JP2020536328A - バッテリー検出方法及び装置 - Google Patents

バッテリー検出方法及び装置 Download PDF

Info

Publication number
JP2020536328A
JP2020536328A JP2020519278A JP2020519278A JP2020536328A JP 2020536328 A JP2020536328 A JP 2020536328A JP 2020519278 A JP2020519278 A JP 2020519278A JP 2020519278 A JP2020519278 A JP 2020519278A JP 2020536328 A JP2020536328 A JP 2020536328A
Authority
JP
Japan
Prior art keywords
defect
detection model
defect detection
image
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.)
Granted
Application number
JP2020519278A
Other languages
English (en)
Other versions
JP7018135B2 (ja
Inventor
ヤウェイ ウェン，
ヤウェイ ウェン，
ジャビン レン，
ジャビン レン，
ミンハオ リウ，
ミンハオ リウ，
フイフイ シャオ，
フイフイ シャオ，
ジャンリャン グオ，
ジャンリャン グオ，
シュウ リー，
シュウ リー，
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Publication of JP2020536328A publication Critical patent/JP2020536328A/ja
Application granted granted Critical
Publication of JP7018135B2 publication Critical patent/JP7018135B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/4285—Testing apparatus
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M6/00—Primary cells; Manufacture thereof
    • H01M6/50—Methods or arrangements for servicing or maintenance, e.g. for maintaining operating temperature
    • H01M6/5083—Testing apparatus
    • 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
    • G01N21/8806—Specially adapted optical and illumination features
    • G01N2021/8809—Adjustment for highlighting flaws
    • 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
    • G06T2207/20—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)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Chemical & Material Sciences (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Manufacturing & Machinery (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Secondary Cells (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

本開示は、バッテリー検出方法及び装置を提供している。方法は、バッテリー生産ラインの各バッテリーの画像、及び対応する生産ノードを取得するステップと、画像を所定の欠陥検出モデルに入力し、欠陥検出モデルによって出力された検出結果を取得するステップであって、検出結果には欠陥の有無と、欠陥のタイプ及び位置とが含まれるステップと、検出結果が欠陥有りである場合、制御装置が制御命令に基づいて欠陥有りの画像に対応するバッテリーを分流するように、画像に対応する生産ノードの制御装置に制御命令を送信するステップと、を含む。【選択図】図１

