KR102494946B1 - 배터리 검출 방법 및 장치(battery detection method and device) - Google Patents

배터리 검출 방법 및 장치(battery detection method and device) Download PDF

Info

Publication number
KR102494946B1
KR102494946B1 KR1020207036130A KR20207036130A KR102494946B1 KR 102494946 B1 KR102494946 B1 KR 102494946B1 KR 1020207036130 A KR1020207036130 A KR 1020207036130A KR 20207036130 A KR20207036130 A KR 20207036130A KR 102494946 B1 KR102494946 B1 KR 102494946B1
Authority
KR
South Korea
Prior art keywords
defect
battery
detection model
detection
image
Prior art date
Application number
KR1020207036130A
Other languages
English (en)
Other versions
KR20210010541A (ko
Inventor
야웨이 웬
지아빙 렁
밍하오 리우
휘휘 샤오
지앙량 구오
쑤 리
Original Assignee
베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디.
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 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. filed Critical 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디.
Publication of KR20210010541A publication Critical patent/KR20210010541A/ko
Application granted granted Critical
Publication of KR102494946B1 publication Critical patent/KR102494946B1/ko

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
    • 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
    • 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
    • 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

본 개시는 배터리 검출 방법 및 장치를 제공하는 바, 여기서 방법은, 배터리의 생산라인의 각 배터리의 이미지 및 대응되는 생산 노드를 획득하는 단계; 이미지를 미리 설정된 결함 검출 모델에 입력하여 결함 검출 모델에 의해 출력된 검출 결과를 획득하는 단계 - 검출 결과는 결함이 존재하는지 여부, 결함의 유형 및 위치를 포함함 - ; 및 검출 결과가 결함이 존재하는 것일 경우, 이미지에 대응되는 생산 노드의 제어 기기에 제어 명령을 송신함으로써, 제어 기기가 제어 명령에 따라 결함이 존재하는 이미지에 대응되는 배터리를 분류시키도록 하는 단계;를 포함한다.

