一种车载电池表面缺陷的检测装置及其智能检测方法制造方法及图纸

本发明专利技术公开了一种车载电池表面缺陷的检测装置及其智能检测方法，包括CCD工业相机、相机支架、支撑架、移动平台、电脑处理终端、PLC控制箱；该智能检测方法包括利用CCD工业相机获取车载电池外观图像数据；将数据传输至机器学习模型；利用改进的Fast RCNN进行识别定位；根据缺陷等级判断系统是否正常运行；存储该车载电池的状态信息；该系统在线实时更新检测模型，并在未检测出不符合要求的缺陷时，将在车载电池信息存储步骤后重新进入循环；反之，将发出警报，制动传送平台；该方法系统降低了人工检测带来的误差，同时弥补了传统视觉检测类型单一的缺点，极大提高了对车载电池外观检测的效率，保证了车载电池的安全生产。保证了车载电池的安全生产。保证了车载电池的安全生产。

【技术实现步骤摘要】
一种车载电池表面缺陷的检测装置及其智能检测方法


[0001]本专利技术涉及一种车载电池表面缺陷的检测装置，具体为一种基于机器学习的车载电池表面缺陷检测装置及其智能检测方法，属于车载电池表面缺陷检测


技术介绍

[0002]在众多的电化学储能技术中，锂离子电池具有能量密度高、放电速率快、使用寿命长、转换效率高等优点在交通动力电源、电力储能电源、移动通信等各行各业持续不断的发展。随着其成本迅速下降和需求量日益增高，锂离子电池在固定储能领域中已成为市场应用最广泛的储能解决方案。但是，在车载电池工业工艺生产过程中，车载电池产品表面容易受到加工设备的损坏和恶劣生产环境的影响。车载电池的表面上存有不同尺寸和形状的瑕疵，形成不同程度的表面制造缺陷，其缺陷类型有包膜褶皱、包膜翘起、包膜气泡、包膜划痕、包膜凹陷等一系列缺陷。
[0003]车载电池表面缺陷检测主要依赖人工肉眼识别，不仅消耗巨大的人力物力，而且还存在较高的误检率。传统机器视觉方法，主要是提取目标图像中的纹理特征、颜色特征、形状特征等作为缺陷检测的特征，最后将这些特征通过支持向量机SVM或全连接神经网络进行缺陷的分类和检测。通常来讲，传统机器视觉方法只能用于缺陷分类，无法做到缺陷定位，基本没有自动提取图像特征的能力，可复用性和移植性差。
[0004]基于机器学习的目标检测方法通过卷积神经网络，机器学习能生成目标图像的特征图，卷积核会自动锁定有利于分类识别的特征，通过训练模型不断更新卷积核使其能提取更有用的特征，相比于传统机器视觉方法精度高，速度快，且能够适应不同类型的缺陷。Faster R
‑
CNN作为代表的二阶段检测算法通过区域建议网络生成候选网络，再通过缺陷边界框回归和缺陷分类得到缺陷的类别和位置，相对于YOLO为代表的一阶段目标检测算法优点是精度高，在工业产品缺陷检测上得到广泛应用。

技术实现思路

[0005]本专利技术的目的就在于为了解决上述至少一个技术问题而提供一种车载电池表面缺陷的检测装置智能检测方法。
[0006]本专利技术通过以下技术方案来实现上述目的：一种车载电池表面缺陷的检测装置，包括CCD工业相机、相机支架、支撑架、移动平台、电脑处理终端、PLC控制箱，CCD工业相机通过相机支架固定在支撑架上；支撑架由型材搭建，通过螺栓固定在移动平台两侧，支撑架上可加装相机和灯光设备，用于接收和检测工业相机获取的图像数据的电脑处理终端位于移动平台的一侧，且电脑处理终端通过以太网口与CCD工业相机相连，电脑处理终端根据检测结果向PLC控制箱发送启停指令；
[0007]电脑处理终端包括用于接收、存储和控制操作的上位机软件系统模块，上位机软件系统模块包括：图像采集模块、缺陷检测模块、缺陷决策模块、PLC通讯模块、信息存储模块和模型更新模块。
[0008]作为本专利技术再进一步的方案：电脑处理终端的上位机软件系统模块具体包括：
[0009]图像采集模块：分为检测在线和本地图像数据两种情况。检测在线图像数据为接收CCD工业相机通过GigE千兆网接口传入的图像数据；检测本地图像数据为读取本地缺陷图像，并传入缺陷检测模块；
[0010]缺陷检测模块：接收图像采集模块的图像数据，利用改进的基于卷积神经网络快速区域标定(Faster R
‑
CNN)识别缺陷类型，并进行标记，输出缺陷信息，包括缺陷的尺寸、形状、位置、等级等特征信息，以供缺陷决策模块判断；
[0011]缺陷决策模块：缺陷数据的统计、分析、缺陷原因的反查、溯源，并根据缺陷决策模块判断的结果对相关设备进行控制，目的是找出缺陷发生的环境、设备因素，从根本上减少缺陷发生率；
[0012]PLC通讯模块：接收系统缺陷决策模块发出的指令，控制相关设备启停，亦或发出警报。
[0013]信息存储模块：负责保存锂电表面缺陷信息，其中车载电池信息表包括索引ID、检测、时间、车载电池编号、车载电池图片信息，缺陷信息表包括缺陷类型、缺陷区域、Garde、复查信息；
[0014]模型更新模块：自行扩充缺陷库，采用独立目标裁剪、曝光度调整、水平翻转操作对其进行数据增强，然后进行人工标记，按照固定的格式写入分类完整的缺陷特征缺陷数据库中，为后期的机器学习积累了数据基础，解决业内缺乏类别完整、样本标准化的锂电表面缺陷数据集问题。
[0015]一种车载电池表面缺陷检测装置的智能检测方法，其检测方法包括以下步骤：
[0016]步骤一、利用CCD工业相机获取车载电池外观图像数据，传入机器学习模型；
[0017]步骤二、通过Gige千兆网接口将数据传输至电脑处理终端的深度学习模型；
[0018]步骤三、利用改进的FasT RCNN进行识别定位；
[0019]步骤四、根据缺陷等级判断系统是否正常运行，待机器学习模型输出缺陷检测结果，进行缺陷信息统计，根据缺陷尺寸、缺陷等级和缺陷位置等特征，判断设备被测物体状态是否合格，即在电脑处理终端进行检测结果决策，并从数据库中溯源缺陷原因；
[0020]步骤五、系统发出指令控制相关设备，将对应决策结果发送对应指令给PLC控制箱，PLC控制箱接收指令控制移动平台启停，从而对缺陷目标物体进行不合格动作；
[0021]步骤六、存储该锂电池的状态信息，电脑处理终端在数据库中记录机器学习模型输出的检测结果信息；
[0022]步骤七、更新缺陷检测模型，将检测数据中的缺陷图像和标签作为样本，在原机器学习模型基础上迭代升级。
[0023]作为本专利技术再进一步的方案：步骤一中，机器学习模型Fast RCNN的主干网络ResNet由L个残差模块堆叠而成，残差网络很好的解决了网络深度带来的训练困难的问题，它完成任务的准确度和精度远超传统网络模型。每个残差模块的输入和输出表示为x
l
和y
l
，W
l
单位矩阵，得到以下公式：
[0024]1)l层残差模块的输出函数f(y
l
)是关于输入h(x
l
)和残差函数映射F(x
l
,W
l
)的函数：
[0025]f(y
l
)＝y
l
＝h(x
l
)+F(x
l
,W
l
)
[0026]2)当输入h(x
l
)＝x
l
，第l+1层的输入x
l+1
等于第l层输出f(y
l
)时，后续残差模块的输入为：
[0027]l+1层残差模块的输出函数
[0028]x
l+1
＝x
l
+F(x
l
,W
l
)
[0029]l+2层残差模块的输出函数：
[0030]x
l+2
＝x
l+1
+F(x
l+1
,W
...

【技术保护点】

【技术特征摘要】
1.一种车载电池表面缺陷的检测装置，其特征在于：包括CCD工业相机(1)、相机支架(2)、支撑架(3)、移动平台(4)、电脑处理终端(5)、PLC控制箱(6)，所述CCD工业相机(1)通过相机支架(2)固定在支撑架(3)上；所述支撑架(3)由型材搭建，通过螺栓固定在移动平台(4)两侧，所述支撑架(3)上可加装相机和灯光设备，用于接收和检测工业相机获取的图像数据的所述电脑处理终端(5)位于移动平台(4)的一侧，且所述电脑处理终端(5)通过以太网口与CCD工业相机(1)相连，所述电脑处理终端(5)根据检测结果向PLC控制箱(6)发送启停指令；所述电脑处理终端(5)包括用于接收、存储和控制操作的上位机软件系统模块，上位机软件系统模块包括：图像采集模块、缺陷检测模块、缺陷决策模块、PLC通讯模块、信息存储模块和模型更新模块。2.根据权利要求1所述的检测装置，其特征在于：所述电脑处理终端(5)的上位机软件系统模块具体包括：图像采集模块：分为检测在线和本地图像数据两种情况。检测在线图像数据为接收CCD工业相机通过GigE千兆网接口传入的图像数据；检测本地图像数据为读取本地缺陷图像，并传入缺陷检测模块；缺陷检测模块：接收图像采集模块的图像数据，利用改进的基于卷积神经网络快速区域标定(Faster R
‑
CNN)识别缺陷类型，并进行标记，输出缺陷信息，包括缺陷的尺寸、形状、位置、等级等特征信息，以供缺陷决策模块判断；缺陷决策模块：缺陷数据的统计、分析、缺陷原因的反查、溯源，并根据缺陷决策模块判断的结果对相关设备进行控制，目的是找出缺陷发生的环境、设备因素，从根本上减少缺陷发生率；PLC通讯模块：接收系统缺陷决策模块发出的指令，控制相关设备启停，亦或发出警报；信息存储模块：负责保存锂电表面缺陷信息，其中车载电池信息表包括索引ID、检测、时间、车载电池编号、车载电池图片信息，缺陷信息表包括缺陷类型、缺陷区域、Garde、复查信息；模型更新模块：自行扩充缺陷库，采用独立目标裁剪、曝光度调整、水平翻转操作对其进行数据增强，然后进行人工标记，按照固定的格式写入分类完整的缺陷特征缺陷数据库中，为后期的机器学习积累了数据基础，解决业内缺乏类别完整、样本标准化的锂电表面缺陷数据集问题。3.一种基于权利要求1所述的一种车载电池表面缺陷检测装置的智能检测方法，其特征在于：其检测方法包括以下步骤：步骤一、利用CCD工业相机(1)获取车载电池外观图像数据，传入机器学习模型；步骤二、通过Gige千兆网接口将数据传输至电脑处理终端(5)的深度学习模型；步骤三、利用改进的FasT RCNN进行识别定位；步骤四、根据缺陷等级判断系统是否正常运行，待机器学习模型输出缺陷检测结果，进行缺陷信息统计，根据缺陷尺寸、缺陷等级和缺陷位置等特征，判断设备被测物体状态是否合格，即在电脑处理终端(5)进行检测结果决策，并从数据库中溯源缺陷原因；步骤五、系统发出指令控制相关设备，将对应决策结果发送对应指令给PLC控制...

【专利技术属性】
技术研发人员：刘新华，李春侠，姜文婷，
申请(专利权)人：哈尔滨严格智慧工厂有限公司，
类型：发明
国别省市：