基于锂电池行业视觉检测方法和系统技术方案

本申请实施例公开了基于锂电池行业视觉检测方法和系统，所述方法包括：缺陷图像的获取，通过智能图像采集单元获取缺陷图像；缺陷图像的定性分析，对于获取的缺陷图像传送至工控机，通过AI定性单元进行缺陷图像的定性分析，从而对缺陷图像进行分类；缺陷图像的定量分析，通过分割定量单元对定性分析后的图像进行定量分析；缺陷等级的确定，对于定量分析后的图像进行缺陷等级的确定。的图像进行缺陷等级的确定。的图像进行缺陷等级的确定。

【技术实现步骤摘要】
基于锂电池行业视觉检测方法和系统


[0001]本申请涉及人工智能领域，尤其涉及基于锂电池行业视觉检测方法和系统。

技术介绍

[0002]铜箔板是制作PCB的核心材料，广泛应用与通信领域和服务器，缺陷等级划分是其重要的质量检测检验项目。由于铜箔板材料背景会存在一些列不规则抖动、缺陷特征形态差异性很大，类间差异性小、类内差异性大，导致传统机器视觉缺陷分类准确度不高而且高度依赖人工设计图像特征(对操作人员图像处理基础能力要求比较高，其适应度比较窄)，无法满足行业越来越高的品质检测要求。完全基于deep learning分类算法无法进行定量分析，如果使用deep learning语义分割可以达到定性与定量分析但是需要的算力无法满足铜箔板高速检测的时效性。

技术实现思路

[0003]本申请实施例要解决的技术问题，在于提供基于锂电池行业视觉检测方法和系统，以解决锂电铜箔行业中，完全基于传统算法无法精准缺陷分类的技术问题。
[0004]为实现上述目的，本申请实施例采用下述技术方案：
[0005]第一方面，本申请实施例提供基于锂电池行业视觉检测方法，所述方法包括：
[0006]缺陷图像的获取，通过智能图像采集单元获取缺陷图像；
[0007]缺陷图像的定性分析，对于获取的缺陷图像传送至工控机，通过AI定性单元进行缺陷图像的定性分析，从而对缺陷图像进行分类；
[0008]缺陷图像的定量分析，通过分割定量单元对定性分析后的图像进行定量分析；
[0009]缺陷等级的确定，对于定量分析后的图像进行缺陷等级的确定。
[0010]第二方面，本申请实施例提供基于锂电池行业视觉检测系统，包括智能图像采集单元和工控机；通过上述第一方面所述的基于锂电池行业视觉检测方法实现的系统，包括：
[0011]缺陷图像的获取模块，通过智能图像采集单元获取缺陷图像；
[0012]缺陷图像的定性分析模块，对于获取的缺陷图像传送至工控机，通过AI定性单元进行缺陷图像的定性分析，从而对缺陷图像进行分类；
[0013]缺陷图像的定量分析模块，通过分割定量单元对定性分析后的图像进行定量分析；
[0014]缺陷等级的确定模块，对于定量分析后的图像进行缺陷等级的确定。
[0015]第三方面，本申请实施例提供一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器执行以实现如上述第一方面所述的基于锂电池行业视觉检测方法。
[0016]第四方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少
一段程序、所述代码集或指令集由处理器执行以实现如上述第一方面所述的基于锂电池行业视觉检测方法。
附图说明
[0017]图1为本申请一个实施例提供的基于锂电池行业视觉检测方法的流程示意图；
[0018]图2为本申请一个实施例提供的基于锂电池行业视觉检测系统的结构示意图；
[0019]图3为本申请一个实施例提供的一种电子设备的结构示意图。
具体实施方式
[0020]下面通过具体实施例，并结合附图，对本申请的技术方案作进一步的具体描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0021]本申请实施例提供一种用于锂电铜箔行业的机器视觉检测方法及电子设备，以解决锂电铜箔行业中，完全基于深度学习分类算法进行缺陷分析需要较高算力的技术问题。
[0022]铜箔板是制作PCB的核心材料，广泛应用与通信领域和服务器，缺陷等级划分是其重要的质量检测检验项目。由于铜箔板材料背景会存在一些列不规则抖动、缺陷特征形态差异性很大，类间差异性小、类内差异性大，导致传统机器视觉缺陷分类准确度不高而且高度依赖人工设计图像特征(对操作人员图像处理基础能力要求比较高，其适应度比较窄)，无法满足行业越来越高的品质检测要求。完全基于deep learning分类算法无法进行定量分析，如果使用deep learning语义分割可以达到定性与定量分析但是需要的算力无法满足铜箔板高速检测的时效性。
[0023]以下结合附图，详细说明本申请中各实施例提供的技术方案。
[0024]请参阅附图1，其示出了本申请一个实施例提供的基于锂电池行业视觉检测方法的流程示意图，包括智能图像采集单元和工控机，其中，所述方法包括：
[0025]S101，缺陷图像的获取，通过智能图像采集单元获取缺陷图像；
[0026]在一个示例中，智能图像采集单元为智能CCD线扫相机。
[0027]通常，在铜箔板生产线上，图像的获取系统可以包括打光系统、通信单元、智能CCD线扫相机。其中打光系统增大前景和背景的区分度可以凸显铜箔板上面的缺陷特征，供智能CCD线扫相机获取图像缺陷区域，通信单元将打光系统、智能CCD线扫相机与图像处理单元进行通讯，将打光信号、智能CCD线扫相机输出的缺陷图片进行关联起来。智能CCD线扫相机能够根据自身设定的滤波器(卷积kernel大小)等智能算法来获取铜箔板上面异于背景的缺陷区域图片，将缺陷图片通过网线输出给PC工控机供定性与图像处理单元使用。
[0028]S102，缺陷图像的定性分析，对于获取的缺陷图像传送至工控机，通过AI定性单元进行缺陷图像的定性分析，从而对缺陷图像进行分类；
[0029]在一个示例中，缺陷图像的定性分析包括：
[0030]缺陷图像的定性分析包括：
[0031]缺陷图像的预处理，对获取的缺陷图像进行预处理，图像预处理模块标准化公式：
其中x
i
表示图像像素点值，min(x)是当前图片最小像素值，一般默认选取0，max(x)是当前图片最大像素值，一般选取255；
[0032]缺陷图像数据集的获取，通过对缺陷图像依据不同的缺陷属性构建缺陷图像数据集，保证缺陷数据集正态分布和实际生产情况一致；
[0033]数据集的扩充，通过对缺陷图像数据集进行数据的扩充；
[0034]缺陷数据集的训练，通过CNN网络进行缺陷数据集的训练；
[0035]缺陷图片的分类，通过深度学习Mobilenetv2网络分类模型对预处理后的缺陷图像进行分类，从而获得不同种类的缺陷图像及缺陷图像的置信度。
[0036]在一个示例中，数据集的扩充包括：
[0037]数据集的扩充包括图像数据集旋转、图像数据集镜像、图像数据集对比度的调整、图像数据集噪声的调整和图像模糊化处理。
[0038]在一个示例中，预处理包括图像缩放、归一化处理以及像素相除。
[0039]可以理解，由于缺陷形状大小不固定导致智能CCD线扫相机输本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于锂电池行业视觉检测方法，包括智能图像采集单元和工控机；其方法包括：缺陷图像的获取，通过智能图像采集单元获取缺陷图像；缺陷图像的定性分析，对于获取的缺陷图像传送至工控机，通过AI定性单元进行缺陷图像的定性分析，从而对缺陷图像进行分类；缺陷图像的定量分析，通过分割定量单元对定性分析后的图像进行定量分析；缺陷等级的确定，对于定量分析后的图像进行缺陷等级的确定。2.根据权利要求1所述的基于锂电池行业视觉检测方法，其特征在于，缺陷图像的定性分析包括：缺陷图像的预处理，对获取的缺陷图像进行预处理，图像预处理模块标准化公式：其中x
i
表示图像像素点值，min(x)是当前图片最小像素值，一般默认选取0，max(x)是当前图片最大像素值，一般选取255；缺陷图像数据集的获取，通过对缺陷图像依据不同的缺陷属性构建缺陷图像数据集，保证缺陷数据集正态分布和实际生产情况一致；数据集的扩充，通过对缺陷图像数据集进行数据的扩充；缺陷数据集的训练，通过CNN网络进行缺陷数据集的训练；缺陷图片的分类，通过深度学习Mobilenetv2网络分类模型对预处理后的缺陷图像进行分类，从而获得不同种类的缺陷图像及缺陷图像的置信度。3.根据权利要求2所述的基于锂电池行业视觉检测方法，其特征在于，数据集的扩充包括图像数据集旋转、图像数据集镜像、图像数据集对比度的调整、图像数据集噪声的调整和图像模糊化处理。4.根据权利要求1所述的基于锂电池行业视觉检测方法，其特征在于，缺陷图像的定量分析包括：对分类后的缺陷图像通过Niblack算法进行缺陷图像的切割，将区别于背景区域的缺陷位置的mask区域切割出来；Mask区域像素的获取，对于分割后的缺陷图像获取mask区域像素；区域像素面积及最小外接矩形的计算，对mask区域像素计算区域像素面积及最小外接矩形，并将计算后的区域像素面积转换为物理尺寸。5.根据权利要求4所述的基于锂电池行业视觉检测方法，其特征在于，图像分割包括阈值分割、边缘分割和区域分割。6.根据权利要求5...

【专利技术属性】
技术研发人员：葛铭，魏鹏，沈井学，
申请(专利权)人：杭州百子尖科技股份有限公司，
类型：发明
国别省市：