Description

배터리 검출 방법 및 장치(BATTERY DETECTION METHOD AND DEVICE)
본 개시는 2018년 8월 27일자에 출원된 중국특허출원 번호 201810980598.3호에 기초하여 제출되는 것으로, 해당 중국특허출원에 대한 우선권을 주장하며, 해당 중국특허출원의 모든 내용은 본 출원에 참조로 인용된다.
본 개시는 데이터 처리 기술 분야에 관한 것으로, 특히 배터리 검출 방법 및 장치에 관한 것이다.
현재, 단결정 실리콘 태양 배터리에 대한 품질 검출 방법은 두 가지가 있다. 첫 번째는 풀(full) 인력에 의한 품질 검출로서, 인력에 의해 생산라인의 단결정 실리콘 태양 배터리를 관찰하여 결함 여부를 결정하는 것이다. 두 번째로는 기계 보조를 통한 인력에 의한 품질 검출 방식인 바, 기계에 의해 생산라인의 단결정 실리콘 태양 배터리의 이미지(picture)를 수집하고 품질 검출 시스템에 의해 미리 정의되는 결함을 결부하여 이미지 내의 결함이 존재하는지 여부를 인식한다.
첫 번째 방법은 인건 비용이 높고 효율이 낮다. 두 번째 방법에 있어서, 품질 검출 시스템에 의해 정의되는 결함은 고정된 것으로, 이는 업데이트가 어렵고, 또한, 간단한 결함에 대한 인식만이 가능하고 복잡한 결함에 대한 인식은 어려운 바, 이는 품질 검출 효율을 저하시킨다.
본 개시는 관련 기술의 기술 문제 중 하나를 적어도 어느 정도 해결하고자 한다.
이를 위해, 본 개시의 첫 번째 목적은 배터리 검출 방법을 제공함으로써, 종래 기술에 있어서 배터리에 대한 검출 효율이 저하되고 비용이 높은 문제를 해결하고자 한다.
본 개시의 두 번째 목적은 배터리 검출 장치를 제공하려는 데 있다.
본 개시의 세 번째 목적은 다른 배터리 검출 장치를 제공하려는 데 있다.
본 개시의 네 번째 목적은 비일시적 컴퓨터 판독 가능 저장 매체를 제공하려는 데 있다.
본 개시의 다섯 번째 목적은 비일시적 컴퓨터 판독 가능 저장 매체에 저장되어 있는 컴퓨터 프로그램을 제공하려는 데 있다.
상술한 목적을 달성하기 위해, 본 개시의 제1 측면의 실시예는 배터리 검출 방법을 제공하는 바,
배터리의 생산라인의 각 배터리의 이미지 및 대응되는 생산 노드를 획득하는 단계;
상기 이미지를 미리 설정된 결함 검출 모델에 입력하여, 상기 결함 검출 모델에 의해 출력된 검출 결과를 획득하는 단계 - 상기 검출 결과는 결함이 존재하는지 여부, 결함의 유형 및 위치를 포함함 - ; 및
상기 검출 결과가 결함이 존재하는 것일 경우, 상기 이미지에 대응되는 생산 노드의 제어 기기에 제어 명령을 송신함으로써, 상기 제어 기기가 상기 제어 명령에 따라 결함이 존재하는 이미지에 대응되는 배터리를 분류（分流）시키도록 하는 단계; 를 포함한다.
더 나아가, 상기 결함 검출 모델은 심층 신경망 모델이고, 상기 결함 검출 모델의 구조는 Mask RCNN 알고리즘에 따라 결정된다.
더 나아가, 상기 이미지를 미리 설정된 결함 검출 모델에 입력하여, 상기 결함 검출 모델에 의해 출력된 검출 결과를 획득하는 단계 이전에,
트레이닝 데이터를 획득하는 단계 - 상기 트레이닝 데이터는 생산라인의 배터리의 과거 이미지 및 결함 표기 결과를 포함하고, 상기 결함 표기 결과는 결함 유형 및 결함 위치를 포함함 - ;
미리 설정된 손실 함수가 대응되는 조건을 충족시킬 때까지 상기 트레이닝 데이터에 따라 초기의 결함 검출 모델을 트레이닝하는 단계; 및
트레이닝된 결함 검출 모델을 상기 미리 설정된 결함 검출 모델로 결정하는 단계; 를 더 포함한다.
더 나아가, 상기 이미지를 미리 설정된 결함 검출 모델에 입력하여, 상기 결함 검출 모델에 의해 출력된 검출 결과를 획득하는 단계 이후에,
상기 이미지에 대응되는 검출 결과를 심사하는 단계;
심사가 통과된 후, 상기 이미지 및 대응되는 검출 결과를 상기 트레이닝 데이터에 추가하여 업데이트된 트레이닝 데이터를 획득하는 단계; 및
업데이트된 트레이닝 데이터에 따라 상기 결함 검출 모델을 재트레이닝하는 단계; 를 더 포함한다.
더 나아가, 업데이트된 트레이닝 데이터에 따라 상기 결함 검출 모델을 재트레이닝하는 단계 이전에,
상기 업데이트된 트레이닝 데이터에서 추가된 이미지 및 대응되는 검출 결과의 수량을 획득하는 단계; 를 더 포함하고
그리고, 업데이트된 트레이닝 데이터에 따라 상기 결함 검출 모델을 재트레이닝하는 단계는
상기 수량이 미리 설정된 수량 역치보다 클 경우, 업데이트된 트레이닝 데이터에 따라 상기 결함 검출 모델을 재트레이닝하는 단계;를 포함한다.
더 나아가, 상기 결함 검출 모델의 수량은 복수이고 각각 부동한 서버에 설치되며;
상기 이미지를 미리 설정된 결함 검출 모델에 입력하여, 상기 결함 검출 모델에 의해 출력된 검출 결과를 획득하는 단계는,
각 결함 검출 모델의 부하량을 획득하는 단계;
각 결함 검출 모델 중에서 대응되는 부하량이 미리 설정된 부하 조건을 충족시키는 제1 결함 검출 모델을 선택하는 단계; 및
상기 이미지를 제1 결함 검출 모델에 입력하여, 상기 제1 결함 검출 모델에 의해 출력된 검출 결과를 획득하는 단계; 를 포함한다.
본 개시의 실시예의 배터리 검출 방법은, 배터리의 생산라인의 각 배터리의 이미지 및 대응되는 생산 노드를 획득하는 단계; 이미지를 미리 설정된 결함 검출 모델에 입력하여 결함 검출 모델에 의해 출력된 검출 결과를 획득하는 단계 - 검출 결과는 결함이 존재하는지 여부, 결함의 유형 및 위치를 포함함 - ; 및 검출 결과가 결함이 존재하는 것일 경우, 이미지에 대응되는 생산 노드의 제어 기기에 제어 명령을 송신함으로써, 제어 기기가 제어 명령에 따라 결함이 존재하는 이미지에 대응되는 배터리를 분류시키도록 하는 단계;를 통해, 결함 검출 모델을 결부하여 배터리의 결함을 인식하는 것으로, 간단한 결함과 복잡한 결함에 대한 인식이 가능하고, 또한, 검출 결과를 결부하여 결함 검출 모델을 재트레이닝함으로써, 결함 검출 모델이 최신 나타난 결함에 대한 인식이 가능하도록 할 수 있고, 인식되는 결함에 따라 배터리를 자동 분류시키므로 인력의 개입이 필요 없고 배터리를 검출하는 효율과 정확도를 향상시키고 인건비를 대폭 저감시킨다.
상술한 목적을 달성하기 위해, 본 개시의 제2 측면의 실시예는 배터리 검출 장치를 제공하는 바,
배터리의 생산라인의 각 배터리의 이미지 및 대응되는 생산 노드를 획득하는 획득 모듈;
상기 이미지를 미리 설정된 결함 검출 모델에 입력하여, 상기 결함 검출 모델에 의해 출력된 검출 결과를 획득하는 검출 모듈 - 상기 검출 결과는 결함이 존재하는지 여부, 결함의 유형 및 위치를 포함함 - ; 및
상기 검출 결과가 결함이 존재하는 것일 경우, 상기 이미지에 대응되는 생산 노드의 제어 기기에 제어 명령을 송신함으로써, 상기 제어 기기가 상기 제어 명령에 따라 결함이 존재하는 이미지에 대응되는 배터리를 분류시키도록 하는 송신 모듈; 을 포함한다.
더 나아가, 상기 결함 검출 모델은 심층 신경망 모델이고, 상기 결함 검출 모델의 구조는 Mask RCNN 알고리즘에 따라 결정된다.
더 나아가, 상기 장치는 트레이닝 모듈과 결정 모듈을 포함하고;
상기 획득 모듈은 또한, 트레이닝 데이터를 획득하고 - 상기 트레이닝 데이터는 생산라인의 배터리의 과거 이미지 및 결함 표기 결과를 포함하고, 상기 결함 표기 결과는 결함 유형 및 결함 위치를 포함함 - ;
상기 트레이닝 모듈은 미리 설정된 손실 함수가 대응되는 조건을 충족시킬 때까지 상기 트레이닝 데이터에 따라 초기의 결함 검출 모델을 트레이닝하고;
상기 결정 모듈은 트레이닝된 결함 검출 모델을 상기 미리 설정된 결함 검출 모델로 결정한다.
