JP7018135B2 - 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 PDFInfo
- Publication number
- JP7018135B2 JP7018135B2 JP2020519278A JP2020519278A JP7018135B2 JP 7018135 B2 JP7018135 B2 JP 7018135B2 JP 2020519278 A JP2020519278 A JP 2020519278A JP 2020519278 A JP2020519278 A JP 2020519278A JP 7018135 B2 JP7018135 B2 JP 7018135B2
- 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.)
- Active
Links
Images
Classifications
-
- 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
- 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
-
- 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)
Description
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。
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。
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。
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。
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、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。
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。
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。
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。
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。
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、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。
Claims (13)
- 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、
を含み、
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を含み、
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、
を含むバッテリー検出方法。 - 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。
- 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、
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。 - 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1に記載の方法。 - 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4のいずれか一項に記載の方法。 - バッテリー生産ラインの各バッテリーの画像、対応する生産ノード及びトレーニングデータ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、
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、
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トレーニングモジュールと、
を備えるバッテリー検出装置。 - 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6に記載の装置。
- 決定モジュールを備え、
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請求項6または7に記載の装置。 - 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6に記載の装置。 - 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6から9のいずれか一項に記載の装置 - 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5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。 - 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5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。 - コンピュータプログラムであって、
前記コンピュータプログラム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。
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 JP2020536328A (ja) | 2020-12-10 |
JP7018135B2 true 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) |
Families Citing this family (24)
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*** |
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 |
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)
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)
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 |
-
2018
- 2018-08-27 CN CN201810980598.3A patent/CN109239075B/zh active Active
-
2019
- 2019-06-27 EP EP19853678.1A patent/EP3683572B1/en active Active
- 2019-06-27 JP JP2020519278A patent/JP7018135B2/ja active Active
- 2019-06-27 KR KR1020207036130A patent/KR102494946B1/ko active IP Right Grant
- 2019-06-27 US US16/650,279 patent/US11158044B2/en active Active
- 2019-06-27 WO PCT/CN2019/093383 patent/WO2020042741A1/zh active Application Filing
Patent Citations (4)
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 |
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 |
WO2020042741A1 (zh) | 2020-03-05 |
JP2020536328A (ja) | 2020-12-10 |
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 | |
CN111507958B (zh) | 目标检测方法、检测模型的训练方法及电子设备 | |
WO2019047656A1 (zh) | 用于控制无人驾驶车辆的方法和装置 | |
CN111814850A (zh) | 缺陷检测模型训练方法、缺陷检测方法及相关装置 | |
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 | |
KR20200004822A (ko) | 디스플레이 스크린 주변 회로 검출 방법, 장치, 전자기기 및 저장매체 | |
US10885620B2 (en) | Neural network image processing system | |
CN111401418A (zh) | 一种基于改进Faster r-cnn的员工着装规范检测方法 | |
JP2019050376A5 (ja) | ||
WO2020220182A1 (zh) | 一种车道线检测方法、装置、控制设备及存储介质 | |
CN110969600A (zh) | 一种产品缺陷检测方法、装置、电子设备及存储介质 | |
US20190290493A1 (en) | Intelligent blind guide method and apparatus | |
CN112328822B (zh) | 图片预标注方法、装置及终端设备 | |
CN111008561A (zh) | 一种牲畜的数量确定方法、终端及计算机存储介质 | |
CN116107591A (zh) | 基于corner cases的部署模型构建方法 | |
CN112327930A (zh) | 一种巡检路径确定方法和装置 | |
CN109035666B (zh) | 一种火烟检测方法、装置及终端设备 | |
CN115641517A (zh) | 机器视觉缺陷识别方法和***、边缘侧装置及存储介质 | |
CN114998679A (zh) | 深度学习模型的在线训练方法、装置、设备及存储介质 | |
Xu et al. | Image-based intelligent detection of typical defects of complex subway tunnel surface | |
WO2024061194A1 (zh) | 样本标签的获取方法和镜头失效检测模型的训练方法 | |
US11393181B2 (en) | Image recognition system and updating method thereof | |
CN116071335A (zh) | 墙面验收方法、装置、设备及存储介质 | |
CN109299652B (zh) | 一种用于图像定位的模型训练方法、图像定位方法及装置 | |
CN110705479A (zh) | 模型训练方法和目标识别方法、装置、设备及介质 |
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 |