一种基于深度学习的电池overhang值异常检测方法技术

本发明专利技术涉及工业CT和电池新能源领域，公开了一种基于深度学习的电池overhang值异常检测方法，包括电池的CT图像放入自适应阈值分割AI模型，获得二值化图像，去除CT图像噪点以及实现背景与电池的完全分割。然后使用Suzuki85算法来绘制出电池的外围轮廓，最后根据遍历算法寻找出阴极与阳极的端点位置，存储为表格输出，并根据计算的overhang值判断出该电池是否存在缺陷。本发明专利技术可以实现自动化的电池CT图像的阴阳极定位与overhang值的自动计算，可实现流水线上的自动化作业，提高了电池生产的效率和安全性。和安全性。和安全性。

【技术实现步骤摘要】
一种基于深度学习的电池overhang值异常检测方法


[0001]本公开涉及电池、计算机
，具体而言，涉及一种基于深度学习的电池overhang值异常检测方法。

技术介绍

[0002]新能源产业近年来不断发展，由于结构的特殊性，往往需要通过计算机断层扫描(Computed Tomography，CT)技术实现无损的内部缺陷检测。电池的overhang是电池缺陷检测中较为重要的一环。
[0003]电池的overhang是指电池极板(阳极和阴极)在电池外壳内的突出部分。电池的过挂值即过挂部分的尺寸。虽然过挂在电池外观上可能不是最显著的特征，但它在电池的性能、寿命和安全性方面具有重要的影响。overhang的尺寸和分布直接影响电池的性能。错误尺寸的存在可能导致电池极板之间的短路或不均匀的电荷分布，从而影响电池的电压输出、能量密度和放电特性。
[0004]而传统的overhang缺陷的检测是通过专用的CT软件，通过手动标记或是提示学习的方法来让软件定位阴极和阳极，再通过计算获得overhang值，这样的方法需要大量的手工操作，对于最后的结果还需要人工微调，不利于自动化，无法应用于生产线。目前也出现了部分通过目标检测来分割阴极和阳极的AI模型，但由于CT图像的信噪比较低，效果往往不是很好，并且较为耗时。

技术实现思路

[0005]针对目前市场上的技术不足，本专利技术提供一种基于深度学习的电池overhang值异常检测方法，实现快速且高精度的对于电池阴极和阳极定位，实现自动化的电池overhang值计算和缺陷判断。
[0006]为了实现上述目的，本专利技术提供了一种基于深度学习的自适应阈值分割电池overhang值异常检测，包括了以下步骤：
[0007]S100、获取电池CT图像；电池通过CT机获得的X
‑
ray投影图，再经过三维重建后获得电池CT图像。
[0008]S200、基于深度学习的自适应阈值分割；使用预训练好的自适应阈值分割模型来对电池CT图像进行二值化，获得除去背景的CT图像。
[0009]S300、提取电池轮廓；调用Python函数来实现对于二值化图像的轮廓提取，保留边长最长的轮廓。
[0010]S400、定位阴极与阳极；使用遍历算法，根据特定的阴极阳极特征对位置进行定位，将位置存储于数组。
[0011]S500、计算overhang值；根据定位出的电池阴极与阳极位置，计算出计算overhang值。
[0012]S600、判断电池是否缺陷；
[0013]进一步的，所述的基于深度学习的自适应阈值分割模型是指，通过多个电池CT图与人工处理后的二值化形成的图像对进行训练后的深度学习模型。
[0014]进一步的，所述的提取电池轮廓时通过Suzuki85实现，通过调用Python的cv2.findContours函数来实现。
[0015]进一步的，所述的定位阴极与阳极时通过遍历，找出阴极与阳极的位置，并分别将其存储在其对应的数组中。
[0016]进一步的，所述的计算overhang值时，从左往右遍历阴极与阳极位置，将相邻的阴阳极之差存储在数组当中，这个差值便是overhang值。
[0017]进一步的，所述的判断电池是否缺陷的方法是，若在overhang值数组中，存在有overhang值小于设定的阈值，则被判断为该电池存在缺陷。
[0018]通过上述技术方案，本专利技术具有以下效果：
[0019]本专利技术结构设计合理，利用人工的电池CT二值化图像对数据库训练基于深度学习的自适应阈值分割网络，利用频域图像数据的相关性重构获得去除背景与噪声的电池二值化图像，通过遍历定位算法，实现了自动化且快速的电池阴极与阳极定位，可以使用于生产线，符合生产节拍。
附图说明
[0020]为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，此处的附图被并入说明书中并构成本说明书中的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。应当理解，以下附图仅示出了本公开的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。而且在整个附图中，用相同的标号表示相同的部件。在附图中：
[0021]图1示出了本公开实施例所提供的一种基于深度学习的电池overhang值异常检测方法的流程图；
[0022]图2示出了本公开实施例所提供的一种基于深度学习的电池overhang值异常检测方法中，基于深度学习的自适应阈值分割网络训练和推理过程示意图；
[0023]图3示出了本公开实施例所提供的一种基于深度学习的电池overhang值异常检测方法中，基于深度学习的自适应阈值分割网络结构示意图。
具体实施方式
[0024]下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
[0025]在本公开实施方式的描述中，应理解，诸如“包括”或“具有”等术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在，并且不旨在排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在的可能性。
[0026]除非另有说明，“/”表示或的意思，例如，A/B可以表示A或B；本文中的“和/或”仅仅
是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。
[0027]术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个这一特征。在本公开实施方式的描述中，除非另有说明，“多个”的含义是两个或两个以上。。
[0028]如图1所示，本专利技术实施提出了一种基于深度学习的电池overhang值异常检测方法，其流程主要包括了：
[0029]S100、获取电池CT图像；电池通过CT机获得的X
‑
ray投影图，再经过三维重建后获得电池CT图像。
[0030]S200、基于深度学习的自适应阈值分割；使用预训练好的自适应阈值分割模型来对电池CT图像进行二值化，获得除去背景的CT图像。
[0031]S300、提取电池轮廓；调用Python函数来实现对于二值化图像的轮廓提取，保留边长最长的轮廓。
[0032]S400、定位阴极与阳极；使用遍历算法，根据特定的阴极阳极特征对位置进行定位，将位置存储于数组。
[0033]S500、计算overhang值；根据定位出的电池阴极与本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的电池overhang值异常检测方法，其特征在于，包括以下步骤：S100、获取电池CT图像；电池通过CT机获得的X
‑
ray投影图，再经过三维重建后获得电池CT图像；S200、基于深度学习的自适应阈值分割；使用预训练好的自适应阈值分割模型来对电池CT图像进行二值化，获得除去背景的CT图像；S300、提取电池轮廓；调用Python函数来实现对于二值化图像的轮廓提取，保留边长最长的轮廓；S400、定位阴极与阳极；使用遍历算法，根据特定的阴极阳极特征对位置进行定位，将位置存储于数组；S500、计算overhang值；根据定位出的电池阴极与阳极位置，计算出计算overhang值；S600、判断电池是否缺陷。2.根据权利要求1所述的方法，其特征在于，所述的基于深度学习...

【专利技术属性】
技术研发人员：刘科宏，武星，
申请(专利权)人：上海大学，
类型：发明
国别省市：