더 나아가, 상기 장치는 심사 모듈과 추가 모듈을 더 포함하는 바;
상기 심사 모듈은 상기 이미지에 대응되는 검출 결과를 심사하고;
상기 추가 모듈은 심사가 통과된 후, 상기 이미지 및 대응되는 검출 결과를 상기 트레이닝 데이터에 추가하여 업데이트된 트레이닝 데이터를 획득하고;
상기 트레이닝 모듈은 또한, 업데이트된 트레이닝 데이터에 따라 상기 결함 검출 모델을 재트레이닝한다.
더 나아가, 상기 획득 모듈은 또한, 상기 업데이트된 트레이닝 데이터에서 추가된 이미지 및 대응되는 검출 결과의 수량을 획득하고;
그리고, 상기 트레이닝 모듈은, 구체적으로, 상기 수량이 미리 설정된 수량 역치보다 클 경우, 업데이트된 트레이닝 데이터에 따라 상기 결함 검출 모델을 재트레이닝한다.
더 나아가, 상기 결함 검출 모델의 수량은 복수이고 각각 부동한 서버에 설치되며;
그리고, 상기 검출 모듈은, 구체적으로,
각 결함 검출 모델의 부하량을 획득하고;
각 결함 검출 모델 중에서 대응되는 부하량이 미리 설정된 부하 조건을 충족시키는 제1 결함 검출 모델을 선택하고;
상기 이미지를 제1 결함 검출 모델에 입력하여, 상기 제1 결함 검출 모델에 의해 출력된 검출 결과를 획득한다.
본 개시의 실시예의 배터리 검출 장치는, 배터리의 생산라인의 각 배터리의 이미지 및 대응되는 생산 노드를 획득하는 단계; 이미지를 미리 설정된 결함 검출 모델에 입력하여 결함 검출 모델에 의해 출력된 검출 결과를 획득하는 단계 - 검출 결과는 결함이 존재하는지 여부, 결함의 유형 및 위치를 포함함 - ; 및 검출 결과가 결함이 존재하는 것일 경우, 이미지에 대응되는 생산 노드의 제어 기기에 제어 명령을 송신함으로써, 제어 기기가 제어 명령에 따라 결함이 존재하는 이미지에 대응되는 배터리를 분류시키도록 하는 단계;를 통해, 결함 검출 모델을 결부하여 배터리의 결함을 인식하는 것으로, 간단한 결함과 복잡한 결함에 대한 인식이 가능하고, 또한, 검출 결과를 결부하여 결함 검출 모델을 재트레이닝함으로써 결함 검출 모델이 최신 나타난 결함에 대한 인식이 가능하도록 할 수 있고, 인식되는 결함에 따라 배터리를 자동 분류시키므로 인력의 개입이 필요 없고 배터리를 검출하는 효율과 정확도를 향상시키고 인건비를 대폭 저감시킨다.
상술한 목적을 달성하기 위해, 본 개시의 제3 측면의 실시예는 다른 배터리 검출 장치를 제공하는 바, 이는, 메모리, 프로세서 및 메모리에 저장되고 프로세서에 의해 실행 가능한 컴퓨터 프로그램을 포함하고, 상기 프로세서에 의해 상기 프로그램이 실행될 경우, 상기 배터리 검출 방법이 구현된다.
상술한 목적을 실현하기 위해, 본 개시의 제4 측면의 실시예는 컴퓨터 프로그램이 저장되어 있는 컴퓨터 판독 가능 저장 매체를 제공하는 바, 당해 프로그램이 프로세서에 의해 실행될 경우, 상기 배터리 검출 방법이 구현된다.
상술한 목적을 실현하기 위해, 본 개시의 제5 측면의 실시예는 컴퓨터 판독 가능 저장 매체에 저장되어 있는 컴퓨터 프로그램을 제공하는 바, 상기 컴퓨터 프로그램 내의 명령이 프로세서에 의해 실행될 경우, 상기 배터리 검출 방법이 구현된다.
본 개시의 추가적인 측면과 이점은 아래 설명에서 일부 제시될것이고 일부는 아래의 설명으로 분명해지거나 본 개시의 실천으로 알게 될 것이다.
본 개시의 상술한 및/또는 추가적인 측면과 이점은 아래, 첨부 도면을 결부한 실시예에 대한 설명으로 분명해지고 이해하기 수월해질 것이다.
도 1은 본 개시의 실시예에 의해 제공되는 배터리 검출 방법의 개략적인 흐름도이다.
도 2는 본 개시의 실시예에 의해 제공되는 다른 배터리 검출 방법의 개략적인 흐름도이다.
도 3은 본 개시의 실시예에 의해 제공되는 배터리 검출 장치의 개략적인 구조도이다.
도 4는 본 개시의 실시예에 의해 제공되는 다른 배터리 검출 장치의 개략적인 구조도이다.
도 5는 본 개시의 실시예에 의해 제공되는 다른 배터리 검출 장치의 개략적인 구조도이다.
도 6은 본 개시의 실시예에 의해 제공되는 다른 배터리 검출 장치의 개략적인 구조도이다.
아래, 본 개시의 실시예에 대해 상세히 설명하고자 하는 바, 상기 실시예의 예시는 첨부 도면에 도시되는 것으로, 여기서, 동일하거나 유사한 부호는 시종일관 동일하거나 유사한 소자나 동일하거나 유사한 기능을 가지는 소자를 표시한다. 아래, 첨부 도면을 참조하여 설명되는 실시예는 예시적인 것으로, 이는 본 개시를 해석하기 위한 것인 바, 이를 본 개시에 대한 한정으로 이해하여서는 안된다.
아래, 첨부 도면을 참조하여 본 개시의 실시예의 배터리 검출 방법 및 장치에 대해 설명하고자 한다.
도 1은 본 개시의 실시예에 의해 제공되는 배터리 검출 방법의 개략적인 흐름도이다. 도 1에 도시한 바와 같이, 당해 배터리 검출 방법은 다음의 단계를 포함한다.
S101, 배터리의 생산라인의 각 배터리의 이미지 및 대응되는 생산 노드를 획득한다.
본 개시에 의해 제공되는 배터리 검출 방법을 수행하는 주체는 배터리 검출 장치이고, 배터리 검출 장치는 단말 기기, 서버 등의 하드웨어 기기이거나 하드웨어 기기에 장착되는 소프트웨어일 수 있다. 본 실시예에서 언급하는 배터리는 단결정 실리콘 태양 배터리 등 배터리일 수 있다. 배터리에 대한 검출은 배터리의 특정 부품에 대한 검출일 수 있는 바, 예를 들면 배터리의 전계 발광 부품(Electroluminescent, EL)에 대한 검출이다.
본 실시예에서, 배터리의 이미지는 배터리의 생산라인에서 각 생산 노드의 배터리를 촬상하여 획득되는 이미지일 수 있다. 여기서, 배터리의 생산라인의 각 생산 노드의 복수의 위치에 카메라를 설치하여 이를 통해 각 생산 노드의 배터리를 촬상함으로써, 배터리의 이미지를 수집할 수 있다. 여기서, 카메라는 고정 카메라일 수도 있고 이동 카메라일 수도 있다.
S102, 이미지를 미리 설정된 결함 검출 모델에 입력하여 결함 검출 모델에 의해 출력된 검출 결과를 획득한다 - 검출 결과는 결함이 존재하는지 여부, 결함의 유형 및 위치를 포함함 -.
본 실시예에서, 결함의 유형은 예를 들어 미세 크랙, 부스러기, 용접 부족, 격자 끊김 등의 결함일 수 있다. 결함 검출 모델은 구체적으로 심층 신경망 모델일 수 있고; 결함 검출 모델의 구조는 Mask RCNN 알고리즘에 따라 결정된다. 본 실시예에서 결함 검출 모델의 구조는 합성곱 계층, 풀링 계층, 완전 연결 계층 등을 포함할 수 있다. 합성곱 계층은 이미지 내의 특징을 추출하여 이미지에 대응되는 특징 그래프를 생성한다. 풀링 계층은 특징 그래프에 대해 차원 축소 조작을 수행하여 특징 그래프 내의 비주요 특징은 제거하고 주요 특징은 보존하는 바, 생산라인의 이미지의 왜곡, 흐릿함, 조명 변화 등에 대해 보다 높은 강건성(robustness)을 가지게 된다. 완전 연결 계층은 인스턴스 분할(instance segmentation)에 기초한 네트워크 브랜치이다. 당해 브랜치는 특징 그래프를 기초로 이진 보간에 기초하는 알고리즘을 이용하여 특징 그래프를 원본 도면 크기로 복원시키고 각 픽셀에 대해 예측을 수행하여 각자 소속되는 인스턴트, 예를 들면 컬러, 그레이 스케일 등의 정보를 획득하고 나아가 이미지 내의 각 물체 또는 부품을 인지하고 각 물체 또는 부품을 정상적인 상황에서의 각 물체 또는 부품과 비교하는 바, 이로써 이미지 내의 결함이 존재하는지 여부, 결함이 존재하는 경우의 결함의 유형 및 위치를 결정할 수 있다.
