高精度針孔檢測設備
More >>
2022-10-28 08:51:13 精質(zhì)視覺
在卷繞工序中,容易產(chǎn)生極耳褶皺等缺陷,但是極耳的褶皺對后續(xù)的電芯應用會帶來嚴重的安全風險,因此生產(chǎn)過程中的缺陷檢測環(huán)節(jié)必不可少。
目前的主流路線是:在缺陷檢測時,使用數(shù)字化X射線攝影技術(shù)生成極耳的結(jié)構(gòu)影像,然后對影像中的缺陷部分進行篩查。采用機器學習算法構(gòu)建的AI視覺檢測技術(shù),可以大大地提高了褶皺缺陷篩查的準確率和泛化能力。
主要步驟如下:
1.極耳影像的預處理
通過對影像中的極耳位置調(diào)整,傾斜校正和極耳圖像分割,使得極耳有效位置為同一位置,通過傾斜校正可以減小電池姿態(tài)對成像的影像。通過簡單的圖像分割,可以獲得極耳有效區(qū)域的圖像。
2.擴大數(shù)據(jù)集的規(guī)模,生成數(shù)據(jù)集將預處理后的圖像以中心為圓心,隨機旋轉(zhuǎn),擴展極片圖像數(shù)量;并用重疊分割方式將極耳圖像裁剪成大量的小尺寸子圖數(shù)據(jù)集。以便降低后續(xù)卷積神經(jīng)網(wǎng)絡規(guī)模,減少計算量和耗時。
3.基于卷積神經(jīng)網(wǎng)絡(CNN)的特征提取通過卷積神經(jīng)網(wǎng)絡的算法,可以對上述數(shù)據(jù)集中的特征進行提取??梢缘玫揭欢ǔ叽绲闹眯哦冉Y(jié)果圖。4.SVM(支持向量機)圖像分類
最后,通過上述卷積神經(jīng)網(wǎng)絡預測輸出的置信度結(jié)果圖作為特征來訓練SVM,并以SVM的圖像分類作為極耳缺陷的最終檢測結(jié)果。基于上述CNN和SVM相結(jié)合的機器學習算法,該褶皺缺陷檢測準確率可以達到99%以上。