CN116681677A - 一种锂电池缺陷检测方法、装置及*** - Google Patents

一种锂电池缺陷检测方法、装置及*** Download PDF

Info

Publication number
CN116681677A
CN116681677A CN202310674999.7A CN202310674999A CN116681677A CN 116681677 A CN116681677 A CN 116681677A CN 202310674999 A CN202310674999 A CN 202310674999A CN 116681677 A CN116681677 A CN 116681677A
Authority
CN
China
Prior art keywords
image
pole piece
pixel
defect
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.)
Pending
Application number
CN202310674999.7A
Other languages
English (en)
Inventor
曹飞道
王文洪
刘洪江
苑明哲
李硕
魏金洋
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.)
Guangzhou Institute Of Industrial Intelligence
Shenyang Institute of Automation of CAS
Original Assignee
Guangzhou Institute Of Industrial Intelligence
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 Guangzhou Institute Of Industrial Intelligence filed Critical Guangzhou Institute Of Industrial Intelligence
Priority to CN202310674999.7A priority Critical patent/CN116681677A/zh
Publication of CN116681677A publication Critical patent/CN116681677A/zh
Pending legal-status Critical Current

Links

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
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20216—Image averaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种锂电池缺陷检测方法、装置及***，通过对待检测锂电池的极片图像进行下采样操作，获得不同尺度的待处理图像；根据待处理图像的像素值和预设的像素差值阈值计算二值化阈值；通过二值化阈值对各待处理图像进行二值化，获得各待处理图像对应的二值化图像，并对二值化图像进行上采样操作和加权融合操作，获得融合图像；在融合图像中，将像素值大于预设分割阈值的区域进行分割，从而确定分割区域；根据分割区域在融合图像中的位置关系和尺寸大小，对极片图像进行分割，获得极片图像的异常区域图片，将异常区域图片输入到预设的分类网络模型，从而能够通过分类网络模型输出异常区域图片对应的缺陷判定结果，完成锂电池缺陷检测。

Description

一种锂电池缺陷检测方法、装置及***
技术领域
本发明涉及图像处理领域，尤其涉及一种锂电池缺陷检测方法、装置及***。
背景技术
锂电池稳定的化学性能和可靠的安全性能使得锂电池成了各新能源汽车生产厂家的首选储能设备。极片是锂电池内部进行充电和放电的核心部件。其质量直接影响锂电池的稳定性和安全性。生产极片涉及到涂布、辊压、切割等多个步骤。在生产过程中，在极片的表面可能会产生划痕、欠辊压、漏铝等缺陷，直接导致锂电池存在质量问题。所以在生产过程中，缺陷检测是一个重要的环节。通过进行缺陷检测，一方面可以避免存在缺陷的极片流入市场，造成安全事故和经济损失；另一方面通过对缺陷的位置和类型进行分析，确定造成缺陷的主要影响因素和生产工序，从而完善生产工艺，提高生产效率。
传统人工检测方式，对检测人员的专业技能要求高，费时费力且成本高；检测结果易收到个人的主观意识和工作经验的影响，存在标准不统一的情形。基于传统缺陷匹配或者分割的缺陷检测方式对光照、拍摄角度等要求比较严格，无法适应不同的生产环境和复杂多样的缺陷类型；对于新的生产线，往往需要大量时间进行调试才能适应新的生产环境，不利于快速生产的需。
因此，亟需一种锂电池缺陷检测策略，从而解决锂电池缺陷检测效率低的问题。
发明内容
本发明实施例提供一种锂电池缺陷检测方法、装置及***，以提高锂电池缺陷的检测效率。
为了解决上述问题，本发明一实施例提供一种锂电池缺陷检测方法，包括：
获取待检测锂电池的极片图像，对所述极片图像进行下采样操作，获得各待处理图像；
根据每一所述待处理图像的像素值和预设的像素差值阈值，计算二值化阈值；
根据所述二值化阈值分别对各所述待处理图像进行二值化，获得各所述待处理图像对应的二值化图像，对各所述二值化图像进行上采样操作和加权融合操作，获得融合图像；
根据预设的分割阈值，在所述融合图像中对像素值大于所述分割阈值的各区域进行分割，确定所述融合图像对应的各分割区域；
根据各所述分割区域在融合图像中的位置关系和尺寸大小，对所述极片图像进行分割，获得所述极片图像的各异常区域图片，并将每一所述异常区域图片输入到预设的分类网络模型中，以使所述分类网络模型输出每一所述异常区域图片对应的缺陷判定结果；其中，所述分类网络模型通过将若干已标注缺陷类型的缺陷图片输入到轻量型分类网络中训练获得。
作为上述方案的改进，所述待处理图像包括：极片图像、第一采样图像和第二采样图像；所述对所述极片图像进行下采样操作，获得各待处理图像，包括：
对所述极片图像进行下采样操作，获得所述极片图像对应的第一采样图像；
对所述第一采样图像进行下采样操作，获得所述第一采样图像对应的第二采样图像；
汇总所述极片图像、所述第一采样图像和所述第二采样图像，获得各待处理图像。
作为上述方案的改进，在所述根据每一所述待处理图像的像素值和预设的像素差值阈值，计算二值化阈值之前，还包括：
在所述极片图像中，随机确定若干个预设尺寸的第一图像块；
根据若干第一图像块在所述极片图像中的位置关系，确定所述第一采样图像对应的若干预设尺寸的第二图像块与所述第二采样图像对应的若干预设尺寸的第三图像块；其中，所述第一图像块的数量、所述第二图像块的数量与所述第三图像块的数量一致。
作为上述方案的改进，所述根据每一所述待处理图像的像素值和预设的像素差值阈值，计算二值化阈值，包括：
根据每一所述待处理图像的像素值，计算每个第一图像块的第一像素平均值、每个第二图像块的第二像素平均值和每个第三图像块的第三像素平均值；
汇总所有所述第一像素平均值、所有所述第二像素平均值和所有所述第三像素平均值，按照从大到小的顺序排列，获得像素平均值序列；
计算所述像素平均值序列中两两相邻像素平均值的像素平均差值，并选取小于像素差值阈值的像素平均差值作为目标像素平均差值，计算若干目标像素平均差值的平均值，获得二值化阈值。
作为上述方案的改进，所述对各所述二值化图像进行上采样操作和加权融合操作，获得融合图像，包括：
将所述第一采样图像对应的二值化图像进行上采样操作，获得第一上采样二值化图像；
将所述第二采样图像对应的二值化图像进行上采样操作，获得第二上采样二值化图像；
将所述极片图像对应的二值化图像、所述第一上采样二值化图像和第二上采样二值化图像代入到预设的加权公式进行加权融合操作，获得融合图像；其中，所述极片图像对应的二值化图像、所述第一上采样二值化图像和第二上采样二值化图像的尺寸相同；所述加权公式，具体为：
P＝λ1P1+λ2P′ 2+λ3P′ 3
式中，P为融合图像，P1为所述极片图像对应的二值化图像，P′ 2为所述第一上采样二值化图像，P′ 3为第二上采样二值化图像，λ1、λ2和λ3为预设的加权权重。
作为上述方案的改进，所述根据预设的分割阈值，在所述融合图像中对像素值大于所述分割阈值的各区域进行分割，确定所述融合图像对应的各分割区域，包括：
在所述融合图像中，通过预设的分割公式，选取像素值大于预设的分割阈值的各区域作为各目标区域；其中，所述分割公式，具体为：
式中，P′为各目标区域组成的图片，T′为分割阈值；
根据各目标区域的最左像素点、最右像素点、最上像素点和最下像素点，确定各目标区域对应的矩形区域，将各所述矩形区域作为所述融合图像的各分割区域。
作为上述方案的改进，所述缺陷判定结果包括：正常区域、缺陷区域和缺陷区域对应的缺陷类型；在所述分类网络模型输出每一所述异常区域图片对应的缺陷判定结果之后，包括：
对每一所述缺陷判定结果进行判断：若为正常区域，则通过打标机将正常区域对应的异常区域图片标记为正常图片；若为缺陷区域，则将缺陷区域对应的异常区域图片进行记录，并通过所述打标机在缺陷区域对应的异常区域图片上标记缺陷区域对应的缺陷类型。
作为上述方案的改进，在所述获取待检测锂电池的极片图像之前，还包括：
接收由位置编码器传输的脉冲信号数据，根据所述脉冲信号数据计算所述待检测锂电池的移动距离；
在所述移动距离大于等于距离阈值时，控制线阵相机对待检测锂电池的极片进行拍摄，以使所述线阵相机对拍摄获得的极片图像进行传输。
相应的，本发明一实施例还提供了一种锂电池缺陷检测装置，包括：数据获取模块、数据计算模块、二值化模块、分割模块和数据判断模块；
所述数据获取模块，用于获取待检测锂电池的极片图像，对所述极片图像进行下采样操作，获得各待处理图像；
所述数据计算模块，用于根据每一所述待处理图像的像素值和预设的像素差值阈值，计算二值化阈值；
所述二值化模块，用于根据所述二值化阈值分别对各所述待处理图像进行二值化，获得各所述待处理图像对应的二值化图像，对各所述二值化图像进行上采样操作和加权融合操作，获得融合图像；
所述分割模块，用于根据预设的分割阈值，在所述融合图像中对像素值大于所述分割阈值的各区域进行分割，确定所述融合图像对应的各分割区域；
所述数据判断模块，用于根据各所述分割区域在融合图像中的位置关系和尺寸大小，对所述极片图像进行分割，获得所述极片图像的各异常区域图片，并将每一所述异常区域图片输入到预设的分类网络模型中，以使所述分类网络模型输出每一所述异常区域图片对应的缺陷判定结果；其中，所述分类网络模型通过将若干已标注缺陷类型的缺陷图片输入到轻量型分类网络中训练获得。
作为上述方案的改进，所述待处理图像包括：极片图像、第一采样图像和第二采样图像；所述对所述极片图像进行下采样操作，获得各待处理图像，包括：
对所述极片图像进行下采样操作，获得所述极片图像对应的第一采样图像；
对所述第一采样图像进行下采样操作，获得所述第一采样图像对应的第二采样图像；
汇总所述极片图像、所述第一采样图像和所述第二采样图像，获得各待处理图像。
作为上述方案的改进，在所述根据每一所述待处理图像的像素值和预设的像素差值阈值，计算二值化阈值之前，还包括：
在所述极片图像中，随机确定若干个预设尺寸的第一图像块；
根据若干第一图像块在所述极片图像中的位置关系，确定所述第一采样图像对应的若干预设尺寸的第二图像块与所述第二采样图像对应的若干预设尺寸的第三图像块；其中，所述第一图像块的数量、所述第二图像块的数量与所述第三图像块的数量一致。
作为上述方案的改进，所述数据计算模块，包括：像素平均值计算单元、像素平均值排序单元和像素平均值计算作差单元；
所述像素平均值计算单元，用于根据每一所述待处理图像的像素值，计算每个第一图像块的第一像素平均值、每个第二图像块的第二像素平均值和每个第三图像块的第三像素平均值；
所述像素平均值排序单元，用于汇总所有所述第一像素平均值、所有所述第二像素平均值和所有所述第三像素平均值，按照从大到小的顺序排列，获得像素平均值序列；
所述像素平均值作差单元，用于计算所述像素平均值序列中两两相邻像素平均值的像素平均差值，并选取小于像素差值阈值的像素平均差值作为目标像素平均差值，计算若干目标像素平均差值的平均值，获得二值化阈值。
作为上述方案的改进，所述对各所述二值化图像进行上采样操作和加权融合操作，获得融合图像，包括：
将所述第一采样图像对应的二值化图像进行上采样操作，获得第一上采样二值化图像；
将所述第二采样图像对应的二值化图像进行上采样操作，获得第二上采样二值化图像；
将所述极片图像对应的二值化图像、所述第一上采样二值化图像和第二上采样二值化图像代入到预设的加权公式进行加权融合操作，获得融合图像；其中，所述极片图像对应的二值化图像、所述第一上采样二值化图像和第二上采样二值化图像的尺寸相同；所述加权公式，具体为：
P＝λ1P1+λ2P′ 2+λ3P′ 3
式中，P为融合图像，P1为所述极片图像对应的二值化图像，P′ 2为所述第一上采样二值化图像，P′ 3为第二上采样二值化图像，λ1、λ2和λ3为预设的加权权重。
作为上述方案的改进，所述分割模块，包括：区域分割单元和矩形区域单元；
所述区域分割单元，用于在所述融合图像中，通过预设的分割公式，选取像素值大于预设的分割阈值的各区域作为各目标区域；其中，所述分割公式，具体为：
式中，P′为各目标区域组成的图片，T′为分割阈值；
所述矩形区域单元，用于根据各目标区域的最左像素点、最右像素点、最上像素点和最下像素点，确定各目标区域对应的矩形区域，将各所述矩形区域作为所述融合图像的各分割区域。
作为上述方案的改进，所述缺陷判定结果包括：正常区域、缺陷区域和缺陷区域对应的缺陷类型；在所述分类网络模型输出每一所述异常区域图片对应的缺陷判定结果之后，包括：
对每一所述缺陷判定结果进行判断：若为正常区域，则通过打标机将正常区域对应的异常区域图片标记为正常图片；若为缺陷区域，则将缺陷区域对应的异常区域图片进行记录，并通过所述打标机在缺陷区域对应的异常区域图片上标记缺陷区域对应的缺陷类型。
作为上述方案的改进，在所述获取待检测锂电池的极片图像之前，还包括：
接收由位置编码器传输的脉冲信号数据，根据所述脉冲信号数据计算所述待检测锂电池的移动距离；
在所述移动距离大于等于距离阈值时，控制线阵相机对待检测锂电池的极片进行拍摄，以使所述线阵相机对拍摄获得的极片图像进行传输。
相应的，本发明一实施例还提供了一种锂电池缺陷检测***，包括：待检测锂电池、锂电池缺陷检测装置、传送带、第一光源、第二光源、第一线阵相机、第二线阵相机、位置编码器和打标机；所述锂电池缺陷检测装置应用如本发明所述的锂电池缺陷检测方法；所述待检测锂电池位于所述传送带上表面；所述锂电池缺陷检测装置分别与所述第一光源、所述第二光源、所述第一线阵相机、所述第二线阵相机、所述位置编码器和所述打标机连接；所述打标机、所述第一光源和所述第一线阵相机位于所述传送带的上方；所述第二光源和所述第二线阵相机位于所述传送带的下方；所述位置编码器位于所述传送带的内部。
由上可见，本发明具有如下有益效果：
本发明提供了一种锂电池缺陷检测方法，在获取到待检测锂电池的极片图像后，通过对极片图像进行下采样操作，获得不同尺度的待处理图像；根据待处理图像的像素值和预设的像素差值阈值计算二值化阈值；通过二值化阈值对各待处理图像进行二值化，获得各待处理图像对应的二值化图像，并对二值化图像进行上采样操作和加权融合操作，获得融合图像；在融合图像中，将像素值大于预设分割阈值的区域进行分割，从而确定分割区域；根据分割区域在融合图像中的位置关系和尺寸大小，对极片图像进行分割，获得极片图像的各个异常区域图片，将每个异常区域图片输入到预设的分类网络模型，从而能够通过分类网络模型输出每个异常区域图片对应的缺陷判定结果，完成锂电池缺陷检测。本发明通过对不同尺度的待检测锂电池极片图像进行二值化，将大于分割阈值的区域初步判定为异常区域并进行分割，将分割后的异常区域输入到分类网络模型中进行缺陷判定，能够确保分类网络模型单次处理的异常区域小，异常数量少，从而提高了分类网络模型判定待检测锂电池极片缺陷的效率。综上，本发明既能够准确定位缺陷，且缺陷判定效率高。
附图说明
图1是本发明一实施例提供的锂电池缺陷检测方法的流程示意图；
图2是本发明一实施例提供的锂电池缺陷检测装置的结构示意图；
图3是本发明一实施例提供的锂电池缺陷检测***的结构示意图；
图4是本发明一实施例提供的异常区域图片生成的流程示意图；
图5是本发明一实施例提供的缺陷类型分类的结果示意图；
图6是本发明一实施例提供的一种终端设备结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
参见图1，图1是本发明一实施例提供的一种锂电池缺陷检测方法的流程示意图，如图1所示，本实施例包括步骤101至步骤105，各步骤具体如下：
步骤101：获取待检测锂电池的极片图像，对所述极片图像进行下采样操作，获得各待处理图像。
在本实施例中，所述待处理图像包括：极片图像、第一采样图像和第二采样图像；所述对所述极片图像进行下采样操作，获得各待处理图像，包括：
对所述极片图像进行下采样操作，获得所述极片图像对应的第一采样图像；
对所述第一采样图像进行下采样操作，获得所述第一采样图像对应的第二采样图像；
汇总所述极片图像、所述第一采样图像和所述第二采样图像，获得各待处理图像。
在一具体的实施例中，从线阵想寄中获取拍摄的极片图像。
在一具体的实施例中，对极片图像进行两次下采样处理，每次下采样使得图像的尺寸减少为原来的一半，从而获取三个不同尺度的图像P1(即本发明所述的极片图像)、P2(即本发明所述的第一采样图像)和P3(即本发明所述的第二采样图像)。
步骤102：根据每一所述待处理图像的像素值和预设的像素差值阈值，计算二值化阈值。
在本实施例中，在所述根据每一所述待处理图像的像素值和预设的像素差值阈值，计算二值化阈值之前，还包括：
在所述极片图像中，随机确定若干个预设尺寸的第一图像块；
根据若干第一图像块在所述极片图像中的位置关系，确定所述第一采样图像对应的若干预设尺寸的第二图像块与所述第二采样图像对应的若干预设尺寸的第三图像块；其中，所述第一图像块的数量、所述第二图像块的数量与所述第三图像块的数量一致。
在一具体的实施例中，预设的像素差值阈值根据不同型号的无缺陷锂电池所对应极片的平均像素值所确定。
在一具体的实施例中，随机在P1中选择16块8x8(即本发明所述的预设尺寸)第一图像块，并通过位置映射关系在P2和P3的对应位置截取第二图像块和第三图像块，从而便于计算每个图像块的像素平均值；由于极片的大部分区域属于非缺陷区域，所以大部分图像块的均在接近于正常区域的均值。
在本实施例中，所述根据每一所述待处理图像的像素值和预设的像素差值阈值，计算二值化阈值，包括：
根据每一所述待处理图像的像素值，计算每个第一图像块的第一像素平均值、每个第二图像块的第二像素平均值和每个第三图像块的第三像素平均值；
汇总所有所述第一像素平均值、所有所述第二像素平均值和所有所述第三像素平均值，按照从大到小的顺序排列，获得像素平均值序列；
计算所述像素平均值序列中两两相邻像素平均值的像素平均差值，并选取小于像素差值阈值的像素平均差值作为目标像素平均差值，计算若干目标像素平均差值的平均值，获得二值化阈值。
在一具体的实施例中，将三个不同尺度的16个(对应16个图像块)均值AVE1(即本发明所述的第一像素平均值)、16个AVE2(即本发明所述的第二像素平均值)和16个AVE3(即本发明所述的第三像素平均值)，按照从大到小进行排序，然后分别计算相邻之间的差值；寻求差值小于设定值T(即本发明所述的像素差阈值)的均值并求取平均数作为二值化阈值；
步骤103：根据所述二值化阈值分别对各所述待处理图像进行二值化，获得各所述待处理图像对应的二值化图像，对各所述二值化图像进行上采样操作和加权融合操作，获得融合图像。
在本实施例中，所述对各所述二值化图像进行上采样操作和加权融合操作，获得融合图像，包括：
将所述第一采样图像对应的二值化图像进行上采样操作，获得第一上采样二值化图像；
将所述第二采样图像对应的二值化图像进行上采样操作，获得第二上采样二值化图像；
将所述极片图像对应的二值化图像、所述第一上采样二值化图像和第二上采样二值化图像代入到预设的加权公式进行加权融合操作，获得融合图像；其中，所述极片图像对应的二值化图像、所述第一上采样二值化图像和第二上采样二值化图像的尺寸相同；所述加权公式，具体为：
P＝λ1P1+λ2P′ 2+λ3P′ 3
式中，P为融合图像，P1为所述极片图像对应的二值化图像，P′ 2为所述第一上采样二值化图像，P′ 3为第二上采样二值化图像，λ1、λ2和λ3为预设的加权权重。
步骤104：根据预设的分割阈值，在所述融合图像中对像素值大于所述分割阈值的各区域进行分割，确定所述融合图像对应的各分割区域。
在一具体的实施例中，将第一采样图像和第二采样图像上采样到极片图像的大小，获得第一上采样二值化图像和第二上采样二值化图像代入加权公式进行加权融合。
在一具体的实施例中，由于缺陷在低尺度表现显著，所以将第三采样图像的二值化图像作为主要参考进行缺陷位置的选择，因此：λ1设置为0.3，λ2设置为0.6，λ3设置为0.8。
在本实施例中，所述根据预设的分割阈值，在所述融合图像中对像素值大于所述分割阈值的各区域进行分割，确定所述融合图像对应的各分割区域，包括：
在所述融合图像中，通过预设的分割公式，选取像素值大于预设的分割阈值的各区域作为各目标区域；其中，所述分割公式，具体为：
式中，P′为各目标区域组成的图片，T′为分割阈值；
根据各目标区域的最左像素点、最右像素点、最上像素点和最下像素点，确定各目标区域对应的矩形区域，将各所述矩形区域作为所述融合图像的各分割区域。
在一具体的实施例中，根据缺陷在低尺度表现显著以及多尺度图像在空间上的互相关联性的特点，只在高尺度显著的区域，并非是真正的缺陷，所以将分割阈值设置为0.3。
在一具体的实施例中，请参见图4，在确定像素值大于预设的分割阈值的各区域作为各目标区域后，组成图片P′，其中,1为白色，0为黑色；此时目标区域是不规则状态，容易在尺度变换的时候出现误差，因此，需要根据各目标区域的最左像素点、最右像素点、最上像素点和最下像素点，计算目标区域的最小外接矩形，获得各分割区域，组成图片P″，由于图片P″包含每个分割区域的尺寸大小和在图片中的位置关系，且由于融合图像是按照极片图像的尺寸大小融合而成，通过按照图片P″中的白色区域在极片图像中进行切割，获得异常区域图片。
步骤105：根据各所述分割区域在融合图像中的位置关系和尺寸大小，对所述极片图像进行分割，获得所述极片图像的各异常区域图片，并将每一所述异常区域图片输入到预设的分类网络模型中，以使所述分类网络模型输出每一所述异常区域图片对应的缺陷判定结果；其中，所述分类网络模型通过将若干已标注缺陷类型的缺陷图片输入到轻量型分类网络中训练获得。
在本实施例中，所述缺陷判定结果包括：正常区域、缺陷区域和缺陷区域对应的缺陷类型；在所述分类网络模型输出每一所述异常区域图片对应的缺陷判定结果之后，包括：
对每一所述缺陷判定结果进行判断：若为正常区域，则通过打标机将正常区域对应的异常区域图片标记为正常图片；若为缺陷区域，则将缺陷区域对应的异常区域图片进行记录，并通过所述打标机在缺陷区域对应的异常区域图片上标记缺陷区域对应的缺陷类型。
在一具体的实施例中，人工对大量的异常区域图片进行类别标注，并利用标注的数据训练轻量型分类网络-mobileNetV2(即本发明所述的分类网络模型)；利用训练好的、轻量型分类网络-mobileNetV2对异常区域图片进行分类，如果判定为正常区域，则将判定区域从候选区域删除；如果判断为缺陷区域，则将判定区域记录下来；最后输出判断定缺陷的区域及类别。
在一具体的实施例中，如图5所示，可以实现对六类(鼓包、黑点、压痕、划痕、漏金属和褶皱)极片表面缺陷积习进行准确定位与分类，每类如下图所示。这些类别是结合极片生产企业实际检测过程，根据缺陷的面积、包含的材料、亮度差异等进行定义的。
在本实施例中，在所述获取待检测锂电池的极片图像之前，还包括：
接收由位置编码器传输的脉冲信号数据，根据所述脉冲信号数据计算所述待检测锂电池的移动距离；
在所述移动距离大于等于距离阈值时，控制线阵相机对待检测锂电池的极片进行拍摄，以使所述线阵相机对拍摄获得的极片图像进行传输。
在一具体的实施例中，依次执行以下步骤：
步骤1：位置编码器发出脉冲信号并通过IO卡传出到工控机；
步骤2：工控机通过算法计算极片在传送带上移动的距离；
步骤3：判断极片移动的距离与设定值的关系；如果极片移动的距离小于设定值，则返回步骤1；如果极片移动的距离大于等于设定值，则返回步骤4；
步骤4：则通过图像采集卡返回相机返回已经记录的图像数据。
参见图2，图2是本发明一实施例提供的一种锂电池缺陷检测装置的结构示意图，包括：数据获取模块201、数据计算模块202、二值化模块203、分割模块204和数据判断模块205；
所述数据获取模块201，用于获取待检测锂电池的极片图像，对所述极片图像进行下采样操作，获得各待处理图像；
所述数据计算模块202，用于根据每一所述待处理图像的像素值和预设的像素差值阈值，计算二值化阈值；
所述二值化模块203，用于根据所述二值化阈值分别对各所述待处理图像进行二值化，获得各所述待处理图像对应的二值化图像，对各所述二值化图像进行上采样操作和加权融合操作，获得融合图像；
所述分割模块204，用于根据预设的分割阈值，在所述融合图像中对像素值大于所述分割阈值的各区域进行分割，确定所述融合图像对应的各分割区域；
所述数据判断模块205，用于根据各所述分割区域在融合图像中的位置关系和尺寸大小，对所述极片图像进行分割，获得所述极片图像的各异常区域图片，并将每一所述异常区域图片输入到预设的分类网络模型中，以使所述分类网络模型输出每一所述异常区域图片对应的缺陷判定结果；其中，所述分类网络模型通过将若干已标注缺陷类型的缺陷图片输入到轻量型分类网络中训练获得。
作为上述方案的改进，所述待处理图像包括：极片图像、第一采样图像和第二采样图像；所述对所述极片图像进行下采样操作，获得各待处理图像，包括：
对所述极片图像进行下采样操作，获得所述极片图像对应的第一采样图像；
对所述第一采样图像进行下采样操作，获得所述第一采样图像对应的第二采样图像；
汇总所述极片图像、所述第一采样图像和所述第二采样图像，获得各待处理图像。
作为上述方案的改进，在所述根据每一所述待处理图像的像素值和预设的像素差值阈值，计算二值化阈值之前，还包括：
在所述极片图像中，随机确定若干个预设尺寸的第一图像块；
根据若干第一图像块在所述极片图像中的位置关系，确定所述第一采样图像对应的若干预设尺寸的第二图像块与所述第二采样图像对应的若干预设尺寸的第三图像块；其中，所述第一图像块的数量、所述第二图像块的数量与所述第三图像块的数量一致。
作为上述方案的改进，所述数据计算模块202，包括：像素平均值计算单元、像素平均值排序单元和像素平均值计算作差单元；
所述像素平均值计算单元，用于根据每一所述待处理图像的像素值，计算每个第一图像块的第一像素平均值、每个第二图像块的第二像素平均值和每个第三图像块的第三像素平均值；
所述像素平均值排序单元，用于汇总所有所述第一像素平均值、所有所述第二像素平均值和所有所述第三像素平均值，按照从大到小的顺序排列，获得像素平均值序列；
所述像素平均值作差单元，用于计算所述像素平均值序列中两两相邻像素平均值的像素平均差值，并选取小于像素差值阈值的像素平均差值作为目标像素平均差值，计算若干目标像素平均差值的平均值，获得二值化阈值。
作为上述方案的改进，所述对各所述二值化图像进行上采样操作和加权融合操作，获得融合图像，包括：
将所述第一采样图像对应的二值化图像进行上采样操作，获得第一上采样二值化图像；
将所述第二采样图像对应的二值化图像进行上采样操作，获得第二上采样二值化图像；
将所述极片图像对应的二值化图像、所述第一上采样二值化图像和第二上采样二值化图像代入到预设的加权公式进行加权融合操作，获得融合图像；其中，所述极片图像对应的二值化图像、所述第一上采样二值化图像和第二上采样二值化图像的尺寸相同；所述加权公式，具体为：
P＝λ1P1+λ2P′ 2+λ3P′ 3
式中，P为融合图像，P1为所述极片图像对应的二值化图像，P′ 2为所述第一上采样二值化图像，P′ 3为第二上采样二值化图像，λ1、λ2和λ3为预设的加权权重。
作为上述方案的改进，所述分割模块204，包括：区域分割单元和矩形区域单元；
所述区域分割单元，用于在所述融合图像中，通过预设的分割公式，选取像素值大于预设的分割阈值的各区域作为各目标区域；其中，所述分割公式，具体为：
式中，P′为各目标区域组成的图片，T′为分割阈值；
所述矩形区域单元，用于根据各目标区域的最左像素点、最右像素点、最上像素点和最下像素点，确定各目标区域对应的矩形区域，将各所述矩形区域作为所述融合图像的各分割区域。
作为上述方案的改进，所述缺陷判定结果包括：正常区域、缺陷区域和缺陷区域对应的缺陷类型；在所述分类网络模型输出每一所述异常区域图片对应的缺陷判定结果之后，包括：
对每一所述缺陷判定结果进行判断：若为正常区域，则通过打标机将正常区域对应的异常区域图片标记为正常图片；若为缺陷区域，则将缺陷区域对应的异常区域图片进行记录，并通过所述打标机在缺陷区域对应的异常区域图片上标记缺陷区域对应的缺陷类型。
作为上述方案的改进，在所述获取待检测锂电池的极片图像之前，还包括：
接收由位置编码器传输的脉冲信号数据，根据所述脉冲信号数据计算所述待检测锂电池的移动距离；
在所述移动距离大于等于距离阈值时，控制线阵相机对待检测锂电池的极片进行拍摄，以使所述线阵相机对拍摄获得的极片图像进行传输。
相应的，参见图3，图3为本发明一实施例提供的一种锂电池缺陷检测***，包括：待检测锂电池301、锂电池缺陷检测装置302、传送带303、第一光源304、第二光源305、第一线阵相机306、第二线阵相机307、位置编码器308和打标机309；所述锂电池缺陷检测装置302应用如本发明所述的锂电池缺陷检测方法；所述待检测锂电池301位于所述传送带303上表面；所述锂电池缺陷检测装置302分别与所述第一光源304、所述第二光源305、所述第一线阵相机306、所述第二线阵相机307、所述位置编码器308和所述打标机309连接；所述打标机309、所述第一光源304和所述第一线阵相机306位于所述传送带303的上方；所述第二光源305和所述第二线阵307相机位于所述传送带303的下方；所述位置编码器308位于所述传送带303的内部。
在一具体的实施例中，锂电池缺陷检测装置302包括IO卡3021和图像采集卡3022；
在一具体的实施例中，锂电池缺陷检测装置302可以为工控机；
在一具体的实施例中，第一光源和第二光源，具体为：采用条形光源产生的正白光进行补光，照亮相机拍摄区域内极片的表面。由于极片的正反面都需要进行检测，所有在极片的正反面各安装一个条形光源。光源具有可编程功能。工控机以编程的方式通过IO卡，可以控制光源的关闭以及光源的亮度，从而实现逐级调节光源亮度的目的。可逐级调节光源亮度，使得锂电池缺陷检测***可以适应不同极片生产环境，从而提高了设备对生产环境的适应能力。
在一具体的实施例中，线阵相机，具体为：锂电池缺陷检测***在极片的正反面各安装一个分辨率为8192、行频最高为140MHz的线阵相机。线阵相机采用外部硬件出发的方式，根据极片在滚轮上移动的距离进行自动拍照。线阵相机通过图像采集卡，将采集的图像信息传递到工控机，以便进行图像处理。
在一具体的实施例中，位置编码器，具体为：位置编码器安装在滚筒的转轴上，用于计算极片在滚轮上移动的距离。位置编码器的脉冲信号通过工控机的IO卡，一方面传递给线阵相机，实现对线阵相机的外部触发；另一方面便于工控机记录极片移动的总距离。
在一具体的实施例中，打标机，具体为：当检测到极片存在缺陷时，工控机通过IO卡控制打标机在合适的位置进行打标签，对存在缺陷的极片进行标注以便工人将有缺陷的极片挑选出来。
本实施例通过在获取到待检测锂电池的极片图像后，通过对极片图像进行下采样操作，获得不同尺度的待处理图像；根据待处理图像的像素值和预设的像素差值阈值计算二值化阈值；通过二值化阈值对各待处理图像进行二值化，获得各待处理图像对应的二值化图像，并对二值化图像进行上采样操作和加权融合操作，获得融合图像；在融合图像中，将像素值大于预设分割阈值的区域进行分割，从而确定分割区域；根据分割区域在融合图像中的位置关系和尺寸大小，对极片图像进行分割，获得极片图像的各个异常区域图片，将每个异常区域图片输入到预设的分类网络模型，从而能够通过分类网络模型输出每个异常区域图片对应的缺陷判定结果，完成锂电池缺陷检测。本实施例采用自适应阈值法进行分割，获取异常区域图片，进行初步缺陷定位；运行速度快，且能保证非候选区域的判定准确率，确保检测的效果。基于已训练的轻量型分类网络-mobileNetV2对异常区域图片进行分类，一方面进行二次筛选，提高对缺陷区域定位的准确度；另一方面实现对缺陷区域的快速分类，便于进行生产工艺的完善。自适应阈值法不需要人工设定参数，避免了传统算法长时间调试，运行速度快，同时减小了用于分类的图像块的尺寸，加快了分类的速度，解决了基于深度学习的分类算法分类速度慢的问题。
实施例二
参见图6，图6是本发明一实施例提供的终端设备结构示意图。
该实施例的一种终端设备包括：处理器601、存储器602以及存储在所述存储器602中并可在所述处理器601上运行的计算机程序。所述处理器601执行所述计算机程序时实现上述各个锂电池缺陷检测方法在实施例中的步骤，例如图1所示的锂电池缺陷检测方法的所有步骤。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块的功能，例如：图2所示的锂电池缺陷检测装置的所有模块。
另外，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上任一实施例所述的锂电池缺陷检测方法。
本领域技术人员可以理解，所述示意图仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器601可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器601是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。
所述存储器602可用于存储所述计算机程序和/或模块，所述处理器601通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器602内的数据，实现所述终端设备的各种功能。所述存储器602可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种锂电池缺陷检测方法，其特征在于，包括：
获取待检测锂电池的极片图像，对所述极片图像进行下采样操作，获得各待处理图像；
根据每一所述待处理图像的像素值和预设的像素差值阈值，计算二值化阈值；
根据所述二值化阈值分别对各所述待处理图像进行二值化，获得各所述待处理图像对应的二值化图像，对各所述二值化图像进行上采样操作和加权融合操作，获得融合图像；
根据预设的分割阈值，在所述融合图像中对像素值大于所述分割阈值的各区域进行分割，确定所述融合图像对应的各分割区域；
根据各所述分割区域在融合图像中的位置关系和尺寸大小，对所述极片图像进行分割，获得所述极片图像的各异常区域图片，并将每一所述异常区域图片输入到预设的分类网络模型中，以使所述分类网络模型输出每一所述异常区域图片对应的缺陷判定结果；其中，所述分类网络模型通过将若干已标注缺陷类型的缺陷图片输入到轻量型分类网络中训练获得。
2.根据权利要求1所述的锂电池缺陷检测方法，其特征在于，所述待处理图像包括：极片图像、第一采样图像和第二采样图像；所述对所述极片图像进行下采样操作，获得各待处理图像，包括：
对所述极片图像进行下采样操作，获得所述极片图像对应的第一采样图像；
对所述第一采样图像进行下采样操作，获得所述第一采样图像对应的第二采样图像；
汇总所述极片图像、所述第一采样图像和所述第二采样图像，获得各待处理图像。
3.根据权利要求2所述的锂电池缺陷检测方法，其特征在于，在所述根据每一所述待处理图像的像素值和预设的像素差值阈值，计算二值化阈值之前，还包括：
在所述极片图像中，随机确定若干个预设尺寸的第一图像块；
根据若干第一图像块在所述极片图像中的位置关系，确定所述第一采样图像对应的若干预设尺寸的第二图像块与所述第二采样图像对应的若干预设尺寸的第三图像块；其中，所述第一图像块的数量、所述第二图像块的数量与所述第三图像块的数量一致。
4.根据权利要求3所述的锂电池缺陷检测方法，其特征在于，所述根据每一所述待处理图像的像素值和预设的像素差值阈值，计算二值化阈值，包括：
根据每一所述待处理图像的像素值，计算每个第一图像块的第一像素平均值、每个第二图像块的第二像素平均值和每个第三图像块的第三像素平均值；
汇总所有所述第一像素平均值、所有所述第二像素平均值和所有所述第三像素平均值，按照从大到小的顺序排列，获得像素平均值序列；
计算所述像素平均值序列中两两相邻像素平均值的像素平均差值，并选取小于像素差值阈值的像素平均差值作为目标像素平均差值，计算若干目标像素平均差值的平均值，获得二值化阈值。
5.根据权利要求2所述的锂电池缺陷检测方法，其特征在于，所述对各所述二值化图像进行上采样操作和加权融合操作，获得融合图像，包括：
将所述第一采样图像对应的二值化图像进行上采样操作，获得第一上采样二值化图像；
将所述第二采样图像对应的二值化图像进行上采样操作，获得第二上采样二值化图像；
将所述极片图像对应的二值化图像、所述第一上采样二值化图像和第二上采样二值化图像代入到预设的加权公式进行加权融合操作，获得融合图像；其中，所述极片图像对应的二值化图像、所述第一上采样二值化图像和第二上采样二值化图像的尺寸相同；所述加权公式，具体为：
P＝λ1P1+λ2P′ 2+λ3P′ 3
式中，P为融合图像，P1为所述极片图像对应的二值化图像，P′ 2为所述第一上采样二值化图像，P′ 3为第二上采样二值化图像，λ1、λ2和λ3为预设的加权权重。
6.根据权利要求3所述的锂电池缺陷检测方法，其特征在于，所述根据预设的分割阈值，在所述融合图像中对像素值大于所述分割阈值的各区域进行分割，确定所述融合图像对应的各分割区域，包括：
在所述融合图像中，通过预设的分割公式，选取像素值大于预设的分割阈值的各区域作为各目标区域；其中，所述分割公式，具体为：
式中，P′为各目标区域组成的图片，T′为分割阈值；
根据各目标区域的最左像素点、最右像素点、最上像素点和最下像素点，确定各目标区域对应的矩形区域，将各所述矩形区域作为所述融合图像的各分割区域。
7.根据权利要求3所述的锂电池缺陷检测方法，其特征在于，所述缺陷判定结果包括：正常区域、缺陷区域和缺陷区域对应的缺陷类型；在所述分类网络模型输出每一所述异常区域图片对应的缺陷判定结果之后，包括：
对每一所述缺陷判定结果进行判断：若为正常区域，则通过打标机将正常区域对应的异常区域图片标记为正常图片；若为缺陷区域，则将缺陷区域对应的异常区域图片进行记录，并通过所述打标机在缺陷区域对应的异常区域图片上标记缺陷区域对应的缺陷类型。
8.根据权利要求1所述的锂电池缺陷检测方法，其特征在于，在所述获取待检测锂电池的极片图像之前，还包括：
接收由位置编码器传输的脉冲信号数据，根据所述脉冲信号数据计算所述待检测锂电池的移动距离；
在所述移动距离大于等于距离阈值时，控制线阵相机对待检测锂电池的极片进行拍摄，以使所述线阵相机对拍摄获得的极片图像进行传输。
9.一种锂电池缺陷检测装置，其特征在于，包括：数据获取模块、数据计算模块、二值化模块、分割模块和数据判断模块；
所述数据获取模块，用于获取待检测锂电池的极片图像，对所述极片图像进行下采样操作，获得各待处理图像；
所述数据计算模块，用于根据每一所述待处理图像的像素值和预设的像素差值阈值，计算二值化阈值；
所述二值化模块，用于根据所述二值化阈值分别对各所述待处理图像进行二值化，获得各所述待处理图像对应的二值化图像，对各所述二值化图像进行上采样操作和加权融合操作，获得融合图像；
所述分割模块，用于根据预设的分割阈值，在所述融合图像中对像素值大于所述分割阈值的各区域进行分割，确定所述融合图像对应的各分割区域；
所述数据判断模块，用于根据各所述分割区域在融合图像中的位置关系和尺寸大小，对所述极片图像进行分割，获得所述极片图像的各异常区域图片，并将每一所述异常区域图片输入到预设的分类网络模型中，以使所述分类网络模型输出每一所述异常区域图片对应的缺陷判定结果；其中，所述分类网络模型通过将若干已标注缺陷类型的缺陷图片输入到轻量型分类网络中训练获得。
10.一种锂电池缺陷检测***，其特征在于，包括：待检测锂电池、锂电池缺陷检测装置、传送带、第一光源、第二光源、第一线阵相机、第二线阵相机、位置编码器和打标机；所述锂电池缺陷检测装置应用如权利要求1至8任意一项所述的锂电池缺陷检测方法；所述待检测锂电池位于所述传送带上表面；所述锂电池缺陷检测装置分别与所述第一光源、所述第二光源、所述第一线阵相机、所述第二线阵相机、所述位置编码器和所述打标机连接；所述打标机、所述第一光源和所述第一线阵相机位于所述传送带的上方；所述第二光源和所述第二线阵相机位于所述传送带的下方；所述位置编码器位于所述传送带的内部。
CN202310674999.7A 2023-06-07 2023-06-07 一种锂电池缺陷检测方法、装置及*** Pending CN116681677A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310674999.7A CN116681677A (zh) 2023-06-07 2023-06-07 一种锂电池缺陷检测方法、装置及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310674999.7A CN116681677A (zh) 2023-06-07 2023-06-07 一种锂电池缺陷检测方法、装置及***

Publications (1)

Publication Number Publication Date
CN116681677A true CN116681677A (zh) 2023-09-01

Family

ID=87785086

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310674999.7A Pending CN116681677A (zh) 2023-06-07 2023-06-07 一种锂电池缺陷检测方法、装置及***

Country Status (1)

Country Link
CN (1) CN116681677A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116896645A (zh) * 2023-09-11 2023-10-17 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***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116896645A (zh) * 2023-09-11 2023-10-17 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***
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***

Similar Documents

Publication Publication Date Title
CN111612763B (zh) 手机屏幕缺陷检测方法、装置及***、计算机设备及介质
CN111325717B (zh) 手机缺陷位置识别方法及设备
US11315229B2 (en) Method for training defect detector
CN113176270B (zh) 一种调光方法、装置及设备
CN115131283A (zh) 目标对象的缺陷检测、模型训练方法、装置、设备及介质
CN110599453A (zh) 一种基于图像融合的面板缺陷检测方法、装置及设备终端
CN111126393A (zh) 车辆外观改装判断方法、装置、计算机设备及存储介质
TWI765442B (zh) 瑕疵等級判定的方法及存儲介質
CN116503414B (zh) 屏幕缺陷检测方法、装置、计算机设备和存储介质
CN116681677A (zh) 一种锂电池缺陷检测方法、装置及***
CN112200776A (zh) 芯片封装缺陷检测方法和检测装置
CN117392042A (zh) 缺陷检测方法、缺陷检测设备及存储介质
CN113780484B (zh) 工业产品缺陷检测方法和装置
CN112070762A (zh) 液晶面板的mura缺陷检测方法、装置、存储介质及终端
CN114078127A (zh) 物件的缺陷检测及计数方法、装置、设备和存储介质
CN109975307A (zh) 基于统计投影训练的轴承表面缺陷检测***及检测方法
CN116645351A (zh) 一种复杂场景的缺陷在线检测方法及***
CN116258703A (zh) 缺陷检测方法、装置、电子设备及计算机可读存储介质
CN116908185A (zh) 物品的外观缺陷检测方法、装置、电子设备及存储介质
CN111275756A (zh) 线轴定位方法及装置
CN115601341A (zh) Pcba板缺陷检测方法、***、设备、介质及产品
CN115761270A (zh) 色卡的检测方法、装置、电子设备及存储介质
CN111935480B (zh) 一种用于图像获取装置的检测方法及相关装置
CN113034449B (zh) 目标检测模型训练方法、装置及通信设备
CN115546141A (zh) 一种基于多维度度量的小样本Mini LED缺陷检测方法及***

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
TA01 Transfer of patent application right

Effective date of registration: 20240322

Address after: No. 114, Nanta street, Shenhe District, Shenyang City, Liaoning Province

Applicant after: SHENYANG INSTITUTE OF AUTOMATION, CHINESE ACADEMY OF SCIENCES

Country or region after: China

Applicant after: Guangzhou Institute of industrial intelligence

Address before: 511458 Nansha District seashore road, Guangzhou, Guangzhou, Guangdong

Applicant before: Guangzhou Institute of industrial intelligence

Country or region before: China

TA01 Transfer of patent application right