[發明專利]一種動力電池極片表面缺陷快速檢測方法和系統

在審

• 申請號: 202010894239.3
• 申請日: 2020-08-31
• 公開（公告）號: CN112270659A
• 公開（公告）日: 2021-01-26
• 發明（設計）人: 董俊;馬冬;侯金艷;何俊明;馬凡;姜銘坤
• 申請（專利權）人: 中國科學院合肥物質科學研究院;安徽中科德技智能科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62;G06T7/90;G06N3/08
• 代理公司: 合肥市上嘉專利代理事務所(普通合伙) 34125
• 代理人: 葉洋軍

本發明公開了一種動力電池極片表面缺陷快速檢測方法和系統，該方法包括：獲取不同類型缺陷的動力電池極片的表面圖像，并對每張圖像上的缺陷進行標注，得到不同類型缺陷的動力電池極片表面缺陷檢測數據集；使用四個并列的特征提取網絡對各圖像的特征一一對應地分別提取，然后使用多模態融合網絡進行融合，建立極片表面缺陷識別模型；訓練所述極片表面缺陷識別模型；以及采集待檢測的動力電池極片圖像，然后輸入到極片表面缺陷識別模型中，通過輸出結果來判斷極片表面的缺陷情況。本發明可以一次檢測極片上下表面四張圖像，在硬件條件不變的情況下，使檢測速度加倍，或者在同樣的檢測速度下降低對硬件性能的要求，節省成本。

技術領域

本發明涉及一種動力電池極片表面缺陷快速檢測方法和系統。

背景技術

在動力電池極片涂覆工藝中，極片表面產生的空洞、劃痕等缺陷會嚴重影響電池的質量和使用壽命。運用機器視覺對極片表面缺陷進行檢測以便及時發現并加以控制，可有效提高電池質量，降低成本。

近年來，基于深度學習的分類、檢測方法逐漸用于基于機器視覺的動力電池極片表面缺陷檢測領域，其一般過程是：首先獲取樣本圖像并進行缺陷標注，然后用標注后的樣本來訓練神經網絡，讓神經網絡學習到樣本的特征，然后利用訓練好的神經網絡來檢測待檢圖像。然而由于待檢圖像采樣數據量大、待檢測缺陷類型多，此方案很難滿足缺陷檢測的實時性、通用性要求。

雖然使用高性能GPU可以一定程度上達到實時性要求，但設備成本過高。如何在降低成本的同時提高檢測速率，是應用深度學習方法進行極片表面缺陷檢測時亟需解決的問題。

發明內容

本發明的目的在于提供一種動力電池極片表面缺陷快速檢測方法和系統，以解決現有的基于深度學習的極片表面缺陷檢測方式無法兼顧檢測效率與設備成本的問題。

為此，本發明提供了一種動力電池極片表面缺陷快速檢測方法，包括：S1、獲取不同類型缺陷的動力電池極片表面圖像，并對每張圖像上的缺陷進行標注，得到不同類型缺陷的動力電池極片表面缺陷檢測數據集；其中，動力電池極片表面圖像包括動力電池極片的上表面明域圖像、上表面暗域圖像、下表面明域圖像、及下表面暗域圖像；S2、使用四個并列的特征提取網絡對上表面明域圖像、下表面明域圖像、上表面暗域圖像及下表面暗域圖像的特征一一對應地分別提取，然后使用多模態融合網絡進行融合，建立極片表面缺陷識別模型；S3、將所述動力電池極片表面缺陷檢測數據集分為訓練集與測試集，訓練所述極片表面缺陷識別模型；以及S4、一次性采集待檢測的動力電池極片的上表面明域圖像、上表面暗域圖像、下表面明域圖像、及下表面暗域圖像，然后將這組數據輸入到訓練完畢的極片表面缺陷識別模型中，通過輸出結果來判斷極片表面的缺陷情況。

本發明還提供了一種動力電池極片表面缺陷快速檢測系統，包括：采集單元，用于獲取不同類型缺陷的動力電池極片表面圖像，其中，動力電池極片表面圖像包括動力電池極片的上表面明域圖像、上表面暗域圖像、下表面明域圖像、及下表面暗域圖像；建模單元，用于對每張圖像上的缺陷進行標注，得到不同類型缺陷的動力電池極片表面缺陷檢測數據集；使用四個并列的特征提取網絡對上表面明域圖像、下表面明域圖像、上表面暗域圖像及下表面暗域圖像的特征分別提取，然后使用多模態融合網絡進行融合，建立極片表面缺陷識別模型；將所述動力電池極片表面缺陷檢測數據集分為訓練集與測試集，訓練所述極片表面缺陷識別模型；以及檢測單元，用于采集待檢測的動力電池極片表面圖像采集，然后將這組數據輸入到訓練完畢的極片表面缺陷識別模型中，通過輸出結果來判斷極片表面的缺陷情況。

根據本發明的動力電池極片表面缺陷快速檢測方法，通過獲取動力電池極片上表面明域圖像集、下表面明域圖像集、上表面暗域圖像集及下表面暗域圖像集，進行缺陷標注；利用缺陷標注后的圖像集對預先構建的基于多模態融合深度學習的極片表面缺陷識別模型進行訓練；利用完成訓練的基于多模態融合深度學習的極片表面缺陷識別模型對極片表面缺陷進行在線識別，可以一次檢測極片上下表面四張圖像，大幅提高檢測效率，降低檢測成本。