一种基于深度学习的电池缺陷检测方法及系统技术方案

本发明专利技术提出一种基于深度学习的电池缺陷检测方法及系统，建立各种电池的初始三维模型，并对初始三维模型进行修改得到基本三维模型；获取电池测试过程中的数据并输入已训练好的卷积神经网络得到电池的基本工作模型；获取待检测电池的相关数据并输入卷积神经网络，得到待检测电池的第一工作模型；获取待检测电池的待检测三维模型；将待检测三维模型与基本三维模型进行比对，得到第一比对结果；将第一工作模型与基本工作模型进行比对，得到第二比对结果；根据第一比对结果和第二比对结果得到所述待检测电池的缺陷检测结果

【技术实现步骤摘要】
一种基于深度学习的电池缺陷检测方法及系统


[0001]本专利技术涉及电池检测
，具体涉及一种基于深度学习的电池缺陷检测方法及系统
。

技术介绍

[0002]电池在生产生活中的需求不断扩大，在电池生产过程中，或多或少会产生存在产品缺陷的电池，各大电池生产厂家通常采用的缺陷检测方法是通过人工检查确认电池外观是否存在裂纹等缺陷，但这种检测方式检测效率低下
、
而且整个检测过程很大程度上依赖于检测员的检测经验，检测准确率也较低，而且只检测了电池的外观，不能发现电池内部的一些缺陷
。

技术实现思路

[0003]本专利技术正是基于上述问题，提出了一种基于深度学习的电池缺陷检测方法及系统，通过本专利技术的方案，不仅能准确地检测电池的外表面是否存在缺陷，而且能检测出电池内部存在的缺陷
。
[0004]有鉴于此，本专利技术的一方面提出了一种基于深度学习的电池缺陷检测方法，包括：
[0005]在所有的电池的制造过程中，同步采集所有环节的第一影像数据；
[0006]对所述电池进行测试，在测试过程中同步采集所述电池的第二影像数据
、
第一温度数据
、
第一充电数据
、
第一放电数据
、
第一振动数据和第一气味数据；
[0007]根据所述第一影像数据建立所述电池的初始三维模型；
[0008]根据所述第二影像数据得到第一三维图像数据和第一声音数据；
[0009]根据所述第一三维图像数据对所述初始三维模型进行修改得到基本三维模型；
[0010]根据所述第一声音数据
、
所述第一温度数据
、
所述第一充电数据
、
所述第一放电数据
、
第一振动数据和所述第一气味数据输入已训练好的卷积神经网络得到所述电池的基本工作模型；
[0011]获取所述待检测电池的第三影像数据
、
第二温度数据
、
第二充电数据
、
第二放电数据
、
第二振动数据和第二气味数据；
[0012]从所述第三影像数据提取第二声音数据；
[0013]根据所述第三影像数据得到所述待检测电池的待检测三维模型；
[0014]将所述第二声音数据
、
所述第二温度数据
、
所述第二充电数据
、
所述第二放电数据
、
所述第二振动数据和所述第二气味数据输入所述卷积神经网络，得到所述待检测电池的第一工作模型；
[0015]将所述待检测三维模型与所述基本三维模型进行比对，得到第一比对结果；
[0016]将所述第一工作模型与所述基本工作模型进行比对，得到第二比对结果；
[0017]根据所述第一比对结果和所述第二比对结果得到所述待检测电池的缺陷检测结果
。
[0018]可选地，所述在所有的电池的制造过程中，同步采集所有环节的第一影像数据的步骤，包括：
[0019]利用激光雷达扫描装置获取所述电池的制造设备的静态点云数据，并结合所述制造设备的操作数据得到所述制造设备在所述电池的制造过程中的动态点云数据；
[0020]利用所述激光雷达扫描装置获取所述电池在制造过程中的第一点云数据；
[0021]根据所述动态点云数据，对所述第一点云数据进行背景剔除，得到所述电池的电池点云数据；
[0022]将所述电池点云数据作为所述第一影像数据
。
[0023]可选地，所述对所述电池进行测试，在测试过程中同步采集所述电池的第二影像数据
、
第一温度数据
、
第一充电数据
、
第一放电数据
、
第一振动数据和第一气味数据的步骤，包括：
[0024]对所述电池进行测试，在测试过程中，利用所述激光雷达扫描装置采集所述电池第二点云数据以得到所述第一三维图像数据；
[0025]利用声音采集装置采集测试过程中所述电池产生的所述第一声音数据；
[0026]将所述第一三维图像数据和所述第一声音数据作为所述第二影像数据；
[0027]利用温度传感器采集测试过程中所述电池的所述第一温度数据；
[0028]从所述电池的电源管理模块读取测试过程中所述电池的所述第一充电数据和所述第一放电数据；
[0029]利用振动传感器采集测试过程中所述电池产生的所述第一振动数据；
[0030]利用气味传感器采集测试过程中所述电池产生的所述第一气味数据
。
[0031]可选地，所述将所述待检测三维模型与所述基本三维模型进行比对，得到第一比对结果的步骤，包括：
[0032]从所述待检测三维模型中任意取一点作为第一基点，并计算所述第一基点至其他各点的第一距离，将两点的坐标和所述第一距离作为一个第一数据小组，将各个所述第一数据小组按所述第一距离从小到大排列构成待检测数据序列；
[0033]遍历所述待检测三维模型的其他
N
‑1个点，执行上一步的操作，得到
N
个所述待检测数据序列；
[0034]从所述基本三维模型中任意取一点作为第二基点，并计算所述第二基点至其他各点的第二距离，将两点的坐标和所述第二距离作为一个第二数据小组，将各个所述第二数据小组按所述第二距离从小到大排列构成基本数据序列；
[0035]遍历所述基本三维模型的其他
M
‑1个点，执行上一步的操作，得到
M
个所述基本数据序列；
[0036]将
N
个所述待检测数据序列与
M
个所述基本数据序列基于所述第一距离和所述第二距离一一进行比对，将所述第一距离与所述第二距离的相等数量达到预设数量的所述待检测数据序列与所述基本数据序列一一配对；
[0037]将配对后的所述待检测数据序列与所述基本数据序列对应的坐标进行比对得到所述第一比对结果
。
[0038]可选地，所述将所述待检测三维模型与所述基本三维模型进行比对，得到第一比对结果的步骤，包括：
[0039]根据所述第三影像数据，将所述第一数据小组中各坐标点的第一深度信息补充至所述第一数据小组中；
[0040]根据所述第一影像数据和所述第二影像数据，将所述第二数据小组中各坐标点的第二深度信息补充至所述第二数据小组中；
[0041]所述将配对后的所述待检测数据序列与所述基本数据序列对应的坐标进行比对得到所述第一比对结果，具体是：
[0042]所述将配对后的所述待检测数据序列与所述基本数据序列对应的坐标点及坐标点对应的所述第一深度信息和所述第二深度信息进行比对，判断差异值是否在预设范围内；
[0043]当所述差异值在预设范围内时，确定所述待检测电池合格；
[0044]当所述差异值超出预设范围内时，确本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习的电池缺陷检测方法，其特征在于，包括：在所有的电池的制造过程中，同步采集所有环节的第一影像数据；对所述电池进行测试，在测试过程中同步采集所述电池的第二影像数据
、
第一温度数据
、
第一充电数据
、
第一放电数据
、
第一振动数据和第一气味数据；根据所述第一影像数据建立所述电池的初始三维模型；根据所述第二影像数据得到第一三维图像数据和第一声音数据；根据所述第一三维图像数据对所述初始三维模型进行修改得到基本三维模型；根据所述第一声音数据
、
所述第一温度数据
、
所述第一充电数据
、
所述第一放电数据
、
第一振动数据和所述第一气味数据输入已训练好的卷积神经网络得到所述电池的基本工作模型；获取所述待检测电池的第三影像数据
、
第二温度数据
、
第二充电数据
、
第二放电数据
、
第二振动数据和第二气味数据；从所述第三影像数据提取第二声音数据；根据所述第三影像数据得到所述待检测电池的待检测三维模型；将所述第二声音数据
、
所述第二温度数据
、
所述第二充电数据
、
所述第二放电数据
、
所述第二振动数据和所述第二气味数据输入所述卷积神经网络，得到所述待检测电池的第一工作模型；将所述待检测三维模型与所述基本三维模型进行比对，得到第一比对结果；将所述第一工作模型与所述基本工作模型进行比对，得到第二比对结果；根据所述第一比对结果和所述第二比对结果得到所述待检测电池的缺陷检测结果
。2.
根据权利要求1所述的基于深度学习的电池缺陷检测方法，其特征在于，所述在所有的电池的制造过程中，同步采集所有环节的第一影像数据的步骤，包括：利用激光雷达扫描装置获取所述电池的制造设备的静态点云数据，并结合所述制造设备的操作数据得到所述制造设备在所述电池的制造过程中的动态点云数据；利用所述激光雷达扫描装置获取所述电池在制造过程中的第一点云数据；根据所述动态点云数据，对所述第一点云数据进行背景剔除，得到所述电池的电池点云数据；将所述电池点云数据作为所述第一影像数据
。3.
根据权利要求2所述的基于深度学习的电池缺陷检测方法，其特征在于，所述对所述电池进行测试，在测试过程中同步采集所述电池的第二影像数据
、
第一温度数据
、
第一充电数据
、
第一放电数据
、
第一振动数据和第一气味数据的步骤，包括：对所述电池进行测试，在测试过程中，利用所述激光雷达扫描装置采集所述电池第二点云数据以得到所述第一三维图像数据；利用声音采集装置采集测试过程中所述电池产生的所述第一声音数据；将所述第一三维图像数据和所述第一声音数据作为所述第二影像数据；利用温度传感器采集测试过程中所述电池的所述第一温度数据；从所述电池的电源管理模块读取测试过程中所述电池的所述第一充电数据和所述第一放电数据；利用振动传感器采集测试过程中所述电池产生的所述第一振动数据；
利用气味传感器采集测试过程中所述电池产生的所述第一气味数据
。4.
根据权利要求3所述的基于深度学习的电池缺陷检测方法，其特征在于，所述将所述待检测三维模型与所述基本三维模型进行比对，得到第一比对结果的步骤，包括：从所述待检测三维模型中任意取一点作为第一基点，并计算所述第一基点至其他各点的第一距离，将两点的坐标和所述第一距离作为一个第一数据小组，将各个所述第一数据小组按所述第一距离从小到大排列构成待检测数据序列；遍历所述待检测三维模型的其他
N
‑1个点，执行上一步的操作，得到
N
个所述待检测数据序列；从所述基本三维模型中任意取一点作为第二基点，并计算所述第二基点至其他各点的第二距离，将两点的坐标和所述第二距离作为一个第二数据小组，将各个所述第二数据小组按所述第二距离从小到大排列构成基本数据序列；遍历所述基本三维模型的其他
M
‑1个点，执行上一步的操作，得到
M
个所述基本数据序列；将
N
个所述待检测数据序列与
M
个所述基本数据序列基于所述第一距离和所述第二距离一一进行比对，将所述第一距离与所述第二距离的相等数量达到预设数量的所述待检测数据序列与所述基本数据序列一一配对；将配对后的所述待检测数据序列与所述基本数据序列对应的坐标进行比对得到所述第一比对结果
。5.
根据权利要求1‑4所述的基于深度学习的电池缺陷检测方法，其特征在于，所述将所述待检测三维模型与所述基本三维模型进行比对，得到第一比对结果的步骤，包括：根据所述第三影像数据，将所述第一数据小组中各坐标点的第一深度信息补充至所述第一数据小组中；根据所述第一影像数据和所述第二影像数据，将所述第二数据小组中各坐标点的第二深度信息补充至所述第二数据小组中；所述将配对后的所述待检测数据序列与所述基本数据序列对应的坐标进行比对得到所述第一比对结果，具体是：所述将配对后的所述待检测数据序列与所述基本数据序列对应的坐标点及坐标点对应的所述第一深度信息和所述第二深度信息进行比对，判断差异值是否在预设范围内；当所述差异值在预设范围内时，确定所述待检测电池合格；当所述差异值超出预设范围内时，确定所述待检测电池不合格
。6.
一种基于深度学习的电池缺陷检测系统，其特征在于，包括：控制处理装置
、
配置有声音采集模块的激光雷...

【专利技术属性】
技术研发人员：刘光辉，王凯，杨光，
申请(专利权)人：深圳崎点数据有限公司，
类型：发明
国别省市：