一种电池电芯智能化检测方法和装置与流程

本发明实施例涉及极耳检测，尤其涉及一种电池电芯智能化检测方法和装置。

背景技术：

1、在电池生产领域，卷绕工艺是方形电芯的主流工艺。卷绕工艺中，先对极片进行模切，然后将阴极极片、阳极极片、两层隔离膜按“隔离膜- 阴极极片-隔离膜-阳极极片”的顺序在卷针上卷绕贴合完成。在电芯卷绕过程中，若物料厚度与标准厚度不一致，会导致极耳错位，影响裸电芯后段工序的装配及焊接过流能力。

2、在电池极耳加工行业中，存在电池极耳单层、尺寸超差、极耳翻折、不规则错位、存在气泡和焊接不良等质量缺陷。因此，电芯在组装成电池模组之前，通过人工进行电芯极耳的缺陷判定。由于电芯的极耳比较小，所以，人对电池极耳是否存在缺陷的判定准确度低。因此，电芯在组装成电池模组后，若电芯的电池极耳存在缺陷，则导致电池极耳不能进入连接极耳用的铜排。目前，对于小缺陷的电池极耳，通过人工操作的方式致使电池极耳进入铜排，对于缺陷较大的电池极耳，则需要替换该电芯，并重新进行组装。这样的话，既降低了电池模组的质量，也降低了组装速率。

3、因此，传统人工检测方法，存在速度慢、效率低、误检、漏检率高的缺点，无法满足生产需要。

技术实现思路

1、本发明实施例提供一种电池电芯智能化检测方法和装置，以解决现有技术中人工检测方法，存在速度慢、效率低、误检、漏检率高的缺点，无法满足生产需要的问题。

2、本发明实施例提供一种电池电芯智能化检测方法，包括：

3、步骤s1、基于第一摄像设备获取不同焦距下待检测电芯的极耳图像；将不同焦距下的所述极耳图像合成为一张极耳合成图像；

4、步骤s2、基于第二摄像设备获取待检测电芯的首端隔膜图像和尾端隔膜图像；

5、步骤s3、基于预先训练的第一神经网络模型对所述极耳合成图像进行识别，获取极耳层数；基于预先训练的第二神经网络模型对所述首端隔膜图像和所述尾端隔膜图像进行识别，以判断所述待检测电芯的首端隔膜和/或尾端隔膜是否存在缺陷，并识别缺陷类型。

6、作为优选的，所述步骤s1具体包括：

7、步骤s11、将待检测电芯传送至第一位置时，基于所述第一摄像设备采集待检测电芯在不同焦距下的图像信息；所述第一位置位于第一摄像设备的摄像方向的延长线上；

8、步骤s12、提取不同焦距下所述图像信息中的极耳图像；

9、步骤s13、基于边缘提取算法对不同焦距下的所述极耳图像进行图像合成，得到极耳边缘清晰的极耳合成图像。

10、作为优选的，所述步骤s2具体包括：

11、将待检测电芯传送至第二位置时，基于第二摄像设备采集所述待检测电芯的首端隔膜图像和尾端隔膜图像；其中，所述第二摄像设备的摄像方向与所述待检测电芯的首端隔膜平面、尾端隔膜平面，且成预设夹角。

12、作为优选的，还包括：

13、以不同极耳层数的电芯作为样本，获取若干预设的不同焦距下每个样本的极耳图像，其中每个焦距下的极耳图像中，所有极耳边缘均清晰分布于对应极耳图像中；

14、对每个样本对应的多个极耳图像进行图像合成，得到极耳边缘清晰的极耳合成图像，对所述极耳合成图像进行层数标注，得到极耳样本图像；

15、对所述极耳样本图像进行深度学习，得到用于检测极耳层数的第一神经网络模型。

16、作为优选的，还包括：

17、采集不同缺陷类型和不同缺陷位置的电芯隔膜的首端隔膜图像和尾端隔膜图像，对所述首端隔膜图像和尾端隔膜图像进行缺陷类型和缺陷位置标注，得到隔膜样本图像；

18、对所述隔膜样本图像进行深度学习，得到用于检测电芯隔膜缺陷的第二神经网络模型。

19、作为优选的，所述第一神经网络模型和所述第二神经网络模型均为 mask-rcnn神经网络；所述mask-rcnn神经网络包括卷积神经网络resnet、区域建议网络rpn、roi分类器和边界框回归器。

