CN116577345B - 一种锂电池极耳数量检测方法及*** - Google Patents
一种锂电池极耳数量检测方法及*** Download PDFInfo
- Publication number
- CN116577345B CN116577345B CN202310864164.8A CN202310864164A CN116577345B CN 116577345 B CN116577345 B CN 116577345B CN 202310864164 A CN202310864164 A CN 202310864164A CN 116577345 B CN116577345 B CN 116577345B
- Authority
- CN
- China
- Prior art keywords
- detection
- residual structure
- tabs
- convolution
- lithium battery
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 41
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 claims abstract description 91
- 238000004519 manufacturing process Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000002787 reinforcement Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 36
- 230000004913 activation Effects 0.000 claims description 33
- 238000005070 sampling Methods 0.000 claims description 18
- 230000001186 cumulative effect Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000005728 strengthening Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 3
- WSNMPAVSZJSIMT-UHFFFAOYSA-N COc1c(C)c2COC(=O)c2c(O)c1CC(O)C1(C)CCC(=O)O1 Chemical compound COc1c(C)c2COC(=O)c2c(O)c1CC(O)C1(C)CCC(=O)O1 WSNMPAVSZJSIMT-UHFFFAOYSA-N 0.000 claims 4
- 101000623895 Bos taurus Mucin-15 Proteins 0.000 claims 2
- 239000000203 mixture Substances 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 9
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 150000002641 lithium Chemical class 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- 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
- G01N2021/8883—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 involving the calculation of gauges, generating models
-
- 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
- G01N2021/8887—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 based on image processing techniques
-
- 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
- G06T2207/10024—Color 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
- G06T2207/20—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- 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)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种锂电池极耳数量检测方法及***,涉及锂电池检测技术领域,包括收集生产现场锂电池极耳图片,并进行预处理;对经过预处理的极耳图片进行特征强化,找到最优划线位置,制作数据集;训练检测识别模型,将待检测的极耳图片送入训练好的模型进行检测,确定极耳数量,根据极耳数量判定电池合格状态。本发明通过学习模型和图像处理的结合,能有效避免人为误判和机械设备精度限制导致的误差,利用自动化的图像处理和深度学习,能迅速完成大量图片的极耳数量检测,显著提高生产效率,针对不同的环境和条件进行训练,在各种不同的场景和条件下都能保持高效的性能,降低检测的总体成本,易用性较高,对电池生产企业具有重要的实际价值。
Description
技术领域
本发明涉及锂电池检测技术领域,特别是一种锂电池极耳数量检测方法及***。
背景技术
在电池的生产过程中,电池极耳部分的缺陷检测是至关重要的一环,在生成电池的过程中,极耳容易发生翻折,从而影响电池的性能,而在图像中翻折的极耳不会被相机拍摄到,因此,可以通过判断极耳的数量来实现判断电池好坏的一个判据,所以,电池极耳数量的准确性有利于准确判断电池的合格率,保证电池的安全性能,常规的传统算法无法检测出极耳的数量。
传统的极耳数量检测方法存在一些问题和缺陷,常规的图像处理技术检测结果的准确性较低,通常依赖人工视觉检查或者硬件设备,这样在速度和效率上都有所限制,尤其是在大规模电池生产线上,这种限制更加明显。
发明内容
鉴于现有的电力边缘计算芯片安全访问存在的问题,提出了本发明。
因此,本发明所要解决的问题在于如何提供一种锂电池极耳数量检测方法。该方法采用了先进的深度学习模型和图像处理技术,能够准确地检测出极耳的数量,采用了自动化的处理方式,大大提高了检测的速度和效率,适用于大规模电池生产线的应用。此外,引入了误检率和漏检率等评价指标,通过对模型的持续优化,进一步提高了检测的准确性。实现了电池极耳数量检测的自动化、准确化和高效化,有利于保证电池的高质量生产。
为解决上述技术问题,本发明提供如下技术方案:
第一方面,本发明实施例提供了一种锂电池极耳数量检测方法,其包括,收集生产现场锂电池极耳图片,并进行预处理;所述预处理包括对收集的锂电池极耳图片进行灰度化和二值化;对经过预处理的极耳图片进行特征强化,找到最优划线位置,制作数据集;训练检测识别模型,将待检测的极耳图片送入训练好的模型进行检测,确定极耳数量,根据极耳数量判定电池合格状态。
作为本发明所述锂电池极耳数量检测方法的一种优选方案,其中:所述灰度化用于将彩色图片转换为灰色图片,简化图像复杂性,转换公式如下:
;
式中,Z表示灰度图像点,R为图像中的红色,G为图像中的绿色,B图像中的蓝色;所述二值化用于将灰度图像使用阈值法转换为黑白图像,将图像进一步简化,计算图像灰度直方图、累积概率和累积均值、总均值和类间方差;选择最大类间方差对应的灰度级别作为阈值;将大于阈值的像素设定为黑色,小于阈值的像素设定为白色。
作为本发明所述锂电池极耳数量检测方法的一种优选方案,其中:所述特征强化具体包括,获取图像的宽度W和高度H,设定极耳的位置集合P={p1,p2,...,pN},其中每个表示极耳i的位置坐标;引入一个权重因子/>对每个极耳进行加权,/>定义为极耳i距离图像中心的距离的倒数;找到最优的x,定义目标函数f(x),根据极耳的数量和位置因素定义f(x)为竖线两侧极耳的数量和位置的加权方差:
;
式中,Var表示方差,竖线左侧的极耳数量,/>为竖线右侧的极耳数量,/>为竖线左侧极耳的加权位置,/>为竖线右侧极耳的加权位置,λ为权重参数,用于调整数量和位置的重要程度;使用梯度上升法找到一个x,使得f(x)最大,初始化/>,在每一步中更新/>为/>,其中,α是学习率,/>是/>在/>处的梯度,使用中心差分法:
;
其中,ε是一个小的正数,ε=1e-6,直到f(x)的增长小于预设的阈值和达到预设的最大迭代次数;在图像上画出一条宽度为w,长度为H,左边距离图像左侧的距离为x的竖线,即找到的最优竖线位置;标注最优竖线位置与图片极耳的交点作为正样本,标注看起来像交点但实际上并不是交点的位置作为负样本,将这些交点的横坐标作为模型需要识别的对象。
作为本发明所述锂电池极耳数量检测方法的一种优选方案,其中:所述数据集以随机方式划分为30%训练集和70%测试集;所述训练检测识别模型包括在训练过程中,当模型检测到极耳数量与实际数据的极耳数量相等的个数占整个测试集个数的占比达到最大且持续迭代训练100步之内还没有出现最大占比时,结束训练。
作为本发明所述锂电池极耳数量检测方法的一种优选方案,其中:所述检测识别模型包括特征提取模块和检测模块;所述特征提取模块包括依次设置的卷积组件1、残差结构1、残差结构2、残差结构3、残差结构4、残差结构5、残差结构6、双层残差结构7以及残差结构8、上采样1;所述上采样1与模块相加1连接,所述模块相加1与残差结构9连接、所述残差结构9与上采样2连接通过模块相加2与残差结构4连接;所述模块相加2与残差结构10连接,依次设置上采样3和模块相加3,所述模块相加3与残差结构3连接,依次设置残差结构11、上采样4和模块相加4,所述模块相加4与残差结构2,依次设置残差结构12、上采样5和模块相加5,所述模块相加5与残差结构1连接;所述模块相加5与检测模块的卷积组件2连接;卷积组件1使用128个大小为7×7的卷积核,步长为2,使用ReLU作为激活函数;残差结构1~2中卷积层使用的是128个大小为3×3的卷积核,步长为2,使用Relu作为激活函数;残差结构3~5中卷积层使用的是192个大小为3×3的卷积核,步长为2,使用Relu作为激活函数;残差结构6~7中卷积层使用的是256个大小为3×3的卷积核,步长为1,使用Relu作为激活函数;残差结构8中卷积层使用的是256个大小为3×3的卷积核,步长为1,使用Relu作为激活函数;残差结构9和10中卷积层使用的是192个大小为3×3的卷积核,步长为1,使用Relu作为激活函数;残差结构11中卷积层使用的是128个大小为3×3的卷积核,步长为1,使用Relu作为激活函数;残差结构12中卷积层使用的是128个大小为3×3的卷积核,步长为1,使用Relu作为激活函数;所述检测模块包括依次设置的双层卷积组件2、卷积组件3、全局池化层、全连接层、最后网络模型的输出层经过sigmoid激活函数生成一维矩阵;卷积组件2使用128个大小为3×3的卷积核,步长为2,使用Relu作为激活函数;卷积组件3中的卷积层使用H个1×1的卷积核,步长为1,使用Relu作为激活函数。
作为本发明所述锂电池极耳数量检测方法的一种优选方案,其中:所述确定极耳数量由检测识别模型输出与图片高度相同的一维分类矩阵获得,若一维矩阵的矩阵数据存在大于0.5的值,对应于图片则可以确定这个位置存在竖线与极耳的交点,即确定极耳的数量,进行整体误差分析和反馈循环,当检测交点的整体误差低于0.08时,则检测结果是有效的,否则认定检测结果为无效。
作为本发明所述锂电池极耳数量检测方法的一种优选方案,其中:反馈分析具体包括,计算模型的误检率和漏检率,进行加权计算,根据计算结果判断是否进行反馈循环;计算公式如下:
;
式中,FPR为误检率;FNR为漏检率;FP为模型将负样本错误地预测为正样本的数量;TN为模型将负样本正确地预测为负样本的数量;FN为模型将正样本错误地预测为负样本的数量;TP为模型将正样本正确地预测为正样本的数量;P值为整体误差,取0.7,/>取0.3;当整体误差达到设定阈值时,进行反馈循环。
第二方面,本发明实施例提供了一种锂电池极耳数量检测***,其包括:预处理模块,用于收集锂电池极耳图片并进行预处理,将极耳图片处理成符合检测规则的图像;特征强化模块,用于对经过预处理的图片进行特征强化,明确检测识别模型需要检测的样本点;检测模块,用于对标注的样本点进行识别检测,分辨出真实的样本点,得出极耳数量;反馈优化模块,用于对检测结果进行置信度分析和反馈分析,对检测结果进行优化
第三方面,本发明实施例提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其中:所述处理器执行所述计算机程序时实现上述锂电池极耳数量检测方法的任一步骤。
第四方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,其中:所述计算机程序被处理器执行时实现上述锂电池极耳数量检测方法的任一步骤。
本发明有益效果为通过学习模型和图像处理的结合,在电池极耳数量检测上具有高准确性,能有效避免人为误判和机械设备精度限制导致的误差,利用自动化的图像处理和深度学习,能迅速完成大量图片的极耳数量检测,显著提高生产效率,减少人工干预的需求,可以针对不同的环境和条件进行训练,使得在各种不同的场景和条件下都能保持高效的性能,尽管前期需要投入建设深度学习模型和图像采集设备的费用,但由于后续使用成本较低,能够大幅度降低检测的总体成本,只需进行少量的人工干预,易用性较高,在电池极耳数量检测上具有明显优势,可以显著提高生产效率和质量,降低成本,对电池生产企业具有重要的实际价值。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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。其中:
图1为锂电池极耳数量检测方法的流程图。
图2为锂电池极耳数量检测方法的识别检测模型架构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护的范围。
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他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。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
实施例1
参照图1,为本发明第一个实施例,该实施例提供了一种锂电池极耳数量检测方法,包括:
S1:收集生产现场锂电池极耳图片,并进行预处理;所述预处理包括对收集的锂电池极耳图片进行灰度化和二值化。
具体的,对收集的图片进行灰度化和二值化,灰度化用于将彩色图片转换为灰色图片,简化图像复杂性,转换公式如下:
;
式中,Z表示灰度图像点,R为图像中的红色,G为图像中的绿色,B图像中的蓝色。
二值化用于将灰度图像使用阈值法转换为黑白图像,将图像进一步简化,计算图像灰度直方图、累积概率和累积均值、总均值和类间方差,假设有一副灰度图像,灰度级别在[0,L]范围内,每个灰度级别i的像素数为,图像的总像素数为N。
计算灰度直方图:灰度直方图H(i)是表示图像中每个灰度级别像素数的直方图,它可以通过统计图像中每个灰度级别的像素数量来计算。
计算累积概率和累积均值:首先需要计算每个灰度级别的概率,它被定义为该灰度级别的像素数/>除以总像素数N,公式如下:
;
然后计算累积概率P(k)和累积均值m(k),对于灰度级别从0到k,累积概率和累积均值的计算方法如下:
;
式中,为累计概率,/>为累计均值。
总均值是所有灰度级别的像素的平均灰度,通过以下公式计算:
;
对于每个灰度级别k,类间方差可以通过以下公式计算:
;
选择最大类间方差对应的灰度级别作为阈值,要找的阈值T就是使得最大的k值:
;
选择最大类间方差对应的灰度级别作为阈值;将大于阈值的像素设定为黑色,小于阈值的像素设定为白色。
S2:对经过预处理的极耳图片进行特征强化,找到最优划线位置,制作数据集。
具体的,获取图像的宽度W和高度H,设定极耳的位置集合P={p1,p2,...,pN},其中每个表示极耳i的位置坐标;
考虑到极耳不会均匀分布在图像上,引入一个权重因子对每个极耳进行加权,定义为极耳i距离图像中心的距离的倒数;
竖线的位置x,找到一个最优的x,定义目标函数f(x),根据极耳的数量和位置因素定义f(x)为竖线两侧极耳的数量和位置的加权方差:
;
式中,Var表示方差,竖线左侧的极耳数量,/>为竖线右侧的极耳数量,/>为竖线左侧极耳的加权位置,/>为竖线右侧极耳的加权位置,λ为权重参数,用于调整数量和位置的重要程度;
使用梯度上升法找到一个x,使得f(x)最大,初始化,然后在每一步中,更新/>为/>,其中,α是学习率,/>是/>在/>处的梯度,使用中心差分法:
;
其中,ε是一个小的正数,ε=1e-6,直到f(x)的增长小于预设的阈值和达到预设的最大迭代次数。
在图像上画出一条宽度为w,长度为H,左边距离图像左侧的距离为x的竖线,即找到的最优竖线位置。
标注最优竖线位置与图片极耳的交点作为正样本,标注看起来像交点但实际上并不是交点的位置作为负样本,将这些交点的横坐标作为模型需要识别的对象。
S3:训练检测识别模型,将待检测的极耳图片送入训练好的模型进行检测,确定极耳数量,根据极耳数量判定电池合格状态。
具体的,数据集以随机方式划分为30%训练集和70%测试集;在训练检测识别模型过程中,当模型检测到极耳数量与实际数据的极耳数量相等的个数占整个测试集个数的占比达到最大且持续迭代训练100步之内还没有出现最大占比时,结束训练。
检测识别模型包括特征提取模块和检测模块,特征提取模块包括依次设置的卷积组件1、残差结构1、残差结构2、残差结构3、残差结构4、残差结构5、残差结构6、双层残差结构7以及残差结构8、上采样1;上采样1与模块相加1连接,模块相加1与残差结构9连接、残差结构9与上采样2连接通过模块相加2与残差结构4连接;模块相加2与残差结构10连接,依次设置上采样3和模块相加3,模块相加3与残差结构3连接,依次设置残差结构11、上采样4和模块相加4,模块相加4与残差结构2,依次设置残差结构12、上采样5和模块相加5,模块相加5与残差结构1连接;模块相加5与检测模块的卷积组件2连接;卷积组件1使用128个大小为7×7的卷积核,步长为2,使用ReLU作为激活函数;残差结构1~2中卷积层使用的是128个大小为3×3的卷积核,步长为2,使用Relu作为激活函数;残差结构3~5中卷积层使用的是192个大小为3×3的卷积核,步长为2,使用Relu作为激活函数;残差结构6~7中卷积层使用的是256个大小为3×3的卷积核,步长为1,使用Relu作为激活函数;残差结构8中卷积层使用的是256个大小为3×3的卷积核,步长为1,使用Relu作为激活函数;残差结构9和10中卷积层使用的是192个大小为3×3的卷积核,步长为1,使用Relu作为激活函数;残差结构11中卷积层使用的是128个大小为3×3的卷积核,步长为1,使用Relu作为激活函数;残差结构12中卷积层使用的是128个大小为3×3的卷积核,步长为1,使用Relu作为激活函数;检测模块包括依次设置的双层卷积组件2、卷积组件3、全局池化层、全连接层、最后网络模型的输出层经过sigmoid激活函数生成一维矩阵;卷积组件2使用128个大小为3×3的卷积核,步长为2,使用Relu作为激活函数;卷积组件3中的卷积层使用H个1×1的卷积核,步长为1,使用Relu作为激活函数。
确定极耳数量由检测识别模型输出与图片高度相同的一维分类矩阵获得,若一维矩阵的矩阵数据存在大于0.5的值,对应于图片则可以确定这个位置存在竖线与极耳的交点,即确定极耳的数量,进行置信度分析和反馈循环,当检测交点的置信度高于0.5时,则认为该检测结果是有效的,否则认定检测结果为无效。基于多个检测样本下选取不同的置信度阈值得到检测准确率如下。
表1置信度阈值设定结果
由表中数据可得,在选取置信度阈值为0.5的情况下,模型检测准确率相对最高,可以更好的发挥检测的准确性,同时模型具有较佳的检测能力。
进行反馈分析,计算模型的误检率和漏检率,进行加权计算,根据计算结果判断是否进行反馈循环;计算公式如下:
;
式中,FPR为误检率;FNR为漏检率;FP为模型将负样本错误地预测为正样本的数量;TN为模型将负样本正确地预测为负样本的数量;FN为模型将正样本错误地预测为负样本的数量;TP为模型将正样本正确地预测为正样本的数量;P值为整体误差,取0.7,/>取0.3。
权重系数的选取考虑到实际生产情况,例如经济成本:当误将一个合格的电池误判为不合格(误检)时,这个电池可能会被错误地报废,导致原材料和生产过程的经济损失。
而对于漏检,即将不合格的电池误判为合格,可能会造成电池在使用过程中的性能下降,但电池可能仍能进行一定程度的使用,相对来说,经济损失可能较小。对于电池生产厂商来说,品牌形象和产品质量的声誉是非常重要的。如果经常有质量问题的产品被漏检,流入市场,可能会对品牌声誉造成严重损害。
然而,如果偶尔有一些合格产品被误判为不合格,对于外界的影响可能较小。如果漏检的电池中,存在严重的质量问题,例如极耳数量严重不足,可能导致电池在使用过程中发生安全事故。
但相对来说,这种情况出现的概率较小,因为电池生产过程中通常还会有其他的质量检测环节,可以进一步发现这些问题。如果误检率过高,可能会导致大量的合格产品被误判为不合格,这会降低生产线的效率,影响生产进度。如果不合格的电池被漏检,流入市场,可能会增加售后服务的工作量,以及因为保修而产生的成本。
当整体误差达到设定阈值时,进行反馈循环。P值计算结果如下:
表2 P值结果
由表中结果可得,P值的结果大部分处于0.08以下,所以本方法经过综合考虑将设定阈值选取为0.08。
第二方面,本实施例提供了一种锂电池极耳数量检测***,包括:预处理模块,用于收集锂电池极耳图片并进行预处理,将极耳图片处理成符合检测规则的图像。特征强化模块,用于对经过预处理的图片进行特征强化,明确检测识别模型需要检测的样本点。检测模块,用于对标注的样本点进行识别检测,分辨出真实的样本点,得出极耳数量。反馈优化模块,用于对检测结果进行置信度分析和反馈分析,对检测结果进行优化。
本实施例还提供一种计算机设备,适用于锂电池极耳数量检测方法的情况,包括:存储器和处理器;存储器用于存储计算机可执行指令,处理器用于执行计算机可执行指令,实现如上述实施例提出的本发明实施例所述方法的全部或部分步骤。
本实施例还提供一种存储介质,其上存储有计算机程序,计算机程序被处理器执行时,执行上述实施例的任一可选的实现方式中的方法。其中,存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static RandomAccess Memory,简称SRAM),电可擦除可编程只读存储器(Electrically ErasableProgrammable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(ErasableProgrammableRead Only Memory,简称EPROM),可编程只读存储器(Programmable Red-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
本实施例提出的存储介质与上述实施例提出的数据存储方法属于同一发明构思,未在本实施例中详尽描述的技术细节可参见上述实施例,并且本实施例与上述实施例具有相同的有益效果。
实施例2
参照表3,为本发明第二个实施例,为了验证本方法的有益效果,本发明进行相关的仿真实验。因为神经网络的输入大小为一个确定值,在试验中设定为1024*1024输入值,因此相对应的,真实的坐标也需要进行转换,下表为使用长和高为3456*1717的图片进行的试验,因为神经网络只需要确定高度上是否存在有竖线与极耳的交点,所有只需转换Y值,转换结果如下:
表3 Y值转换结果
由表可知,本方法所采用的神经网络模型可以很好的对图像的Y值进行预测,预测准确率很高,能够很好对于电池极耳图片进行预测,生成良好的一维分类矩阵进行极耳数量的检测。
表4本方法与传统方法对比表
由表可知,本方法通过学习模型和图像处理的结合,使得本方法在电池极耳数量检测上具有高准确性,能有效避免人为误判和机械设备精度限制导致的误差。利用自动化的图像处理和深度学习,能迅速完成大量图片的极耳数量检测,显著提高生产效率。本方法的智能程度高,能够通过学习和优化提高检测性能和效率,减少人工干预的需求。模型可以针对不同的环境和条件进行训练,使得本方法在各种不同的场景和条件下都能保持高效的性能。尽管前期需要投入建设深度学习模型和图像采集设备的费用,但由于后续使用成本较低,能够大幅度降低检测的总体成本。只需进行少量的人工干预,大部分工作都可以通过计算机程序自动处理,易用性较高。这些优势使得本方法在电池极耳数量检测上具有明显优势,可以显著提高生产效率和质量,降低成本,对电池生产企业具有重要的实际价值。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种锂电池极耳数量检测方法,其特征在于:包括,
收集生产现场锂电池极耳图片,并进行预处理;
对经过预处理的极耳图片进行特征强化,找到最优划线位置,制作数据集;
特征强化具体包括,
获取图像的宽度W和高度H,设定极耳的位置集合P={p1,p2,...,pN},其中每个表示极耳i的位置坐标;
引入权重因子对每个极耳进行加权,定义为极耳i距离图像中心的距离的倒
数;
找到最优的x,定义目标函数f(x),根据极耳的数量和位置定义f(x)为竖线两侧极耳的数量和位置的加权方差:
式中,Var表示方差,竖线左侧的极耳数量,为竖线右侧的极耳数量,为竖线
左侧极耳的加权位置,为竖线右侧极耳的加权位置,λ为权重参数,用于调整数量和位置
的重要程度;
使用梯度上升法找到一个x,使得f(x)最大,初始化,在每一步中更新为,其中,α是学习率,是在处的梯度,使用中心差分法:
其中,ε是一个小的正数,ε=1e-6,直到f(x)的增长小于预设的阈值和达到预设的最大迭代次数;
在图像上画出一条宽度为w,长度为H,左边距离图像左侧的距离为x的竖线,即找到的最优竖线位置;
标注最优竖线位置与图片极耳的交点作为正样本,标注看起来像交点但实际上并不是交点的位置作为负样本,将这些交点的纵坐标作为模型需要识别的对象;
训练检测识别模型,将待检测的极耳图片送入训练好的模型进行检测,确定极耳数量,根据极耳数量判定电池合格状态;
确定极耳数量由检测识别模型输出与图片高度相同的一维分类矩阵获得,若一维矩阵的矩阵数据存在大于0.5的值,对应于图片则可以确定这个位置存在竖线与极耳的交点,即确定极耳的数量,进行整体误差分析和反馈循环,当检测交点的整体误差低于0.08时,则检测结果是有效的,否则认定检测结果为无效。
2.如权利要求1所述的锂电池极耳数量检测方法,其特征在于:所述预处理包括对收集的锂电池极耳图片进行灰度化和二值化;所述灰度化用于将彩色图片转换为灰色图片,简化图像复杂性,转换公式如下:
式中,Z表示灰度图像点,R为图像中的红色,G为图像中的绿色,B图像中的蓝色;
所述二值化用于将灰度图像使用阈值法转换为黑白图像,将图像进一步简化,计算图像灰度直方图、累积概率和累积均值、总均值和类间方差;选择最大类间方差对应的灰度级别作为阈值;将大于阈值的像素设定为黑色,小于阈值的像素设定为白色。
3.如权利要求2所述的锂电池极耳数量检测方法,其特征在于:所述数据集以随机方式划分为30%训练集和70%测试集;所述训练检测识别模型包括在训练过程中,当模型检测到极耳数量与实际数据的极耳数量相等的个数占整个测试集个数的占比达到最大且持续迭代训练100步之内还没有出现最大占比时,结束训练。
4.如权利要求3所述的锂电池极耳数量检测方法,其特征在于:所述检测识别模型包括特征提取模块和检测模块;
所述特征提取模块包括依次设置的卷积组件一、残差结构一、残差结构二、残差结构三、残差结构四、残差结构五、残差结构六、双层残差结构七以及残差结构八、上采样一;所述上采样一与模块相加一连接,所述模块相加一与残差结构九连接、所述残差结构九与上采样二连接通过模块相加二与残差结构四连接;所述模块相加二与残差结构十连接,依次设置上采样三和模块相加三,所述模块相加三与残差结构三连接,依次设置残差结构十一、上采样四和模块相加四,所述模块相加四与残差结构二连接,依次设置残差结构十二、上采样五和模块相加五,所述模块相加五与残差结构一连接;所述模块相加五与检测模块的卷积组件二连接;
卷积组件一使用128个大小为7×7的卷积核,步长为2,使用ReLU作为激活函数;残差结构一和残差结构二中卷积层使用的是128个大小为3×3的卷积核,步长为2,使用ReLU作为激活函数;残差结构三、残差结构四和残差结构五中卷积层使用的是192个大小为3×3的卷积核,步长为2,使用ReLU作为激活函数;残差结构六和残差结构七中卷积层使用的是256个大小为3×3的卷积核,步长为1,使用ReLU作为激活函数;残差结构八中卷积层使用的是256个大小为3×3的卷积核,步长为1,使用ReLU作为激活函数;残差结构九和残差结构十中卷积层使用的是192个大小为3×3的卷积核,步长为1,使用ReLU作为激活函数;残差结构十一中卷积层使用的是128个大小为3×3的卷积核,步长为1,使用ReLU作为激活函数;残差结构十二中卷积层使用的是128个大小为3×3的卷积核,步长为1,使用ReLU作为激活函数;
所述检测模块包括依次设置的双层卷积组件二、卷积组件三、全局池化层、全连接层,最后网络模型的输出层经过sigmoid激活函数生成一维矩阵;卷积组件二使用128个大小为3×3的卷积核,步长为2,使用ReLU作为激活函数;卷积组件三中的卷积层使用H个1×1的卷积核,步长为1,使用ReLU作为激活函数。
5.如权利要求4所述的锂电池极耳数量检测方法,其特征在于:反馈分析具体包括,
计算模型的误检率和漏检率,进行加权计算,根据计算结果判断是否进行反馈循环;计算公式如下:
式中,FPR为误检率;FNR为漏检率;FP为模型将负样本错误地预测为正样本的数量;TN
为模型将负样本正确地预测为负样本的数量;FN为模型将正样本错误地预测为负样本的数
量;TP为模型将正样本正确地预测为正样本的数量;P值为整体误差,取0.7,取0.3;
当整体误差达到设定阈值时,进行反馈循环。
6.一种锂电池极耳数量检测***,基于权利要求1~5任一所述的锂电池极耳数量检测方法,其特征在于:包括,
预处理模块,用于收集锂电池极耳图片并进行预处理,将极耳图片处理成符合检测规则的图像;
特征强化模块,用于对经过预处理的图片进行特征强化,明确检测识别模型需要检测的样本点;
检测模块,用于对标注的样本点进行识别检测,分辨出真实的样本点,得出极耳数量;
反馈优化模块,用于对检测结果进行置信度分析和反馈分析,对检测结果进行优化。
7.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于:所述处理器执行所述计算机程序时实现权利要求1~5任一所述锂电池极耳数量检测方法的步骤。