Description

関連出願の相互参照
本願は、出願番号が２０１８１０９８０５９８．３であって出願日が２０１８年８月２７日である中国特許出願に基づいて提出され、当該中国特許出願の優先権を主張し、参照として当該中国特許出願の全てが本明細書に盛り込まれる。
本開示は、データ処理技術の分野に関し、特に、バッテリー検出方法及び装置に関する。
現在、単結晶シリコン太陽バッテリーの品質検出において２つの方法がある。１つ目は、生産ラインにおける単結晶シリコン太陽バッテリーを手動で欠陥があるか否かを観察して判断する、単純な手動品質検査である。２つ目は、機械により生産ラインにおける単結晶シリコン太陽バッテリーの画像を収集し、品質検査システムにより所定の欠陥を参照して、画像に欠陥があるか否かを識別する、機械支援の手動品質検査方法である。
１つ目の方法は、人件費が高く、効率が悪い。２つ目の方法では、品質検査システムにより設けられた欠陥が一定であり、更新が困難であり、簡単な欠陥のみを識別し、複雑な欠陥を識別しにくく、品質検査の効率を低下する。
本開示は、関連技術の技術的課題の少なくとも一つをある程度解決することを目的とする。
このため、本開示の第１の目的は、従来技術における低いバッテリー検出効率及び高コストの課題を解決するバッテリー検出方法を提供する。
本開示の第２の目的は、バッテリー検出装置を提供する。
本開示の第３の目的は、別のバッテリー検出装置を提供する。
本開示の第４の目的は、非一時的なコンピュータ読み取り可能な記憶媒体を提供する。
本開示の第５の目的は、コンピュータプログラム製品を提供する。
上記目的を達成するために、本開示の第１の態様では、バッテリー検出方法を提供している。前記方法は、バッテリー生産ラインにおける各バッテリーの画像、及び対応する生産ノードを取得するステップと、前記画像を所定の欠陥検出モデルに入力し、欠陥検出モデルによって出力された検出結果を取得するステップであって、前記検出結果には、欠陥の有無と、欠陥のタイプ及び位置とが含まれるステップと、検出結果が欠陥有りである場合、制御装置が制御命令に基づいて欠陥有りの画像に対応するバッテリーを分流するように、画像に対応する生産ノードの制御装置に制御命令を送信するステップと、を含む。
さらに、前記欠陥検出モデルが、ディープニューラルネットワークモデルであり、前記欠陥検出モデルの構成が、Ｍａｓｋ ＲＣＮＮアルゴリズムに基づいて決定される。
さらに、前記画像を所定の欠陥検出モデルに入力し、前記欠陥検出モデルによって出力された検出結果を取得するステップの前に、トレーニングデータを取得するステップであって、前記トレーニングデータには、生産ラインのバッテリーの履歴画像と欠陥ラベル付け結果とが含まれ、前記欠陥ラベル付け結果には欠陥のタイプと、欠陥の位置とが含まれるステップと、トレーニングデータに基づいて、所定の損失関数が対応する条件を満たすまで初期の欠陥検出モデルをトレーニングするステップと、トレーニングされた欠陥検出モデルを、所定の欠陥検出モデルとして決定するステップと、をさらに含む。
さらに、前記画像を所定の欠陥検出モデルに入力し、前記欠陥検出モデルによって出力された検出結果を取得するステップの後、画像に対応する検出結果をチェックするステップと、チェックに合格した後、画像及び対応する検出結果をトレーニングデータに追加し、更新されたトレーニングデータを取得するステップと、更新されたトレーニングデータに基づいて、欠陥検出モデルを再トレーニングするステップと、をさらに含む。
さらに、前記更新されたトレーニングデータに基づいて、前記欠陥検出モデルを再トレーニングするステップの前に、前記更新されたトレーニングデータ内の、追加された画像及び対応する検出結果の数を取得するステップをさらに含み、更新されたトレーニングデータに基づいて、前記欠陥検出モデルを再トレーニングするステップが、前記数が所定の数閾値よりも大きい場合、更新されたトレーニングデータに基づいて、前記欠陥検出モデルを再トレーニングするステップを含む。
さらに、前記欠陥検出モデルの数が、複数であり、それぞれ異なるサーバに設置され、前記画像を所定の欠陥検出モデルに入力し、前記欠陥検出モデルによって出力された検出結果を取得するステップが、各欠陥検出モデルの負荷量を取得するステップと、各欠陥検出モデルから、対応する負荷量が所定の負荷条件を満たす第１の欠陥検出モデルを選択するステップと、前記画像を第１の欠陥検出モデルに入力し、前記第１の欠陥検出モデルによって出力された検出結果を取得するステップと、を含む。
本開示の実施形態のバッテリー検出方法は、バッテリー生産ラインにおける各バッテリーの画像、及び対応する生産ノードを取得するステップと、画像を所定の欠陥検出モデルに入力し、欠陥検出モデルによって出力された検出結果を取得するステップであって、前記検出結果には欠陥の有無と、欠陥のタイプ及び位置とが含まれるステップと、検出結果が欠陥有りである場合、制御装置が制御命令に基づいて欠陥有りの画像に対応するバッテリーを分流するように、画像に対応する生産ノードの制御装置に制御命令を送信するステップと、を含む方法である。これにより、欠陥検出モデルと組み合わせてバッテリーの欠陥を認識し、簡単な欠陥と複雑な欠陥を認識し、かつ検出結果と組み合わせて欠陥検出モデルを再トレーニングすることにより、欠陥検出モデルが最新の欠陥を認識でき、認識された欠陥に基づいてバッテリーを自動的に分流し、人間の関与は不要であるため、バッテリー検出の効率と精度を向上し、人件費を大幅に削減する。
上記目的を達成するために、本開示の第２の態様では、バッテリー検出装置を提供している。前記装置は、バッテリー生産ラインにおける各バッテリーの画像、及び対応する生産ノードを取得するための取得モジュールと、前記画像を所定の欠陥検出モデルに入力し、欠陥検出モデルによって出力された検出結果を取得するための検出モジュールであって、前記検出結果には、欠陥の有無と、欠陥のタイプ及び位置とが含まれる検出モジュールと、検出結果が欠陥有りである場合、制御装置が制御命令に基づいて欠陥有りの画像に対応するバッテリーを分流するように、画像に対応する生産ノードの制御装置に制御命令を送信するための送信モジュールと、を備える。
さらに、前記欠陥検出モデルが、ディープニューラルネットワークモデルであり、前記欠陥検出モデルの構成が、Ｍａｓｋ ＲＣＮＮアルゴリズムに基づいて決定される。
さらに、前記装置が、トレーニングモジュールと、決定モジュールとをさらに備え、前記取得モジュールが、さらに、トレーニングデータを取得し、前記トレーニングデータには生産ラインにおけるバッテリーの履歴画像と、欠陥ラベル付け結果とが含まれ、前記欠陥ラベル付け結果には、欠陥のタイプと欠陥の位置とが含まれ、前記トレーニングモジュールが、前記トレーニングデータに基づいて、所定の損失関数が対応する条件を満たすまで初期の欠陥検出モデルをトレーニングし、前記決定モジュールが、トレーニングされた欠陥検出モデルを、前記所定の欠陥検出モデルとして決定する。
さらに、前記装置が、チェックモジュールと、追加モジュールとを備え、前記チェックモジュールが、前記画像に対応する検出結果のチェックし、前記追加モジュールが、チェックに合格した後、画像及び対応する検出結果をトレーニングデータに追加し、更新されたトレーニングデータを取得し、前記トレーニングモジュールが、更新されたトレーニングデータに基づいて、前記欠陥検出モデルを再トレーニングする。
さらに、前記取得モジュールが、前記更新されたトレーニングデータ内の、追加された画像及び対応する検出結果の数を取得し、前記トレーニングモジュールが、前記数が所定の数閾値よりも大きい場合、更新されたトレーニングデータに基づいて、欠陥検出モデルを再トレーニングする。
さらに、前記欠陥検出モデルの数が複数であり、それぞれ異なるサーバに設置され、検出モジュールが、各欠陥検出モデルの負荷量を取得し、各欠陥検出モデルから、対応する負荷量が所定の負荷条件を満たす第１の欠陥検出モデルを選択し、前記画像を第１の欠陥検出モデルに入力し、前記第１の欠陥検出モデルによって出力された検出結果を取得する。
本開示の実施形態のバッテリー検出方法は、バッテリー生産ラインの各バッテリーの画像、及び対応する生産ノードを取得するステップと、画像を所定の欠陥検出モデルに入力し、欠陥検出モデルによって出力された検出結果を取得するステップであって、前記検出結果には欠陥の有無と、欠陥のタイプ及び位置とが含まれるステップと、検出結果が欠陥有りである場合、制御装置が制御命令に基づいて欠陥有りの画像に対応するバッテリーを分流するように、画像に対応する生産ノードの制御装置に制御命令を送信するステップと、を含む方法である。これにより、欠陥検出モデルと組み合わせてバッテリーの欠陥を認識し、簡単な欠陥と複雑な欠陥を認識し、検出結果と組み合わせて欠陥検出モデルを再トレーニングすることにより、欠陥検出モデルが最新の欠陥を認識でき、認識された欠陥に基づいてバッテリーを自動的に分流し、人間の関与は不要であるため、バッテリー検出の効率と精度を向上し、人件費を大幅に削減する。
上記目的を達成するために、本開示の第３の態様では、バッテリー検出装置を提供している。前記バッテリー検出装置は、メモリと、プロセッサと、前記メモリに記憶され、プロセッサで実行可能なコンピュータプログラムと、を備え、前記プロセッサが前記プログラムを実行する時に、上記バッテリー検出方法を実現する。
上記目的を達成するために、本開示の第４の態様では、コンピュータプログラムが記憶されている非一時的なコンピュータ読み取り可能な記憶媒体を提供し、プロセッサにより実行される場合、上記バッテリー検出方法を実現する。
上記目的を達成するために、本開示の第５の態様では、コンピュータプログラム製品を提供している。
前記コンピュータプログラム製品における命令がプロセッサにより実行される場合、上記バッテリー検出方法を実現する。
本開示の追加の態様および利点は、以下の説明で部分的に説明され、一部は以下の説明により明らかになる、または本開示の実施により理解される。
本開示の上記及び／または追加の態様及び利点は、以下の実施形態と図面を併せた説明により明らかになり、理解しやすくなる。
本開示の実施形態に係るバッテリー検出方法のフロー概略図である。 本開示の実施形態に係る別のバッテリー検出方法のフロー概略図である。 本開示の実施形態に係るバッテリー検出装置の構成概略図である。 本開示の実施形態に係る別のバッテリー検出装置の構造概略図である。 本開示の実施形態に係る別のバッテリー検出装置の構造概略図である。 本開示の実施形態に係る別のバッテリー検出装置の構造概略図である。
以下、本開示の実施形態を詳細に説明し、実施形態の例を図面に示す。同一または類似の参照番号は、同一または類似の要素または同一または類似の機能を有する要素を指す。以下、図面を参照して説明する実施形態は例示で、本開示を詳細に解釈する旨であり、限定することを意図しない。
以下、本開示の実施形態のバッテリー検出方法及び装置について、図面を参照しながら説明する。
図１は、本開示の実施形態が提供するバッテリー検出方法のフロー概略図である。図１に示すように、バッテリー検出方法は、以下のステップを含む。
Ｓ１０１、バッテリー生産ラインにおける各バッテリーの画像及び対応する生産ノードを取得する。
本開示に係るバッテリー検出方法の実行主体は、バッテリー検出装置であり、バッテリー検出装置は、端末装置やサーバなどのハードウェア装置、または、ハードウェア装置にインストールされるソフトウェアである。この実施形態に含まれるバッテリーは、単結晶シリコン太陽バッテリーなどのバッテリーであってもよい。バッテリーに対する検出は、バッテリーの特定の部品に対する検出、例えば、バッテリーのエレクトロルミネセント部品（Ｅｌｅｃｔｒｏｌｕｍｉｎｅｓｃｅｎｔ、ＥＬ）に対する検出であってもよい。
この実施形態では、バッテリーの画像は、バッテリー生産ラインにおいて、各生産ノードのバッテリーを撮影した画像であってもよい。ここで、バッテリー生産ラインの各生産ノードの複数の位置にカメラが設置され、各生産ノードのバッテリーを撮影し、バッテリーの画像を収集できる。カメラは、固定カメラであってもよいし、移動可能なカメラであってもよい。
Ｓ１０２、画像を所定の欠陥検出モデルに入力し、欠陥検出モデルによって出力された検出結果を取得し、検出結果には欠陥の有無と、欠陥のタイプ及び位置とが含まれる。
この実施形態では、欠陥のタイプは、例えば、クラック、チップ発生、仮付け溶接、またはゲート破損などの欠陥であってもよい。欠陥検出モデルは、具体的にはディープニューラルネットワークモデルであってもよく、欠陥検出モデルの構成は、Ｍａｓｋ ＲＣＮＮアルゴリズムに基づいて決定される。この実施形態では、欠陥検出モデルの構成は、畳み込み層、プーリング層、全結合層などを含むことができる。畳み込み層は、画像内の特徴を抽出し、画像に対応する特徴マップを生成する。プーリング層は、フィーチャマップの次元を縮小し、フィーチャマップ内の非プライマリフィーチャを削除し、フィーチャマップ内のプライマリフィーチャを保持し、生産ライン上の画像の変形、ぼかし、照明の変化に対する高いロバスト性を持つ。全結合層は、インスタンスのパーティション分流に基づいたネットワークブランチで、当該ブランチは特徴マップに基づいて、バイリニア補間アルゴリズムにより元の画像サイズに復元され、各ピクセルに対して所属するインスタンスを予測でき、例えば、色、グレースケールなどの情報により、画像内の各オブジェクトまたは部品を取得し、各オブジェクトまたは部品を、通常のオブジェクトまたは部品と比較することにより、画像に欠陥があるか否やか、また欠陥がある場合、欠陥のタイプ及び位置を判断できる。
さらに、上記実施形態に基づいて、欠陥検出モデルの数は複数であり、それぞれ異なるサーバに設置される。バッテリー検出装置がステップ１０２を実行するプロセスは、具体的には、各欠陥検出モデルの負荷量を取得し、各欠陥検出モデルから対応する負荷量が所定の負荷条件を満たす第１の欠陥検出モデルを選択し、画像を第１の欠陥検出モデルに入力し、前記第１の欠陥検出モデルによって出力された検出結果を取得する。
この実施形態では、複数の欠陥検出モデルを設置し、各欠陥検出モデルから対応する負荷量が所定の負荷条件を満たす第１の欠陥検出モデルを選択して画像検出を行い、単一の欠陥検出モデルに対して、欠陥検出モデルの作業負荷を軽減し、画像の検出速度を向上し、バッテリーの検出効率を向上する。
Ｓ１０３、検出結果が欠陥有りである場合、制御装置が制御命令に基づいて欠陥有りの画像に対応するバッテリーを分流するように、画像に対応する生産ノードの制御装置に制御命令を送信する。
この実施形態では、制御装置は、例えば、コンベヤーベルト、ロボットアームなどであってもよく、またはコンベヤーベルトまたはロボットアームなどに対応するコントローラであってもよい。さらに、欠陥のある画像に対応するバッテリーの分流効果を確保するために、検出結果が欠陥有りである場合、作業員に提示用メッセージを送信し、欠陥のある画像に対応するバッテリーを手動で分流するように提示することができる。
また、ステップ１０３の後、前記方法は、作業員が閲覧しやすくなるように、検出結果及び分流結果に基づき、各バッテリーの画像、画像の収集時間、検出結果、分流結果などを含むログを生成して保存することをさらに含むことができる。
本開示の実施形態のバッテリー検出方法は、バッテリー生産ラインの各バッテリーの画像、及び対応する生産ノードを取得するステップと、画像を所定の欠陥検出モデルに入力し、欠陥検出モデルによって出力された検出結果を取得するステップであって、前記検出結果には欠陥の有無と、欠陥のタイプ及び位置とが含まれるステップと、検出結果が欠陥有りである場合、制御装置が制御命令に基づいて欠陥有りの画像に対応するバッテリーを分流するように、画像に対応する生産ノードの制御装置に制御命令を送信するステップとを含む方法である。これにより、欠陥検出モデルと組み合わせてバッテリーの欠陥を認識し、簡単な欠陥と複雑な欠陥を認識し、検出結果と組み合わせて欠陥検出モデルを再トレーニングすることにより、欠陥検出モデルが最新の欠陥を認識でき、認識された欠陥に基づいてバッテリーを自動的に分流し、人間の関与は不要であることにより、バッテリー検出の効率と精度を向上し、人件費を大幅に削減する。
図２は、本開示の実施形態に係る別のバッテリー検出方法のフロー概略図である。図２に示すように、図１に示す実施形態に基づいて、ステップ１０２の前に、バッテリー検出方法は、以下のステップをさらに含むことができる。
Ｓ１０４、トレーニングデータを取得し、前記トレーニングデータには、生産ラインのバッテリーの履歴画像と、欠陥ラベル付け結果とが含まれ、前記欠陥ラベル付け結果には、欠陥のタイプと欠陥の位置とが含まれる。
この実施形態では、履歴画像は、現在時刻前に生産ラインで撮影されたバッテリーの履歴画像である。履歴画像に対応する欠陥ラベル付け結果は、履歴画像の欠陥のタイプと欠陥の位置を手動でラベル付けることにより取得する結果であってもよい。
Ｓ１０５、トレーニングデータに基づいて、所定の損失関数が対応する条件を満たすまで初期の欠陥検出モデルをトレーニングする。
この実施形態では、所定の損失関数は、欠陥検出モデルにおける畳み込み層、プーリング層、全結合層などの損失関数に基づいて決定されてもよい。損失関数に対応する条件は、しきい値を満たすために必要な損失関数であってもよい。損失関数は対応する条件を満たすことは、損失関数の値はしきい値よりも小さいである。
Ｓ１０６、トレーニングされた欠陥検出モデルを、所定の欠陥検出モデルとして決定する。
さらに、前述の実施形態に基づいて、ステップ１０２の後に、前記方法は、画像に対応する検出結果をチェックするステップと、チェックに合格した後、画像及び対応する検出結果をトレーニングデータに追加し、更新されたトレーニングデータを取得するステップと、更新されたトレーニングデータに基づいて、欠陥検出モデルを再トレーニングするステップと、をさらに含むことができる。
この実施形態では、欠陥検出モデルを、画像及び対応する検出結果に基づいて再トレーニングすることにより、欠陥検出モデル検出の精度をさらに向上させ、検出結果に新しい欠陥が発生する場合でも、欠陥検出モデルが画像における新しい欠陥を検出することができる。
さらに、前述の実施形態に基づいて、更新されたトレーニングデータに基づいて欠陥検出モデルを再トレーニングする前に、更新されたトレーニングデータ内の、追加された画像及び対応する検出結果の数を取得するステップをさらに含み、更新されたトレーニングデータに基づいて欠陥検出モデルを再トレーニングするステップは、数が所定の数閾値よりも大きい場合、更新されたトレーニングデータに基づいて、欠陥検出モデルの再トレーニングと、をさらに含むことができる。
この実施形態では、欠陥検出モデルのトレーニングの数を減らし、繰り返しトレーニングを避けるために、トレーニングデータに追加された新しい画像、及び対応する検出結果の数が所定の数閾値よりも大きい場合、欠陥検出モデルの再トレーニングを開始することができる。
図３は、本開示の実施形態に係るバッテリー検出装置の構成概略図である。図３に示されるように、バッテリー生産ラインの各バッテリーの画像、及び対応する生産ノードを取得するための取得モジュール３１と、前記画像を所定の欠陥検出モデルに入力し、欠陥検出モデルによって出力された検出結果を取得するための検出モジュール３２であって、前記検出結果には、欠陥の有無と、欠陥のタイプ及び位置とが含まれる検出モジュール３２と、検出結果が欠陥有りである場合、制御装置が制御命令に基づいて欠陥有りの画像に対応するバッテリーを分流するように、画像に対応する生産ノードの制御装置に制御命令を送信するための送信モジュール３３と、を備える。
本開示に係るバッテリー検出方法の実行主体は、バッテリー検出装置であり、バッテリー検出装置は、端末装置やサーバなどのハードウェア装置、またはハードウェア装置にインストールされるソフトウェアである。この実施形態に含まれるバッテリーは、単結晶シリコン太陽バッテリーなどのバッテリーであってもよい。バッテリーに対する検出は、バッテリーの特定の部品に対する検出、例えば、バッテリーのエレクトロルミネセント部品（Ｅｌｅｃｔｒｏｌｕｍｉｎｅｓｃｅｎｔ、ＥＬ）に対する検出であってもよい。
この実施形態では、バッテリーの画像は、バッテリー生産ラインにおいて、各生産ノードのバッテリーを撮影した画像であってもよい。ここで、バッテリー生産ラインの各生産ノードの複数の位置にカメラが設置され、各生産ノードのバッテリーを撮影し、バッテリーの画像を収集できる。カメラは、固定カメラであってもよいし、移動可能なカメラであってもよい。
この実施形態では、欠陥のタイプは、例えば、クラック、チップ発生、仮付け溶接、またはゲート破損などの欠陥であってもよい。欠陥検出モデルは、具体的にはディープニューラルネットワークモデルであってもよく、欠陥検出モデルの構成は、Ｍａｓｋ ＲＣＮＮアルゴリズムに基づいて決定される。この実施形態では、欠陥検出モデルの構成は、畳み込み層、プーリング層、全結合層などを備えることができる。畳み込み層は、画像内の特徴を抽出し、画像に対応する特徴マップを生成するために使用される。プーリング層は、フィーチャマップの次元を縮小し、フィーチャマップ内の非プライマリフィーチャを削除し、フィーチャマップ内のプライマリフィーチャを保持し、生産ライン上の画像の変形、ぼかし、照明の変化に対する高いロバスト性を持つ。全結合層は、インスタンスのパーティション分流に基づいたネットワークブランチで、当該ブランチは特徴マップに基づいて、バイリニア補間アルゴリズムにより元の画像サイズに復元され、各ピクセルに対して所属するインスタンスを予測でき、例えば、色、グレースケールなどの情報により、画像内の各オブジェクトまたは部品を取得し、各オブジェクトまたは部品を、通常のオブジェクトまたは部品に比較することにより、画像に欠陥があるか否やか、また欠陥がある場合で欠陥のタイプと位置を判断できる。
さらに、上記実施形態に基づいて、欠陥検出モデルの数は複数であり、それぞれ異なるサーバに設置される。検出モジュール３２が、具体的には、各欠陥検出モデルの負荷量を取得し、各欠陥検出モデルから対応する負荷量が所定の負荷条件を満たす第１の欠陥検出モデルを選択し、画像を第１の欠陥検出モデルに入力し、前記第１の欠陥検出モデルによって出力された検出結果を取得する。
この実施形態では、複数の欠陥検出モデルを設置し、各欠陥検出モデルから対応する負荷量が所定の負荷条件を満たす第１の欠陥検出モデルを選択して画像検出を行い、単一の欠陥検出モデルに対して、欠陥検出モデルの作業負荷を軽減し、画像の検出速度を向上し、バッテリーの検出効率を向上する。
この実施形態では、制御装置は、例えば、コンベヤーベルト、ロボットアームなどであってもよく、またはコンベヤーベルトまたはロボットアームなどに対応するコントローラであってもよい。さらに、欠陥のある画像に対応するバッテリーの分流効果を確保するために、検出結果が欠陥有りである場合、作業員に提示用メッセージを送信し、欠陥のある画像に対応するバッテリーを手動で分流するように提示することができる。
また、前記装置は、作業員が閲覧しやすくなるように、検出結果及び分流結果に基づき、各バッテリーの画像、画像の収集時間、検出結果、分流結果などを含むログを生成して保存するための生成モジュールをさらに備えることができる。
本開示の実施形態のバッテリー検出方法は、バッテリー生産ラインの各バッテリーの画像、及び対応する生産ノードを取得するステップと、画像を所定の欠陥検出モデルに入力し、欠陥検出モデルによって出力された検出結果を取得するステップであって、前記検出結果には欠陥の有無と、欠陥のタイプ及び位置とが含まれるステップと、検出結果が欠陥有りである場合、制御装置が制御命令に基づいて欠陥有りの画像に対応するバッテリーを分流するように、画像に対応する生産ノードの制御装置に制御命令を送信するステップとを含む方法である。これにより、欠陥検出モデルと組み合わせてバッテリーの欠陥を認識し、簡単な欠陥と複雑な欠陥を認識し、検出結果と組み合わせて欠陥検出モデルを再トレーニングすることにより、欠陥検出モデルが最新の欠陥を認識でき、認識された欠陥に基づいてバッテリーを自動的に分流し、人間の関与は不要であることにより、バッテリー検出の効率と精度を向上し、人件費を大幅に削減する。
さらに、図４を参照しながら、図３に示す実施形態に基づいて、前記装置は、トレーニングモジュール３４及び決定モジュール３５を含むことができる。
取得モジュール３１は、トレーニングデータを取得し、前記トレーニングデータには生産ラインのバッテリーの履歴画像と、欠陥ラベル付け結果とが含まれ、前記欠陥ラベル付け結果には、欠陥のタイプと、欠陥の位置とが含まれる。
トレーニングモジュール３４は、トレーニングデータに基づいて、所定の損失関数が対応する条件を満たすまで初期の欠陥検出モデルをトレーニングする。
決定モジュール３５は、トレーニングされた欠陥検出モデルを、所定の欠陥検出モデルとして決定する。
この実施形態では、履歴画像は、現在時刻前に生産ラインで撮影されたバッテリーの履歴画像である。履歴画像に対応する欠陥ラベル付け結果は、履歴画像の欠陥のタイプと欠陥の位置を手動でラベル付けることにより取得する結果であってもよい。
さらに、図５を参照しながら、図４に示す実施形態に基づいて、前記装置は、チェックモジュール３６及び追加モジュール３７を含むことができる。
チェックモジュール３６は、画像に対応する検出結果をチェックする。
追加モジュール３７は、チェックに合格した後、画像及び対応する検出結果をトレーニングデータに追加し、更新されたトレーニングデータを取得する。
トレーニングモジュール３４は、更新されたトレーニングデータに基づいて、欠陥検出モデルを再トレーニングする。
この実施形態では、画像及び対応する検出結果に基づいて欠陥検出モデルをトレーニングすることにより、欠陥検出モデルの検出精度をさらに向上させ、検出結果に新しい欠陥が発生する場合でも、欠陥検出モデルが画像における新しい欠陥を検出することができる。
さらに、上記実施形態に基づいて、前記取得モジュール３１は、前記更新されたトレーニングデータ内の、追加された画像及び対応する検出結果の数を取得する。前記トレーニングモジュール３４は、前記数が所定の数閾値よりも大きい場合、更新されたトレーニングデータに基づいて、欠陥検出モデルを再トレーニングする。
この実施形態では、欠陥検出モデルのトレーニングの数を減らし、繰り返しトレーニングを避けるために、トレーニングデータに追加された新しい画像及び対応する検出結果の数が所定の数閾値よりも大きい場合、欠陥検出モデルの再トレーニングを開始することができる。
図６は、本開示の実施形態に係る別のバッテリー検出装置の構造概略図である。バッテリー検出装置は、メモリ１００１と、プロセッサと１００２と、プロセッサ１００２で動作可能な、メモリに１００１記憶されているコンピュータプログラムとを備え、前記プログラムがプロセッサ１００２により実行される場合、上記実施形態のバッテリー検出方法を実現する。
また、バッテリー検出装置は、さらに、メモリ１００１とプロセッサ１００２の間の通信に使用される通信インターフェース１００３と、プロセッサ１００２で実行可能なコンピュータプログラムが記憶されているメモリ１００１であって、高速ＲＡＭメモリ、または不揮発性メモリ（ｎｏｎ−ｖｏｌａｔｉｌｅ ｍｅｍｏｒｙ）、例えば、少なくとも１つのディスクストレージを備えてもよいメモリ１００１と、前記プログラムを実行し、上記実施形態のバッテリー検出方法を実施するプロセッサ１００２と、を備える。
メモリ１００１、プロセッサ１００２及び通信インターフェース１００３がそれぞれ独立して実装される場合、通信インターフェース１００３、メモリ１００１及びプロセッサ１００２は、バスを介して相互接続され、相互通信を完成することができる。バスは、業界標準アーキテクチャ（Ｉｎｄｕｓｔｒｙ Ｓｔａｎｄａｒｄ Ａｒｃｈｉｔｅｃｔｕｒｅ、ＩＳＡ）バス、周辺機器部品（Ｐｅｒｉｐｈｅｒａｌ Ｃｏｍｐｏｎｅｎｔ、ＰＣＩ）バス、または拡張業界標準アーキテクチャ（Ｅｘｔｅｎｄｅｄ Ｉｎｄｕｓｔｒｙ Ｓｔａｎｄａｒｄ Ａｒｃｈｉｔｅｃｔｕｒｅ、ＥＩＳＡ）バスであってもよい。前記バスは、アドレスバス、データバス、制御バスなどに分けることができる。表現しやすくように、図６には太い線が１本しか示されていないが、バスが１つまたは１種類だけという意味ではない。
選択可能なものとして、具体的な実装では、メモリ１００１、プロセッサ１００２及び通信インターフェイス１００３が１つのチップに集積実装される場合、メモリ１００１、プロセッサ１００２及び通信インターフェイス１００３は、内部インターフェイスを介して相互通信を完成することができる。
プロセッサ１００２は、中央処理装置（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ、ＣＰＵ）、特定用途向け集積回路（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ、ＡＳＩＣ）、または本開示の実施形態を実施するように構成される１つまたは１つ以上の集積回路であってもよい。
本開示は、コンピュータプログラムが記憶されている非一時的なコンピュータ読み取り可能な記憶媒体を提供している。前記プログラムがプロセッサにより実行され、上記バッテリー検出方法を実現する。
本開示は、コンピュータプログラム製品を提供している。前記コンピュータプログラム製品における命令がプロセッサにより実行され、上記バッテリー検出方法を実現する。
本明細書の説明において、「１つの実施形態」、「一部の実施形態」、「実施例」、「具体的な実施例」、または「一部の実施例」などの用語に関する記載は、実施形態または実施例に併せて記載される具体的な特徴、構造、材料、または特性が、本開示の少なくとも１つの実施形態または実施例に含まれることを意味する。本明細書では、上記用語に対する意図的な表現は、同じ実施形態または実施例に対する必要はない。さらに、説明される具体的な特徴、構造、材料、または特性は、任意の１つまたは複数の実施形態または実施例において適切な方法で組み合わせることができる。さらに、相互に矛盾がない場合、当業者は、本明細書に記載されるさまざまな実施形態または実施例、及びさまざまな実施形態または実施例の特徴を組み合わせてもよい。
さらに、「第１」及び「第２」という用語は、目的を説明するのみに使用され、相対的な重要性を示すまたは暗示する、または示された技術的特徴の数を暗黙的に示すと解釈されるものではない。したがって、「第１」または「第２」を限定する特徴には、明示的または暗黙的に少なくとも１つの特徴を含むことができる。本開示の説明において、「複数」の意味は、特に明記しない限り、少なくとも２つ、例えば２つ、３つなどである。
フロー図内または別の方法で説明されるプロセスまたは方法は、１つまたは複数のカスタムロジック機能またはプロセスのステップを実装するための実行可能命令を含むコードのモジュール、セグメントまたは部分を表すと理解され得る。また、本開示の好ましい実施形態の範囲は、別の実装を含み、示されるまたは議論される順序でなく、関する機能を含み基本的に同時にまたは逆の順番で機能を実行し得ることは、当業者に理解されるべきである。
フロー図内または別の方法で説明されるロジック及び／またはステップは、例えば、論理機能を実装するための実行可能な命令の順序付きリストと見なされてもよく、任意のコンピュータ読み取り可能な媒体で具現化され、命令実行システム、装置、またはデバイス（例えば、コンピュータベースのシステム、プロセッサを含むシステム、または命令実行システム、装置、またはデバイスから命令をロードして実行できる他のシステム）に使用でき、または命令実行システム、装置、またはデバイスに組み合わせて使用できる。本明細書において、「コンピュータ読み取り可能な媒体」は、プログラムを含む、記憶、通信、伝播、または送信して命令実行システム、装置、またはデバイス、または命令実行システム、装置、またはデバイスに組み合わせて使用される任意の装置であり得る。コンピュータ読み取り可能な媒体のより具体的な例（非網羅的なリスト）には、１つまたは複数のワイヤを持つ電気接続（電子デバイス）、携帯可能なコンピュータのフロッピーディスク（磁気装置）、ランダムアクセスメモリ（ＲＡＭ）、読み取り専用メモリ（ＲＯＭ）、消去可能なプログラム可能読み取り専用メモリ（ＥＰＲＯＭまたはフラッシュメモリ）、光ファイバー装置、及び携帯可能なコンパクトディスク読取り専用メモリ（ＣＤＲＯＭ）を含む。さらに、コンピュータ読み取り可能な媒体は、プログラムを印刷される紙または他の適切な媒体であってもよく、例えば、紙または他の媒体を光学的にスキャンし、その後、編集、翻訳、または必要な場合に、他の適切な方法で処理し、プログラムを電子的に取得してコンピュータのメモリに記憶できるからである。
本開示の各部分は、ハードウェア、ソフトウェア、ファームウェア、またはそれらの組み合わせで実装できることを理解されたい。上記実施形態では、複数のステップまたは方法は、メモリに記憶され、適切な命令実行システムが実行するソフトウェア、またはファームウェアにより実装することができる。例えば、ハードウェア及び別の実施形態で実装される場合、データ信号に対して論理関数を実装する論理ゲートを備えたディスクリート論理回路、適切な組み合わせ論理ゲートを備えた特定用途向け集積回路、プログラマブルゲートアレイ（ＰＧＡ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）などの当該技術分野で周知技術のいずれか１つまたは組み合わせにより実装することができる。
当業者は、上記実施形態を実施する方法のすべてまたは一部のステップは、プログラムの命令により関するハードウェアが完成でき、方法の実施形態のステップの１つまたは組み合わせを含む、前記プログラムはコンピュータ読み取り可能な記憶媒体に記憶できることを理解できる。
さらに、本開示の様々な実施形態における各機能ユニットは、１つの処理モジュールに集積されてもよく、各ユニットの単独で物理的な存在であってもよく、または２つまたは２つ以上のユニットが１つのモジュールに集積されてもよい。上記統合モジュールは、ハードウェアの形で実装されてもよく、ソフトウェア機能モジュールの形で実装されてもよい。統合モジュールは、ソフトウェア機能モジュールの形で実装され、スタンドアロン製品として販売または使用される場合、コンピュータ読み取り可能な記憶媒体に記憶されることもできる。
上記記憶媒体は、読み取り専用メモリ、磁気ディスク、または光ディスクなどであってもよい。
上記説明は、本開示の好ましい実施形態のみで、当業者は、本開示の原理から逸脱しない限り、若干の改善及び修正を行うことができ、これらの改善及び修正も開示の保護範囲内と見なされるべきである。