더 나아가, 상술한 실시예에 기초하면, 결함 검출 모델의 수량은 복수이고 각각 부동한 서버에 설치된다. 그리고, 배터리 검출 장치가 단계102의 과정을 수행하는 것은, 구체적으로, 각 결함 검출 모델의 부하량을 획득하고; 각 결함 검출 모델 중에서 대응되는 부하량이 미리 설정된 부하 조건을 충족시키는 제1 결함 검출 모델을 선택하고; 이미지를 제1 결함 검출 모델에 입력하여, 상기 제1 결함 검출 모델에 의해 출력된 검출 결과를 획득한다.
본 실시예에서, 복수의 결함 검출 모델을 설정하고 각 결함 검출 모델 중에서 대응되는 부하량이 미리 설정된 부하 조건을 충족시키는 제1 결함 검출 모델을 선택하여 이미지 검출하는 것은, 결함 검출 모델이 하나일 경우 대비, 결함 검출 모델의 작업량을 감소시키고 이미지에 대한 검출 속도를 향상시킴으로써, 나아가 배터리에 대한 검출 효율을 향상시킬 수 있다.
S103, 검출 결과가 결함이 존재하는 것일 경우, 이미지에 대응되는 생산 노드의 제어 기기에 제어 명령을 송신함으로써, 제어 기기가 제어 명령에 따라 결함이 존재하는 이미지에 대응되는 배터리를 분류（分流）시키도록 한다.
본 실시예에서, 제어 기기는 예를 들어 컨베이어 벨트, 로봇 암 등이거나 컨베이어 벨트, 로봇 암 등에 대응되는 제어기일 수 있다. 또한, 결함이 존재하는 이미지에 대응되는 배터리에 대한 분류 효과를 확보하기 위해, 검출 결과가 결함이 존재하는 것일 경우, 관리자한테 알림 정보를 송신함으로써 결함이 존재하는 이미지에 대응되는 배터리를 수동으로 분류시키라고 관리자한테 알릴 수 있다.
또한, 부연하자면, 단계103 이후에, 상기 방법은 관리자가 조회 가능하도록 검출 결과 및 분류 결과에 따라 로그를 생성하여 저장하는 단계를 더 포함할 수 있다. 여기서, 로그는 각 배터리의 이미지, 이미지 수집 시간, 검출 결과 및 분류 결과 등을 포함할 수 있다.
본 개시의 실시예의 배터리 검출 방법은, 배터리의 생산라인의 각 배터리의 이미지 및 대응되는 생산 노드를 획득하는 단계; 이미지를 미리 설정된 결함 검출 모델에 입력하여 결함 검출 모델에 의해 출력된 검출 결과를 획득하는 단계 - 검출 결과는 결함이 존재하는지 여부, 결함의 유형 및 위치를 포함함 - ; 및 검출 결과가 결함이 존재하는 것일 경우, 이미지에 대응되는 생산 노드의 제어 기기에 제어 명령을 송신함으로써, 제어 기기가 제어 명령에 따라 결함이 존재하는 이미지에 대응되는 배터리를 분류시키도록 하는 단계;를 통해, 결함 검출 모델을 결부하여 배터리의 결함을 인식하는 것으로, 간단한 결함과 복잡한 결함에 대한 인식이 가능하고, 또한, 검출 결과를 결부하여 결함 검출 모델을 재트레이닝함으로써 결함 검출 모델이 최신 나타난 결함에 대한 인식이 가능하도록 할 수 있고, 인식되는 결함에 따라 배터리를 자동 분류시키므로 인력의 개입이 필요 없고 배터리를 검출하는 효율과 정확도를 향상시키고 인건비를 대폭 저감시킨다.
도 2는 본 개시의 실시예에 의해 제공되는 배터리 검출 방법의 개략적인 흐름도이다. 도 2에 도시한 바와 같이, 도 1에 도시한 실시예에 기초하여, 단계102 이전에, 상기 배터리 검출 방법은 다음의 단계를 더 포함할 수 있다.
S104, 트레이닝 데이터를 획득한다 - 트레이닝 데이터는 생산라인의 배터리의 과거 이미지 및 결함 표기 결과를 포함하고 결함 표기 결과는 결함 유형 및 결함 위치를 포함함 -.
본 실시예에서, 과거 이미지는, 현재 시각 이전에 생산라인에서의 촬상으로 획득되는 배터리의 과거 이미지를 가리킨다. 과거 이미지에 대응되는 결함 표기 결과는, 인력에 의해 과거 이미지에 있어서의 결함 유형 및 결함 위치를 표기하여 획득되는 결과일 수 있다.
S105, 미리 설정된 손실 함수가 대응되는 조건을 충족시킬 때까지 트레이닝 데이터에 따라 초기의 결함 검출 모델을 트레이닝한다.
본 실시예에서, 미리 설정된 손실 함수는 결함 검출 모델 내의 합성곱 계층, 풀링 계층, 완전 연결 계층 등의 손실 함수에 따라 결정할 수 있다. 여기서, 손실 함수에 대응되는 조건은 손실 함수가 충족시켜야 할 역치일 수 있다. 손실 함수가 대응되는 조건을 충족시킨다는 것은, 손실 함수의 값이 상기 역치보다 작다는 것을 가리킨다.
S106, 트레이닝된 결함 검출 모델을 미리 설정된 결함 검출 모델로 결정한다.
더 나아가, 상술한 실시예에 기초하면, 단계102 이후에, 상기 방법은, 이미지에 대응되는 검출 결과를 심사하는 단계; 심사가 통과된 후, 이미지 및 대응되는 검출 결과를 트레이닝 데이터에 추가하여 업데이트된 트레이닝 데이터를 획득하는 단계; 및 업데이트된 트레이닝 데이터에 따라 결함 검출 모델을 재트레이닝하는 단계; 를 더 포함할 수 있다.
본 실시예에서, 이미지 및 대응되는 검출 결과에 따라 결함 검출 모델을 재트레이닝하는 것은, 결함 검출 모델의 검출 정확도를 더 나아가 향상시킬 수 있고; 또한, 검출 결과에 새로운 결함이 나타나는 경우에도 결함 검출 모델은 이미지 내의 새로운 결함을 검출할 수 있다.
더 나아가, 상술한 실시예에 기초하면, 업데이트된 트레이닝 데이터에 따라 결함 검출 모델을 재트레이닝하는 단계 이전에, 업데이트된 트레이닝 데이터에서 추가된 이미지 및 대응되는 검출 결과의 수량을 획득하는 단계;를 더 포함하고, 그리고, 업데이트된 트레이닝 데이터에 따라 결함 검출 모델을 재트레이닝하는 단계는, 수량이 미리 설정된 수량 역치보다 클 경우, 업데이트된 트레이닝 데이터에 따라 결함 검출 모델을 재트레이닝하는 단계;를 포함한다.
본 실시예에서, 결함 검출 모델을 트레이닝하는 횟수를 감소시키고 반복되는 트레이닝을 회피하기 위해, 트레이닝 데이터에 새로 추가되는 이미지 및 대응되는 검출 결과의 수량이 미리 설정된 수량 역치보다 클 경우에는 결함 검출 모델에 대한 재트레이닝을 재개할 수 있다.
도 3은 본 개시의 실시예에 의해 제공되는 배터리 검출 장치의 개략적인 구조도이다. 도 3에 도시한 바와 같이, 획득 모듈(31), 검출 모듈(32) 및 송신 모듈(33)을 포함한다.
여기서, 획득 모듈(31)은 배터리의 생산라인의 각 배터리의 이미지 및 대응되는 생산 노드를 획득한다.
검출 모듈(32)은 상기 이미지를 미리 설정된 결함 검출 모델에 입력하여, 상기 결함 검출 모델에 의해 출력된 검출 결과를 획득한다 - 상기 검출 결과는 결함이 존재하는지 여부, 결함의 유형 및 위치를 포함함 - .
송신 모듈(33)은 상기 검출 결과가 결함이 존재하는 것일 경우, 상기 이미지에 대응되는 생산 노드의 제어 기기에 제어 명령을 송신함으로써, 상기 제어 기기가 상기 제어 명령에 따라 결함이 존재하는 이미지에 대응되는 배터리를 분류시키도록 한다.
본 개시에 의해 제공되는 배터리 검출 장치는 단말 기기, 서버 등의 하드웨어 기기이거나 하드웨어 기기에 장착되는 소프트웨어일 수 있다. 본 실시예에서 언급하는 배터리는 단결정 실리콘 태양 배터리 등의 배터리일 수 있다. 배터리에 대한 검출은 배터리의 특정 부품에 대한 검출일 수 있는 바, 예를 들면 배터리의 전계 발광 부품(Electroluminescent, EL)에 대한 검출이다.
본 실시예에서, 배터리의 이미지는 배터리의 생산라인에서 각 생산 노드의 배터리를 촬상하여 획득되는 이미지일 수 있다. 여기서, 배터리의 생산라인의 각 생산 노드의 복수의 위치에 카메라를 설치하여, 이를 통해 각 생산 노드의 배터리를 촬상함으로써 배터리의 이미지를 수집할 수 있다. 여기서, 카메라는 고정 카메라일 수도 있고 이동 카메라일 수도 있다.
