[發明專利]基于卷積神經網絡的動力電池焊接質量檢測方法及系統

有效

• 申請號: 202011139458.7
• 申請日: 2020-10-22
• 公開（公告）號: CN112215834B
• 公開（公告）日: 2022-04-01
• 發明（設計）人: 楊亞濤;楊潤澤;楊順情;陶凱;馬君顯;張力;朱義雙;陳勇
• 申請（專利權）人: 深圳大學;深圳市大德激光技術有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04;G06N3/08
• 代理公司: 北京冠和權律師事務所 11399
• 代理人: 朱健

本發明提供一種基于卷積神經網絡的動力電池焊接質量檢測方法及系統，其中，方法包括：構建初始卷積神經網絡模型；獲取第一樣本數據，將第一樣本數據按預設比例隨機分為第一數量的訓練集、第二數量的驗證集和第三數量的測試集；基于訓練集、驗證集合測試集對初始卷積神經網絡模型進行訓練，獲得檢測模型；將待測試圖像輸入檢測模型，獲取第一檢測結果。本發明的基于卷積神經網絡的動力電池焊接質量檢測方法，基于計算機視覺的檢測方法來自動檢測激光焊接缺陷，具有穩定高效的特點，可以從根本上避免人為因素導致的檢測錯誤。

技術領域

本發明涉及網絡數據傳輸技術領域，特別涉及一種基于卷積神經網絡的動力電池焊接質量檢測方法及系統。

背景技術

目前，動力電池是電動汽車的動力來源，工業上為了防止電池受到擠壓、碰撞而導致爆炸，會在電池上用激光焊接一塊防爆閥。防爆閥的焊接質量會直接影響到動力電池的泄壓效果，因此，對其進行焊后質量檢測對動力電池安全性能的提升具有重大意義。防爆閥在全自動激光焊接過程中一般會出現6種不同的缺陷，分別是焊洞，焊塌，焊高，漏焊，防爆閥損壞和防爆閥丟失。在工業生產中，人工質檢是最常用于檢測產品缺陷的方法。但是傳統的人工檢測容易受到人的主觀經驗和各種生理因素的影響，檢測的準確性和可靠性得不到保障。

發明內容

本發明目的之一在于提供了一種基于卷積神經網絡的動力電池焊接質量檢測方法，基于計算機視覺的檢測方法來自動檢測激光焊接缺陷，具有穩定高效的特點，可以從根本上避免人為因素導致的檢測錯誤。

本發明實施例提供的一種基于卷積神經網絡的動力電池焊接質量檢測方法，包括：

構建初始卷積神經網絡模型；

獲取第一樣本數據，將第一樣本數據按預設比例隨機分為第一數量的訓練集、第二數量的驗證集和第三數量的測試集；

基于訓練集、驗證集和測試集對初始卷積神經網絡模型進行訓練，獲得檢測模型；

將待測試圖像輸入檢測模型，獲取第一檢測結果。

優選的，構建初始卷積神經模型包括：

獲取第一SqueezeNet模型在ImageNet數據集上進行訓練后的模型的模型參數；

基于模型參數對預存的第二SqueezeNet模型進行初始化后獲得初始化后的第二SqueezeNet模型作為初始卷積神經網絡模型。

優選的，基于訓練集、驗證集和測試集對初始卷積神經網絡模型進行訓練，獲得檢測模型；包括：

將訓練集輸入初始卷積神經網絡模型中進行訓練，獲取訓練結果；

在訓練結束后將驗證集輸入初始卷積神經網絡模型中進行驗證，獲取驗證結果；

基于訓練結果構建第一曲線；

基于驗證結果構建第二曲線；

計算第一曲線和第二曲線的相似度，當相似度小于預設閾值時，執行回退操作，重新采用訓練集對初始卷積神經網絡模型訓練；當相似度大于等于預設閾值時，繼續采用訓練集對初始卷積神經網絡模型進行訓練；

重復訓練和驗證，直至初始卷積神經網絡模型收斂；

采用測試集對收斂后的初始卷積神經網絡模型進行測試，當測試通過時，將初始卷積神經網絡模型作為檢測模型。

優選的，基于卷積神經網絡的動力電池焊接質量檢測方法，還包括：

定時從第三方平臺獲取第二樣本數據；

解析第二樣本數據，獲取第二樣本圖像和對應于第二樣本圖像的第二樣本結果；

將第二樣本數據輸入檢測模型，獲取第二檢測結果；