8.一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:所述计算机程序被处理器执行时实现权利要求1~5任一所述锂电池极耳数量检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310864164.8A CN116577345B (zh) | 2023-07-14 | 2023-07-14 | 一种锂电池极耳数量检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310864164.8A CN116577345B (zh) | 2023-07-14 | 2023-07-14 | 一种锂电池极耳数量检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116577345A CN116577345A (zh) | 2023-08-11 |
CN116577345B true CN116577345B (zh) | 2023-09-29 |
Family
ID=87536477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310864164.8A Active CN116577345B (zh) | 2023-07-14 | 2023-07-14 | 一种锂电池极耳数量检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116577345B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116896645B (zh) * | 2023-09-11 | 2024-01-12 | 东莞市京品精密模具有限公司 | 基于云计算的锂电池极耳模具生产在线监测*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105981200A (zh) * | 2013-12-10 | 2016-09-28 | 日产自动车株式会社 | 检测方法以及检测装置 |
CN109598721A (zh) * | 2018-12-10 | 2019-04-09 | 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 |
CN113989232A (zh) * | 2021-10-28 | 2022-01-28 | 广东利元亨智能装备股份有限公司 | 电芯缺陷检测方法、装置、电子设备和存储介质 |
CN114022479A (zh) * | 2022-01-05 | 2022-02-08 | 高视科技(苏州)有限公司 | 电池极耳外观缺陷检测方法 |
CN115797346A (zh) * | 2023-02-06 | 2023-03-14 | 江苏时代新能源科技有限公司 | 极耳状态检测方法、装置、计算机设备和存储介质 |
CN115841451A (zh) * | 2022-09-27 | 2023-03-24 | 宁德时代新能源科技股份有限公司 | 检测极耳数量的方法和装置 |
WO2023070365A1 (zh) * | 2021-10-27 | 2023-05-04 | 宁德时代新能源科技股份有限公司 | 电池极耳检测方法、装置及存储介质 |
WO2023121299A1 (ko) * | 2021-12-22 | 2023-06-29 | 주식회사 엘지에너지솔루션 | 배터리 셀 검사 시스템 및 방법 |
-
2023
- 2023-07-14 CN CN202310864164.8A patent/CN116577345B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105981200A (zh) * | 2013-12-10 | 2016-09-28 | 日产自动车株式会社 | 检测方法以及检测装置 |
CN109598721A (zh) * | 2018-12-10 | 2019-04-09 | 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 |
WO2023070365A1 (zh) * | 2021-10-27 | 2023-05-04 | 宁德时代新能源科技股份有限公司 | 电池极耳检测方法、装置及存储介质 |
CN113989232A (zh) * | 2021-10-28 | 2022-01-28 | 广东利元亨智能装备股份有限公司 | 电芯缺陷检测方法、装置、电子设备和存储介质 |
WO2023121299A1 (ko) * | 2021-12-22 | 2023-06-29 | 주식회사 엘지에너지솔루션 | 배터리 셀 검사 시스템 및 방법 |
CN114022479A (zh) * | 2022-01-05 | 2022-02-08 | 高视科技(苏州)有限公司 | 电池极耳外观缺陷检测方法 |
CN115841451A (zh) * | 2022-09-27 | 2023-03-24 | 宁德时代新能源科技股份有限公司 | 检测极耳数量的方法和装置 |
CN115797346A (zh) * | 2023-02-06 | 2023-03-14 | 江苏时代新能源科技有限公司 | 极耳状态检测方法、装置、计算机设备和存储介质 |
Non-Patent Citations (4)
Title |
---|
An Improved Deep Learning Network Based Defect Detection Algorithm for Lithium-ion Battery Pole Chip;Hongcheng Zhou et al.;《IEEE》;第506-511页 * |
Study on Improved VGGNet and SK Convolution Identification Model for Defect Classification of Single Molten Salt Battery;WENCHAO XU et al.;《IEEE Access》;第11卷;第48332-48346页 * |
基于机器视觉的锂电池极耳焊接缺陷检测技术研究与分析;高堂盼;《机电工程技术》;第50卷(第07期);第187-190页 * |
复杂背景下的锂电池极耳R角定位算法研究及实现;马鑫然;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》(第01期);第1-45页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116577345A (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110610475B (zh) | 一种深度卷积神经网络的视觉缺陷检测方法 | |
CN111611905B (zh) | 一种可见光与红外融合的目标识别方法 | |
CN112241699A (zh) | 物体缺陷类别识别方法、装置、计算机设备和存储介质 | |
CN116577345B (zh) | 一种锂电池极耳数量检测方法及*** | |
CN116310785B (zh) | 基于YOLO v4的无人机影像路面病害检测方法 | |
CN114749342B (zh) | 一种锂电池极片涂布缺陷识别方法、装置及介质 | |
CN108009574B (zh) | 一种轨道扣件检测方法 | |
CN114862814A (zh) | 太阳能电池板缺陷检测方法及***、存储介质及终端 | |
CN111611907A (zh) | 一种图像增强的红外目标检测方法 | |
CN115861190A (zh) | 一种基于对比学习的光伏组件无监督缺陷检测方法 | |
CN115527234A (zh) | 一种基于改进YOLOv5模型的红外图像笼内死鸡识别方法 | |
CN114612406A (zh) | 一种基于可见光和红外视觉的光伏板缺陷检测方法 | |
CN111291814A (zh) | 基于卷积神经网络与信息熵数据融合策略的裂纹识别算法 | |
CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
CN113962929A (zh) | 光伏电池组件缺陷检测方法、***及光伏电池组件生产线 | |
CN113724219A (zh) | 基于卷积神经网络的建筑物表面病害检测方法及*** | |
CN116740758A (zh) | 一种防止误判的鸟类图像识别方法及*** | |
Tian et al. | A method of corn disease identification based on convolutional neural network | |
CN109657682B (zh) | 一种基于深度神经网络和多阈值软切分的电能表示数识别方法 | |
CN117269168B (zh) | 一种新能源汽车精密零配件表面缺陷检测装置及检测方法 | |
CN115830302B (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
CN112381794A (zh) | 一种基于深度卷积生成网络的印刷缺陷检测方法 | |
CN114581407B (zh) | 一种光伏模块的自适应缺陷检测方法 | |
CN116152194A (zh) | 一种物体缺陷检测方法、***、设备及介质 | |
CN115187878A (zh) | 基于无人机图像分析的风力发电装置叶片缺陷检测方法 |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: Room 101-301, Building 3, No. 9, Huijiang South 2nd Road, Dashi Street, Panyu District, Guangzhou City, Guangdong Province, 5114300 Patentee after: Guangzhou Yihong Intelligent Equipment Co.,Ltd. Country or region after: China Address before: Room 101-301, Building 3, No. 9, Huijiang South 2nd Road, Dashi Street, Panyu District, Guangzhou City, Guangdong Province, 5114300 Patentee before: GUANGZHOU EHOLLY INTELLIGENT EQUIPMENT Co.,Ltd. Country or region before: China |