基于机器视觉的电池表面缺陷检测方法、系统及相关设备技术方案

本发明专利技术公开了一种基于机器视觉的电池表面缺陷检测方法、系统及相关设备，方法包括：获取待检测电池对应的待检测图像数据和待检测环境数据；获取标准电池对应的标准图像数据和标准环境数据；根据上述待检测图像和上述标准图像获取差值图像数据，根据上述待检测环境数据和上述标准环境数据获取差值环境数据，其中，上述差值图像数据包括表面差值图像、热力分布差值图像和深度差值图像；根据上述差值图像数据，通过预先训练好的特征提取模型进行特征提取，获得上述待检测电池对应的待判断特征；根据上述差值环境数据和上述待判断特征，通过预先训练好的缺陷分类器获取上述待检测电池对应的缺陷类别。本发明专利技术有利于提高电池表面缺陷检测的效率。面缺陷检测的效率。面缺陷检测的效率。

【技术实现步骤摘要】
基于机器视觉的电池表面缺陷检测方法、系统及相关设备


[0001]本专利技术涉及电池检测
，尤其涉及的是一种基于机器视觉的电池表面缺陷检测方法、系统及相关设备。

技术介绍

[0002]随着科学技术的发展，电池的应用也越来越广泛。在此过程中，对于电池的质量要求也越来越高。目前，通常会预先对电池进行缺陷检测，以避免使用有缺陷的电池带来安全隐患或其它不利影响。
[0003]现有技术中，通常通过人工检查的方式对电池表面的缺陷进行观察和检测，从而辨别出表面存在缺陷的电池。现有技术的问题在于，通过人工对电池表面的缺陷进行检测不利于提高电池表面缺陷检测的效率。
[0004]因此，现有技术还有待改进和发展。

技术实现思路

[0005]本专利技术的主要目的在于提供一种基于机器视觉的电池表面缺陷检测方法、系统及相关设备，旨在解决现有技术中通过人工对电池表面的缺陷进行检测不利于提高电池表面缺陷检测的效率的问题。
[0006]为了实现上述目的，本专利技术第一方面提供一种基于机器视觉的电池表面缺陷检测方法，其中，上述基于机器视觉的电池表面缺陷检测方法包括：
[0007]获取待检测电池对应的待检测图像数据和待检测环境数据，其中，上述待检测图像数据包括上述待检测电池的待检测表面图像、待检测热力分布图像和待检测深度图像，上述待检测环境数据包括上述待检测电池所在区域的环境温度和环境湿度；
[0008]获取标准电池对应的标准图像数据和标准环境数据，其中，上述标准图像数据包括上述标准电池的标准表面图像、标准热力分布图像和标准深度图像，上述标准环境数据包括上述标准电池所在区域的环境温度和环境湿度，上述标准电池与上述待检测电池的型号相同；
[0009]根据上述待检测图像和上述标准图像获取差值图像数据，根据上述待检测环境数据和上述标准环境数据获取差值环境数据，其中，上述差值图像数据包括表面差值图像、热力分布差值图像和深度差值图像；
[0010]根据上述差值图像数据，通过预先训练好的特征提取模型进行特征提取，获得上述待检测电池对应的待判断特征；
[0011]根据上述差值环境数据和上述待判断特征，通过预先训练好的缺陷分类器获取上述待检测电池对应的缺陷类别。
[0012]可选的，上述根据上述待检测图像和上述标准图像获取差值图像数据，根据上述待检测环境数据和上述标准环境数据获取差值环境数据，包括：
[0013]将上述待检测表面图像与上述标准表面图像相减以获得上述表面差值图像，将上
述待检测热力分布图像与上述标准热力分布图像相减以获得上述热力分布差值图像，将上述待检测深度图像与上述标准深度图像相减以获得上述深度差值图像；
[0014]将上述待检测环境数据和上述标准环境数据相减以获得上述差值环境数据，其中，上述差值环境数据包括温度差值和湿度差值。
[0015]可选的，上述根据上述差值图像数据，通过预先训练好的特征提取模型进行特征提取，获得上述待检测电池对应的待判断特征，包括：
[0016]获取上述待检测电池对应的图像权重数据，其中，上述图像权重数据用于限定上述差值图像数据中各图像中不同区域对应的权重值；
[0017]将上述图像权重数据和上述差值图像数据输入上述预先训练好的特征提取模型，通过上述预先训练好的特征提取模型进行特征提取并输出上述待判断特征。
[0018]可选的，上述获取上述待检测电池对应的图像权重数据，包括：
[0019]根据上述差值图像数据获取权重判断图像，其中，上述权重判断图像是上述表面差值图像、上述热力分布差值图像和上述深度差值图像中的任意一种；
[0020]根据预设的差值等级范围和上述权重判断图像中各个像素点的值获取上述权重判断图像的各个像素点对应的差值等级；
[0021]根据上述差值等级确定上述权重判断图像中各个像素点的权重值，获得上述图像权重数据。
[0022]可选的，上述待检测电池和上述标准电池的表面分别设置有多个一一对应的标志点，上述获取上述待检测电池对应的图像权重数据，包括：
[0023]分别获取每一个上述标志点对应的待检测像素数目和标准像素数目，其中，上述待检测像素数目是上述标志点在上述待检测表面图像中所占的像素点的个数，上述标准像素数目是该标志点在上述标准表面图像中所占的像素点的个数；
[0024]根据上述待检测像素数目和上述标准像素数目获取各上述标志点的形变程度；
[0025]根据上述形变程度确定各上述标志点所在区域的权重值，获得上述图像权重数据。
[0026]可选的，上述特征提取模型根据如下步骤进行训练：
[0027]将模型训练数据中的表面差值训练图像、热力分布差值训练图像、深度差值训练图像和图像权重训练数据输入上述特征提取模型，通过上述特征提取模型提取上述表面差值训练图像对应的模型提取特征，其中，上述模型训练数据包括多组训练图像组，每一组训练图像组包括表面差值训练图像、热力分布差值训练图像、深度差值训练图像、图像权重训练数据和标注特征，上述标注特征是预先标注的该训练图像组中表面差值训练图像对应的缺陷特征；
[0028]根据上述表面差值训练图像对应的标注特征和上述表面差值训练图像对应的模型提取特征，对上述特征提取模型的模型参数进行调整，并继续执行上述将模型训练数据中的表面差值训练图像、热力分布差值训练图像、深度差值训练图像和图像权重训练数据输入上述特征提取模型的步骤，直到满足预设模型训练条件，以得到训练好的特征提取模型；
[0029]其中，上述特征提取模型是卷积神经网络模型。
[0030]可选的，上述缺陷分类器根据如下步骤进行训练：
[0031]将分类器训练数据中的训练特征和差值环境训练数据输入上述缺陷分类器，通过上述缺陷分类器获取上述训练特征对应的预测缺陷类别，其中，上述分类器训练数据包括多组训练特征数据组，每一组训练特征数据组包括训练特征、差值环境训练数据和标注缺陷类别，上述标注缺陷类别是预先标注的该训练特征数据组中训练特征对应的实际缺陷类别；
[0032]根据上述训练特征对应的实际缺陷类别和上述训练特征对应的预测缺陷类别，对上述缺陷分类器的参数进行调整，并继续执行上述将分类器训练数据中的训练特征和差值环境训练数据输入上述缺陷分类器的步骤，直到满足预设分类器训练条件，以得到训练好的缺陷分类器。
[0033]本专利技术第二方面提供一种基于机器视觉的电池表面缺陷检测系统，其中，上述基于机器视觉的电池表面缺陷检测系统包括：
[0034]待检测数据获取模块，用于获取待检测电池对应的待检测图像数据和待检测环境数据，其中，上述待检测图像数据包括上述待检测电池的待检测表面图像、待检测热力分布图像和待检测深度图像，上述待检测环境数据包括上述待检测电池所在区域的环境温度和环境湿度；
[0035]标准数据获取模块，用于获取标准电池对应的标准图像数据和标准环境数据，其中，上述标准图像数据包括上述标准电池的标准表面图像、标准本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器视觉的电池表面缺陷检测方法，其特征在于，所述方法包括：获取待检测电池对应的待检测图像数据和待检测环境数据，其中，所述待检测图像数据包括所述待检测电池的待检测表面图像、待检测热力分布图像和待检测深度图像，所述待检测环境数据包括所述待检测电池所在区域的环境温度和环境湿度；获取标准电池对应的标准图像数据和标准环境数据，其中，所述标准图像数据包括所述标准电池的标准表面图像、标准热力分布图像和标准深度图像，所述标准环境数据包括所述标准电池所在区域的环境温度和环境湿度，所述标准电池与所述待检测电池的型号相同；根据所述待检测图像和所述标准图像获取差值图像数据，根据所述待检测环境数据和所述标准环境数据获取差值环境数据，其中，所述差值图像数据包括表面差值图像、热力分布差值图像和深度差值图像；根据所述差值图像数据，通过预先训练好的特征提取模型进行特征提取，获得所述待检测电池对应的待判断特征；根据所述差值环境数据和所述待判断特征，通过预先训练好的缺陷分类器获取所述待检测电池对应的缺陷类别。2.根据权利要求1所述的基于机器视觉的电池表面缺陷检测方法，其特征在于，所述根据所述待检测图像和所述标准图像获取差值图像数据，根据所述待检测环境数据和所述标准环境数据获取差值环境数据，包括：将所述待检测表面图像与所述标准表面图像相减以获得所述表面差值图像，将所述待检测热力分布图像与所述标准热力分布图像相减以获得所述热力分布差值图像，将所述待检测深度图像与所述标准深度图像相减以获得所述深度差值图像；将所述待检测环境数据和所述标准环境数据相减以获得所述差值环境数据，其中，所述差值环境数据包括温度差值和湿度差值。3.根据权利要求1所述的基于机器视觉的电池表面缺陷检测方法，其特征在于，所述根据所述差值图像数据，通过预先训练好的特征提取模型进行特征提取，获得所述待检测电池对应的待判断特征，包括：获取所述待检测电池对应的图像权重数据，其中，所述图像权重数据用于限定所述差值图像数据中各图像中不同区域对应的权重值；将所述图像权重数据和所述差值图像数据输入所述预先训练好的特征提取模型，通过所述预先训练好的特征提取模型进行特征提取并输出所述待判断特征。4.根据权利要求3所述的基于机器视觉的电池表面缺陷检测方法，其特征在于，所述获取所述待检测电池对应的图像权重数据，包括：根据所述差值图像数据获取权重判断图像，其中，所述权重判断图像是所述表面差值图像、所述热力分布差值图像和所述深度差值图像中的任意一种；根据预设的差值等级范围和所述权重判断图像中各个像素点的值获取所述权重判断图像的各个像素点对应的差值等级；根据所述差值等级确定所述权重判断图像中各个像素点的权重值，获得上述图像权重数据。5.根据权利要求3所述的基于机器视觉的电池表面缺陷检测方法，其特征在于，所述待
检测电池和所述标准电池的表面分别设置有多个一一对应的标志点，所述获取所述待检测电池对应的图像权重数据，包括：分别获取每一个所述标志点对应的待检测像素数目和标准像素数目，其中，所述待检测像素数目是所述标志点在所述待检测表面图像中所占的像素点的个数，所述标准像素数目是该标志点在所述标准表面图像中所占的像素点的个数；根据所述待检测像素数目和所述标准像素数目获取各所述标志点的形变程度；根据所述形变程度确定各所述标志点所在区域的权重值，获得上述图像权重数据。6.根据权利要求3所述的基于机器视觉的电池表面缺陷检测方法，其特征在于，所述特征提取模型根据如下步骤进行训练：将模型训练数据中的表面差值训练...

【专利技术属性】
技术研发人员：杨之乐，江俊杰，郭媛君，刘祥飞，吴承科，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：