[發明專利]一種基于卷積神經網絡對鋰電池焊接質量的檢測方法

有效

• 申請號: 202010551312.7
• 申請日: 2020-06-17
• 公開（公告）號: CN111815572B
• 公開（公告）日: 2022-03-08
• 發明（設計）人: 楊亞濤;潘龍輝;楊順情;陶凱;陳勇;馬君顯;張力;楊潤澤;朱義雙
• 申請（專利權）人: 深圳市大德激光技術有限公司;深圳大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/764;G06V10/774;G06V10/82;G06K9/62;G06N3/08;G06N3/04
• 代理公司: 北京冠和權律師事務所 11399
• 代理人: 朱健

1.一種基于卷積神經網絡對鋰電池焊接質量的檢測方法，其特征在于，包括：

采集鋰電池相關的源樣本，對源樣本進行分類；

將卷積神經網絡模型在預設數據集里進行預訓練，獲得預訓練模型，且基于實際的分類樣本數據集對預訓練模型進行再次訓練處理，獲得最終模型；

保存所述最終模型，并輸入焊接樣本進行在線檢測，預測所述焊接樣本的分類類型；

對源樣本進行分類之前，還包括：

采集目標鋰電池的焊接軌跡，且所述焊接軌跡上包括k個焊接點；

捕捉k個所述焊接點的焊接能量點和焊接區域點，并建立所述焊接能量點和焊接區域點的點映射關系，其中，所述點映射關系是指焊接能量點和焊接區域點的點圖像；

統計相鄰焊接點的焊接痕跡，并確定所述焊接痕跡的痕跡形狀，并建立所述焊接形狀的條映射關系，其中，所述條映射關系是指所述焊接能量點與條圖像之間的映射關系；

且基于所述點映射關系和條映射關系，對卷積神經網絡模型進行訓練。

2.如權利要求1所述的檢測方法，其特征在于，所述采集源樣本，對源樣本進行分類的步驟包括：

將所述源樣本按隨機比例進行分類，獲得訓練樣本、驗證樣本、檢測樣本；

其中，所述隨機比例包括：獲得的訓練樣本：驗證樣本：檢測樣本=3:1:1、5:1:1或10:1:1；

其中，所述源樣本為焊接好的鋰電池表面的防爆閥圖像。

3.如權利要求1所述的檢測方法，其特征在于，保存所述最終模型，輸入焊接樣本進行在線檢測，預測所述焊接樣本的分類之前，包括：

將測試樣本對第二訓練模型進行檢驗，判斷第二訓練模型的可信度；

當所述可信度大于或等于預設度時，將第二訓練模型進行保存，并對輸入的焊接樣本進行在線檢測，預測所述焊接樣本的分類。

4.如權利要求 1所述的檢測方法，其特征在于，將卷積神經網絡模型在預設數據集里進行預訓練之前，還包括：對源樣本進行調整，其調整步驟包括：

調整源樣本中的輸入圖像的原色素與灰度的圖像比例；

將所述輸入圖像分布到預設訓練網絡上，并基于所述圖像比例對所述輸入圖像的圖像大小進行調整，并獲得預訓練圖像。

5.如權利要求 1所述的檢測方法，其特征在于，輸入焊接樣本進行在線檢測，預測所述焊接樣本的分類類型之后，還包括：

預測所述焊接樣本的焊接區域的焊接缺陷類型；

基于預設數據集的精度和召回率的測量指標，測量所述焊接缺陷類型的缺陷信息，并基于所述缺陷信息進行初次缺陷評估；

同時，還對所述焊接樣本進行再次缺陷評估；

當兩次缺陷評估結果一致時，進行第一缺陷報警；

否則，基于初次缺陷評估結果，確定所述焊接樣本的第一焊接信息；

同時，基于再次缺陷評估結果，確定所述焊接樣本的第二焊接信息；

基于所述第一焊接信息和第二焊接信息，對所述焊接樣本進行焊接圖像修復，當修復完成后，進而第二缺陷報警。