CN117152444B - 一种面向锂电行业的设备数据采集方法及*** - Google Patents
一种面向锂电行业的设备数据采集方法及*** Download PDFInfo
- Publication number
- CN117152444B CN117152444B CN202311413037.2A CN202311413037A CN117152444B CN 117152444 B CN117152444 B CN 117152444B CN 202311413037 A CN202311413037 A CN 202311413037A CN 117152444 B CN117152444 B CN 117152444B
- Authority
- CN
- China
- Prior art keywords
- gray
- defect
- pole piece
- defect point
- image
- 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 41
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 24
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 24
- 230000007547 defect Effects 0.000 claims abstract description 114
- 239000011159 matrix material Substances 0.000 claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 9
- 239000011248 coating agent Substances 0.000 claims description 18
- 238000000576 coating method Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims 1
- 238000013480 data collection Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 229910001416 lithium ion Inorganic materials 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000032798 delamination Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及涂布极片数据采集领域，尤其涉及一种面向锂电行业的设备数据采集方法及***，包括：获得涂布极片灰度集；对涂布极片灰度集中的灰度图像进行分割；计算灰度分割图像中每列像素的灰度值以获取基础缺陷点；构建基础缺陷点在行方向上的灰度梯度矩阵，并对基础缺陷点的所属缺陷类别进行划分；计算灰度分割图像中每列像素灰度值的均值，并对所有列灰度均值进行聚类以获取条状缺陷类别；基于缺陷类别构建缺陷种类数据库。本发明通过采集涂布极片的图像，根据涂布极片图像找出涂布极片中的缺陷类别，从而获得涂布极片的缺陷数据，节约了数据采集过程中的人力成本，提高了数据采集效率。
Description
技术领域
本发明一般地涉及涂布极片数据采集领域。更具体地，本发明涉及一种面向锂电行业的设备数据采集方法及***。
背景技术
涂布极片的缺陷检测是锂电池的加工工艺中的一环，对于锂电池品质和性能至关重要，它能及早排查脱层、剥离等问题，确保电池安全可靠。通过缺陷分析，可以帮助生产企业改进工艺、优化设备，从根本上提升锂电池的加工工艺质量和生产效率。
中国专利申请文件CN114358528A公开了一种锂电行业无上料设备工单数据采集方法、装置及设备，包括建立无工站上料设备与工站上料设备关联的映射表；在工站上料设备上料时，根据所述映射表，将获取的工站上料工单号与工站信息表中设备编码、工站上料设备编码相对应写入；在所述工站信息表中的确认标志为0时，将获取的所述工站上料工单号写入工站信息表中工单号字段；确认标志为1时，触摸屏切换工单操作被触发后，将工站信息表中所述工站上料工单号字段中的信息写入工单号字段；基于设备编码确定对应的工单号，基于所述工单号进行数据采集。
但是上述方法依靠操作人员根据工单号进行数据采集，对操作人员的依赖程度较大，增加了操作人员的作业量，数据采集效率较低。
发明内容
为解决上述一个或多个技术问题，本发明提出通过采集多张涂布极片的图像以获取涂布极片中的点状缺陷、裂纹缺陷和条状缺陷的缺陷数据，减少了对作业人员的依赖，提高了数据采集效率，为此，本发明在如下的多个方面中提供方案。
一种面向锂电行业的设备数据采集方法，包括以下步骤：
将通过不同照射角度采集到的涂布极片图像转换为灰度图像获得涂布极片灰度集；
依据灰度值分割函数对所述涂布极片灰度集中的灰度图像进行分割，得到灰度分割图像，所述灰度分割图像包括正常区域和异常区域；
依据差分法计算所述灰度分割图像中每列像素的灰度值以获取所述灰度分割图像中的基础缺陷点；
构建所述基础缺陷点在行方向上的灰度梯度矩阵，并基于所述灰度梯度矩阵对所述基础缺陷点的所属缺陷类别进行划分，所述缺陷类别包括裂纹缺陷点类别和点状缺陷点类别；
计算所述灰度分割图像中每列像素灰度值的均值作为列灰度均值，并对所述灰度分割图像中的所有列灰度均值进行聚类以获取条状缺陷类别；
基于所述裂纹缺陷点类别、点状缺陷点类别和条状缺陷点类别构建缺陷种类数据库。
在一个实施例中，所述将通过不同照射角度采集到的涂布极片图像转换为灰度图像获得涂布极片灰度集，包括：
分别沿涂布极片的前后左右方向和几何中心上方共五个方向采集涂布极片图像，获得涂布极片图像集；
将所述涂布极片图像集中的所有图像转换为灰度图得到涂布极片灰度集。
在一个实施例中，所述灰度值分割函数表达式为：
式中，为第一类中像素点的个数占全部像素点个数的比值，/>为第二类中像素点的个数占全部像素点个数的比值，/>为第一类中灰度值的均值，/>为第二类中灰度值的均值，/>为图像中所有灰度值的均值，/>为第一类和第二类的灰度值边界，/>为灰度值分割数据。
在一个实施例中，遍历得到的所述灰度值分割数据，以灰度值分割数据中的最大值作为正常区域和异常区域的灰度值边界。
在一个实施例中，所述依据差分法计算所述灰度图像中每列像素的灰度值以获取所述灰度分割图像中的基础缺陷点，包括：
采用差分法生成连续灰度值序列，计算所述连续灰度值序列的导数；
删除导数不为零的点和原点值为255的点后剩余的导数为0的点即为基础缺陷点。
在一个实施例中，所述构建所述基础缺陷点在行方向上的灰度梯度矩阵，并基于所述灰度梯度矩阵对所述基础缺陷点的所属缺陷类别进行划分，包括：
所述灰度梯度矩阵的表达式为：
式中，c为基础缺陷点90度方向上左侧领域出现的连续单调变化灰度值的个数，d为基础缺陷点90度方向上右侧领域出现的连续单调变化灰度值的个数，a为基础缺陷点45度方向上左侧领域出现的连续单调变化的灰度值的个数，b为基础缺陷点45度方向上右侧领域出现的连续单调变化的灰度值的个数，e为基础缺陷点135度方向上左侧领域出现的连续单调变化的灰度值的个数，f为基础缺陷点135度方向上右侧领域出现的连续单调变化的灰度值的个数；
若行方向灰度梯度矩阵中出现零点，则基础缺陷点为裂纹缺陷点，若a、b、c、d、e、f均不为零则基础缺陷点为点状缺陷点。
在一个实施例中，对所述灰度分割图像中的所有列灰度均值进行聚类以获取条状缺陷类别，包括：
对所有列灰度均值进行聚类以获取聚类簇，每个所述聚类簇对应一个条状缺陷；
对所有列灰度均值进行聚类过程中满足触发条件时输出聚类结果，若不满足触发条件则增加最小寻找半径直至同时满足触发条件，所述触发条件表达式为：
其中，为任意一个聚类内的所有列灰度均值，n、m为列，且/>为该聚类内的边缘灰度整体值，/>为标准差计算方式，exp为归一函数，/>、/>为预设的阈值。
一种面向锂电行业的设备数据采集***，包括：
处理器；以及
存储器，其存储有面向锂电行业的设备数据采集方法的计算机指令，当所述计算机指令由所述处理器运行时，使得设备执行所述的面向锂电行业的设备数据采集方法。
本发明的有益效果：
1.通过采集涂布极片的图像，根据涂布极片图像找出涂布极片中的点状缺陷、裂纹缺陷和条状缺陷，从而获得涂布极片的缺陷数据，减少了对作业人员的依赖，节约了人力成本，提高了数据采集效率。
2.通过不同角度分别采集涂布极片的图像，一次拍照获得多张图像，基于多张图像对涂布极片的缺陷进行分析，具有较高的特征识别精度，提高了数据的准确率。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：
图1是示意性示出本发明的实施例的流程示意图；
图2是示意性示出本发明的实施例的***架构示意图。
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，本领域技术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，都属于本发明保护的范围。
下面结合附图来详细描述本发明的具体实施方式。
结合图1所示，一种面向锂电行业的设备数据采集方法，包括以下步骤：
将通过不同照射角度采集到的涂布极片图像转换为灰度图像获得涂布极片灰度集；
依据灰度值分割函数对涂布极片灰度集中的灰度图像进行分割，得到灰度分割图像，灰度分割图像包括正常区域和异常区域；
依据差分法计算灰度分割图像中每列像素的灰度值以获取灰度分割图像中的基础缺陷点；
构建基础缺陷点在行方向上的灰度梯度矩阵，并基于灰度梯度矩阵对基础缺陷点的所属缺陷类别进行划分，缺陷类别包括裂纹缺陷点类别和点状缺陷点类别；
计算灰度分割图像中每列像素灰度值的均值作为列灰度均值，并对灰度分割图像中的所有列灰度均值进行聚类以获取条状缺陷类别；
基于裂纹缺陷点类别、点状缺陷点类别和条状缺陷点类别构建缺陷种类数据库。
通过上述步骤，一种面向锂电行业的设备数据采集方法，通过采集涂布极片的图像，根据涂布极片图像找出涂布极片中的点状缺陷、裂纹缺陷和条状缺陷，从而获得涂布极片的缺陷数据，减少了对作业人员的依赖，节约了人力成本，提高了数据采集效率。最终建立缺陷种类数据库，根据数据库内的数据能够判断锂电涂布机的工作状况，为锂电涂布机的工作状况提供评价依据，便于完善涂布极片的制作工艺。
在一个实施例中，将通过不同照射角度采集到的涂布极片图像转换为灰度图像获得涂布极片灰度集，包括：
分别沿涂布极片的前后左右方向和几何中心上方共五个方向采集涂布极片图像，获得涂布极片图像集；
将涂布极片图像集中的所有图像转换为灰度图得到涂布极片灰度集。
采用不同方向的光源对涂布极片进行照射，在涂布极片的前后左右和几何中心上方五个方向上安装照射灯，其中每个方向安装一个照射灯，在锂电涂布机上方布设相机，相机垂直于拍摄涂布极片，每个灯亮一次，对涂布极片拍摄一次，从而每个涂布极片获得五张RGB图像，一个光源方向对应一张RGB图像，将得到RGB图像转化为灰度图像，得到涂布极片的五张灰度图像。
在一个实施例中，灰度值分割函数表达式为：
式中，为第一类中像素点的个数占全部像素点个数的比值，/>为第二类中像素点的个数占全部像素点个数的比值，/>为第一类中灰度值的均值，/>为第二类中灰度值的均值，/>为图像中所有灰度值的均值，/>为第一类和第二类的灰度值边界，/>为灰度值分割数据。
在一个实施例中，遍历得到的灰度值分割数据，以灰度值分割数据中的最大值作为正常区域和异常区域的灰度值边界。将图像中的所有灰度值按照从大到小排序得到灰度值集合，其中异常区域灰度值的集合范围为/>，正常区域灰度值的集合范围为/>，然后将五张灰度图像中的正常区域灰度值记作为255，异常区域灰度值保持不变。
在一个实施例中，依据差分法计算灰度图像中每列像素的灰度值以获取灰度分割图像中的基础缺陷点，包括：
采用差分法生成连续灰度值序列，计算连续灰度值序列的导数；
删除导数不为零的点和原点值为255的点后剩余的导数为0的点即为基础缺陷点。
在一个实施例中，构建基础缺陷点在行方向上的灰度梯度矩阵，并基于灰度梯度矩阵对基础缺陷点的所属缺陷类别进行划分，包括：
灰度梯度矩阵的表达式为：
式中，c为基础缺陷点90度方向上左侧领域出现的连续单调变化灰度值的个数，d为基础缺陷点90度方向上右侧领域出现的连续单调变化灰度值的个数，a为基础缺陷点45度方向上左侧领域出现的连续单调变化的灰度值的个数，b为基础缺陷点45度方向上右侧领域出现的连续单调变化的灰度值的个数，e为基础缺陷点135度方向上左侧领域出现的连续单调变化的灰度值的个数，f为基础缺陷点135度方向上右侧领域出现的连续单调变化的灰度值的个数；
若行方向灰度梯度矩阵中出现零点，则基础缺陷点为裂纹缺陷点，若a、b、c、d、e、f均不为零，则基础缺陷点为点状缺陷点。一个缺陷点，在每张灰度图像中执行一次操作，共得到5个灰度梯度矩阵，提高了数据的准确率。
在一个实施例中，计算灰度分割图像中每列像素灰度值的均值作为列灰度均值，所有列灰度均值构成列灰度均值序列，记作，下标i表达第i列。
在一个实施例中，对灰度分割图像中的所有列灰度均值进行聚类以获取条状缺陷类别，包括：对所有列灰度均值进行聚类以获取聚类簇，每个聚类簇对应一个条状缺陷；
利用DBSCAN聚类方式，按照列灰度均值序列下标增大方向，对列灰度均值序列进行聚类，得到多个聚类簇，每个聚类簇包含多个列灰度均值，对应若干列。按照灰度均值序列增大方向聚类，每个聚类簇对应一条条状缺陷。DBSCAN的参数设置，可以为最小聚类密度为1，距离函数可以为欧氏距离，最小寻找半径为1，在其它实施例中，最小聚类密度可以为2、3、4以及其它数值，最小寻找半径为2、3、4以及其它数值。
对列灰度均值序列进行聚类过程中满足触发条件时输出聚类结果，若不满足触发条件则增加最小寻找半径直至同时满足触发条件，触发条件为：
其中，为任意一个聚类内的所有列灰度均值，n、m为列，且/>为该聚类内的边缘灰度整体值，/>为标准差计算方式，exp为归一函数，/>、/>为预设的阈值。/>为0.9，/>为0.2，式（1）大于0.9说明此聚类内的灰度整体值较稳定，式（2）小于等于0.2，说明前后两个聚类均出现了明显分界。在其它实施例中，/>还可以为0.8、0.7，/>为0.3、0.4，其具体数值可根据实际情况而设定。
图2是根据本发明实施例的一种面向锂电行业的设备数据采集***的示意框架图。所述装置40包括处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现根据本发明第一方面所述的一种面向锂电行业的设备数据采集方法。所述装置还包括通信总线和通信接口等本领域技术人员熟知的其他组件，其设置和功能为本领域中已知，因此在此不再赘述。
在本发明中，前述的存储器可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。例如，计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质，比如，阻变式存储器RRAM（Resistive RandomAccess Memory）、动态随机存取存储器DRAM（Dynamic Random Access Memory）、静态随机存取存储器SRAM（Static Random-Access Memory）、增强动态随机存取存储器EDRAM（Enhanced Dynamic Random Access Memory）、高带宽内存HBM（High-Bandwidth Memory）、混合存储立方HMC（Hybrid Memory Cube）等等，或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。本发明描述的任何应用或模块可以使用可以由这样的计算机可读介质存储或以其他方式保持的计算机可读/可执行指令来实现。
在本说明书的描述中，“多个”、“若干个”的含义是至少两个，例如两个，三个或更多个等，除非另有明确具体的限定。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
Claims (5)
1.一种面向锂电行业的设备数据采集方法，其特征在于，包括以下步骤：
将通过不同照射角度采集到的涂布极片图像转换为灰度图像获得涂布极片灰度集；
依据灰度值分割函数对所述涂布极片灰度集中的灰度图像进行分割，得到灰度分割图像，所述灰度分割图像包括正常区域和异常区域；
依据差分法计算所述灰度分割图像中每列像素的灰度值以获取所述灰度分割图像中的基础缺陷点；
构建所述基础缺陷点在行方向上的灰度梯度矩阵，并基于所述灰度梯度矩阵对所述基础缺陷点的所属缺陷类别进行划分，所述缺陷类别包括裂纹缺陷点类别和点状缺陷点类别；
计算所述灰度分割图像中每列像素灰度值的均值作为列灰度均值，并对所述灰度分割图像中的所有列灰度均值进行聚类以获取条状缺陷类别；
基于所述裂纹缺陷点类别、点状缺陷点类别和条状缺陷点类别构建缺陷种类数据库；
所述依据差分法计算所述灰度图像中每列像素的灰度值以获取所述灰度分割图像中的基础缺陷点，包括：
采用差分法生成连续灰度值序列，计算所述连续灰度值序列的导数；
删除导数不为零的点和原点值为255的点后剩余的导数为0的点即为基础缺陷点；
所述构建所述基础缺陷点在行方向上的灰度梯度矩阵，并基于所述灰度梯度矩阵对所述基础缺陷点的所属缺陷类别进行划分，包括：
所述灰度梯度矩阵的表达式为：
式中，c为基础缺陷点90度方向上左侧领域出现的连续单调变化灰度值的个数，d为基础缺陷点90度方向上右侧领域出现的连续单调变化灰度值的个数，a为基础缺陷点45度方向上左侧领域出现的连续单调变化的灰度值的个数，b为基础缺陷点45度方向上右侧领域出现的连续单调变化的灰度值的个数，e为基础缺陷点135度方向上左侧领域出现的连续单调变化的灰度值的个数，f为基础缺陷点135度方向上右侧领域出现的连续单调变化的灰度值的个数；
若行方向灰度梯度矩阵中出现零点，则基础缺陷点为裂纹缺陷点，若a、b、c、d、e、f均不为零则基础缺陷点为点状缺陷点；
对所述灰度分割图像中的所有列灰度均值进行聚类以获取条状缺陷类别，包括：
对所有列灰度均值进行聚类以获取聚类簇，每个所述聚类簇对应一个条状缺陷；
对所有列灰度均值进行聚类过程中满足触发条件时输出聚类结果，若不满足触发条件则增加最小寻找半径直至同时满足触发条件，所述触发条件表达式为：
其中，为任意一个聚类内的所有列灰度均值，n、m为列，且/>为该聚类内的边缘灰度整体值，/>为标准差计算方式，exp为归一函数，/>、/>为预设的阈值。
2.根据权利要求1所述的一种面向锂电行业的设备数据采集方法，其特征在于，所述将通过不同照射角度采集到的涂布极片图像转换为灰度图像获得涂布极片灰度集，包括：
分别沿涂布极片的前后左右方向和几何中心上方共五个方向采集涂布极片图像，获得涂布极片图像集；
将所述涂布极片图像集中的所有图像转换为灰度图得到涂布极片灰度集。
3.根据权利要求1所述的一种面向锂电行业的设备数据采集方法，其特征在于，所述灰度值分割函数表达式为：
式中，为第一类中像素点的个数占全部像素点个数的比值，/>为第二类中像素点的个数占全部像素点个数的比值，/>为第一类中灰度值的均值，/>为第二类中灰度值的均值，/>为图像中所有灰度值的均值，/>为第一类和第二类的灰度值边界，/>为灰度值分割数据。
4.根据权利要求3所述的一种面向锂电行业的设备数据采集方法，其特征在于，遍历得到的所述灰度值分割数据，以灰度值分割数据中的最大值作为正常区域和异常区域的灰度值边界。
5. 一种面向锂电行业的设备数据采集***，其特征在于，包括：
处理器；以及
存储器，其存储有面向锂电行业的设备数据采集方法的计算机指令，当所述计算机指令由所述处理器运行时，使得设备执行根据权利要求1-4的任意一项所述的面向锂电行业的设备数据采集方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311413037.2A CN117152444B (zh) | 2023-10-30 | 2023-10-30 | 一种面向锂电行业的设备数据采集方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311413037.2A CN117152444B (zh) | 2023-10-30 | 2023-10-30 | 一种面向锂电行业的设备数据采集方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117152444A CN117152444A (zh) | 2023-12-01 |
| CN117152444B true CN117152444B (zh) | 2024-01-26 |
Family
ID=88906434
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311413037.2A Active CN117152444B (zh) | 2023-10-30 | 2023-10-30 | 一种面向锂电行业的设备数据采集方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117152444B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007078572A (ja) * | 2005-09-15 | 2007-03-29 | Tokyo Seimitsu Co Ltd | 画像欠陥検査装置及び画像欠陥検査方法 |
| CN103593670A (zh) * | 2013-10-14 | 2014-02-19 | 浙江工业大学 | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 |
| WO2015055060A1 (zh) * | 2013-10-16 | 2015-04-23 | 湖南镭目科技有限公司 | 一种连铸坯表面质量在线检测方法 |
| CN111179225A (zh) * | 2019-12-14 | 2020-05-19 | 西安交通大学 | 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法 |
| WO2021168733A1 (zh) * | 2020-02-27 | 2021-09-02 | 京东方科技集团股份有限公司 | 缺陷图像的缺陷检测方法、装置及计算机可读存储介质 |
| CN113929118A (zh) * | 2021-11-19 | 2022-01-14 | 山东泰普锂业科技有限公司 | 一种锂云母制备氟化锂的工艺 |
| CN114358528A (zh) * | 2021-12-18 | 2022-04-15 | 青岛奥利普自动化控制***有限公司 | 锂电行业无上料设备工单数据采集方法、装置及设备 |
| CN114749342A (zh) * | 2022-04-20 | 2022-07-15 | 华南理工大学 | 一种锂电池极片涂布缺陷识别方法、装置及介质 |
| CN114862862A (zh) * | 2022-07-11 | 2022-08-05 | 江苏大田阀门制造有限公司 | 一种基于图像处理的泵体冷隔缺陷识别方法与*** |
| CN114926436A (zh) * | 2022-05-20 | 2022-08-19 | 南通沐沐兴晨纺织品有限公司 | 一种用于周期性花纹织物的缺陷检测方法 |
| CN114972329A (zh) * | 2022-07-13 | 2022-08-30 | 江苏裕荣光电科技有限公司 | 基于图像处理的表面缺陷检测仪的图像增强方法及*** |
| CN114972356A (zh) * | 2022-08-03 | 2022-08-30 | 海门市腾飞橡塑厂 | 塑料制品表面缺陷检测识别方法及*** |
| CN115082483A (zh) * | 2022-08-23 | 2022-09-20 | 启东金耀億华玻纤材料有限公司 | 基于光学相机的玻璃纤维板表面缺陷识别方法 |
| CN115311292A (zh) * | 2022-10-12 | 2022-11-08 | 南通创铭伊诺机械有限公司 | 基于图像处理的带钢表面缺陷检测方法及*** |
| CN115311265A (zh) * | 2022-10-10 | 2022-11-08 | 南通惠罗家用纺织品有限公司 | 基于纺织质量的织布机智能控制*** |
| WO2023134792A2 (zh) * | 2022-12-15 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种led灯芯缺陷检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111340752A (zh) * | 2019-12-04 | 2020-06-26 | 京东方科技集团股份有限公司 | 屏幕的检测方法、装置、电子设备及计算机可读存储介质 |
-
2023
- 2023-10-30 CN CN202311413037.2A patent/CN117152444B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007078572A (ja) * | 2005-09-15 | 2007-03-29 | Tokyo Seimitsu Co Ltd | 画像欠陥検査装置及び画像欠陥検査方法 |
| CN103593670A (zh) * | 2013-10-14 | 2014-02-19 | 浙江工业大学 | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 |
| WO2015055060A1 (zh) * | 2013-10-16 | 2015-04-23 | 湖南镭目科技有限公司 | 一种连铸坯表面质量在线检测方法 |
| CN111179225A (zh) * | 2019-12-14 | 2020-05-19 | 西安交通大学 | 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法 |
| WO2021168733A1 (zh) * | 2020-02-27 | 2021-09-02 | 京东方科技集团股份有限公司 | 缺陷图像的缺陷检测方法、装置及计算机可读存储介质 |
| CN113929118A (zh) * | 2021-11-19 | 2022-01-14 | 山东泰普锂业科技有限公司 | 一种锂云母制备氟化锂的工艺 |
| CN114358528A (zh) * | 2021-12-18 | 2022-04-15 | 青岛奥利普自动化控制***有限公司 | 锂电行业无上料设备工单数据采集方法、装置及设备 |
| CN114749342A (zh) * | 2022-04-20 | 2022-07-15 | 华南理工大学 | 一种锂电池极片涂布缺陷识别方法、装置及介质 |
| CN114926436A (zh) * | 2022-05-20 | 2022-08-19 | 南通沐沐兴晨纺织品有限公司 | 一种用于周期性花纹织物的缺陷检测方法 |
| CN114862862A (zh) * | 2022-07-11 | 2022-08-05 | 江苏大田阀门制造有限公司 | 一种基于图像处理的泵体冷隔缺陷识别方法与*** |
| CN114972329A (zh) * | 2022-07-13 | 2022-08-30 | 江苏裕荣光电科技有限公司 | 基于图像处理的表面缺陷检测仪的图像增强方法及*** |
| CN114972356A (zh) * | 2022-08-03 | 2022-08-30 | 海门市腾飞橡塑厂 | 塑料制品表面缺陷检测识别方法及*** |
| CN115082483A (zh) * | 2022-08-23 | 2022-09-20 | 启东金耀億华玻纤材料有限公司 | 基于光学相机的玻璃纤维板表面缺陷识别方法 |
| CN115311265A (zh) * | 2022-10-10 | 2022-11-08 | 南通惠罗家用纺织品有限公司 | 基于纺织质量的织布机智能控制*** |
| CN115311292A (zh) * | 2022-10-12 | 2022-11-08 | 南通创铭伊诺机械有限公司 | 基于图像处理的带钢表面缺陷检测方法及*** |
| WO2023134792A2 (zh) * | 2022-12-15 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种led灯芯缺陷检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 基于嵌入式机器视觉的多瓶口缺陷检测***设计;蔡晓军;;包装工程(23);174-179 * |
| 基于灰度共生矩阵和分层聚类的刨花板表面图像缺陷提取方法;郭慧;王霄;刘传泽;周玉成;;林业科学(11);114-123 * |
| 基于灰度-梯度共生矩阵的焊缝缺陷聚类分析;戴光;崔巍;张颖;王学增;;中国安全科学学报(03);81-87 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117152444A (zh) | 2023-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112528845B (zh) | 一种基于深度学习的物理电路图识别方法及其应用 | |
| CN110544231A (zh) | 基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法 | |
| CN113129335B (zh) | 一种基于孪生网络的视觉跟踪算法及多模板更新策略 | |
| CN111639647A (zh) | 指示灯状态识别方法、装置、计算机设备及存储介质 | |
| US20240153240A1 (en) | Image processing method, apparatus, computing device, and medium | |
| CN115861738A (zh) | 一种类别语义信息引导的遥感目标检测主动采样方法 | |
| CN114092793A (zh) | 适用于复杂水下环境的端到端生物目标检测方法 | |
| CN114549393B (zh) | 图像标注方法、装置、设备及计算机存储介质 | |
| CN117495891A (zh) | 点云边缘检测方法、装置和电子设备 | |
| CN117152444B (zh) | 一种面向锂电行业的设备数据采集方法及*** | |
| CN110909804B (zh) | 基站异常数据的检测方法、装置、服务器和存储介质 | |
| CN107452003A (zh) | 一种含有深度信息的图像分割的方法及装置 | |
| CN112668365A (zh) | 一种物料入库识别方法、装置、设备及存储介质 | |
| CN115001394B (zh) | 基于人工智能的太阳能电池状态监测方法及*** | |
| Li et al. | A novel approach to remote sensing image retrieval with multi-feature VP-tree indexing and online feature selection | |
| CN116188374A (zh) | 插座检测方法、装置、计算机设备及存储介质 | |
| Xu et al. | Research on improved residual network classification method for defect recognition of thermal battery | |
| CN113554079B (zh) | 一种基于二次检测法的电力负荷异常数据检测方法及*** | |
| CN111984812B (zh) | 一种特征提取模型生成方法、图像检索方法、装置及设备 | |
| CN117649660B (zh) | 基于全局信息融合的细胞***均衡度评估方法及终端 | |
| CN112330611B (zh) | 一种面向fpga的高并行性光斑分割方法 | |
| CN115858895B (zh) | 一种用于智慧城市的多源异构数据处理方法及*** | |
| CN112330611A (zh) | 一种面向fpga的高并行性光斑分割方法 | |
| CN117931954A (zh) | 一种基于灵活配置的数据库数据接口管理方法 | |
| CN115331056A (zh) | 一种基于反向传播梯度筛选的异常检测方法及模型 |
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 |