20、作为优选的，所述缺陷类型包括不平齐、碳粉、变形、异物。

21、第二方面，本发明实施例提供一种电池电芯智能化检测装置，包括：

22、极耳图像处理模块，基于第一摄像设备获取不同焦距下待检测电芯的极耳图像；将不同焦距下的所述极耳图像合成为一张极耳合成图像；

23、隔膜图像处理模块，基于第二摄像设备获取待检测电芯的首端隔膜图像和尾端隔膜图像；

24、缺陷分析模块，基于预先训练的第一神经网络模型对所述极耳合成图像进行识别，获取极耳层数；基于预先训练的第二神经网络模型对所述首端隔膜图像和所述尾端隔膜图像进行识别，以判断所述待检测电芯的首端隔膜和/ 或尾端隔膜是否存在缺陷，并识别缺陷类型。

25、第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明第一方面实施例所述电池电芯智能化检测方法的步骤。

26、第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如本发明第一方面实施例所述电池电芯智能化检测方法的步骤。

27、本发明实施例提供的一种电池电芯智能化检测方法和装置，通过液态镜头连续变焦，相机连续采集多张图像，保证所有极耳边缘都分别能清晰分布于相应的图像中，对所有图像进行图像合成，得到一张每条极耳边缘都清晰的图像，最后对该图像进行深度学习算法分析，得到极耳的层数；通过深度学习算法，采集大量的缺陷样本进行学习训练，得出最优模型，然后模型对拍摄图像进行缺陷定位并预判，计算出缺陷位置并对缺陷进行分类。

技术特征：

1.一种电池电芯智能化检测方法，其特征在于，包括：

2.根据权利要求1所述的电池电芯智能化检测方法，其特征在于，所述步骤s1具体包括：

3.根据权利要求1所述的电池电芯智能化检测方法，其特征在于，所述步骤s2具体包括：

4.根据权利要求1所述的电池电芯智能化检测方法，其特征在于，还包括：

5.根据权利要求1所述的电池电芯智能化检测方法，其特征在于，还包括：

6.根据权利要求4或5所述的电池电芯智能化检测方法，其特征在于，所述第一神经网络模型和所述第二神经网络模型均为mask-rcnn神经网络；所述mask-rcnn神经网络包括卷积神经网络resnet、区域建议网络rpn、roi分类器和边界框回归器。

7.根据权利要求5所述的电池电芯智能化检测方法，其特征在于，所述缺陷类型包括不平齐、碳粉、变形、异物。

8.一种电池电芯智能化检测装置，其特征在于，包括：

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述电池电芯智能化检测方法的步骤。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述电池电芯智能化检测方法的步骤。

技术总结
本发明实施例提供一种电池电芯智能化检测方法和装置，通过液态镜头连续变焦，相机连续采集多张图像，保证所有极耳边缘都分别能清晰分布于相应的图像中，对所有图像进行图像合成，得到一张每条极耳边缘都清晰的图像，最后对该图像进行深度学习算法分析，得到极耳的层数；通过深度学习算法，采集大量的缺陷样本进行学习训练，得出最优模型，然后模型对拍摄图像进行缺陷定位并预判，计算出缺陷位置并对缺陷进行分类。

技术研发人员：蓝国辉,卢韩毅
受保护的技术使用者：广州超音速自动化科技股份有限公司
技术研发日：
技术公布日：2024/1/15