都是通过人为进行人眼观察识别,其不仅浪费人力同时还会存在检测误差,无法保证产品的质量和后续使用体验,降低了实用性。
发明内容
针对上述所显示出来的问题,本发明提供了一种基于人工智能图像识别的电芯外观缺陷检测方法及***用以解决背景技术中提到的传统技术通过人为进行人眼观察识别不仅浪费人力同时还会存在检测误差,无法保证产品的质量和后续使用体验,降低了实用性的问题。
一种基于人工智能图像识别的电芯外观缺陷检测方法,包括以下步骤:
获取目标规格电芯的标准尺寸信息和标准外观信息,根据标准尺寸信息和标准外观信息提取电芯识别特征;
根据电芯识别特征和预设学习网络模型构建目标规格电芯的识别模型以及识别模型的多个识别策略;
获取当前电芯的高清图像,根据高清图像确定识别模型的目标识别策略并将高清图像输入到识别模型中;
根据识别模型的识别结果确定当前电芯各个外观指标缺陷。
优选的,所述获取目标规格电芯的标准尺寸信息和标准外观信息,根据标准尺寸信息和标准外观信息提取电芯识别特征,包括:
获取目标规格电芯的标准成品样本,采集标准成品样本基于多个拍摄角度的成品图像;
对多个拍摄角度的成品图像进行分析以确定目标规格电芯的标准尺寸信息和标准形状信息、标准颜色信息和标准包装信息;
将目标规格电芯的标准形状信息、标准颜色信息和标准包装信息进行整合以获取目标规格电芯的标准外观信息;
根据标准尺寸信息提取电芯尺寸识别特征,同时,根据标准外观信息提取电芯外观识别特征,将电芯尺寸识别特征和电芯外观识别特征进行整合以生成目标规格电芯的电芯识别特征。
优选的,所述根据标准尺寸信息提取电芯尺寸识别特征,同时,根据标准外观信息提取电芯外观识别特征,包括:
根据标准尺寸信息获取目标规格电芯的尺寸描述参数,基于尺寸描述参数提取电芯尺寸识别特征;
根据标准外观信息获取目标规格电芯的颜色属性、包装属性和形状属性;
获取颜色属性、包装属性和形状属性各自对应的特征描述因子,对特征描述因子进行实体定义,获取定义结果;
根据定义结果获取目标规格电芯的外观全局特征,根据外观全局特征获取电芯外观识别特征。
优选的,所述根据电芯识别特征和预设学习网络模型构建目标规格电芯的识别模型以及识别模型的多个识别策略,包括:
获取目标规格电芯的多张图像样本并将其划分为训练集、测试集和验证集;
将电芯识别特征写入到预设学习网络模型中以构建目标规格电芯的识别模型,利用训练集、测试集和验证集分别对识别模型进行反复训练和测试直到识别模型识别精度大于等于预设阈值为止;
确定图像具备可视化条件的灰度值区间并将所有区间值划分为多个灰度等级;
获取在每个灰度等级下电芯图像的显性像素参数和隐性像素参数并根据显性像素参数和隐性像素参数设置识别模型对于每个灰度等级的电芯图像的识别策略。
优选的,获取当前电芯的高清图像,根据高清图像确定识别模型的目标识别策略并将高清图像输入到识别模型中,包括:
根据当前电芯的高清图像的显示内容判断其是否存在必要识别特征,若是,判断高清图像合格,若否,判断高清图像不合格;
从高清图像中随机抽取n个像素点并确定每个像素点的当前灰度值,根据当前灰度值确定高清图像的当前灰度等级;
根据当前灰度等级确定识别模型的目标识别策略并启动其对应的当前模型识别模式;
将高清图像输入到基于当前模型识别模式的识别模型中。
优选的,所述根据识别模型的识别结果确定当前电芯各个外观指标缺陷,包括:
根据识别模型的识别结果确定当前电芯的当前尺寸指标、当前形状指标、和当前颜色指标;
将当前电芯的当前尺寸指标、当前形状指标、和当前颜色指标与目标规格电芯的标准尺寸指标、标准形状指标、和标准颜色指标进行对比,获取对比结果;
根据对比结果确定各项外观指标的缺陷参数,根据缺陷参数确定每项外观指标的缺陷等级;
基于每项外观指标的缺陷等级将各项外观指标缺陷划分为可接受外观指标缺陷和不可接受外观指标缺陷。
优选的,所述方法还包括:
在确定当前电芯的外观指标无缺陷后,根据高清图像获取当前电芯的表面纹理特征;
对表面纹理特征进行解析,根据解析结果判定当前电芯的表面是否存在划痕和凹点或凸点的细节创伤;
若是,将高清图像中存在划痕和凹点或凸点的图像区域进行标记和放大;
根据当前电芯的表面划痕和凹点或凸点的分布情况生成当前电芯的工艺质量评价报告。
优选的,所述对表面纹理特征进行解析,根据解析结果判定当前电芯的表面是否存在划痕和凹点或凸点的细节创伤,包括:
构建感官品质和纹理评价指标之间的线性相关函数,根据线性相关函数确定不同纹理评价指标值下的电芯实体感官参数;
对表面纹理特征进行特征定性以获取第一定性结果,根据第一定性结果确定表面纹理特征对应的类显示属性;
根据表面纹理特征对应的类显示属性确定对于表面纹理特征的当前感官参数;
基于当前感官参数和不同纹理评价指标值下的电芯实体感官参数确定对于当前电芯的可行纹理评价指标项;
根据表面纹理特征和高清图像的像素分布确定每个像素点的纹理显示参数并根据其构建纹理显示参数集;
基于当前电芯的可行纹理评价指标项对纹理显示参数集中的每项纹理显示参数进行评价,获取评价结果;
根据评价结果判定当前电芯的表面是否存在划痕和凹点或凸点的细节创伤。
优选的,所述根据评价结果判定当前电芯的表面是否存在划痕和凹点或凸点的细节创伤,包括:
根据评价结果筛选出纹理评价指标未合格的异常纹理显示参数并根据其分布情况确定参数异常特性;
根据参数异常特性对异常纹理显示参数进行细节创伤定性,获取第二定性结果;
根据第二定性结果确定各个异常纹理显示参数对应的创伤类型,获取每个创伤类型对应的标准显示参数集;
将每项异常纹理显示参数对应的当前显示参数集和该异常纹理显示参数对应创伤类型的标准显示参数集进行匹配,根据匹配结果确定每项异常纹理显示参数对应的当前显示参数集是否存在显示创伤;
若是,根据当前显示参数集在标准显示参数集中的匹配区间确定创伤等级;
根据创伤等级和每项异常纹理显示参数对应的创伤类型判定当前电芯的表面是否存在划痕和凹点或凸点的细节创伤。
一种基于人工智能图像识别的电芯外观缺陷检测***,该***包括:
提取模块,用于获取目标规格电芯的标准尺寸信息和标准外观信息,根据标准尺寸信息和标准外观信息提取电芯识别特征;
构建模块,用于根据电芯识别特征和预设学习网络模型构建目标规格电芯的识别模型以及识别模型的多个识别策略;
输入模块,用于获取当前电芯的高清图像,根据高清图像确定识别模型的目标识别策略并将高清图像输入到识别模型中;
确定模块,用于根据识别模型的识别结果确定当前电芯各个外观指标缺陷。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
图1为本发明所提供的一种基于人工智能图像识别的电芯外观缺陷检测方法的工作流程图;
图2为本发明所提供的一种基于人工智能图像识别的电芯外观缺陷检测方法的另一工作流程图;
图3为本发明所提供的一种基于人工智能图像识别的电芯外观缺陷检测方法的又一工作流程图;
图4为本发明所提供的一种基于人工智能图像识别的电芯外观缺陷检测***的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
电芯是锂离子聚合物电池产品的一种原材料,电芯设有极耳部,极耳部就是从电芯中将正负极引出来的金属导电体,通俗的说就是电芯正负两极的耳朵,一个电芯会延伸出两个极耳部。
在锂电池的生产过程中电芯的极耳是否存在弯折/折痕是直接关系到锂电池产品质量的重要因素,因此需要检测电芯的极耳是否存在弯折/折痕情况;另外部分电芯的表面外观会出现瑕疵:如电芯的上下表面、上下封边会出现划痕、凹点、凸点等缺陷,不仅影响外观,且对电芯的生产使用安全也有较大影响,因此在电芯生产后需对其外观进行检测,传统的检测方式都是通过人为进行人眼观察识别,其不仅浪费人力同时还会存在检测误差,无法保证产品的质量和后续使用体验,降低了实用性。为了解决上述问题,本实施例公开了一种基于人工智能图像识别的电芯外观缺陷检测方法。
一种基于人工智能图像识别的电芯外观缺陷检测方法,如图1所示,包括以下步骤:
步骤S101、获取目标规格电芯的标准尺寸信息和标准外观信息,根据标准尺寸信息和标准外观信息提取电芯识别特征;
步骤S102、根据电芯识别特征和预设学习网络模型构建目标规格电芯的识别模型以及识别模型的多个识别策略;
步骤S103、获取当前电芯的高清图像,根据高清图像确定识别模型的目标识别策略并将高清图像输入到识别模型中;
步骤S104、根据识别模型的识别结果确定当前电芯各个外观指标缺陷。
在本实施例中,目标规格电芯表示为不同规格的标准电芯;
在本实施例中,标准尺寸信息表示为目标规格电芯的标准工艺尺寸参数;
在本实施例中,标准外观信息表示为目标规格电芯在无缺陷下的形状、包装和颜色等外观参数;
在本实施例中,电芯识别特征表示为目标规格电芯的图像识别特征;
在本实施例中,识别模型用于识别当前电芯的形状和尺寸以及颜色包装等是否符合预设设计规格;
在本实施例中,识别策略表示为识别模型对不同灰度图像的识别模式策略;
在本实施例中,外观指标缺陷表示为当前电芯在每项外观指标的缺陷情况,例如:形状不规格,尺寸过大或过小、包装不合格等。
上述技术方案的工作原理为:获取目标规格电芯的标准尺寸信息和标准外观信息,根据标准尺寸信息和标准外观信息提取电芯识别特征;根据电芯识别特征和预设学习网络模型构建目标规格电芯的识别模型以及识别模型的多个识别策略;获取当前电芯的高清图像,根据高清图像确定识别模型的目标识别策略并将高清图像输入到识别模型中;根据识别模型的识别结果确定当前电芯各个外观指标缺陷。
上述技术方案的有益效果为:通过构建电芯的识别模型进而利用图像识别的方式来智能地对加工电芯进行外观检测可以使用模型代替人工进行外观检测,通过预先录入的精确外观参数来无误差地对每个加工电芯进行外观检测,提高了检测精度和效率的同时也降低了人力使用成本,保证了电芯产品的加工质量,提高了实用性,解决了现有技术中提到的传统检测方式通过人为进行人眼观察识别不仅浪费人力同时还会存在检测误差,无法保证产品的质量和后续使用体验,降低了实用性的问题。
在本实施例中,在根据高清图像确定识别模型的目标识别策略并将高清图像输入到识别模型中之前,还包括:
获取高清图像中的电芯图像轮廓和干扰图像轮廓;
分别获取电芯图像轮廓中和干扰图像轮廓区域中的平均像素值和二者各自的显示元素;
根据电芯图像轮廓中和干扰图像轮廓区域中的平均像素值和二者各自的显示元素计算出干扰图像轮廓的视觉干扰指数:
;
其中,Q表示为干扰图像轮廓的视觉干扰指数,表示为高清图像的视觉比例,/>表示为自然对数,/>表示为电芯图像轮廓中的平均像素值,/>表示为干扰图像轮廓中的平均像素值,/>表示为高清图像的清晰度,/>表示为对数,/>表示为电芯图像轮廓中的显示元素,/>表示为干扰图像轮廓中的显示元素,/>电芯图像轮廓区域与干扰图像轮廓区域的色彩混淆指数,/>表示为高清图像的视觉显示偏差;
确定干扰图像轮廓的视觉干扰指数是否大于等于预设指数,若是,将高清图像中的干扰图像轮廓进行裁剪处理,获取处理后的高清图像;
将处理后的高清图像确认为图像样本以确定识别模型的目标识别策略。
上述技术方案的有益效果为:可以直观地评估出高清图像中除电芯图像外的图像元素对于电芯图像的视觉影响进而选择性地将其进行裁剪,保证了对于高清图像的识别稳定性的同时也降低了干扰因素带来的视觉误差,进一步地提高了实用性和稳定性。
在一个实施例中,如图2所示,所述获取目标规格电芯的标准尺寸信息和标准外观信息,根据标准尺寸信息和标准外观信息提取电芯识别特征,包括:
步骤S201、获取目标规格电芯的标准成品样本,采集标准成品样本基于多个拍摄角度的成品图像;
步骤S202、对多个拍摄角度的成品图像进行分析以确定目标规格电芯的标准尺寸信息和标准形状信息、标准颜色信息和标准包装信息;
步骤S203、将目标规格电芯的标准形状信息、标准颜色信息和标准包装信息进行整合以获取目标规格电芯的标准外观信息;
步骤S204、根据标准尺寸信息提取电芯尺寸识别特征,同时,根据标准外观信息提取电芯外观识别特征,将电芯尺寸识别特征和电芯外观识别特征进行整合以生成目标规格电芯的电芯识别特征。
在本实施例中,标准成品样本表示为目标规格电芯的标准工艺成品样本;
在本实施例中,成品图像表示为目标规格电芯的标准工艺成品的拍摄图像;
在本实施例中,标准尺寸信息表示为目标规格电芯的标准设计尺寸参数、标准形状信息表示为目标规格电芯的标准设计形状参数、标准颜色信息表示为目标规格电芯的标准设计材料颜色参数标准包装信息表示为目标规格电芯的标准设计外表封装参数;
在本实施例中,电芯尺寸识别特征表示为对目标规格电芯的尺寸进行识别的参考特征;
在本实施例中,电芯外观识别特征表示为对目标规格电芯的外观进行识别的参考特征。
上述技术方案的有益效果为:通过利用目标规格电芯的成品图像作为参考条件来获取识别特征可以保证参考特征的精度和质量,为后续进行模型构建提供了精确有效的模型参数,进一步地提高了实用性。
在一个实施例中,如图3所示,所述根据标准尺寸信息提取电芯尺寸识别特征,同时,根据标准外观信息提取电芯外观识别特征,包括:
步骤S301、根据标准尺寸信息获取目标规格电芯的尺寸描述参数,基于尺寸描述参数提取电芯尺寸识别特征;
步骤S302、根据标准外观信息获取目标规格电芯的颜色属性、包装属性和形状属性;
步骤S303、获取颜色属性、包装属性和形状属性各自对应的特征描述因子,对特征描述因子进行实体定义,获取定义结果;
步骤S304、根据定义结果获取目标规格电芯的外观全局特征,根据外观全局特征获取电芯外观识别特征。
在本实施例中,尺寸描述参数表示为目标规格电芯的立体尺寸,长宽高等;
在本实施例中,尺寸识别特征表示为目标规格电芯的尺寸描述参数对应的数字描述特征, 例如:电芯长为5cm,宽为3cm,高为6cm;
在本实施例中,颜色属性表示为颜色的显示属性,例如:绿色、红色,包装属性表示为目标规格电芯的表皮材料属性,例如:铜、铝等,形状属性表示为目标规格电芯的形状描述,例如:长方体、正方体、圆柱体等;
在本实施例中,实体定义表示为将颜色属性、包装属性和形状属性各自对应的特征描述因子定义在同一个实体上;
在本实施例中,外观全局特征表示为目标规格电芯的整体外观的全局显现特征。
上述技术方案的有益效果为:通过进行实体定义可以全面地获取到目标规格电芯的全局描述特征进而获得精准的电芯外观识别特征,使得获取特征更加全面和符合标准,进一步地提高了实用性。
在一个实施例中,所述根据电芯识别特征和预设学习网络模型构建目标规格电芯的识别模型以及识别模型的多个识别策略,包括:
获取目标规格电芯的多张图像样本并将其划分为训练集、测试集和验证集;
将电芯识别特征写入到预设学习网络模型中以构建目标规格电芯的识别模型,利用训练集、测试集和验证集分别对识别模型进行反复训练和测试直到识别模型识别精度大于等于预设阈值为止;
确定图像具备可视化条件的灰度值区间并将所有区间值划分为多个灰度等级;
获取在每个灰度等级下电芯图像的显性像素参数和隐性像素参数并根据显性像素参数和隐性像素参数设置识别模型对于每个灰度等级的电芯图像的识别策略。
在本实施例中,预设阈值可以为99%;
在本实施例中,可视化条件表示为可以对图像中的元素进行基本可视化的限定条件;
在本实施例中,每个灰度等级内的划分灰度值数量是相同的;
在本实施例中,显性像素参数表示为在每个灰度等级下电芯图像中可以通过人眼观察到的像素参数;
在本实施例中,隐性像素参数表示为在每个灰度等级下电芯图像中无法通过人眼观察到需要借助仪器才能观察到的像素参数。
上述技术方案的有益效果为:通过对识别模型进行反复训练和测试可以保证模型的识别精度符合预期,提高了对于电芯图像的外观检测的准确性和可靠性,进一步地,通过根据每个灰度等级下电芯图像的显性像素参数和隐性像素参数识别模型对于每个灰度等级的电芯图像的识别策略可以针对每个灰度等级的像素参数来精准地进行识别策略分配和配置,提高了适配性和模型识别可靠性。
在一个实施例中,获取当前电芯的高清图像,根据高清图像确定识别模型的目标识别策略并将高清图像输入到识别模型中,包括:
根据当前电芯的高清图像的显示内容判断其是否存在必要识别特征,若是,判断高清图像合格,若否,判断高清图像不合格;
从高清图像中随机抽取n个像素点并确定每个像素点的当前灰度值,根据当前灰度值确定高清图像的当前灰度等级;
根据当前灰度等级确定识别模型的目标识别策略并启动其对应的当前模型识别模式;
将高清图像输入到基于当前模型识别模式的识别模型中。
在本实施例中,必要识别特征表示为根据高清图像对当前电芯进行外观识别的必要识别介质特征;
在本实施例中,当前模型识别模式表示为在目标识别策略下识别模型的电芯外观识别模式。
上述技术方案的有益效果为:通过确定高清图像对应的识别策略进而启动对应的识别模式来进行识别可以最大化地保证识别模型对于电芯图像的外观识别可靠性和精度,进一步地提高了稳定性和实用性。
在一个实施例中,所述根据识别模型的识别结果确定当前电芯各个外观指标缺陷,包括:
根据识别模型的识别结果确定当前电芯的当前尺寸指标、当前形状指标、和当前颜色指标;
将当前电芯的当前尺寸指标、当前形状指标、和当前颜色指标与目标规格电芯的标准尺寸指标、标准形状指标、和标准颜色指标进行对比,获取对比结果;
根据对比结果确定各项外观指标的缺陷参数,根据缺陷参数确定每项外观指标的缺陷等级;
基于每项外观指标的缺陷等级将各项外观指标缺陷划分为可接受外观指标缺陷和不可接受外观指标缺陷。
在本实施例中,缺陷参数表示为各项外观指标的当前指标值与预设指标值的差异性参数;
在本实施例中,缺陷等级表示为每项外观指标的缺陷程度对应的等级,例如:电芯的原始设计尺寸为6立方厘米,而实际检测的电芯尺寸为8立方厘米,此时的尺寸偏差为33%,即为中缺陷等级;若尺寸偏差为50%及以上,即为高缺陷等级;
在本实施例中,可接受外观指标缺陷表示为在合理设计误差内的指标缺陷参考值;
在本实施例中,不可接受外观指标缺陷表示为在不合理设计误差内的指标缺陷参考值。
上述技术方案的有益效果为:通过利用指标对比的方式可以快速地确定每个外观指标的缺陷参数进而确定其缺陷等级以及进行划分,可以快速地将每个当前电芯的缺陷进行识别和判断,提高了工作效率的同时也进一步地提高了实用性。
在一个实施例中,所述方法还包括:
在确定当前电芯的外观指标无缺陷后,根据高清图像获取当前电芯的表面纹理特征;
对表面纹理特征进行解析,根据解析结果判定当前电芯的表面是否存在划痕和凹点或凸点的细节创伤;
若是,将高清图像中存在划痕和凹点或凸点的图像区域进行标记和放大;
根据当前电芯的表面划痕和凹点或凸点的分布情况生成当前电芯的工艺质量评价报告。
在本实施例中,表面纹理特征表示为当前电芯表面的纹理参数特征。
上述技术方案的有益效果为:可以更加细化地对当前电芯的纹理细节进行合格检测,提高了检测精度,保证了最终检测结果的客观性和准确性,进一步地,通过生成当前电芯的工艺质量评价报告可以针对每个当前电芯进行工艺评价以进行后续自适应改善,保证了后续电芯的生产质量和合格度,降低了成本的过度损耗。
在一个实施例中,所述对表面纹理特征进行解析,根据解析结果判定当前电芯的表面是否存在划痕和凹点或凸点的细节创伤,包括:
构建感官品质和纹理评价指标之间的线性相关函数,根据线性相关函数确定不同纹理评价指标值下的电芯实体感官参数;
对表面纹理特征进行特征定性以获取第一定性结果,根据第一定性结果确定表面纹理特征对应的类显示属性;
根据表面纹理特征对应的类显示属性确定对于表面纹理特征的当前感官参数;
基于当前感官参数和不同纹理评价指标值下的电芯实体感官参数确定对于当前电芯的可行纹理评价指标项;
根据表面纹理特征和高清图像的像素分布确定每个像素点的纹理显示参数并根据其构建纹理显示参数集;
基于当前电芯的可行纹理评价指标项对纹理显示参数集中的每项纹理显示参数进行评价,获取评价结果;
根据评价结果判定当前电芯的表面是否存在划痕和凹点或凸点的细节创伤。
在本实施例中,线性相关函数表示为感官品质随纹理评价指标数量变化而变化的线性关联函数;
在本实施例中,电芯实体感官参数表示为在不同纹理评价指标值下的电芯图像对于人眼的感官效果参数,例如:模糊度等;
在本实施例中,特征定性表为确定表面纹理特征的显示特性;
在本实施例中,类显示属性表示为表面纹理特征对应的特性显示特性下的视觉属性;
在本实施例中,可行纹理评价指标项表示为当前电芯的高清图像中可以进行纹理评价指标参数收集的纹理评价指标项;
在本实施例中,纹理显示参数表示为高清图像中每个像素点的纹理显示描述参数;
在本实施例中,评价结果表示为对每个像素点的纹理显示参数进行指标合格评价对应的评价内容。
上述技术方案的有益效果为:通过确定当前电芯的高清图像中的可行纹理评价指标项来对每个像素点的纹理显示参数进行评价可以基于高清图像的实际感官效果来精准地进行限定指标的创伤判定,使得判定结果更加符合实际和具备客观性,避免了无用评价指标的影响,提高了判定准确性。
在一个实施例中,所述根据评价结果判定当前电芯的表面是否存在划痕和凹点或凸点的细节创伤,包括:
根据评价结果筛选出纹理评价指标未合格的异常纹理显示参数并根据其分布情况确定参数异常特性;
根据参数异常特性对异常纹理显示参数进行细节创伤定性,获取第二定性结果;
根据第二定性结果确定各个异常纹理显示参数对应的创伤类型,获取每个创伤类型对应的标准显示参数集;
将每项异常纹理显示参数对应的当前显示参数集和该异常纹理显示参数对应创伤类型的标准显示参数集进行匹配,根据匹配结果确定每项异常纹理显示参数对应的当前显示参数集是否存在显示创伤;
若是,根据当前显示参数集在标准显示参数集中的匹配区间确定创伤等级;
根据创伤等级和每项异常纹理显示参数对应的创伤类型判定当前电芯的表面是否存在划痕和凹点或凸点的细节创伤。
在本实施例中,异常纹理显示参数表示为与标准纹理显示参数存在较大偏差纹理显示参数;
在本实施例中,分布情况表示为异常纹理显示参数在高清图像中的区域分布;
在本实施例中,参数异常特性表示为异常纹理显示参数在高清图像中的所占区域的区域形状特性,例如:长条区域或者圆形区域等;
在本实施例中,细节创伤定性表示为根据异常纹理显示参数在高清图像中的所占区域的区域形状特性对异常纹理显示参数进行创伤定性,若为长条区域,则为划痕创伤、若为凹点或凸点创伤;
在本实施例中,创伤类型表示为创伤定性结果对应的创伤类型,例如:划痕创伤的创伤类型为范围创伤、凹点或凸点创伤的创伤类型为单点创伤;
在本实施例中,创伤等级表示为异常纹理显示参数对应的创伤程度。
上述技术方案的有益效果为:通过先根据参数异常特性对异常纹理显示参数进行细节创伤定性可以直观地确定异常纹理显示参数是否符合创伤条件进而根据其创伤类型和显示参数集进行精准的创伤结构和创伤轻微严重判断,提高了判断精度和准确性,进一步地保证了对于电芯的外观检测的全面性和可靠性。
本实施例还公开了一种基于人工智能图像识别的电芯外观缺陷检测***,如图4所示,该***包括:
提取模块401,用于获取目标规格电芯的标准尺寸信息和标准外观信息,根据标准尺寸信息和标准外观信息提取电芯识别特征;
构建模块402,用于根据电芯识别特征和预设学习网络模型构建目标规格电芯的识别模型以及识别模型的多个识别策略;
输入模块403,用于获取当前电芯的高清图像,根据高清图像确定识别模型的目标识别策略并将高清图像输入到识别模型中;
确定模块404,用于根据识别模型的识别结果确定当前电芯各个外观指标缺陷。
上述技术方案的工作原理及有益效果在方法权利要求中已经说明,此处不再赘述。
本领域技术用户员在考虑说明书及实践这里公开的公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (8)
1.一种基于人工智能图像识别的电芯外观缺陷检测方法,其特征在于,包括以下步骤:
获取目标规格电芯的标准尺寸信息和标准外观信息,根据标准尺寸信息和标准外观信息提取电芯识别特征;
根据电芯识别特征和预设学习网络模型构建目标规格电芯的识别模型以及识别模型的多个识别策略;
获取当前电芯的高清图像,根据高清图像确定识别模型的目标识别策略并将高清图像输入到识别模型中;
根据识别模型的识别结果确定当前电芯各个外观指标缺陷;
所述根据电芯识别特征和预设学习网络模型构建目标规格电芯的识别模型以及识别模型的多个识别策略,包括:
获取目标规格电芯的多张图像样本并将其划分为训练集、测试集和验证集;
将电芯识别特征写入到预设学习网络模型中以构建目标规格电芯的识别模型,利用训练集、测试集和验证集分别对识别模型进行反复训练和测试直到识别模型识别精度大于等于预设阈值为止;
确定图像具备可视化条件的灰度值区间并将所有区间值划分为多个灰度等级;
获取在每个灰度等级下电芯图像的显性像素参数和隐性像素参数并根据显性像素参数和隐性像素参数设置识别模型对于每个灰度等级的电芯图像的识别策略;
获取当前电芯的高清图像,根据高清图像确定识别模型的目标识别策略并将高清图像输入到识别模型中,包括:
根据当前电芯的高清图像的显示内容判断其是否存在必要识别特征,若是,判断高清图像合格,若否,判断高清图像不合格;
从高清图像中随机抽取n个像素点并确定每个像素点的当前灰度值,根据当前灰度值确定高清图像的当前灰度等级;
根据当前灰度等级确定识别模型的目标识别策略并启动其对应的当前模型识别模式;
将高清图像输入到基于当前模型识别模式的识别模型中。
2.根据权利要求1所述基于人工智能图像识别的电芯外观缺陷检测方法,其特征在于,所述获取目标规格电芯的标准尺寸信息和标准外观信息,根据标准尺寸信息和标准外观信息提取电芯识别特征,包括:
获取目标规格电芯的标准成品样本,采集标准成品样本基于多个拍摄角度的成品图像;
对多个拍摄角度的成品图像进行分析以确定目标规格电芯的标准尺寸信息和标准形状信息、标准颜色信息和标准包装信息;
将目标规格电芯的标准形状信息、标准颜色信息和标准包装信息进行整合以获取目标规格电芯的标准外观信息;
根据标准尺寸信息提取电芯尺寸识别特征,同时,根据标准外观信息提取电芯外观识别特征,将电芯尺寸识别特征和电芯外观识别特征进行整合以生成目标规格电芯的电芯识别特征。
3.根据权利要求2所述基于人工智能图像识别的电芯外观缺陷检测方法,其特征在于,所述根据标准尺寸信息提取电芯尺寸识别特征,同时,根据标准外观信息提取电芯外观识别特征,包括:
根据标准尺寸信息获取目标规格电芯的尺寸描述参数,基于尺寸描述参数提取电芯尺寸识别特征;
根据标准外观信息获取目标规格电芯的颜色属性、包装属性和形状属性;
获取颜色属性、包装属性和形状属性各自对应的特征描述因子,对特征描述因子进行实体定义,获取定义结果;
根据定义结果获取目标规格电芯的外观全局特征,根据外观全局特征获取电芯外观识别特征。
4.根据权利要求1所述基于人工智能图像识别的电芯外观缺陷检测方法,其特征在于,所述根据识别模型的识别结果确定当前电芯各个外观指标缺陷,包括:
根据识别模型的识别结果确定当前电芯的当前尺寸指标、当前形状指标、和当前颜色指标;
将当前电芯的当前尺寸指标、当前形状指标、和当前颜色指标与目标规格电芯的标准尺寸指标、标准形状指标、和标准颜色指标进行对比,获取对比结果;
根据对比结果确定各项外观指标的缺陷参数,根据缺陷参数确定每项外观指标的缺陷等级;
基于每项外观指标的缺陷等级将各项外观指标缺陷划分为可接受外观指标缺陷和不可接受外观指标缺陷。
5.根据权利要求1所述基于人工智能图像识别的电芯外观缺陷检测方法,其特征在于,所述方法还包括:
在确定当前电芯的外观指标无缺陷后,根据高清图像获取当前电芯的表面纹理特征;
对表面纹理特征进行解析,根据解析结果判定当前电芯的表面是否存在划痕和凹点或凸点的细节创伤;
若是,将高清图像中存在划痕和凹点或凸点的图像区域进行标记和放大;
根据当前电芯的表面划痕和凹点或凸点的分布情况生成当前电芯的工艺质量评价报告。
6.根据权利要求5所述基于人工智能图像识别的电芯外观缺陷检测方法,其特征在于,所述对表面纹理特征进行解析,根据解析结果判定当前电芯的表面是否存在划痕和凹点或凸点的细节创伤,包括:
构建感官品质和纹理评价指标之间的线性相关函数,根据线性相关函数确定不同纹理评价指标值下的电芯实体感官参数;
对表面纹理特征进行特征定性以获取第一定性结果,根据第一定性结果确定表面纹理特征对应的类显示属性;
根据表面纹理特征对应的类显示属性确定对于表面纹理特征的当前感官参数;
基于当前感官参数和不同纹理评价指标值下的电芯实体感官参数确定对于当前电芯的可行纹理评价指标项;
根据表面纹理特征和高清图像的像素分布确定每个像素点的纹理显示参数并根据其构建纹理显示参数集;
基于当前电芯的可行纹理评价指标项对纹理显示参数集中的每项纹理显示参数进行评价,获取评价结果;
根据评价结果判定当前电芯的表面是否存在划痕和凹点或凸点的细节创伤。
7.根据权利要求6所述基于人工智能图像识别的电芯外观缺陷检测方法,其特征在于,所述根据评价结果判定当前电芯的表面是否存在划痕和凹点或凸点的细节创伤,包括:
根据评价结果筛选出纹理评价指标未合格的异常纹理显示参数并根据其分布情况确定参数异常特性;
根据参数异常特性对异常纹理显示参数进行细节创伤定性,获取第二定性结果;
根据第二定性结果确定各个异常纹理显示参数对应的创伤类型,获取每个创伤类型对应的标准显示参数集;
将每项异常纹理显示参数对应的当前显示参数集和该异常纹理显示参数对应创伤类型的标准显示参数集进行匹配,根据匹配结果确定每项异常纹理显示参数对应的当前显示参数集是否存在显示创伤;
若是,根据当前显示参数集在标准显示参数集中的匹配区间确定创伤等级;
根据创伤等级和每项异常纹理显示参数对应的创伤类型判定当前电芯的表面是否存在划痕和凹点或凸点的细节创伤。
8.一种基于人工智能图像识别的电芯外观缺陷检测***,其特征在于,该***包括:
提取模块,用于获取目标规格电芯的标准尺寸信息和标准外观信息,根据标准尺寸信息和标准外观信息提取电芯识别特征;
构建模块,用于根据电芯识别特征和预设学习网络模型构建目标规格电芯的识别模型以及识别模型的多个识别策略;
输入模块,用于获取当前电芯的高清图像,根据高清图像确定识别模型的目标识别策略并将高清图像输入到识别模型中;
确定模块,用于根据识别模型的识别结果确定当前电芯各个外观指标缺陷;
所述根据电芯识别特征和预设学习网络模型构建目标规格电芯的识别模型以及识别模型的多个识别策略,包括:
获取目标规格电芯的多张图像样本并将其划分为训练集、测试集和验证集;
将电芯识别特征写入到预设学习网络模型中以构建目标规格电芯的识别模型,利用训练集、测试集和验证集分别对识别模型进行反复训练和测试直到识别模型识别精度大于等于预设阈值为止;
确定图像具备可视化条件的灰度值区间并将所有区间值划分为多个灰度等级;
获取在每个灰度等级下电芯图像的显性像素参数和隐性像素参数并根据显性像素参数和隐性像素参数设置识别模型对于每个灰度等级的电芯图像的识别策略;
获取当前电芯的高清图像,根据高清图像确定识别模型的目标识别策略并将高清图像输入到识别模型中,包括:
根据当前电芯的高清图像的显示内容判断其是否存在必要识别特征,若是,判断高清图像合格,若否,判断高清图像不合格;
从高清图像中随机抽取n个像素点并确定每个像素点的当前灰度值,根据当前灰度值确定高清图像的当前灰度等级;
根据当前灰度等级确定识别模型的目标识别策略并启动其对应的当前模型识别模式;
将高清图像输入到基于当前模型识别模式的识别模型中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310553482.2A CN116309564B (zh) | 2023-05-17 | 2023-05-17 | 基于人工智能图像识别的电芯外观缺陷检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310553482.2A CN116309564B (zh) | 2023-05-17 | 2023-05-17 | 基于人工智能图像识别的电芯外观缺陷检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116309564A CN116309564A (zh) | 2023-06-23 |
CN116309564B true CN116309564B (zh) | 2023-08-11 |
Family
ID=86817119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310553482.2A Active CN116309564B (zh) | 2023-05-17 | 2023-05-17 | 基于人工智能图像识别的电芯外观缺陷检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116309564B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116805311B (zh) * | 2023-08-18 | 2023-11-07 | 长春师范大学 | 一种基于机器人视觉的汽车零配件表面缺陷监测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111353413A (zh) * | 2020-02-25 | 2020-06-30 | 武汉大学 | 一种输电设备低漏报率缺陷识别方法 |
CN113744270A (zh) * | 2021-11-05 | 2021-12-03 | 南京市特种设备安全监督检验研究院 | 起重机复杂钢结构表面缺陷的无人机视觉检测与识别方法 |
CN114283111A (zh) * | 2020-09-17 | 2022-04-05 | 赢创运营有限公司 | 涂层表面的定性或定量表征 |
CN114419007A (zh) * | 2022-01-21 | 2022-04-29 | 西安交通大学 | 多策略融合深度学习网络模型的缺陷类型识别方法及*** |
CN114627360A (zh) * | 2020-12-14 | 2022-06-14 | 国电南瑞科技股份有限公司 | 基于级联检测模型的变电站设备缺陷识别方法 |
CN115078392A (zh) * | 2022-07-29 | 2022-09-20 | 深圳市泽信智能装备有限公司 | 一种半导体芯片缺陷检测设备及方法 |
CN115829912A (zh) * | 2022-07-29 | 2023-03-21 | 宁德时代新能源科技股份有限公司 | 检测电芯表面缺陷的方法和装置 |
CN115937079A (zh) * | 2022-09-28 | 2023-04-07 | 贵州电网有限责任公司 | 一种基于YOLO v3的输电线路缺陷快速检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220318667A1 (en) * | 2021-03-30 | 2022-10-06 | Accenture Global Solutions Limited | Intelligent real-time defect prediction, detection, and ai driven automated correction solution |
US20220318672A1 (en) * | 2021-04-01 | 2022-10-06 | Samsung Display Co., Ltd. | Systems and methods for identifying manufacturing defects |
-
2023
- 2023-05-17 CN CN202310553482.2A patent/CN116309564B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111353413A (zh) * | 2020-02-25 | 2020-06-30 | 武汉大学 | 一种输电设备低漏报率缺陷识别方法 |
CN114283111A (zh) * | 2020-09-17 | 2022-04-05 | 赢创运营有限公司 | 涂层表面的定性或定量表征 |
CN114627360A (zh) * | 2020-12-14 | 2022-06-14 | 国电南瑞科技股份有限公司 | 基于级联检测模型的变电站设备缺陷识别方法 |
CN113744270A (zh) * | 2021-11-05 | 2021-12-03 | 南京市特种设备安全监督检验研究院 | 起重机复杂钢结构表面缺陷的无人机视觉检测与识别方法 |
CN114419007A (zh) * | 2022-01-21 | 2022-04-29 | 西安交通大学 | 多策略融合深度学习网络模型的缺陷类型识别方法及*** |
CN115078392A (zh) * | 2022-07-29 | 2022-09-20 | 深圳市泽信智能装备有限公司 | 一种半导体芯片缺陷检测设备及方法 |
CN115829912A (zh) * | 2022-07-29 | 2023-03-21 | 宁德时代新能源科技股份有限公司 | 检测电芯表面缺陷的方法和装置 |
CN115937079A (zh) * | 2022-09-28 | 2023-04-07 | 贵州电网有限责任公司 | 一种基于YOLO v3的输电线路缺陷快速检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116309564A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114549522B (zh) | 基于目标检测的纺织品质量检测方法 | |
WO2021143343A1 (zh) | 一种产品质量检测方法及装置 | |
CN103034838B (zh) | 一种基于图像特征的特种车辆仪表类型识别与标定方法 | |
CN109978822B (zh) | 一种基于机器视觉的香蕉成熟度评判建模方法和评判方法 | |
CN116188475B (zh) | 一种外观缺陷自动光学检测的智慧控制方法、***及介质 | |
CN114419025A (zh) | 一种基于图像处理的纤维板质量评估方法 | |
CN108090902A (zh) | 一种基于多尺度生成对抗网络的无参考图像质量客观评价方法 | |
CN115294113A (zh) | 一种木饰面板质量检测方法 | |
CN116309564B (zh) | 基于人工智能图像识别的电芯外观缺陷检测方法及*** | |
CN111401419A (zh) | 基于改进RetinaNet的员工着装规范检测方法 | |
CN116645367B (zh) | 一种高端制造用的钢板切割质量检测方法 | |
CN109215009B (zh) | 基于深度卷积神经网络的连铸坯表面图像缺陷检测方法 | |
CN107564000B (zh) | 基于计算机视觉的猴头菇无损检测分级方法 | |
CN110648322A (zh) | 一种子宫颈异常细胞检测方法及*** | |
CN105335692A (zh) | 一种轮胎x光图像检测识别方法及*** | |
CN111242899B (zh) | 基于图像的瑕疵检测方法及计算机可读存储介质 | |
CN115018844A (zh) | 一种基于人工智能的塑料薄膜质量评估方法 | |
CN112613454A (zh) | 一种电力基建施工现场违章识别方法及*** | |
CN111144749A (zh) | 电网图像智能标注众包平台及工作方法 | |
CN111160451A (zh) | 一种柔性材料检测方法及其储存介质 | |
CN111312023A (zh) | 一种中学物理电路实验电路图自动绘制的装置及方法 | |
CN113295690A (zh) | 基于机器学习的草莓成熟度快速判别方法 | |
CN111626358A (zh) | 一种基于bim图片识别的隧道围岩分级方法 | |
CN109102486B (zh) | 基于机器学习的表面缺陷检测方法及装置 | |
CN116416523A (zh) | 一种基于机器学习的水稻生长阶段的识别***和方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |