一种锂离子电池极片表面缺陷智能视觉检测方法及设备与流程

本发明涉及锂电池极片表面缺陷在线检测领域，具体涉及一种锂离子电池极片表面缺陷智能视觉检测方法及设备。

背景技术：

锂电池以其零污染、零排放、能量密度高、体积小和循环使用寿命长等优点，广泛应用于便携式电子产品、电动交通工具、大型动力电源、二次充电及储能等领域，已成为国内外动力电池发展和应用的主体，因此锂电池的品质问题尤为重要。

电极极片作为锂电池的主体，涂敷后的极片质量直接决定着锂离子电池的品质。极片存在的折痕、漏印、损伤、颗粒等表面缺陷导致锂电池出现存储时间短、自放电高、循环寿命短等质量问题，因此对锂电池极片的表面缺陷检测成为锂电池领域的重要技术问题。

目前，国内外对锂电池极片表面缺陷检测进行了研究，其方法可分为两类：传统检测法和自动检测法。传统检测法主要依靠人工肉眼完成，此法检测精度低、效率低、成本高、对人体伤害大。自动检测法主要基于机器视觉的ccd图像检测技术，如现有专利公开了一种锂电池极片表面缺陷在线检测分拣系统及其分拣方法，其通过极片输送装置、极片识别检测部分、极片主控单元、极片分拣装置以及人机界面部分实现了极片正、反面的同步实时在线检测，具有系统机械结构简单，系统可通过简易的检测通道同时实现极片正、反两面的检测，简易可行，成本低，但是，该方法在实际使用的过程中，存在以下问题：该方法在对锂电池极片表面的缺陷进行检测时，仅仅将锂电池极片表面分为合格和不合格两种，无法进一步对锂电池极片表面的缺陷进行进一步的分类，本领域技术人员公知，锂电池极片表面的缺陷存在有很多种，若仅仅将锂电池极片表面分为合格和不合格两种，不仅会将大量仍可使用的锂电池极片归纳为次品，造成成品率低，而且在后期若需要对部分缺陷不大的锂电池极片进行回收利用时，需要重新进行分类，工作量较大。

技术实现要素：

本发明的目的是提供一种锂离子电池极片表面缺陷智能视觉检测方法及设备，本发明相较于现有的视觉检测技术，可以根据需要将具有相似特征的缺陷图片进行归纳，一方面可将一部分不影响使用的极片进行单独分类，利于后期回收利用，另一方面也可避免后期回收利用时重新进行分类，减少了操作人员的工作量。

为了达到上述目的，本发明所采用的技术方案是：一种锂离子电池极片表面缺陷智能视觉检测方法，包括以下步骤：

s1、收集锂电池极片表面存在的多种类型的缺陷图片；

s2、将多种类型的缺陷图片与无缺陷图片共同用softmax回归模型进行训练后生成第一网络模型；

s3、将具有相似特征的缺陷图片进行合并后生成多组缺陷图片合集，然后将多组缺陷图片合集与无缺陷图片共同用softmax回归模型进行训练后生成第二网络模型；

s4、将多张用于测试的图片分别送入第一网络模型和第二网络模型，根据第一网络模型对第二网络模型的准确率进行测试；

s5、通过不断优化和机器学习，最终输出达到预想识别率的第二网络模型。

进一步的，所述的步骤s2，将多种类型的缺陷图片与无缺陷图片共同用softmax回归模型进行训练后生成多个不同的中间网络模型，然后选择准确率最高的中间网络模型作为生成的第一网络模型。

进一步的，所述缺陷图片的类型包括但不仅限于：裂纹、边缘破损、气泡、油污、暗斑、胶带遗留、表面颗粒、漏箔材、停机、挖空、极耳带料、料低、划痕与折痕褶皱。

锂离子电池极片表面缺陷智能视觉检测设备，包括：

图片收集模块：收集锂电池极片表面存在的多种类型的缺陷图片，并将多种类型的缺陷图片与无缺陷图片共同传输至第一训练模块；

第一训练模块：用于将多种类型的缺陷图片与无缺陷图片共同用softmax回归模型进行训练后生成第一网络模型；

第二训练模块：用于将具有相似特征的缺陷图片进行合并后生成多组缺陷图片合集，并将多组缺陷图片合集与无缺陷图片共同用softmax回归模型进行训练后生成第二网络模型；

测试模块：用于根据第一网络模型对第二网络模型的准确率进行测试；

学习模块：通过不断优化和机器学习，最终输出达到预想识别率的第二网络模型。

与现有技术相比，本发明的有益效果是：本发明相较于人工肉眼检测，具有速度快、效率高及成本低的优点，大大提高了检测效率，同时也节约了人力成本；同时，本发明将锂电池极片表面存在的多种类型的缺陷图片进行收集，并将具有相似特征的缺陷图片进行合并，从而可将缺陷图片归纳为几个大的类型，然后，通过不断优化和机器学习，最终输出达到预想识别率的第二网络模型，相较于现有的视觉检测技术，可以根据需要将具有相似特征的缺陷图片进行归纳，一方面可将一部分不影响使用的极片进行单独分类，利于后期回收利用，另一方面也可避免后期回收利用时重新进行分类，减少了操作人员的工作量。

附图说明

图1是本发明一种锂离子电池极片表面缺陷智能视觉检测方法的流程示意图；

图2是实施例中所述的14类缺陷图片的示意图；

图3是采用本发明所生成的第二网络模型在高强光下对极片表面的检测效果示意图；

图4是采用本发明所生成的第二网络模型在暗光下对极片表面的检测效果示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

一种锂离子电池极片表面缺陷智能视觉检测方法，包括以下步骤：

s1、收集锂电池极片表面存在的多种类型的缺陷图片；

s2、将多种类型的缺陷图片与无缺陷图片共同用softmax回归模型进行训练后生成第一网络模型；

s3、将具有相似特征的缺陷图片进行合并后生成多组缺陷图片合集，然后将多组缺陷图片合集与无缺陷图片共同用softmax回归模型进行训练后生成第二网络模型；

s4、将多张用于测试的图片分别送入第一网络模型和第二网络模型，根据第一网络模型对第二网络模型的准确率进行测试；

s5、通过不断优化和机器学习，最终输出达到预想识别率的第二网络模型。

进一步优化本方案，所述的步骤s2，将多种类型的缺陷图片与无缺陷图片共同用softmax回归模型进行训练后生成多个不同的中间网络模型，然后选择准确率最高的中间网络模型作为生成的第一网络模型。

进一步优化本方案，所述缺陷图片的类型包括但不仅限于：裂纹、边缘破损、气泡、油污、暗斑、胶带遗留、表面颗粒、漏箔材、停机、挖空、极耳带料、料低、划痕与折痕褶皱。

锂离子电池极片表面缺陷智能视觉检测设备，包括：

图片收集模块：收集锂电池极片表面存在的多种类型的缺陷图片，并将多种类型的缺陷图片与无缺陷图片共同传输至第一训练模块；

第一训练模块：用于将多种类型的缺陷图片与无缺陷图片共同用softmax回归模型进行训练后生成第一网络模型；

第二训练模块：用于将具有相似特征的缺陷图片进行合并后生成多组缺陷图片合集，并将多组缺陷图片合集与无缺陷图片共同用softmax回归模型进行训练后生成第二网络模型；

测试模块：用于根据第一网络模型对第二网络模型的准确率进行测试；

学习模块：通过不断优化和机器学习，最终输出达到预想识别率的第二网络模型。

以下结合附图对本发明进行详细说明：

一种锂离子电池极片表面缺陷智能视觉检测方法，如图1所示，包括以下步骤：

s1、收集锂电池极片表面存在的多种类型的缺陷图片，本实施例中，所述缺陷图片的类型包括裂纹、边缘破损、气泡、油污、暗斑、胶带遗留、表面颗粒、漏箔材、停机、挖空、极耳带料、料低、划痕与折痕褶皱，共14类，14缺陷图片的示意图如图2所示。

s2、将14类缺陷图片与无缺陷图片共15类图片，用softmax回归模型进行训练后生成第一网络模型，此处，在生成第一网络模型之前，需要将15类图片进行训练后生成多个不同的中间网络模型，例如vgg模型，当然使用者也可根据需求自己组织网络，然后选择准确率最高的中间网络模型作为生成的第一网络模型。

s3、将具有相似特征的缺陷图片进行合并后生成多组缺陷图片合集，例如裂纹和折痕褶皱合并为同一类缺陷合集；暗斑、表面颗粒和漏箔材合并为同一类缺陷合集，然后将多组缺陷图片合集与无缺陷图片共同用softmax回归模型进行训练后生成第二网络模型；

s4、将多张用于测试的图片分别送入第一网络模型和第二网络模型，根据第一网络模型对第二网络模型的准确率进行测试；

s5、通过不断优化和机器学习，最终输出达到预想识别率的第二网络模型。本实施例中，在不断优化和机器学习的过程中，初始权重不随机初始化，并选用现有训练好的模型作为初始权重，如果是根据需求自己组织的网络，则需要用开源分类数据集训练一个预训练模型。

本发明在对极片表面进行检测时，所采用的瑕疵检测模块为基于最新的ai技术，模仿人类大脑神经网络结构，并进一步使用自主优化创新的深度学习模型，实现了复杂背景干扰下微小瑕疵的实时快速检测。

本发明的主要技术优势如下：

1、检测种类多：可以检测出：裂纹、边缘破损、气泡、油污、暗斑、胶带遗留、表面颗粒、漏箔材、停机、挖空、极耳带料、料低、划痕、折痕褶皱等各种缺陷，并可根据需要将具有相似特征的缺陷图片进行归纳，一方面可将一部分不影响使用的极片进行单独分类，利于后期回收利用，另一方面也可避免后期回收利用时重新进行分类，减少了操作人员的工作量。

2、检测的可迁移性与通用性好：算法进行瑕疵检测只与瑕疵本身的特征有关，不受背景影响，同一套算法可以实现大小屏通用，不受屏幕型号，大小限制。

3、检测稳定性好：采用本发明所生成的第二网络模型分别在高强光和暗光下对极片表面进行检测，检测后的效果示意图分别如图3和图4所示，由图3和图4可知，不论在高强光还是暗光下对极片表面进行检测，均可以进行识别，因此，本发明具有抗光照干扰能力强的特点。

4、检测准确率高：根据现场实时测试情况，采用本发明所生成的第二网络模型的准确率在98.9%以上，误检率在0.1%以下，瑕疵品漏检率在1%以下，随模型自我学习与更新后，最终算法模型准确率可以达到99.9%以上。

5、检测时间快：在cup，gtx1080ti显卡硬件条件下检测一张30000*3000大小图像，只需要0.6s。

6、可以实现微小瑕疵检测：最小可以识别5um左右瑕疵。

7、可自我学习，更新：算法具有自我学习能力，可迭代升级，检测准确性随上线时间增长而不断自我提高。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。