Claims (15)

  1. バッテリー生産ラインの各バッテリーの画像、及び対応する生産ノードを取得するステップと、
    前記画像を所定の欠陥検出モデルに入力し、欠陥検出モデルによって出力された検出結果を取得するステップであって、前記検出結果には欠陥の有無と、欠陥のタイプ及び位置とが含まれるステップと、
    前記検出結果が欠陥有りである場合、制御装置が制御命令に基づいて欠陥有りの画像に対応するバッテリーを分流するように、前記画像に対応する生産ノードの前記制御装置に前記制御命令を送信するステップと、
    を含むバッテリー検出方法。
  2. 前記欠陥検出モデルが、ディープニューラルネットワークモデルであり、前記欠陥検出モデルの構成が、Ｍａｓｋ ＲＣＮＮアルゴリズムに基づいて決定される請求項１に記載の方法。
  3. 前記画像を所定の欠陥検出モデルに入力し、前記欠陥検出モデルによって出力された検出結果を取得するステップの前に、トレーニングデータを取得するステップであって、前記トレーニングデータには、生産ラインのバッテリーの履歴画像と、欠陥ラベル付け結果とが含まれ、前記欠陥ラベル付け結果には、欠陥のタイプと欠陥の位置とが含まれるステップと、前記トレーニングデータに基づいて、所定の損失関数が対応する条件を満たすまで初期の欠陥検出モデルをトレーニングするステップと、トレーニングされた欠陥検出モデルを、前記所定の欠陥検出モデルとして決定するステップと、を含む請求項１または２に記載の方法。
  4. 前記画像を所定の欠陥検出モデルに入力し、前記欠陥検出モデルによって出力された検出結果を取得するステップの後に、
    前記画像に対応する検出結果をチェックするステップと、
    チェックに合格した後、前記画像及び対応する検出結果を前記トレーニングデータに追加し、更新されたトレーニングデータを取得するステップと、
    更新されたトレーニングデータに基づいて、前記欠陥検出モデルを再トレーニングするステップと、
    を含む請求項３に記載の方法。
  5. 前記更新されたトレーニングデータに基づいて、前記欠陥検出モデルを再トレーニングするステップの前に、
    前記更新されたトレーニングデータ内の、追加された画像及び対応する検出結果の数を取得するステップ、を含み、
    前記更新されたトレーニングデータに基づいて、前記欠陥検出モデルを再トレーニングするステップが、
    前記数が所定の数閾値よりも大きい場合、更新されたトレーニングデータに基づいて、前記欠陥検出モデルを再トレーニングするステップを含む請求項４に記載の方法。
  6. 前記欠陥検出モデルの数が、複数であり、それぞれ異なるサーバに設置され、
    前記画像を所定の欠陥検出モデルに入力し、前記欠陥検出モデルによって出力された検出結果を取得するステップが、
    各欠陥検出モデルの負荷量を取得するステップと、
    各欠陥検出モデルから、対応する負荷量が所定の負荷条件を満たす第１の欠陥検出モデルを選択するステップと、
    前記画像を第１の欠陥検出モデルに入力し、前記第１の欠陥検出モデルによって出力された検出結果を取得するステップと、
    を含む請求項１から５のいずれか一項に記載の方法。
  7. バッテリー生産ラインの各バッテリーの画像、及び対応する生産ノードを取得するための取得モジュールと、
    前記画像を所定の欠陥検出モデルに入力し、前記欠陥検出モデルによって出力された検出結果を取得するための検出モジュールであって、前記検出結果には、欠陥の有無と、欠陥のタイプ及び位置とが含まれる検出モジュールと、
    検出結果が欠陥有りである場合、制御装置が制御命令に基づいて欠陥有りの画像に対応するバッテリーを分流するように、前記画像に対応する生産ノードの前記制御装置に前記制御命令を送信するための送信モジュールと、
    を備えるバッテリー検出装置。
  8. 前記欠陥検出モデルが、ディープニューラルネットワークモデルであり、前記欠陥検出モデルの構成が、Ｍａｓｋ ＲＣＮＮアルゴリズムに基づいて決定される請求項７に記載の装置。
  9. 前記装置が、トレーニングモジュールと決定モジュールとを備え、
    前記取得モジュールが、さらに、トレーニングデータを取得し、前記トレーニングデータには、生産ラインのバッテリーの履歴画像と、欠陥ラベル付け結果とが含まれ、前記欠陥ラベル付け結果には、欠陥のタイプと欠陥の位置とが含まれ、
    前記トレーイングモジュールが、前記トレーニングデータに基づいて、所定の損失関数が対応する条件を満たすまで初期の欠陥検出モデルをトレーニングし、
    前記決定モジュールが、トレーニングされた欠陥検出モデルを、前記所定の欠陥検出モデルとして決定する請求項７または８に記載の装置。
  10. 前記装置が、
    前記画像に対応する検出結果をチェックするためのチェックモジュールと、
    チェックに合格した後、前記画像及び対応する検出結果を前記トレーニングデータに追加し、更新されたトレーニングデータを取得するための追加モジュールと、
    を備え、
    前記トレーニングモジュールが、更新されたトレーニングデータに基づいて、前記欠陥検出モデルを再トレーニングする請求項９に記載の装置。
  11. 前記取得モジュールが、前記更新されたトレーニングデータ内の、追加された画像及び対応する検出結果の数を取得し、
    前記トレーニングモジュールが、前記数が所定の数閾値よりも大きい場合、更新されたトレーニングデータに基づいて、前記欠陥検出モデルを再トレーニングする請求項１０に記載の装置。
  12. 前記欠陥検出モデルの数が、複数であり、それぞれ異なるサーバに設置され、
    前記検出モジュールが、
    各欠陥検出モデルの負荷量を取得し、
    各欠陥検出モデルから、対応する負荷量が所定の負荷条件を満たす第１の欠陥検出モデルを選択し、
    前記画像を第１の欠陥検出モデルに入力し、前記第１の欠陥検出モデルによって出力された検出結果を取得する請求項７から１１のいずれか一項に記載の装置
  13. メモリと、
    プロセッサと、
    メモリに記憶され、プロセッサで動作可能なコンピュータプログラムと、を備え、
    前記プログラムが前記プロセッサにより実行される場合、請求項１から６のいずれか一項に記載のバッテリー検出方法を実現するバッテリー検出装置。
  14. コンピュータプログラムが記憶されている非一時的なコンピュータ読み取り可能な記憶媒体であって、
    前記プログラムがプロセッサにより実行される場合、請求項１から６のいずれか一項に記載のバッテリー検出方法を実現する非一時的なコンピュータ読み取り可能な記憶媒体。
  15. コンピュータプログラム製品であって、
    前記コンピュータプログラム製品における命令がプロセッサにより実行される場合、請求項１から６のいずれか一項に記載のバッテリー検出方法を実現するコンピュータプログラム製品。
JP2020519278A 2018-08-27 2019-06-27 バッテリー検出方法及び装置 Active JP7018135B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201810980598.3 2018-08-27
CN201810980598.3A CN109239075B (zh) 2018-08-27 2018-08-27 电池检测方法及装置
PCT/CN2019/093383 WO2020042741A1 (zh) 2018-08-27 2019-06-27 电池检测方法及装置

Publications (2)

Publication Number Publication Date
JP2020536328A true JP2020536328A (ja) 2020-12-10
JP7018135B2 JP7018135B2 (ja) 2022-02-09

Family

ID=65068351

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020519278A Active JP7018135B2 (ja) 2018-08-27 2019-06-27 バッテリー検出方法及び装置

Country Status (6)

Country Link
US (1) US11158044B2 (ja)
EP (1) EP3683572B1 (ja)
JP (1) JP7018135B2 (ja)
KR (1) KR102494946B1 (ja)
CN (1) CN109239075B (ja)
WO (1) WO2020042741A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117576108A (zh) * 2024-01-17 2024-02-20 杭州广立微电子股份有限公司 晶圆缺陷检测的可视化优化方法、装置和计算机设备

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109239075B (zh) * 2018-08-27 2021-11-30 北京百度网讯科技有限公司 电池检测方法及装置
CN111563869B (zh) * 2019-01-25 2023-07-21 宁波舜宇光电信息有限公司 用于摄像模组质检的污点测试方法
JP7439953B2 (ja) 2020-11-13 2024-02-28 日本電気株式会社 学習装置、処理装置、学習方法、処理方法及びプログラム
CN112465814A (zh) * 2020-12-17 2021-03-09 无锡日联科技股份有限公司 基于深度学习的电池overhang的计算方法和装置
CN114913108A (zh) * 2021-01-29 2022-08-16 京东方科技集团股份有限公司 显示基板的图像分类方法和装置
CN112967245B (zh) * 2021-03-01 2022-11-08 创新奇智(青岛)科技有限公司 电池检测方法、装置、电子设备及可读存储介质
US20220318667A1 (en) * 2021-03-30 2022-10-06 Accenture Global Solutions Limited Intelligent real-time defect prediction, detection, and ai driven automated correction solution
CN113487567B (zh) * 2021-07-05 2023-07-07 广东奥普特科技股份有限公司 尺寸精度的检测方法、装置、电子设备以及存储介质
CN113567446B (zh) * 2021-07-06 2022-07-19 北京东方国信科技股份有限公司 组件缺陷检测质量分级的方法及***
CN114152422B (zh) * 2021-12-02 2024-04-05 国家石油天然气管网集团有限公司 一种在油气管道开挖现场管道非外部缺陷类型的检测方法
WO2023097639A1 (zh) * 2021-12-03 2023-06-08 宁德时代新能源科技股份有限公司 用于图像分割的数据标注方法和***以及图像分割装置
CN114418963B (zh) * 2021-12-28 2023-12-05 淮阴工学院 一种基于机器视觉的电池极板缺陷检测方法
KR20230129940A (ko) * 2022-03-02 2023-09-11 주식회사 엘지에너지솔루션 배터리 불량 검출 장치, 방법 및 시스템
CN114638294A (zh) * 2022-03-10 2022-06-17 深圳市腾盛精密装备股份有限公司 一种数据增强方法、装置、终端设备及存储介质
CN115829906B (zh) * 2022-04-18 2024-01-30 宁德时代新能源科技股份有限公司 对复合料带的阴极极片进行缺陷检测的方法、装置、***
CN115825070A (zh) * 2022-08-10 2023-03-21 宁德时代新能源科技股份有限公司 电芯检测方法、装置、计算机设备和介质
CN115829913B (zh) * 2022-08-10 2024-05-17 宁德时代新能源科技股份有限公司 裸电芯外观检测方法、装置、计算机设备和存储介质
WO2024049201A1 (ko) * 2022-08-31 2024-03-07 주식회사 엘지에너지솔루션 배터리 전극 검사 장치 및 방법
CN115829921B (zh) * 2022-09-16 2024-01-05 宁德时代新能源科技股份有限公司 检测电芯缺陷的方法、装置和计算机可读存储介质
CN118130464A (zh) * 2022-12-02 2024-06-04 华为技术有限公司 一种缺陷检测方法、装置及***
CN116542980B (zh) * 2023-07-06 2023-11-03 宁德时代新能源科技股份有限公司 缺陷检测方法、装置、计算机设备、存储介质和程序产品
CN117115162A (zh) * 2023-10-24 2023-11-24 中安芯界控股集团有限公司 基于视觉分析对电池进行检测的芯片生产控制***
CN117635605B (zh) * 2024-01-23 2024-06-18 宁德时代新能源科技股份有限公司 电池目检确认方法、装置、电子设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006243923A (ja) * 2005-03-01 2006-09-14 Meiwa E Tec:Kk ワーク追跡管理装置
JP2014153906A (ja) * 2013-02-08 2014-08-25 Honda Motor Co Ltd 検査装置、検査方法及びプログラム
JP2017138808A (ja) * 2016-02-03 2017-08-10 キヤノン株式会社 情報処理装置および情報処理方法
CN108320278A (zh) * 2018-01-09 2018-07-24 北京百度网讯科技有限公司 产品缺陷检测定位方法、装置、设备及计算机可读介质

Family Cites Families (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4377786A (en) * 1980-08-06 1983-03-22 Radco Industries, Inc. Battery testing apparatus
US6266138B1 (en) * 1999-10-12 2001-07-24 Perceptron, Inc. System and method for detecting defects in a surface of a workpiece
CN101546557B (zh) * 2008-03-28 2011-03-23 展讯通信（上海）有限公司 用于音频内容识别的分类器参数更新方法
CN101539533B (zh) * 2009-03-11 2011-06-22 华南理工大学 电池内部缺陷自动检测装置及方法
US8595154B2 (en) * 2011-01-26 2013-11-26 Google Inc. Dynamic predictive modeling platform
WO2012103290A1 (en) * 2011-01-26 2012-08-02 Google Inc. Dynamic predictive modeling platform
CN103020642B (zh) * 2012-10-08 2016-07-13 江苏省环境监测中心 水环境监测质控数据分析方法
CN203705352U (zh) * 2014-01-23 2014-07-09 四川大学 一种基于机器视觉的磁瓦在线检测设备
CN204241383U (zh) * 2014-08-19 2015-04-01 广州伊索自动化科技有限公司 一种基于机器视觉的汽车连接件检测***
CN105118044B (zh) * 2015-06-16 2017-11-07 华南理工大学 一种轮形铸造产品缺陷自动检测方法
CN204936176U (zh) 2015-09-10 2016-01-06 天津滨海祥宝塑料制品有限责任公司 一种塑料桶生产线的自动检漏***
CN105205479A (zh) * 2015-10-28 2015-12-30 小米科技有限责任公司 人脸颜值评估方法、装置及终端设备
CN105279382B (zh) * 2015-11-10 2017-12-22 成都数联易康科技有限公司 一种医疗保险异常数据在线智能检测方法
CN105352967A (zh) * 2015-11-17 2016-02-24 浙江集英工业智能机器技术有限公司 一种软磁磁芯自动检测用的多工位传输摄像机构
US9965901B2 (en) * 2015-11-19 2018-05-08 KLA—Tencor Corp. Generating simulated images from design information
CN109075268B (zh) * 2016-04-14 2021-04-30 大日本印刷株式会社 电池用包装材料、其制造方法、电池用包装材料的成型时的不良判定方法、铝合金箔
WO2018038123A1 (ja) * 2016-08-22 2018-03-01 キユーピー株式会社 食品検査装置、食品検査方法及び食品検査装置の識別手段の学習方法
CN206107748U (zh) 2016-09-13 2017-04-19 国药集团冯了性（佛山）药业有限公司 药酒自动化筛查分流包装生产线
US10115040B2 (en) * 2016-09-14 2018-10-30 Kla-Tencor Corporation Convolutional neural network-based mode selection and defect classification for image fusion
CN106530284A (zh) * 2016-10-21 2017-03-22 广州视源电子科技股份有限公司 基于图像识别的焊点类型检测和装置
CN106568783B (zh) * 2016-11-08 2019-12-03 广东工业大学 一种五金零件缺陷检测***及方法
CN106814088A (zh) * 2016-12-30 2017-06-09 镇江苏仪德科技有限公司 基于机器视觉对电池片颜色分选的检测装置及方法
CN106875381B (zh) * 2017-01-17 2020-04-28 同济大学 一种基于深度学习的手机外壳缺陷检测方法
CN107192759B (zh) * 2017-06-09 2019-08-27 湖南大学 一种基于感应光热辐射的光伏电池无损检测方法及***
CN107831173A (zh) * 2017-10-17 2018-03-23 哈尔滨工业大学（威海） 光伏组件缺陷检测方法及***
CN107833220B (zh) * 2017-11-28 2021-06-11 河海大学常州校区 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法
CN108061735A (zh) * 2017-12-01 2018-05-22 工业互联网创新中心（上海）有限公司 零部件表面缺陷的识别方法和装置
CN108305243B (zh) * 2017-12-08 2021-11-30 五邑大学 一种基于深度学习的磁瓦表面缺陷检测方法
CN108074231B (zh) * 2017-12-18 2020-04-21 浙江工业大学 一种基于卷积神经网络的磁片表面缺陷检测方法
CN108090897A (zh) 2017-12-18 2018-05-29 川亿电脑(深圳)有限公司 印刷线路板缺陷的检测方法、检测装置及存储介质
CN108257121B (zh) * 2018-01-09 2019-01-25 北京百度网讯科技有限公司 产品缺陷检测模型更新的方法、装置、存储介质及终端设备
CN108154508B (zh) * 2018-01-09 2019-05-24 北京百度网讯科技有限公司 产品缺陷检测定位的方法、装置、存储介质及终端设备
CN108230317A (zh) 2018-01-09 2018-06-29 北京百度网讯科技有限公司 钢板缺陷检测分类方法、装置、设备及计算机可读介质
CN109239075B (zh) * 2018-08-27 2021-11-30 北京百度网讯科技有限公司 电池检测方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006243923A (ja) * 2005-03-01 2006-09-14 Meiwa E Tec:Kk ワーク追跡管理装置
JP2014153906A (ja) * 2013-02-08 2014-08-25 Honda Motor Co Ltd 検査装置、検査方法及びプログラム
JP2017138808A (ja) * 2016-02-03 2017-08-10 キヤノン株式会社 情報処理装置および情報処理方法
CN108320278A (zh) * 2018-01-09 2018-07-24 北京百度网讯科技有限公司 产品缺陷检测定位方法、装置、设备及计算机可读介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117576108A (zh) * 2024-01-17 2024-02-20 杭州广立微电子股份有限公司 晶圆缺陷检测的可视化优化方法、装置和计算机设备
CN117576108B (zh) * 2024-01-17 2024-05-28 杭州广立微电子股份有限公司 晶圆缺陷检测的可视化优化方法、装置和计算机设备

Also Published As

Publication number Publication date
KR102494946B1 (ko) 2023-02-06
EP3683572B1 (en) 2022-06-01
EP3683572A1 (en) 2020-07-22
KR20210010541A (ko) 2021-01-27
US20210209739A1 (en) 2021-07-08
JP7018135B2 (ja) 2022-02-09
WO2020042741A1 (zh) 2020-03-05
US11158044B2 (en) 2021-10-26
EP3683572A4 (en) 2021-06-02
CN109239075B (zh) 2021-11-30
CN109239075A (zh) 2019-01-18

Similar Documents

Publication Publication Date Title
JP7018135B2 (ja) バッテリー検出方法及び装置
US10943132B2 (en) Distant on-road object detection
CN110460782B (zh) 信息采集装置、方法、巡检机器人和存储介质
WO2019047656A1 (zh) 用于控制无人驾驶车辆的方法和装置
US20220309764A1 (en) Method and device for small sample defect classification and computing equipment
JP6817384B2 (ja) 自動運転車両の視覚感知方法、自動運転車両の視覚感知装置、制御機器及びコンピュータ読み取り可能な記憶媒体
KR20170140214A (ko) 신경망을 위한 훈련 기준으로서의 필터 특이성
JP6800351B2 (ja) 電極シートのバリを検出するための方法および装置
CN110135302B (zh) 训练车道线识别模型的方法、装置、设备和存储介质
KR20200004822A (ko) 디스플레이 스크린 주변 회로 검출 방법, 장치, 전자기기 및 저장매체
US20200402221A1 (en) Inspection system, image discrimination system, discrimination system, discriminator generation system, and learning data generation device
CN109840883B (zh) 一种训练物体识别神经网络的方法、装置及计算设备
TW202027094A (zh) 用於自動腫瘤偵測和分類的系統
JP2019050376A5 (ja)
WO2021189889A1 (zh) 场景图像中的文本检测方法、装置、计算机设备及存储介质
WO2020220182A1 (zh) 一种车道线检测方法、装置、控制设备及存储介质
CN115699082A (zh) 缺陷检测方法及装置、存储介质及电子设备
US20190290493A1 (en) Intelligent blind guide method and apparatus
CN110969600A (zh) 一种产品缺陷检测方法、装置、电子设备及存储介质
WO2022246860A1 (zh) 一种自动驾驶***的性能测试方法
CN112328822B (zh) 图片预标注方法、装置及终端设备
US20230048386A1 (en) Method for detecting defect and method for training model
CN116107591A (zh) 基于corner cases的部署模型构建方法
US20230410484A1 (en) Anomaly detection using a convolutional neural network and feature based memories
CN111444911B (zh) 车牌识别模型的训练方法及装置、车牌识别方法及装置

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200403

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20210428

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210518

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210816

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210903

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20220125

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220128

R150 Certificate of patent or registration of utility model

Ref document number: 7018135

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150