电芯的极片异常检测方法、装置、系统及存储介质制造方法及图纸

本发明专利技术公开了电芯的极片异常检测方法、装置、系统及存储介质，检测方法依次包括：将X

【技术实现步骤摘要】
电芯的极片异常检测方法、装置、系统及存储介质


[0001]本专利技术属于电芯检测的
，具体涉及一种电芯的极片异常检测方法、装置、系统及存储介质。

技术介绍

[0002]随着图像算法的成熟，AI检测技术已在X
‑
Ray自动检测领域广泛应用。在锂电池的X
‑
Ray测试过程中，通常会使用AI智能算法对图片进行识别判定，检测不规则不良品。现有软包锂电池由阴、阳极极片与隔膜卷绕而成，通常阳极总宽度大于阴极，阳极超出阴极的长度被称为overhang长度；在X
‑
Ray射线的穿透下，会显示出卷绕电芯不同层数的竖线。
[0003]现有软包锂电池极片异常的检测判定是利用X
‑
Ray机对锂电池进行自动检测时，通常会先对图片进行形貌识别判定，判定未通过的输出为不良品，判定通过的再对图片每层的overhang长度及偏斜角度(相对于内层竖线的偏斜)进行判定，任一层的overhang长度或角度超出规格范围即为不良品，任一层的overhang长度或角度未超出规格范围即为良品。在图片形貌识别判定过程中不良品可分为2类，一种是100％确认为不良，即确定型不良品，一种是极片轻微变形，客户可以接受的类型，即临界型不良品，临界型不良品可以作为良品进行输出。影响锂电池检测优率的主要为临界型不良品，临界型不良品的形貌特征与确定型不良品的形貌特征相似，所以AI模型很难界定，导致将很多临界型不良品判定为确定型不良品，从而导致结果误判(即合格判定为不合格)。

技术实现思路
<br/>[0004]本专利技术的目的之一在于：针对现有技术的不足，提供一种电芯的极片异常检测方法，该方法可以精准地检测出存在极片异常特征的电芯，减少误判，从而提升电池的整体优率。
[0005]为了实现上述目的，本专利技术采用如下技术方案：
[0006]一种电芯的极片异常检测方法，包括以下步骤：
[0007]步骤1：将X
‑
Ray设备获取到的极片图像输入预先训练的第一AI模型，进行图像相似度的匹配，由第一AI模型给出OK或NG的判定结果，被判定为NG的电芯输出为确定型不良品；
[0008]步骤2：接收步骤1判定为OK输出的极片图像，获取极片图像每层overhang的上下端点，计算每层overhang的长度和角度，任意一层overhang长度或角度超出设定规格的被判定为NG，被判定为NG的极片图像对应的电芯输出为不良品，每层overhang长度和角度在设定规格内的极片图像被判定为OK；
[0009]步骤3：接收步骤2判定为OK输出的极片图像，根据极片图像特定层的overhang值与设定的临界值对比，极片图像特定层的overhang值大于临界值被判定为YES，被判定为YES的极片图像对应的电芯输出为良品，极片图像特定层的overhang值小于临界值的极片图像被判定为NO；
[0010]步骤4：接收步骤3判定为NO输出的极片图像，将极片图像输入预先训练的第二AI模型，进行图像相似度的匹配，由第二AI模型给出OK或NG的判定结果，被判定为NG的极片图像对应的电芯输出为不良品，被判定为OK的极片图像的对应的电芯输出为临界型不良品。
[0011]进一步地，极片图像的特定层为极片图像的最外层或极片图像的次外层。
[0012]进一步地，在步骤1中，电芯经机械手搬运后，将电芯的待测角移至X
‑
Ray射线管中心，经X
‑
Ray射线照射后，在增强器中成像，由CCD拍照，得到极片图像。
[0013]进一步地，在将极片图像输入至预先训练的第一AI模型之前，将极片图像转换为灰度图像格式的极片图像，并进行不失真转换，得到用于输入至第一AI模型的预处理后的极片图像。
[0014]进一步地，在将极片图像输入至预先训练的第一AI模型之前，采集训练数据中电芯的异常极片图像和正常极片图像；对异常极片图像的异常区域进行标注，根据异常区域的坐标和尺寸生成异常极片图像的标注文本；将异常极片图像、正常极片图像、标注文本、图像分类类别输入至目标检测模型中进行极片异常预测训练，并在训练完成后得到预先训练的第一AI模型；
[0015]在将极片图像输入至预先训练的第二AI模型之前，采集训练数据中电芯的最外层和/或次外层异常极片图像和正常极片图像，最外层和/或次外层异常极片图像的歪斜和变形程度相对于第一AI模型的训练数据中的异常极片图像较小；对异常极片图像的异常区域进行标注，根据异常区域的坐标和尺寸生成异常极片图像的标注文本；将异常极片图像、正常极片图像、标注文本、图像分类类别输入至目标检测模型中进行极片异常预测训练，并在训练完成后得到预先训练的第二AI模型。
[0016]相对于现有技术，本专利技术至少具有以下有益效果：
[0017]本专利技术的极片图像经过通过第一AI模型判定为NG，则输出确定型不良品，判定为OK的极片图像类型为不良品与良品，因为确定型不良品的极片异常程度较大，第一AI模型无法准确判定出异常程度较小的电芯，所以需要进行下一步判定；
[0018]将OK的极片图像的每层overhang的长度和角度与设定规格进行比对，进一步判定出极片图像的类型，判定NG为不良品，判定为OK的极片图像类型则为不良品与良品，其中OK的极片图像类型中的不良品为难以通过每层overhang的长度和角度比对进行判定的，因此需要进行下一步判定；
[0019]将OK的极片图像通过特定层的overhang值与临界值的对比，进一步的判定出极片图像的类型，判定YES为良品，判定为NO的极片图像类型则为不良品，为了避免NO的极片图像中的不良品中包括有临界型不良品，因此需要进行下一步判定；
[0020]将NO的极片图像通过第二AI模型的判定，可以将临界型不良品从不良品中区分出来。经过上面四个步骤的判定从而能够精准地输出确定型不良品、不良品、良品与临界型不良品，减少误判，从而提升电池的整体优率。
[0021]本专利技术的目的之二在于：针对现有技术的不足，提供一种电芯的极片异常检测装置，该装置可以精准地检测出存在极片异常特征的电芯，减少误判，从而提升电池的整体优率。
[0022]为了实现上述目的，本专利技术采用如下技术方案：
[0023]一种电芯的极片异常检测装置，包括：
[0024]采集模块，被配置为采集电芯的极片图像；
[0025]第一判定模块，被配置为将极片图像输入至预先训练的第一AI模型，进行图像相似度的匹配，在极片图像的图像相似度低，则判定极片图像对应的电芯为不良品，在极片图像的图像相似度高，则将极片图像输出至下一模块；
[0026]计算模块，被配置为接收第一判定模块的极片图像，获取极片图像每层overhang的上下端点，计算极片图像的每层overhang的长度和角度；
[0027]第二判定模块，被配置获取极片图像的每层overhang的长度和角度，在极片图像的每层overhang的长度和角度超出设定规格，判定本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电芯的极片异常检测方法，其特征在于，包括以下步骤：步骤1：将X
‑
Ray设备获取到的极片图像输入预先训练的第一AI模型，进行图像相似度的匹配，由所述第一AI模型给出OK或NG的判定结果，被判定为NG的电芯输出为确定型不良品；步骤2：接收所述步骤1判定为OK输出的所述极片图像，获取所述极片图像每层overhang的上下端点，计算每层所述overhang的长度和角度，任意一层所述overhang长度或角度超出设定规格被判定为NG，被判定为NG的所述极片图像对应的所述电芯输出为不良品，每层所述overhang长度和角度在设定规格内的所述极片图像被判定为OK；步骤3：接收所述步骤2判定为OK输出的所述极片图像，根据所述极片图像特定层的overhang值与设定的临界值对比，所述极片图像特定层的overhang值大于所述临界值被判定为YES，被判定为YES的所述极片图像对应的所述电芯输出为良品，所述极片图像特定层的overhang值小于临界值的所述极片图像被判定为NO；步骤4：接收所述步骤3判定为NO输出的所述极片图像，将所述极片图像输入预先训练的第二AI模型，进行图像相似度的匹配，由所述第二AI模型给出OK或NG的判定结果，被判定为NG的所述极片图像对应的所述电芯输出为不良品，被判定为OK的所述极片图像的对应的所述电芯输出为临界型不良品。2.根据权利要求1所述的极片异常检测方法，其特征在于，所述极片图像的特定层为所述极片图像的最外层或所述极片图像的次外层。3.根据权利要求1所述的极片异常检测方法，其特征在于，在所述步骤1中，所述电芯经机械手搬运后，将所述电芯的待测角移至X
‑
Ray射线管中心，经X
‑
Ray射线照射后，在增强器中成像，由CCD拍照，得到所述极片图像。4.根据权利要求3所述的极片异常检测方法，其特征在于，在将所述极片图像输入至预先训练的所述第一AI模型之前，将所述极片图像转换为灰度图像格式的所述极片图像，并进行不失真转换，得到用于输入至所述第一AI模型的预处理后的所述极片图像。5.根据权利要求1所述的极片异常检测方法，其特征在于，在将所述极片图像输入至所述预先训练的第一AI模型之前，采集训练数据中所述电芯的异常极片图像和正常极片图像；对所述异常极片图像的异常区域进行标注，根据所述异常区域的坐标和尺寸生成所述异常极片图像的标注文本；将所述异常极片图像、所述正常极片图像、所述标注文本、图像分类类别输入至目标检测模型中进行极片异常预测训练，并在训练完成后得到所述预先训练的第一AI模型；在将所述极片图像输入至所述预先训练的第二AI模型之前，采集训练数据中所述电芯的最外层和/或次外层异常极片图像和正常极片图像，最外层和/或次外层异常极片图像的歪斜和变形程度相对于第一AI模型的训练数据中的异常极片图像较小；对所述异常极片图像的异常区域进行标注，根据所述异常区域的坐标和尺寸生成所述异常极片图像的标注文本；将所述异常极片图像、所述正常极片图像、所述标注文本、图像分类类别输入至目标检测模型中进行极片异常预测训练，并在训练完成后得到所述预先训练的第二AI模型。6.一种电芯的极片异常检测装置，其特征在于，包括：采集模块，被配置为采集电芯的极片图像；第一判定模块，被配置为将所述极片图像输入至预先训练的第一AI模型，进行图像相
似度的匹配，在所述极片图像的图像相似度低，则判...

【专利技术属性】
技术研发人员：李书萌，李秀锋，陈忠辉，王诗龙，陈杰，
申请(专利权)人：惠州锂威新能源科技有限公司，
类型：发明
国别省市：