본 실시예에서, 결함의 유형은 예를 들어 미세 크랙, 부스러기, 용접 부족, 격자 끊김 등의 결함일 수 있다. 결함 검출 모델은 구체적으로 심층 신경망 모델일 수 있고; 결함 검출 모델의 구조는 Mask RCNN 알고리즘에 따라 결정된다. 본 실시예에서 결함 검출 모델의 구조는 합성곱 계층, 풀링 계층, 완전 연결 계층 등을 포함할 수 있다. 합성곱 계층은 이미지 내의 특징을 추출하여 이미지에 대응되는 특징 그래프를 생성한다. 풀링 계층은 특징 그래프에 대해 차원 축소 조작을 수행하여 특징 그래프 내의 비주요 특징은 제거하고 주요 특징은 보존하는 바, 생산라인의 이미지의 왜곡, 흐릿함, 조명 변화 등에 대해 보다 높은 강건성(robustness)을 가지게 된다. 완전 연결 계층은 인스턴스 분할(instance segmentation)에 기초한 네트워크 브랜치이다. 당해 브랜치는 특징 그래프를 기초로 이진 보간에 기초하는 알고리즘을 이용하여 특징 그래프를 원본 도면 크기로 복원시키고 각 픽셀에 대해 예측을 수행하여 각자 소속되는 인스턴트, 예를 들면 컬러, 그레이 스케일 등의 정보를 획득하고 나아가 이미지 내의 각 물체 또는 부품을 인지하고 각 물체 또는 부품을 정상적인 상황에서의 각 물체 또는 부품과 비교하는 바, 이로써 이미지 내의 결함이 존재하는지 여부, 결함이 존재하는 경우의 결함의 유형 및 위치를 결정할 수 있다.
더 나아가, 상술한 실시예에 기초하면, 결함 검출 모델의 수량은 복수이고 각각 부동한 서버에 설치된다. 그리고, 검출 모듈(32)은 구체적으로, 각 결함 검출 모델의 부하량을 획득하고; 각 결함 검출 모델 중에서 대응되는 부하량이 미리 설정된 부하 조건을 충족시키는 제1 결함 검출 모델을 선택하고; 이미지를 제1 결함 검출 모델에 입력하여, 상기 제1 결함 검출 모델에 의해 출력된 검출 결과를 획득할 수 있다.
본 실시예에서, 복수의 결함 검출 모델을 설정하고 각 결함 검출 모델 중에서 대응되는 부하량이 미리 설정된 부하 조건을 충족시키는 제1 결함 검출 모델을 선택하여 이미지 검출하는 것은, 결함 검출 모델이 하나일 경우 대비, 결함 검출 모델의 작업량을 감소시키고 이미지에 대한 검출 속도를 향상시킴으로써, 나아가 배터리에 대한 검출 효율을 향상시킬 수 있다.
본 실시예에서, 제어 기기는 예를 들어 컨베이어 벨트, 로봇 암 등이거나 컨베이어 벨트, 로봇 암 등에 대응되는 제어기일 수 있다. 또한, 결함이 존재하는 이미지에 대응되는 배터리에 대한 분류 효과를 확보하기 위해, 검출 결과가 결함이 존재하는 것일 경우, 관리자한테 알림 정보를 송신함으로써 결함이 존재하는 이미지에 대응되는 배터리를 수동으로 분류시키라고 관리자한테 알릴 수 있다.
또한, 부연하자면, 상기 장치는 관리자가 조회 가능하도록 검출 결과 및 분류 결과에 따라 로그를 생성하여 저장하는 생성 모듈을 더 포함할 수 있다. 여기서, 로그는 각 배터리의 이미지, 이미지 수집 시간, 검출 결과 및 분류 결과 등을 포함할 수 있다.
본 개시의 실시예의 배터리 검출 장치는, 배터리의 생산라인의 각 배터리의 이미지 및 대응되는 생산 노드를 획득하는 단계; 이미지를 미리 설정된 결함 검출 모델에 입력하여 결함 검출 모델에 의해 출력된 검출 결과를 획득하는 단계 - 검출 결과는 결함이 존재하는지 여부, 결함의 유형 및 위치를 포함함 - ; 및 검출 결과가 결함이 존재하는 것일 경우, 이미지에 대응되는 생산 노드의 제어 기기에 제어 명령을 송신함으로써, 제어 기기가 제어 명령에 따라 결함이 존재하는 이미지에 대응되는 배터리를 분류시키도록 하는 단계;를 통해, 결함 검출 모델을 결부하여 배터리의 결함을 인식하는 것으로, 간단한 결함과 복잡한 결함에 대한 인식이 가능하고, 또한, 검출 결과를 결부하여 결함 검출 모델을 재트레이닝함으로써, 결함 검출 모델이 최신 나타난 결함에 대한 인식이 가능하도록 할 수 있고, 인식되는 결함에 따라 배터리를 자동 분류시키므로 인력의 개입이 필요 없고 배터리를 검출하는 효율과 정확도를 향상시키고 인건비를 대폭 저감시킨다.
더 나아가, 도 4를 결부하여 참조하면, 도 3에 도시한 실시예에 기초하여, 상기 장치는 트레이닝 모듈(34)과 결정 모듈(35)을 더 포함할 수 있다.
여기서, 상기 획득 모듈(31)은 또한, 트레이닝 데이터를 획득한다 - 상기 트레이닝 데이터는 생산라인의 배터리의 과거 이미지 및 결함 표기 결과를 포함하고, 상기 결함 표기 결과는 결함 유형 및 결함 위치를 포함함 - .
상기 트레이닝 모듈(34)은 미리 설정된 손실 함수가 대응되는 조건을 충족시킬 때까지 상기 트레이닝 데이터에 따라 초기의 결함 검출 모델을 트레이닝한다.
상기 결정 모듈(35)은 트레이닝된 결함 검출 모델을 상기 미리 설정된 결함 검출 모델로 결정한다.
본 실시예에서, 과거 이미지는, 현재 시각 이전에 생산라인에서의 촬상으로 획득되는 배터리의 과거 이미지를 가리킨다. 과거 이미지에 대응되는 결함 표기 결과는, 인력에 의해 과거 이미지에 있어서의 결함 유형 및 결함 위치를 표기하여 획득되는 결과일 수 있다.
더 나아가, 도 5를 결부하여 참조하면, 도 4에 도시한 실시예에 기초하여, 상기 장치는 심사 모듈(36)과 추가 모듈(37)을 더 포함할 수 있다.
여기서, 상기 심사 모듈(36)은 상기 이미지에 대응되는 검출 결과를 심사한다.
상기 추가 모듈(37)은 심사가 통과된 후, 상기 이미지 및 대응되는 검출 결과를 상기 트레이닝 데이터에 추가하여 업데이트된 트레이닝 데이터를 획득한다.
상기 트레이닝 모듈(34)은 또한, 업데이트된 트레이닝 데이터에 따라 상기 결함 검출 모델을 재트레이닝한다.
본 실시예에서, 이미지 및 대응되는 검출 결과에 따라 결함 검출 모델을 재트레이닝하는 것은, 결함 검출 모델의 검출 정확도를 더 나아가 향상시킬 수 있고; 또한, 검출 결과에 새로운 결함이 나타나는 경우에도 결함 검출 모델은 이미지 내의 새로운 결함을 검출할 수 있다.
더 나아가, 상술한 실시예에 기초하면, 상기 획득 모듈(31)은, 또한, 상기 업데이트된 트레이닝 데이터에서 추가된 이미지 및 대응되는 검출 결과의 수량을 획득하고; 그리고, 상기 트레이닝 모듈(34)은 구체적으로, 상기 수량이 미리 설정된 수량 역치보다 클 경우, 업데이트된 트레이닝 데이터에 따라 상기 결함 검출 모델을 재트레이닝한다.
본 실시예에서, 결함 검출 모델을 트레이닝하는 횟수를 감소시키고 반복되는 트레이닝을 회피하기 위해, 트레이닝 데이터에 새로 추가되는 이미지 및 대응되는 검출 결과의 수량이 미리 설정된 수량 역치보다 클 경우에는 결함 검출 모델에 대한 재트레이닝을 재개할 수 있다.
도 6은 본 개시의 실시예에 의해 제공되는 다른 배터리 검출 장치의 개략적인 구조도이다. 당해 배터리 검출 장치는,
메모리(1001), 프로세서(1002) 및 메모리(1001)에 저장되고 프로세서(1002)에서 실행 가능한 컴퓨터 프로그램을 포함한다.
프로세서(1002)에 의해 상기 프로그램이 실행될 경우, 상술한 실시예에서 제공되는 배터리 검출 방법이 구현된다.
더 나아가, 배터리 검출 장치는,
메모리(1001)와 프로세서(1002) 사이의 통신을 위한 통신 인터페이스(1003);
프로세서(1002)에서 실행 가능한 컴퓨터 프로그램을 저장하는 메모리(1001);
메모리(1001)는 고속 RAM 메모리를 포함할 수도 있고 비휘발성 메모리(non-volatile memory)를 더 포함할 수도 있는 바, 예를 들면 적어도 하나의 자기 디스크 메모리임 - ; 및
상기 프로그램이 실행될 경우, 상술한 실시예의 배터리 검출 방법을 구현하는 프로세서(1002); 를 더 포함한다.
메모리(1001), 프로세서(1002) 및 통신 인터페이스(1003)가 독립되어 구현될 경우, 통신 인터페이스(1003), 메모리(1001) 및 프로세서(1002)는 버스를 통하여 상호 연결되고 서로 간의 통신을 수행할 수 있다. 상기 버스는 산업 표준 아키텍처(Industry Standard Architecture, ISA로 약칭됨) 버스, 주변 소자 상호연결(Peripheral Component interconnect, PCI로 약칭됨) 버스 또는 확장 산업 표준 아키텍처(Extended Industry Standard Architecture, EISA로 약칭됨) 버스 등일 수 있다. 상기 버스는 어드레스 버스, 데이터 버스, 제어 버스 등으로 나뉠 수 있다. 표시의 편의를 위해, 도 6에서는 이를 단지 하나의 굵은 선으로 표시하였으나, 이는 버스가 단지 하나로만 또는 한가지 유형으로만 존재함을 표시하는 것은 아니다.
선택적으로, 구체적인 구현에 있어서, 메모리(1001), 프로세서(1002) 및 통신 인터페이스(1003)가 하나의 칩에 집적되어 구현될 경우, 메모리(1001), 프로세서(1002) 및 통신 인터페이스(1003)는 내부 인터페이스를 통해 서로 간의 통신을 수행할 수 있다.
프로세서(1002)는 하나의 중앙 처리 장치(Central Processing Unit, CPU로 약칭됨)거나, 주문형 집적회로(Application Specific Integrated Circuit, ASIC로 약칭됨)거나, 본 개시의 실시예를 실시하도록 구성되는 하나 또는 복수의 집적 회로일 수 있다.
본 개시는 컴퓨터 프로그램이 저장되어 있는 비일시적 컴퓨터 판독 가능 저장 매체를 더 제공하는 바, 당해 프로그램이 프로세서에 의해 실행될 경우, 상기 배터리 검출 방법이 구현된다.
본 개시는 비일시적 컴퓨터 판독 가능 저장 매체에 저장되어 있는 컴퓨터 프로그램을 더 제공하는 바, 상기 컴퓨터 프로그램 내의 명령이 프로세서에 의해 실행될 경우, 상기 배터리 검출 방법이 구현된다.
본 명세서의 설명에서, 참조 용어 '일 실시예', '일부 실시예', '예시', '구체 예시', 또는 '일부 예시' 등의 설명은 이러한 실시예 또는 예시를 결부하여 설명되는 구체 특징, 구조, 재료 또는 특징점이 본 개시의 적어도 하나의 실시예 또는 예시에 포함됨을 의미한다. 본 명세서에서 상술의 용어에 대한 예시적인 서술은 반드시 동일한 실시예 또는 예시에 대한 것이 아니다. 그리고, 설명되는 구체 특징, 구조, 재료 또는 특징점은 임의의 하나 또는 복수 개 실시예 또는 예시에서 적합한 방식으로 결합될 수 있다. 또한, 당업자라면, 상호 모순되지 않는 전제 하에 본 명세서에서 설명한 부동한 실시예 또는 예시 및 부동한 실시예 또는 예시의 특징에 대한 결합 및 조합이 가능하다.
또한, 용어 '제1', '제2'는 설명의 목적을 위한 것일 뿐, 이를 상대적 중요성을 가리키거나 암시하는 것으로, 또는 가리키는 기술 특징의 수량을 묵시적으로 나타내는 것으로 이해하여서는 안된다. 따라서,'제1', '제2'에 의해 한정되는 특징에는 명시적으로 또는 묵시적으로 적어도 하나의 당해 특징이 포함한다. 본 개시에 대한 설명에서, 별도로 명확하고 구체적인 한정이 있지 않은 한, '복수'의 함의는 적어도 2개인 바, 예를 들면 2개, 3개 등이다.
흐름도에서 또는 여기서 기타 방식으로 설명되는 임의의 과정 또는 방법에 대한 설명은, 하나 또는 더 많은 사용자 정의 논리 기능 또는 과정의 단계를 구현하기 위한 실행 가능한 명령을 포함하는 코드 모듈, 조각 또는 부분을 나타내는 것으로 이해할 수 있고, 본 개시의 바람직한 구현 방식의 범위에는 기타의 구현이 포함되는 것으로, 여기서는 도시한 또는 토론되는 순서에 따르지 않을 수도 있는 바, 관련된 기능에 따라, 기본적으로 동시간적인 방식으로 또는 상반되는 순서로 기능을 수행하는 것이 포함되며, 본 개시의 실시예가 속하는 기술 분야의 당업자라면 이를 이해하여야 한다.
흐름도에 표시되거나 또는 여기서 기타 방식으로 설명되는 논리 및/또는 단계는, 예를 들면, 논리 기능을 구현하는 실행 가능한 명령의 시퀀싱 테이블(sequencing table)로 간주될 수 있고, 임의의 컴퓨터 판독가능 매체에 구체적으로 구현되어 명령 실행 시스템, 장치 또는 기기(예를 들면, 컴퓨터 기반 시스템, 프로세서를 포함하는 시스템 또는 기타의 명령 실행 시스템, 장치 또는 기기로부터 명령을 취하여 실행할 수 있는 시스템)에 의하여 사용되거나 또는 이러한 명령 실행 시스템, 장치 또는 기기에 결부되어 사용될 수 있다. 본 명세서에 있어서, '컴퓨터 판독가능 매체'는 프로그램을 포함, 저장, 통신, 전파 또는 전송하여 명령 실행 시스템, 장치 또는 기기에 의하여 또는 이러한 명령 실행 시스템, 장치 또는 기기에 결합되어 사용 가능한 임의의 장치일 수 있다. 컴퓨터 판독가능 매체의 더 구체적인 예시(불완전 리스트)는 이하, 하나 또는 복수의 배선을 구비하는 전기 연결부(전자 장치), 휴대형 컴퓨터 인클로저(enclosure)(자기 장치), 랜덤 액세스 메모리(RAM), 판독 전용 메모리(ROM), 소거 및 프로그램 가능 판독 전용 메모리(EPROM 또는 플래시 메모리), 광섬유 장치, 및 휴대형 컴팩트 디스크 판독 전용 메모리(CDROM)를 포함한다. 또한, 컴퓨터 판독가능 매체는 심지어는 상기 프로그램을 프린트할 수 있는 종이 또는 기타의 적합한 매체일 수 있는 바, 예를 들면, 종이 또는 기타의 매체를 광학적으로 스캔한 후, 편집, 해석 또는 필요 시 기타의 적합한 방식으로 처리하여 전자 방식으로 상기 프로그램을 획득하고 이를 컴퓨터 메모리에 저장할 수 있기 때문이다.
본 개시의 각 부분은 하드웨어, 소프트웨어, 펌웨어 또는 이들의 조합으로 구현될 수 있음을 이해하여야 한다. 상술한 구현 방식에서 복수의 단계 또는 방법은, 메모리에 저장되고 적합한 명령 실행 시스템에 의하여 실행되는 소프트웨어 또는 펌웨어로 구현될 수 있다. 예를 들어, 하드웨어를 사용하여 구현하는 것이 다른 구현 방식에서와 같다면, 데이터 신호에 대하여 논리 기능을 구현하는 로직 게이트 회로를 구비하는 이산 논리 회로, 적합한 조합 논리 게이트 회로를 구비하는 주문형 집적회로, 프로그램가능 게이트 어레이(PGA), 필드 프로그램가능 게이트 어레이(FPGA) 등 본 분야의 공지의 기술 중의 임의의 하나 또는 이들의 조합으로 구현될 수 있다.
당업자라면, 상술한 실시예의 방법에 포함되는 전부 또는 일부 단계를 구현하는 것은 프로그램을 통하여 관련되는 하드웨어에 명령하여 완성할수 있고, 상기 프로그램은 컴퓨터 판독 가능 저장 매체에 저장될 수 있고, 당해 프로그램은 실행될 경우, 방법 실시예의 단계 중 하나 또는 이들의 조합을 포함하게 됨을 이해할 수 있다.
또한, 본 개시의 각 실시예에서 각 기능적 유닛은 하나의 처리 모듈에 집적될 수도 있고, 각 유닛이 단독적으로 물리적으로 존재할 수도 있고, 둘 또는 둘 이상의 유닛이 하나의 모듈에 집적될 수도 있다. 상술한 집적된 모듈은 하드웨어 형식을 적용하여 구현할 수도 있고 소프트웨어 기능 모듈의 형식을 적용하여 구현할 수도 있다. 상기 집적된 모듈은 소프트웨어 기능 모듈의 형식으로 구현되어 독립적인 제품으로 판매되거나 사용될 경우, 컴퓨터 판독 가능 저장 매체에 저장될 수도 있다.
상술한 저장 매체는 판독 전용 메모리, 자기 디스크 또는 광 디스크 등일 수 있다.
상술한 것은 단지 본 개시의 바람직한 실시 방식일 뿐, 당업자라면 본 개시의 원리를 이탈하지 않으면서 나아가 더 개선하고 다듬는 것이 가능하며 이러한 개선과 다듬음도 본 개시의 보호 범위로 간주되어야 함을 지적하고자 한다.

Claims (15)

  1. 배터리 검출 방법에 있어서,
    배터리의 생산라인의 각 배터리의 이미지 및 대응되는 생산 노드를 획득하는 단계;
    상기 이미지를 미리 설정된 결함 검출 모델에 입력하여, 상기 결함 검출 모델에 의해 출력된 검출 결과를 획득하는 단계 - 상기 검출 결과는 결함이 존재하는지 여부, 결함의 유형 및 위치를 포함함 - ; 및
    상기 검출 결과가 결함이 존재하는 것일 경우, 상기 이미지에 대응되는 생산 노드의 제어 기기에 제어 명령을 송신함으로써, 상기 제어 기기가 상기 제어 명령에 따라 결함이 존재하는 이미지에 대응되는 배터리를 분류시키도록 하는 단계; 를 포함하고,
    상기 이미지를 미리 설정된 결함 검출 모델에 입력하여, 상기 결함 검출 모델에 의해 출력된 검출 결과를 획득하는 단계 이전에, 트레이닝 데이터를 획득하는 단계를 포함하고,
    상기 이미지를 미리 설정된 결함 검출 모델에 입력하여, 상기 결함 검출 모델에 의해 출력된 검출 결과를 획득하는 단계 이후에,
    상기 이미지에 대응되는 검출 결과를 심사하는 단계;
    심사가 통과된 후, 상기 이미지 및 대응되는 검출 결과를 상기 트레이닝 데이터에 추가하여 업데이트된 트레이닝 데이터를 획득하는 단계; 및
    업데이트된 트레이닝 데이터에 따라 상기 결함 검출 모델을 재트레이닝하는 단계; 를 더 포함하는 것,
    을 특징으로 하는 배터리 검출 방법.
  2. 제1항에 있어서,
    상기 결함 검출 모델은 심층 신경망 모델이고,
    상기 결함 검출 모델의 구조는 Mask RCNN 알고리즘에 따라 결정되는 것,
    을 특징으로 하는 배터리 검출 방법.
  3. 제1항에 있어서,
    상기 트레이닝 데이터는 생산라인의 배터리의 과거 이미지 및 결함 표기 결과를 포함하고, 상기 결함 표기 결과는 결함 유형 및 결함 위치를 포함하고,
    상기 이미지를 미리 설정된 결함 검출 모델에 입력하여, 상기 결함 검출 모델에 의해 출력된 검출 결과를 획득하는 단계 이전에,
    미리 설정된 손실 함수가 대응되는 조건을 충족시킬 때까지, 상기 트레이닝 데이터에 따라 초기의 결함 검출 모델을 트레이닝하는 단계; 및
    트레이닝된 결함 검출 모델을 상기 미리 설정된 결함 검출 모델로 결정하는 단계; 를 더 포함하는 것,
    을 특징으로 하는 배터리 검출 방법.
  4. 삭제
  5. 제1항에 있어서,
    업데이트된 트레이닝 데이터에 따라 상기 결함 검출 모델을 재트레이닝하는 단계 이전에,
    상기 업데이트된 트레이닝 데이터에서 추가된 이미지 및 대응되는 검출 결과의 수량을 획득하는 단계를 더 포함하고,
    업데이트된 트레이닝 데이터에 따라 상기 결함 검출 모델을 재트레이닝하는 단계는,
    상기 수량이 미리 설정된 수량 역치보다 클 경우, 업데이트된 트레이닝 데이터에 따라 상기 결함 검출 모델을 재트레이닝하는 단계를 포함하는 것,
    을 특징으로 하는 배터리 검출 방법.
  6. 제1항 내지 제3항 및 제5항 중 어느 한 항에 있어서,
    상기 결함 검출 모델의 수량은 복수이고 각각 부동한 서버에 설치되며;
    상기 이미지를 미리 설정된 결함 검출 모델에 입력하여, 상기 결함 검출 모델에 의해 출력된 검출 결과를 획득하는 단계는,
    각 결함 검출 모델의 부하량을 획득하는 단계;
    각 결함 검출 모델 중에서 대응되는 부하량이 미리 설정된 부하 조건을 충족시키는 제1 결함 검출 모델을 선택하는 단계; 및
    상기 이미지를 제1 결함 검출 모델에 입력하여, 상기 제1 결함 검출 모델에 의해 출력된 검출 결과를 획득하는 단계; 를 포함하는 것,
    을 특징으로 하는 배터리 검출 방법.
  7. 배터리 검출 장치에 있어서,
    배터리의 생산라인의 각 배터리의 이미지 및 대응되는 생산 노드를 획득하는 획득 모듈;
    상기 이미지를 미리 설정된 결함 검출 모델에 입력하여, 상기 결함 검출 모델에 의해 출력된 검출 결과를 획득하는 검출 모듈 - 상기 검출 결과는 결함이 존재하는지 여부, 결함의 유형 및 위치를 포함함 - ;
    상기 검출 결과가 결함이 존재하는 것일 경우, 상기 이미지에 대응되는 생산 노드의 제어 기기에 제어 명령을 송신함으로써, 상기 제어 기기가 상기 제어 명령에 따라 결함이 존재하는 이미지에 대응되는 배터리를 분류시키도록 하는 송신 모듈;
    상기 이미지에 대응되는 검출 결과를 심사하는 심사 모듈;
    상기 심사가 통과된 후, 상기 이미지 및 대응되는 검출 결과를 트레이닝 데이터에 추가하여 업데이트된 트레이닝 데이터를 획득하는 추가 모듈; 및
    상기 업데이트된 트레이닝 데이터에 따라 상기 결함 검출 모델을 재트레이닝하는 트레이닝 모듈을 포함하는 것,
    을 특징으로 하는 배터리 검출 장치.
  8. 제7항에 있어서,
    상기 결함 검출 모델은 심층 신경망 모델이고,
    상기 결함 검출 모델의 구조는 Mask RCNN 알고리즘에 따라 결정되는 것,
    을 특징으로 하는 배터리 검출 장치.
  9. 제7항에 있어서,
    상기 배터리 검출 장치는 결정 모듈을 더 포함하고,
    상기 트레이닝 데이터는 생산라인의 배터리의 과거 이미지 및 결함 표기 결과를 포함하고, 상기 결함 표기 결과는 결함 유형 및 결함 위치를 포함하며,
    상기 트레이닝 모듈은 미리 설정된 손실 함수가 대응되는 조건을 충족시킬 때까지, 상기 트레이닝 데이터에 따라 초기의 결함 검출 모델을 트레이닝하고,
    상기 결정 모듈은 트레이닝된 결함 검출 모델을 상기 미리 설정된 결함 검출 모델로 결정하는 것,
    을 특징으로 하는 배터리 검출 장치.
  10. 삭제
  11. 제7항에 있어서,
    상기 획득 모듈은 또한 상기 업데이트된 트레이닝 데이터에서 추가된 이미지 및 대응되는 검출 결과의 수량을 획득하고;
    상기 트레이닝 모듈은, 구체적으로, 상기 수량이 미리 설정된 수량 역치보다 클 경우, 업데이트된 트레이닝 데이터에 따라 상기 결함 검출 모델을 재트레이닝하는 것,
    을 특징으로 하는 배터리 검출 장치.
  12. 제7항 내지 제9항 및 제11항 중 어느 한 항에 있어서,
    상기 결함 검출 모델의 수량은 복수이고 각각 부동한 서버에 설치되며;
    상기 검출 모듈은, 구체적으로,
    각 결함 검출 모델의 부하량을 획득하고;
    각 결함 검출 모델 중에서 대응되는 부하량이 미리 설정된 부하 조건을 충족시키는 제1 결함 검출 모델을 선택하고;
    상기 이미지를 제1 결함 검출 모델에 입력하여, 상기 제1 결함 검출 모델에 의해 출력된 검출 결과를 획득하는 것,
    을 특징으로 하는 배터리 검출 장치.
  13. 배터리 검출 장치에 있어서,
    메모리, 프로세서 및 메모리에 저장되고 프로세서에 의해 실행 가능한 컴퓨터 프로그램을 포함하고,
    상기 프로세서가 상기 프로그램을 실행할 경우, 제1항 내지 제3항 및 제5항 중 어느 한 항의 배터리 검출 방법을 구현하는 것,
    을 특징으로 하는 배터리 검출 장치.
  14. 컴퓨터 프로그램이 저장되어 있는 비일시적 컴퓨터 판독 가능 저장 매체에 있어서,
    당해 프로그램이 프로세서에 의해 실행될 경우, 제1항 내지 제3항 및 제5항 중 어느 한 항의 배터리 검출 방법이 구현되는 것,
    을 특징으로 하는 컴퓨터 판독 가능 저장 매체.
  15. 비일시적 컴퓨터 판독 가능 저장 매체에 저장되어 있는 컴퓨터 프로그램에 있어서,
    상기 컴퓨터 프로그램 내의 명령이 프로세서에 의해 실행될 경우, 제1항 내지 제3항 및 제5항 중 어느 한 항의 배터리 검출 방법이 구현되는 것,
    을 특징으로 하는 비일시적 컴퓨터 판독 가능 저장 매체에 저장되어 있는 컴퓨터 프로그램.
KR1020207036130A 2018-08-27 2019-06-27 배터리 검출 방법 및 장치(battery detection method and device) KR102494946B1 (ko)

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
KR20210010541A KR20210010541A (ko) 2021-01-27
KR102494946B1 true KR102494946B1 (ko) 2023-02-06

Family

ID=65068351

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020207036130A KR102494946B1 (ko) 2018-08-27 2019-06-27 배터리 검출 방법 및 장치(battery detection method and device)

Country Status (6)

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

Families Citing this family (24)

* 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***
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 (5)

* 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
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
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 (33)

* 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
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 (5)

* 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
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
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
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
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
KR102494946B1 (ko) 배터리 검출 방법 및 장치(battery detection method and device)
US11380232B2 (en) Display screen quality detection method, apparatus, electronic device and storage medium
CN111507958B (zh) 目标检测方法、检测模型的训练方法及电子设备
JP6921241B2 (ja) ディスプレイスクリーン品質検査方法、装置、電子機器及び記憶媒体
US20200380899A1 (en) Method and apparatus for detecting peripheral circuit of display screen, electronic device, and storage medium
CN109951635B (zh) 拍照处理方法、装置、移动终端以及存储介质
CN113095438A (zh) 晶圆缺陷分类方法及其装置、***、电子设备和存储介质
US20200074187A1 (en) Lane line processing method and device
KR20200004823A (ko) 디스플레이 스크린 주변 회로 검출 방법, 장치, 전자기기 및 저장매체
CN110599484A (zh) 缺陷检测方法、装置及存储介质
CN109525836B (zh) 基于fpga的嵌入式多模同测装置
WO2022135539A1 (zh) 设备配置参数处理方法和装置、数据分析方法和装置、计算设备、计算机可读存储介质、以及计算机程序产品
CN112327930A (zh) 一种巡检路径确定方法和装置
CN113066088A (zh) 工业检测中的检测方法、检测装置和存储介质
CA2964503A1 (en) System, apparatus and method for configuration of industrial vision control modules
CN109256341B (zh) 用于检测单晶硅太阳能电池的方法和装置
CN114998679A (zh) 深度学习模型的在线训练方法、装置、设备及存储介质
CN113177566B (zh) 一种特征提取模型训练方法、装置及计算机设备
CN114067145A (zh) 无源分光器检测方法、装置、设备及介质
US20240220344A1 (en) Automatic issue identification and prevention
US11836909B2 (en) Active learning of product inspection engine
US20220383477A1 (en) Computer-readable recording medium having stored therein evaluation program, evaluation method, and information processing apparatus
TWI775039B (zh) 文檔陰影去除方法及裝置
JP2022135080A (ja) 画像処理装置および画像処理方法
CN105357411B (zh) 检测图像质量的方法及装置

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant