<ul id="isqya"></ul>

極耳褶皺缺陷的識(shí)別

2022-10-28 08:51:13 精質(zhì)視覺(jué)

　　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(duì)后續(xù)的電芯應(yīng)用會(huì)帶來(lái)嚴(yán)重的安全風(fēng)險(xiǎn)，因此生產(chǎn)過(guò)程中的缺陷檢測(cè)環(huán)節(jié)必不可少。

　　目前的主流路線(xiàn)是：在缺陷檢測(cè)時(shí)，使用數(shù)字化X射線(xiàn)攝影技術(shù)生成極耳的結(jié)構(gòu)影像，然后對(duì)影像中的缺陷部分進(jìn)行篩查。采用機(jī)器學(xué)習(xí)算法構(gòu)建的AI視覺(jué)檢測(cè)技術(shù)，可以大大地提高了褶皺缺陷篩查的準(zhǔn)確率和泛化能力。

　　主要步驟如下：

　　1.極耳影像的預(yù)處理

　　通過(guò)對(duì)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(guò)傾斜校正可以減小電池姿態(tài)對(duì)成像的影像。通過(guò)簡(jiǎn)單的圖像分割，可以獲得極耳有效區(qū)域的圖像。

　　2.擴(kuò)大數(shù)據(jù)集的規(guī)模，生成數(shù)據(jù)集將預(yù)處理后的圖像以中心為圓心，隨機(jī)旋轉(zhuǎn)，擴(kuò)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(luò)規(guī)模，減少計(jì)算量和耗時(shí)。

　　3.基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的特征提取通過(guò)卷積神經(jīng)網(wǎng)絡(luò)的算法，可以對(duì)上述數(shù)據(jù)集中的特征進(jìn)行提取。可以得到一定尺寸的置信度結(jié)果圖。4.SVM(支持向量機(jī))圖像分類(lèi)

　　最后，通過(guò)上述卷積神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出的置信度結(jié)果圖作為特征來(lái)訓(xùn)練SVM，并以SVM的圖像分類(lèi)作為極耳缺陷的最終檢測(cè)結(jié)果。基于上述CNN和SVM相結(jié)合的機(jī)器學(xué)習(xí)算法，該褶皺缺陷檢測(cè)準(zhǔn)確率可以達(dá)到99%以上。