CN118025597A - 一种锂电池蓄能电池包装的在线检测方法及*** - Google Patents
一种锂电池蓄能电池包装的在线检测方法及*** Download PDFInfo
- Publication number
- CN118025597A CN118025597A CN202410387589.9A CN202410387589A CN118025597A CN 118025597 A CN118025597 A CN 118025597A CN 202410387589 A CN202410387589 A CN 202410387589A CN 118025597 A CN118025597 A CN 118025597A
- Authority
- CN
- China
- Prior art keywords
- battery
- qualification
- packaging
- detection
- detected
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 294
- 238000004146 energy storage Methods 0.000 title claims abstract description 66
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 30
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 30
- 238000012797 qualification Methods 0.000 claims abstract description 243
- 238000004806 packaging method and process Methods 0.000 claims abstract description 220
- 230000007547 defect Effects 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims description 48
- 230000002950 deficient Effects 0.000 claims description 25
- 238000009826 distribution Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000007689 inspection Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 238000002955 isolation Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 238000000547 structure data Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 6
- 230000000875 corresponding effect Effects 0.000 description 19
- 230000008569 process Effects 0.000 description 13
- 238000012545 processing Methods 0.000 description 11
- 238000011156 evaluation Methods 0.000 description 9
- 210000004027 cell Anatomy 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000005022 packaging material Substances 0.000 description 2
- 238000012098 association analyses Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000005429 filling process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012858 packaging process Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 210000000352 storage cell Anatomy 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Secondary Cells (AREA)
Abstract
本发明公开了一种锂电池蓄能电池包装的在线检测方法及***,涉及电池包装检测技术领域,该方法包括:确定目标蓄能电池,设置多个电池包装检测面;基于多个电池包装检测面,在电池包装检测线上设置多个包装面检测单元;对第一电池包装检测面进行图像采集,将图像采集结果基于检测面标识填充于标准电池包装框架中;提取待检电池的待检电池包装模型,对待检电池包装模型进行合格度评估,获取待检电池包装合格度;当待检电池包装合格度满足预设包装合格度,提取待检电池的电池号,标识包装合格标签。本发明解决了现有技术对锂电池包装检测只能检测大的缺陷,检测精度不够的技术问题,达到提高锂电池包装检测精度、降低电池包装不良率的技术效果。
Description
技术领域
本发明涉及电池包装检测技术领域,具体涉及一种锂电池蓄能电池包装的在线检测方法及***。
背景技术
随着锂电池产业的快速发展,对锂电池的安全性、一致性提出了更高要求。锂电池包装作为保护电芯、阻隔外界环境的关键部件,其质量直接影响电池的性能与可靠性。
传统的锂电池包装检测只能检测大的缺陷,检测精度不够,难以满足日益增长的市场需求。
近年来,存在通过采集电池包装表面图像,应用图像处理算法检测划痕等缺陷,实现了包装缺陷的自动识别。但其检测精度与速度还有待进一步提升,以及检测模型的泛化能力有待加强,对新型缺陷的适应性不足。
发明内容
本申请提供一种锂电池蓄能电池包装的在线检测方法及***,用于针对解决现有技术对锂电池包装检测只能检测大的缺陷,检测精度不够的技术问题。
鉴于上述问题,本申请提供了一种锂电池蓄能电池包装的在线检测方法及***。
本申请的第一个方面,提供了一种锂电池蓄能电池包装的在线检测方法,所述方法包括:
确定目标蓄能电池,基于所述目标蓄能电池设置多个电池包装检测面,其中,每个电池包装检测面具有检测面标识;基于所述多个电池包装检测面,在电池包装检测线上设置多个包装面检测单元;当待检电池通过第一包装面检测单元时,对第一电池包装检测面进行图像采集,将图像采集结果基于检测面标识填充于标准电池包装框架中;所述标准电池包装框架填充完毕后,提取所述待检电池的待检电池包装模型,对所述待检电池包装模型进行合格度评估,获取待检电池包装合格度;当所述待检电池包装合格度满足预设包装合格度时,提取所述待检电池的电池号,标识包装合格标签。
本申请的第二个方面,提供了一种锂电池蓄能电池包装的在线检测***,所述***包括:
目标蓄能电池确定模块,所述目标蓄能电池确定模块确定目标蓄能电池,基于所述目标蓄能电池设置多个电池包装检测面,其中,每个电池包装检测面具有检测面标识;包装面检测单元设置模块,所述包装面检测单元设置模块基于所述多个电池包装检测面,在电池包装检测线上设置多个包装面检测单元;标准电池包装框架填充模块,所述标准电池包装框架填充模块当待检电池通过第一包装面检测单元时,对第一电池包装检测面进行图像采集,将图像采集结果基于检测面标识填充于标准电池包装框架中;待检电池包装合格度获取模块,所述待检电池包装合格度获取模块在所述标准电池包装框架填充完毕后,提取所述待检电池的待检电池包装模型,对所述待检电池包装模型进行合格度评估,获取待检电池包装合格度;包装合格标签标识模块,所述包装合格标签标识模块当所述待检电池包装合格度满足预设包装合格度时,提取所述待检电池的电池号,标识包装合格标签。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请通过确定目标蓄能电池,基于所目标蓄能电池设置多个电池包装检测面,其中,每个电池包装检测面具有检测面标识;基于多个电池包装检测面,在电池包装检测线上设置多个包装面检测单元;当待检电池通过第一包装面检测单元时,对第一电池包装检测面进行图像采集,将图像采集结果基于检测面标识填充于标准电池包装框架中;标准电池包装框架填充完毕后,提取待检电池的待检电池包装模型,对待检电池包装模型进行合格度评估,获取待检电池包装合格度;当待检电池包装合格度满足预设包装合格度时,提取待检电池的电池号,标识包装合格标签。本发明解决了现有技术对锂电池包装检测只能检测大的缺陷,检测精度不够的技术问题,达到提高锂电池包装检测精度、降低电池包装不良率的技术效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种锂电池蓄能电池包装的在线检测方法流程示意图;
图2为本申请实施例提供的一种锂电池蓄能电池包装的在线检测***结构示意图。
附图标记说明:目标蓄能电池确定模块11,包装面检测单元设置模块12,标准电池包装框架填充模块13,待检电池包装合格度获取模块14,包装合格标签标识模块15。
具体实施方式
本申请通过提供了一种锂电池蓄能电池包装的在线检测方法及***,用于针对解决现有技术对锂电池包装检测只能检测大的缺陷,检测精度不够的技术问题,达到提高锂电池包装检测精度、降低电池包装不良率的技术效果。
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
实施例一
如图1所示,本申请提供了一种锂电池蓄能电池包装的在线检测方法,所述方法包括:
步骤S100:确定目标蓄能电池,基于所述目标蓄能电池设置多个电池包装检测面,其中,每个电池包装检测面具有检测面标识;
在本申请实施例中,首先根据需要进行检测的蓄能电池,确定目标蓄能电池。再基于目标蓄能电池设置多个电池包装检测面。电池包装检测面的设置考虑电池的几何形状、尺寸、结构以及包装材料的特性等因素。检测面的数量、位置和大小应能够全面反映电池包装的情况,确保无遗漏。每个检测面对应电池包装的一个特定区域或部位,例如顶部、底部、侧面等。
在设置检测面的过程中,为每个检测面分配一个唯一的检测面标识。这个标识可以是数字、字母、符号或者它们的组合,用于在后续的检测过程中区分不同的检测面。
步骤S200:基于所述多个电池包装检测面,在电池包装检测线上设置多个包装面检测单元;
在本申请实施例中,根据已经确定的多个电池包装检测面,明确每个检测面的位置、大小以及形状等特征。这些特征将作为设置包装面检测单元的依据,确保检测单元能够精准地对每个检测面进行检测。接着,在电池包装检测线上,根据检测面的分布和顺序,逐一设置相应的包装面检测单元。这些检测单元是各种传感器、相机或其他检测设备,具体选择取决于检测面的特征和检测需求。例如,对于需要获取图像信息的检测面,设置高清相机作为检测单元;对于需要检测尺寸或形状的检测面,选用相应的测量传感器。
在设置包装面检测单元时,考虑检测单元的安装位置、角度和高度等因素,确保其能够准确捕捉到检测面的图像或数据。同时,对检测单元进行校准和调试,确保其检测结果的准确性和可靠性。
步骤S300:当待检电池通过第一包装面检测单元时,对第一电池包装检测面进行图像采集,将图像采集结果基于检测面标识填充于标准电池包装框架中;
在本申请实施例中,当待检电池沿着电池包装检测线移动并到达第一包装面检测单元时,该检测单元立即启动并准备进行图像采集。第一包装面检测单元配备有高精度相机和图像处理***,确保能够捕捉到清晰、准确的电池包装图像。接下来,第一包装面检测单元对第一电池包装检测面进行图像采集。这一过程中,相机根据预设的参数和角度拍摄电池包装的图像。完成图像采集后,图像处理***对采集到的图像进行初步处理和分析。包括去除图像中的噪声、增强对比度、提取关键特征等。
随后,图像处理***根据之前为每个电池包装检测面分配的检测面标识,将处理后的图像结果填充到标准电池包装框架中相应的位置。标准电池包装框架是一个预定义的模板,包含电池包装的所有检测面及其对应的标识。通过填充图像结果,构建出一个完整的、可视化的电池包装模型。
在填充过程中,图像处理***通过对图像的缩放、旋转和平移等操作确保每个检测面的图像与标准电池包装框架中的对应位置精确匹配。完成图像填充后,标准电池包装框架形成一个完整的电池包装模型。
步骤S400:所述标准电池包装框架填充完毕后,提取所述待检电池的待检电池包装模型,对所述待检电池包装模型进行合格度评估,获取待检电池包装合格度;
在本申请实施例中,首先建立一套合格度评估标准。这套标准满足包括电池包装的尺寸、形状、颜色、标识清晰度、完整性等方面的要求。这套标准根据产品规格、行业标准和客户需求进行制定,确保评估的准确性和公正性。
确定好合格度评估标准,提取待检电池包装模型,并对其进行合格度评估。使用图像处理和分析技术对待检电池包装模型进行分析和比较。通过比对模型中的各个特征与合格度评估标准,判断电池包装在各个方面是否符合要求。例如,测量模型中的尺寸参数,与标准尺寸进行比较;分析模型中的颜色分布和标识清晰度,判断是否存在色差或模糊现象;检查模型的完整性,查看是否有破损或缺失部分。
最终,根据对待检电池包装模型的合格度评估,获取待检电池包装合格度。
步骤S500:当所述待检电池包装合格度满足预设包装合格度时,提取所述待检电池的电池号,标识包装合格标签。
在本申请实施例中,当待检电池包装合格度满足预设包装合格度时,***从数据库中提取与该待检电池对应的电池号。电池号是每个电池的唯一标识符,用于在生产、流通和使用过程中追踪和管理电池。通过提取电池号,***记录哪些电池已经通过了包装合格度的检测。然后,***生成一个包装合格标签。这个标签是一个电子标记或物理标签,标识电池在包装方面的合格状态。标签上包含电池号、合格度信息、检测时间等相关内容。
最后,***将包装合格标签与对应的待检电池通过在数据库中建立关联记录、在电池包装上贴附物理标签或在生产线上进行电子标记等方式进行关联。为待检电池标识包装合格标签。
进一步的,申请实施例提供的方法中的步骤S100还包括:
提取所述目标蓄能电池的三维结构数据,基于所述三维结构数据建立所述目标蓄能电池的数字模型,根据预设规则将所述数字模型划分为N个检测部位,N为正整数;
采集所述目标蓄能电池的历史缺陷数据,提取多个电池缺陷,分别统计多个电池缺陷在N个检测部位的分布概率,建立缺陷-检测部位分布矩阵;
以检测漏检率为优化目标,以所述缺陷-检测部位分布矩阵为约束,求解最优检测面数量M和各检测面的空间参数,其中,M为正整数,且M小于等于N;
基于最优检测面数量M和各检测面的空间参数,确定多个电池包装检测面,并以检测面中心点作为检测面标识。
在本申请实施例中,通过高精度的三维扫描设备或CAD模型获取目标蓄能电池的三维结构数据。基于目标蓄能电池的三维结构数据,利用专业的建模软件构建目标蓄能电池的数字模型。例如使用Rhino构建目标蓄能电池的数字模型,该模型能够准确地反映电池的尺寸、形状和结构特征。
在建立了数字模型之后,根据预设的规则将其划分为N个检测部位,确保每个检测部位都代表电池的一个特定区域或特征。预设规则根据电池的形状和特性制定。例如,对于立方体形状的电池,将其每个面作为一个检测部位,同时考虑棱角等关键部位作为额外的检测点。对于圆柱形电池,围绕其一周设置多个检测面,确保各个方向的检测覆盖,并在上下两个底面分别设置一个检测面。
接下来采集目标蓄能电池的历史缺陷数据。这些数据包括来自生产过程中的记录、质量检测报告或客户反馈等渠道。通过分析这些历史数据,提取出多个电池缺陷,并统计它们在N个检测部位的分布概率。根据电池缺陷在N个检测部位的分布概率,建立缺陷-检测部位分布矩阵。
为了优化检测漏检率并确定最优检测面数量M以及各检测面的空间参数,采用一种基于约束的优化算法,例如使用遗传算法。这里使用缺陷-检测部位分布矩阵作为约束条件。在进行优化时,定义检测漏检率作为优化目标,漏检率指在实际存在缺陷的情况下,由于检测策略不当而未能检测出的缺陷比例。目标是最小化这个漏检率。接下来,确定约束条件。缺陷-检测部位分布矩阵提供了关于哪些检测部位更可能检测到特定缺陷的信息。将该矩阵作为一个权重矩阵,指导优化过程。确定检测面数量的限制,即M≦N,以及空间参数的合理性,如检测面的形状、尺寸和相对位置。
在优化过程中,定义适应度函数来评估不同检测策略,即不同的M值和空间参数组合的优劣。适应度函数基于漏检率计算,同时考虑约束条件的满足情况。通过多次运行优化算法,找到全局最优解,得到最优检测面数量M和各检测面的空间参数。
最后,根据最优检测面数量M和各检测面的空间参数,确定多个电池包装检测面。确定多个电池包装检测面后,以检测面中心点作为检测面标识,根据这些检测面和标识进行精确的图像采集和数据分析,实现对电池包装的全面、高效检测。
进一步的,构建待检电池包装框架方法还包括:
提取合格电池包装样本,对所述合格电池包装样本进行三维扫描,获取三维电池点云数据;
对所述三维电池点云数据进行预处理,基于预处理结果建立三维电池模型;
根据所述多个电池包装检测面对所述三维电池模型进行划分,生成检测面划分线,并按照所述检测面标识对检测面划分线的包围范围进行标识;
基于所述检测面划分线与所述检测面标识,生成标准电池包装框架。
在本申请实施例中,首先提取合格电池包装样本。这些样本代表电池包装的理想状态,没有缺陷或瑕疵。将合格电池包装样本作为构建标准电池包装框架的参考。
接着,对合格电池包装样本进行三维扫描。使用高精度的三维扫描设备对合格电池包装样本进行全面扫描,获取其表面的三维点云数据。然后,对获取的三维电池点云数据进行预处理,去除噪声、平滑数据、精简点云数量等,提高后续处理的效率和准确性。
基于预处理后的三维电池点云数据,通过曲面重建、网格化等方法将离散的点云数据转化为连续的三维模型。接下来,根据已知的多个电池包装检测面,通过算法自动或手动的方式,对三维电池模型进行划分,在模型上生成检测面划分线,将模型划分为不同的检测区域。这些划分线与实际的检测面相对应,确保每个检测面都能够被准确识别和评估。
最后,根据多个电池包装检测面对三维电池模型进行划分得到的检测面划分线进行整合。对划分线进行必要的调整,修正可能出现的误差、优化划分线的布局,确保每条划分线都准确、清晰地表示了对应检测面的边界。将每个检测面标识与相应的检测面划分线进行关联,同时通过数据库记录建立检测面标识与划分线之间的映射关系。基于关联好的检测面划分线与检测面标识,开始构建标准电池包装框架。在构建过程中,确定框架的尺寸和比例,使其与实际的电池包装尺寸相匹配。然后,根据划分线的位置和形状,在框架中绘制出相应的区域或边界,表示不同的检测面。在每个检测面区域内,标注相应的检测面标识。
通过上述步骤,生成标准电池包装框架。
进一步的,申请实施例提供的方法中的步骤S400还包括:
预设合格度分析器;
将所述待检电池包装模型流转至合格度分析器,所述合格度分析器包括全局合格分析组件和多个局部合格分析组件,所述多个局部合格分析组件与多个电池包装检测面一一对应;
所述合格度分析器按照检测面标识从待检电池包装模型中提取多个图像采集结果,分别输入多个局部合格分析组件中,获取多个局部合格度;
将所述多个局部合格度输入全局合格分析组件中,结合所述检测面标识,生成全局合格度;
基于所述全局合格度与所述多个局部合格度获取待检电池包装合格度。
在本申请实施例中,合格度分析器包括全局合格分析组件和多个局部合格分析组件。这些组件共同协作,确保从全局和局部两个层面对待检电池包装模型进行详尽的评估。全局合格分析组件负责从整体上分析待检电池包装的合格度,考虑各个局部合格度之间的关联和权重,生成全局合格度。局部合格分析组件与多个电池包装检测面一一对应,每个组件负责分析对应检测面的合格度。这些组件针对不同的检测面特性进行定制化的合格度评估。
待检电池包装模型在完成构建和检测面标识后,流转至合格度分析器进行合格度评估。合格度分析器按照检测面标识从待检电池包装模型中提取多个图像采集结果。这些图像采集结果代表了不同检测面的实际外观和结构信息。然后,合格度分析器将这些图像采集结果分别输入到对应的局部合格分析组件中。每个局部合格分析组件会根据预设的合格度标准和算法,对输入的图像进行细致的分析和评估,生成对应的局部合格度。
在获取了多个局部合格度之后,合格度分析器将这些局部合格度输入到全局合格分析组件中。全局合格分析组件会结合检测面标识和各个局部合格度,考虑它们之间的权重和关联,生成全局合格度。
全局合格度对待检电池包装整体合格度的综合评估,综合考虑了各个检测面的合格度情况,并根据实际需求进行权重分配和关联分析。
最后,通过对全局合格度和局部合格度进行加权平均、取最大值、最小值或其他逻辑运算来判断待检电池包装的合格度。最终得到的待检电池包装合格度是一个量化指标,用于表示电池包装在各个方面符合预设质量标准的程度。
进一步的,所述方法还包括:
采集目标蓄能电池的历史检测数据,基于历史检测数据与多个电池包装检测面,构建样本电池包装模型集合,其中,每个样本电池包装模型包括多个样本图像采集结果;
对样本电池包装模型集合进行局部合格度标识和全局合格度标识,构建样本电池包装合格度集合,其中,每个样本电池包装合格度包括多个样本局部合格度和样本全局合格度;
基于多个样本图像采集结果与多个样本局部合格度,分别构建多个局部合格分析组件,并基于多个样本局部合格度与样本全局合格度构建全局合格分析组件;
根据多个局部合格分析组件与全局合格分析组件,设置合格度分析器。
在本申请实施例中,首先从历史数据库中提取目标蓄能电池的检测数据。这些数据包括电池包装在不同检测面上的图像、尺寸测量、结构分析等信息。
基于采集到的历史检测数据与已知的多个电池包装检测面,构建样本电池包装模型集合。每个样本电池包装模型都包括多个样本图像采集结果,这些图像对应着不同的检测面,反映电池包装在各个方面的实际状况。基于采集到的历史检测数据与已知的多个电池包装检测面,构建样本电池包装模型集合。每个样本电池包装模型包括多个样本图像采集结果,这些图像对应不同的检测面,反映电池包装在各个方面的实际状况。
对样本电池包装模型集合进行局部合格度标识和全局合格度标识。局部合格度标识指对每个检测面上的样本图像进行合格度判断,根据预设的质量标准、缺陷识别算法等来实现。全局合格度标识基于所有局部合格度的综合判断,考虑各个检测面之间的关联和权重,得出整体合格度的判断。通过这一步骤,构建出样本电池包装合格度集合,其中每个样本电池包装合格度包括多个样本局部合格度和样本全局合格度。
基于多个样本图像采集结果与多个样本局部合格度,分别构建多个局部合格分析组件。在构建局部合格分析组件时,从样本图像采集结果中提取出与局部合格度相关的特征。这些特征包括图像的纹理、边缘、形状等。通过图像处理技术,如滤波、边缘检测等提取特征。将提取出的特征与对应的样本局部合格度进行匹配,形成用于训练的数据集。每个样本包括特征向量和对应的局部合格特征。在构建局部合格分析组件时,选择卷积神经网络进行建模。使用准备好的数据集对卷积神经网络进行训练。通过调整模型的参数和结构,优化模型的预测性能。最后,将训练好的模型封装为局部合格组件。
同时,基于多个样本局部合格度与样本全局合格度构建全局合格分析组件。全局合格分析组件的构建与局部合格分析组件类似。首先通过拼接、加权平均等方式将多个局部合格度进行融合,形成一个综合的特征向量。此外,加入其他与全局合格度相关的特征,如电池包装的整体尺寸、重量等。在构建全局合格分析组件时,同样选择机器学习算法。由于全局合格度是基于多个局部合格度进行综合考虑的,因此可能需要一个能够处理多维输入并输出单一结果的算法,在这里选择全连接神经网络进行建模。使用包含多个样本局部合格度和对应样本全局合格度的数据集对全连接神经网络进行训练和优化。通过调整模型的参数和结构,使其能够准确地预测全局合格度。将训练好的机器学习模型封装成全局合格分析组件。
最后,根据多个局部合格分析组件与全局合格分析组件,设置合格度分析器。设置合格度分析器时首先确定合格度分析器的整体架构,包括输入、处理和输出层。接着,将已构建的多个局部合格分析组件集成到分析器中,每个组件负责分析特定检测面的图像并输出局部合格度。同时,将全局合格分析组件集成,以综合考虑各局部合格度并输出全局合格度。然后,设置统一的输入输出接口,进行数据交互。通过上述步骤,完成合格度分析器的设置。
进一步的,所述方法还包括:
当所述待检电池包装合格度不满足预设包装合格度时,将所述待检电池标识为缺陷电池;
将所述缺陷电池由电池包装检测线转移至隔离区域;
在所述隔离区域根据全局合格度与多个局部合格度对所述缺陷电池进行缺陷深度采集,生成缺陷电池特征集;
基于所述缺陷电池特征集对所述目标蓄能电池的电池包装进行改进。
在本申请实施例中,当待检电池包装合格度不满足预设包装合格度时,***会自动将合格度不满足预设标准的待检电池标识为缺陷电池。这一标识过程是通过合格度分析器自动完成的,当全局合格度或任何一个局部合格度低于预设阈值时,***即会触发缺陷电池的标识机制。
一旦电池被标识为缺陷电池,接下来将其从电池包装检测线上转移至专门的隔离区域。这个过程通过传送带实现,确保缺陷电池能够安全、高效地离开检测线,避免与正常电池混淆。隔离区域为专门用于存放和处理缺陷电池的地方。
在隔离区域,使用高分辨率相机、测量仪器等设备对缺陷电池进行更深入的缺陷深度采集。同时,结合之前的全局合格度和多个局部合格度数据,生成一个包含缺陷电池详细信息的特征集。这个特征集记录了缺陷的具***置和程度,以及与合格度相关的各种数据。
最后,基于缺陷电池特征集,对目标蓄能电池的电池包装进行有针对性的改进。包括优化包装设计、调整包装工艺参数、改进包装材料等方面。通过深入分析缺陷电池的特征集,找到导致合格度不足的根本原因,从而制定出有效的改进措施。
进一步的,所述方法还包括:
根据所述缺陷电池特征集,建立新增缺陷特征库;
基于生成对抗网络,以标准电池包装框架为基础,基于所述新增缺陷特征库,获取新增样本电池包装模型集合和新增样本电池包装合格度集合;
基于新增样本电池包装模型集合和新增样本电池包装合格度集合对所述合格度分析器进行增强训练,获取优化合格度分析器;
根据所述优化合格度分析器对所述待检电池包装模型进行合格度评估。
在本申请实施例中,从缺陷电池特征集中提取出各种缺陷特征,如缺陷位置、形状、大小等。这些特征描述电池包装在哪些方面不符合预设标准。将这些特征进行整理、分类,并存储在新增缺陷特征库中。
接下来,利用生成对抗网络来生成新增的样本电池包装模型。GAN由生成器和判别器两部分组成,生成器负责根据给定的输入,在这里是标准电池包装框架和新增缺陷特征库生成新的样本,而判别器负责判断生成的样本是否真实。通过不断迭代训练,GAN学习到如何从标准电池包装中引入缺陷特征,从而生成具有各种缺陷的电池包装模型。
同时,基于这些新增的样本电池包装模型,通过相应的评估方法,如局部合格分析组件和全局合格分析组件获取新增样本电池包装的合格度,形成新增样本电池包装合格度集合。
获取新增样本电池包装模型集合和对应的合格度集合后,对原有的合格度分析器进行增强训练。进行增强训练时,制定训练策略,包括设置学***或达到迭代次数时,停止训练,获取优化合格度分析器。
将待检电池包装模型输入到优化合格度分析器中。优化合格度分析器接收到待检电池包装模型后,按照其内部的算法和模型结构对输入数据进行处理和分析。在分析过程中,优化合格度分析器利用在增强训练阶段学习到的特征和规律识别和评估电池包装中的缺陷。通过对比标准电池包装框架和新增缺陷特征库中的信息,分析器能判断待检电池包装是否存在缺陷,并确定其合格度。评估完成后,优化合格度分析器输出待检电池包装的合格度结果。
在本申请实施例中,综上所述,本申请实施例至少具有如下技术效果:
本申请通过确定目标蓄能电池,基于所目标蓄能电池设置多个电池包装检测面,其中,每个电池包装检测面具有检测面标识;基于多个电池包装检测面,在电池包装检测线上设置多个包装面检测单元;当待检电池通过第一包装面检测单元时,对第一电池包装检测面进行图像采集,将图像采集结果基于检测面标识填充于标准电池包装框架中;标准电池包装框架填充完毕后,提取待检电池的待检电池包装模型,对待检电池包装模型进行合格度评估,获取待检电池包装合格度;当待检电池包装合格度满足预设包装合格度,提取待检电池的电池号,标识包装合格标签。本发明解决了现有技术对锂电池包装检测只能检测大的缺陷,检测精度不够的技术问题,达到提高锂电池包装检测精度、降低电池包装不良率的技术效果。
实施例二
基于与前述实施例中一种锂电池蓄能电池包装的在线检测方法相同的发明构思,如图2所示,本申请提供一种锂电池蓄能电池包装的在线检测***,本申请实施例中的***与方法实施例基于同样的发明构思。其中,所述***包括:
目标蓄能电池确定模块11,所述目标蓄能电池确定模块11确定目标蓄能电池,基于所述目标蓄能电池设置多个电池包装检测面,其中,每个电池包装检测面具有检测面标识;
包装面检测单元设置模块12,所述包装面检测单元设置模块12基于所述多个电池包装检测面,在电池包装检测线上设置多个包装面检测单元;
标准电池包装框架填充模块13,所述标准电池包装框架填充模块13当待检电池通过第一包装面检测单元时,对第一电池包装检测面进行图像采集,将图像采集结果基于检测面标识填充于标准电池包装框架中;
待检电池包装合格度获取模块14,所述待检电池包装合格度获取模块14在所述标准电池包装框架填充完毕后,提取所述待检电池的待检电池包装模型,对所述待检电池包装模型进行合格度评估,获取待检电池包装合格度;
包装合格标签标识模块15,所述包装合格标签标识模块15当所述待检电池包装合格度满足预设包装合格度时,提取所述待检电池的电池号,标识包装合格标签。
进一步的,所述***还包括:
提取所述目标蓄能电池的三维结构数据,基于所述三维结构数据建立所述目标蓄能电池的数字模型,根据预设规则将所述数字模型划分为N个检测部位,N为正整数;
采集所述目标蓄能电池的历史缺陷数据,提取多个电池缺陷,分别统计多个电池缺陷在N个检测部位的分布概率,建立缺陷-检测部位分布矩阵;
以检测漏检率为优化目标,以所述缺陷-检测部位分布矩阵为约束,求解最优检测面数量M和各检测面的空间参数,其中,M为正整数,且M小于等于N;
基于最优检测面数量M和各检测面的空间参数,确定多个电池包装检测面,并以检测面中心点作为检测面标识。
进一步的,所述***还包括:
提取合格电池包装样本,对所述合格电池包装样本进行三维扫描,获取三维电池点云数据;
对所述三维电池点云数据进行预处理,基于预处理结果建立三维电池模型;
根据所述多个电池包装检测面对所述三维电池模型进行划分,生成检测面划分线,并按照所述检测面标识对检测面划分线的包围范围进行标识;
基于所述检测面划分线与所述检测面标识,生成标准电池包装框架。
进一步的,所述***还包括:
预设合格度分析器;
将所述待检电池包装模型流转至合格度分析器,所述合格度分析器包括全局合格分析组件和多个局部合格分析组件,所述多个局部合格分析组件与多个电池包装检测面一一对应;
所述合格度分析器按照检测面标识从待检电池包装模型中提取多个图像采集结果,分别输入多个局部合格分析组件中,获取多个局部合格度;
将所述多个局部合格度输入全局合格分析组件中,结合所述检测面标识,生成全局合格度;
基于所述全局合格度与所述多个局部合格度获取待检电池包装合格度。
进一步的,所述***还包括:
采集目标蓄能电池的历史检测数据,基于历史检测数据与多个电池包装检测面,构建样本电池包装模型集合,其中,每个样本电池包装模型包括多个样本图像采集结果;
对样本电池包装模型集合进行局部合格度标识和全局合格度标识,构建样本电池包装合格度集合,其中,每个样本电池包装合格度包括多个样本局部合格度和样本全局合格度;
基于多个样本图像采集结果与多个样本局部合格度,分别构建多个局部合格分析组件,并基于多个样本局部合格度与样本全局合格度构建全局合格分析组件;
根据多个局部合格分析组件与全局合格分析组件,设置合格度分析器。
进一步的,所述***还包括:
当所述待检电池包装合格度不满足预设包装合格度时,将所述待检电池标识为缺陷电池;
将所述缺陷电池由电池包装检测线转移至隔离区域;
在所述隔离区域根据全局合格度与多个局部合格度对所述缺陷电池进行缺陷深度采集,生成缺陷电池特征集;
基于所述缺陷电池特征集对所述目标蓄能电池的电池包装进行改进。
进一步的,所述***还包括:
根据所述缺陷电池特征集,建立新增缺陷特征库;
基于生成对抗网络,以标准电池包装框架为基础,基于所述新增缺陷特征库,获取新增样本电池包装模型集合和新增样本电池包装合格度集合;
基于新增样本电池包装模型集合和新增样本电池包装合格度集合对所述合格度分析器进行增强训练,获取优化合格度分析器;
根据所述优化合格度分析器对所述待检电池包装模型进行合格度评估。
需要说明的是,上述本申请实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
本说明书和附图仅仅是本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (8)
1.一种锂电池蓄能电池包装的在线检测方法,其特征在于,所述方法还包括:
确定目标蓄能电池,基于所述目标蓄能电池设置多个电池包装检测面,其中,每个电池包装检测面具有检测面标识;
基于所述多个电池包装检测面,在电池包装检测线上设置多个包装面检测单元;
当待检电池通过第一包装面检测单元时,对第一电池包装检测面进行图像采集,将图像采集结果基于检测面标识填充于标准电池包装框架中;
所述标准电池包装框架填充完毕后,提取所述待检电池的待检电池包装模型,对所述待检电池包装模型进行合格度评估,获取待检电池包装合格度;
当所述待检电池包装合格度满足预设包装合格度时,提取所述待检电池的电池号,标识包装合格标签。
2.根据权利要求1所述的方法,其特征在于,基于所述目标蓄能电池设置多个电池包装检测面,包括:
提取所述目标蓄能电池的三维结构数据,基于所述三维结构数据建立所述目标蓄能电池的数字模型,根据预设规则将所述数字模型划分为N个检测部位,N为正整数;
采集所述目标蓄能电池的历史缺陷数据,提取多个电池缺陷,分别统计多个电池缺陷在N个检测部位的分布概率,建立缺陷-检测部位分布矩阵;
以检测漏检率为优化目标,以所述缺陷-检测部位分布矩阵为约束,求解最优检测面数量M和各检测面的空间参数,其中,M为正整数,且M小于等于N;
基于最优检测面数量M和各检测面的空间参数,确定多个电池包装检测面,并以检测面中心点作为检测面标识。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
提取合格电池包装样本,对所述合格电池包装样本进行三维扫描,获取三维电池点云数据;
对所述三维电池点云数据进行预处理,基于预处理结果建立三维电池模型;
根据所述多个电池包装检测面对所述三维电池模型进行划分,生成检测面划分线,并按照所述检测面标识对检测面划分线的包围范围进行标识;
基于所述检测面划分线与所述检测面标识,生成标准电池包装框架。
4.根据权利要求1所述的方法,其特征在于,对所述待检电池包装模型进行合格度评估,获取待检电池包装合格度,包括:
预设合格度分析器;
将所述待检电池包装模型流转至合格度分析器,所述合格度分析器包括全局合格分析组件和多个局部合格分析组件,所述多个局部合格分析组件与多个电池包装检测面一一对应;
所述合格度分析器按照检测面标识从待检电池包装模型中提取多个图像采集结果,分别输入多个局部合格分析组件中,获取多个局部合格度;
将所述多个局部合格度输入全局合格分析组件中,结合所述检测面标识,生成全局合格度;
基于所述全局合格度与所述多个局部合格度获取待检电池包装合格度。
5.根据权利要求4所述的方法,其特征在于,预设合格度分析器,包括:
采集目标蓄能电池的历史检测数据,基于历史检测数据与多个电池包装检测面,构建样本电池包装模型集合,其中,每个样本电池包装模型包括多个样本图像采集结果;
对样本电池包装模型集合进行局部合格度标识和全局合格度标识,构建样本电池包装合格度集合,其中,每个样本电池包装合格度包括多个样本局部合格度和样本全局合格度;
基于多个样本图像采集结果与多个样本局部合格度,分别构建多个局部合格分析组件,并基于多个样本局部合格度与样本全局合格度构建全局合格分析组件;
根据多个局部合格分析组件与全局合格分析组件,设置合格度分析器。
6.根据权利要求4所述的方法,其特征在于,当所述待检电池包装合格度不满足预设包装合格度时,将所述待检电池标识为缺陷电池;
将所述缺陷电池由电池包装检测线转移至隔离区域;
在所述隔离区域根据全局合格度与多个局部合格度对所述缺陷电池进行缺陷深度采集,生成缺陷电池特征集;
基于所述缺陷电池特征集对所述目标蓄能电池的电池包装进行改进。
7.根据权利要求6所述的方法,其特征在于,生成缺陷电池特征集后,所述方法还包括:
根据所述缺陷电池特征集,建立新增缺陷特征库;
基于生成对抗网络,以标准电池包装框架为基础,基于所述新增缺陷特征库,获取新增样本电池包装模型集合和新增样本电池包装合格度集合;
基于新增样本电池包装模型集合和新增样本电池包装合格度集合对所述合格度分析器进行增强训练,获取优化合格度分析器;
根据所述优化合格度分析器对所述待检电池包装模型进行合格度评估。
8.一种锂电池蓄能电池包装的在线检测***,其特征在于,所述***包括:
目标蓄能电池确定模块,所述目标蓄能电池确定模块确定目标蓄能电池,基于所述目标蓄能电池设置多个电池包装检测面,其中,每个电池包装检测面具有检测面标识;
包装面检测单元设置模块,所述包装面检测单元设置模块基于所述多个电池包装检测面,在电池包装检测线上设置多个包装面检测单元;
标准电池包装框架填充模块,所述标准电池包装框架填充模块当待检电池通过第一包装面检测单元时,对第一电池包装检测面进行图像采集,将图像采集结果基于检测面标识填充于标准电池包装框架中;
待检电池包装合格度获取模块,所述待检电池包装合格度获取模块在所述标准电池包装框架填充完毕后,提取所述待检电池的待检电池包装模型,对所述待检电池包装模型进行合格度评估,获取待检电池包装合格度;
包装合格标签标识模块,所述包装合格标签标识模块当所述待检电池包装合格度满足预设包装合格度时,提取所述待检电池的电池号,标识包装合格标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410387589.9A CN118025597A (zh) | 2024-04-01 | 2024-04-01 | 一种锂电池蓄能电池包装的在线检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410387589.9A CN118025597A (zh) | 2024-04-01 | 2024-04-01 | 一种锂电池蓄能电池包装的在线检测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118025597A true CN118025597A (zh) | 2024-05-14 |
Family
ID=90989356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410387589.9A Pending CN118025597A (zh) | 2024-04-01 | 2024-04-01 | 一种锂电池蓄能电池包装的在线检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118025597A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0753698A1 (de) * | 1995-07-08 | 1997-01-15 | Armaturenfabrik Hermann Voss GmbH + Co. | Steckverbindung zum Anschluss von Druckmittelleitungen |
CN115170550A (zh) * | 2022-07-29 | 2022-10-11 | 江苏大学 | 一种基于深度学习的电池缺陷检测方法及*** |
CN115810014A (zh) * | 2023-02-07 | 2023-03-17 | 菲特(天津)检测技术有限公司 | 一种基于图片中子图块的电极帽端面缺陷检测方法 |
CN116993733A (zh) * | 2023-09-27 | 2023-11-03 | 深圳市冉希古科技有限公司 | 一种耳机套外形质量检测方法及*** |
CN117593273A (zh) * | 2023-11-28 | 2024-02-23 | 南通朗顺智能科技有限公司 | 一种电子元器件表面缺陷检测方法及*** |
-
2024
- 2024-04-01 CN CN202410387589.9A patent/CN118025597A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0753698A1 (de) * | 1995-07-08 | 1997-01-15 | Armaturenfabrik Hermann Voss GmbH + Co. | Steckverbindung zum Anschluss von Druckmittelleitungen |
CN115170550A (zh) * | 2022-07-29 | 2022-10-11 | 江苏大学 | 一种基于深度学习的电池缺陷检测方法及*** |
CN115810014A (zh) * | 2023-02-07 | 2023-03-17 | 菲特(天津)检测技术有限公司 | 一种基于图片中子图块的电极帽端面缺陷检测方法 |
CN116993733A (zh) * | 2023-09-27 | 2023-11-03 | 深圳市冉希古科技有限公司 | 一种耳机套外形质量检测方法及*** |
CN117593273A (zh) * | 2023-11-28 | 2024-02-23 | 南通朗顺智能科技有限公司 | 一种电子元器件表面缺陷检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108711148B (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
CN109658396A (zh) | 一种基于选择性搜索与cnn的铸件x光图像缺陷识别方法 | |
CN110136101B (zh) | 一种基于孪生距离比对的轮胎x光病疵检测方法 | |
CN110473173A (zh) | 一种基于深度学习语义分割的缺陷检测方法 | |
CN109284779A (zh) | 基于深度全卷积网络的物体检测方法 | |
CN109978870A (zh) | 用于输出信息的方法和装置 | |
CN116363125B (zh) | 基于深度学习的电池模组外观缺陷检测方法及*** | |
CN116465315B (zh) | 一种网版质量自动化检测方法及*** | |
CN114821852B (zh) | 基于特征金字塔的电网缺陷深度识别巡查机器人控制*** | |
CN116756372A (zh) | 一种烟支缺陷检测方法及装置 | |
CN117274239B (zh) | 芯片封装工艺缺陷快速检测方法 | |
CN114548494A (zh) | 一种可视化造价数据预测智能分析*** | |
CN110320802B (zh) | 基于数据可视化的复杂***信号时序识别方法 | |
CN118025597A (zh) | 一种锂电池蓄能电池包装的在线检测方法及*** | |
CN114878087B (zh) | 一种基于人工智能的压力容器气密性的检测方法及装置 | |
CN110197189A (zh) | 一种引信装配正确性检测方法和设备 | |
CN117726239B (zh) | 工程质量验收实测实量方法及*** | |
CN117291874B (zh) | 用于铜公测量的自动分中方法及其*** | |
CN114863426B (zh) | 一种目标特征注意力与金字塔相耦合的微小目标检测方法 | |
KR102660626B1 (ko) | 현장 검증이 가능한 ai 기반 비전 검사 시스템 및 방법 | |
CN116681698B (zh) | 一种弹簧自动装配质量检测方法及*** | |
CN117250201B (zh) | 一种泳池砖层缺陷检测方法及*** | |
CN116020756A (zh) | 一种指纹芯片检测和良品辨识方法 | |
CN117589109B (zh) | 石英中心托盘制作工艺的质量检测与控制方法 | |
KR20240100887A (ko) | 객체의 외관 검사 장치 및 객체의 외관 검사 방법 |
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 |