一种叠片电池的电芯异常检测方法及系统技术方案

本发明专利技术公开了一种叠片电池的电芯异常检测方法及系统，方法包括：通过X

【技术实现步骤摘要】
一种叠片电池的电芯异常检测方法及系统


[0001]本专利技术涉及电芯检测
，尤其涉及一种叠片电池的电芯异常检测方法及系统。

技术介绍

[0002]使用X射线影像技术对叠片式锂离子电芯进行无损检测的方法，已经成为生产中必不可少的环节，有助于电池的品质控制。采用X射线检测锂电子电芯异常时，首先通过X
‑
Ray发射器发出X射线穿透电芯，再由接收端接收X射线并成像，进而由软件算法对X
‑
ray图像进行处理获得相关数据，最终根据工艺要求确定良品和不良品。在检测过程中，自动化的机械设备主要负责电芯或由电芯组成的电池的物流运输、拍照定位以及NG下料等；软件算法用于通过电芯的X
‑
Ray图像判定良品与不良品，保证整个检测顺利完成。目前，自动化机械设备发展已经较为成熟，因此软件算法的改进对于检测效果的提升尤为关键。
[0003]现有的对于X
‑
ray图像的处理多采用传统的图像处理方法，如二值化等等，难以应对复杂的情况，且检测时间较长，影响生产效率。电池通常由两个及以上的电芯组成，且有外壳包裹，成像上差于电芯，对于电池的检测难度更高。
[0004]例如，专利文献CN104091322A公开了一种叠片锂离子电池的检测方法，从叠片电池的X
‑
Ray灰度图像入手，采用统计方法确定特征区域，再设定阈值对特征区域进行角点检测，而后对最大概率的正负极角点进行筛选、补偿及拟合，依次为基础进行异常检测。
[0005]该方法能够通过X<br/>‑
Ray目视系统对锂电池内部结构进行安全检测，但是检测时间长，且当情况较为复杂时检测的准确率低，存在漏检。

技术实现思路

[0006]本专利技术提供了一种叠片电池的电芯异常检测方法及系统，通过神经网络检测模型计算极片层数，并通过卷积神经网络模型进行特征识别，异常检测准确度高且效率高。
[0007]一种叠片电池的电芯异常检测方法，包括：通过X
‑
Ray设备采集待检电芯图像；对所述待检电芯图像进行预处理，提取感兴趣区域图像；将所述感兴趣区域图像输入至预先建立的神经网络检测模型，获得所述感兴趣区域图像中正极片和负极片的层数；根据所述层数对所述感兴趣区域图像进行分割，获得分割图像；将所述分割图像输入至预先建立的卷积神经网络模型，获得各个分割图像中正极片端点热力图和负极片端点热力图；对所述正极片端点热力图和负极片端点热力图中的正极片端点和负极片端点进行筛选；基于筛选后的正极片端点和负极片端点进行异常检测。
[0008]进一步地，对所述待检电芯图像进行预处理，提取感兴趣区域图像，包括：
将所述待检电芯图像进行归一化处理，获得8位灰度图像；根据设定的灰度阈值，提取所述8位灰度图像的边界点；确定所述8位灰度图像中正极片和负极片其中一端部的边界点和两侧边界点，截取包含其中一端部的边界点和两侧边界点的区域为所述感兴趣区域图像。
[0009]进一步地，获得所述感兴趣区域图像中正极片和负极片的层数的同时，还包括：通过所述神经网络检测模型，识别电芯的单面片，所述单面片用于区分两个及两个以上的电芯。
[0010]进一步地，所述卷积神经网络模型包括第一卷积层、第一残差模块、第一最大池化层、第二残差模块、第二最大池化层、第二卷积层、第三卷积层。
[0011]进一步地，将所述分割图像输入至预先建立的卷积神经网络模型，获得各个分割图像中正极片端点热力图和负极片端点热力图，包括：将所述分割图像输入至所述第一卷积层进行步长为2的3*3卷积，获得第一特征图；将所述第一特征图输入至所述第一残差模块和第一最大池化层，分别进行计算之后获得第二特征图；将所述第二特征图输入至所述第二残差模块和第二最大池化层，分别进行计算之后获得第三特征图；将所述第三特征图进行上采样之后与所述第二特征图进行拼接，并输入至所述第二卷积层进行1*1的卷积，获得卷积结果；将所述卷积结果进行上采样之后与所述第一特征图进行拼接之后输入至所述第三卷积层进行1*1的卷积，获得正极片端点热力图和负极片端点热力图。
[0012]进一步地，建立卷积神经网络模型，包括：建立初始卷积神经网络模型；采集极片图像样本，并对所述极片图像样本进行处理，使得所述极片样本图像中的正极片端点和负极片端点的像素值为1；将处理后的极片图像样本进行高斯滤波，使得所述极片图像样本中远离正极片端点和负极片端点的像素值逐渐降为0；将高斯滤波后的极片图像样本输入至所述初始卷积神经网络模型进行训练，并在训练中计算损失函数的值，当所述损失函数的值小于预设值时，获得所述卷积神经网络模型。
[0013]进一步地，所述损失函数为均方差损失函数。
[0014]进一步地，所述正极片端点热力图中每一个像素点的像素值为该位置是正极片端点的概率，所述负极片端点热力图中每一个像素点的像素值为该位置是负极片端点的概率；对所述正极片端点热力图和负极片端点热力图中的正极片端点和负极片端点进行筛选，包括：对所述正极片端点热力图和负极片端点热力图中的像素进行非局部极大值抑制；根据设定的像素阈值，选取像素值大于所述像素阈值的像素点；对于所述负极片端点热力图，若选取的像素点数量少于k
‑
1，则再选取剩余像素点
中像素值最大的像素点，直到选取的像素点数量达到k
‑
1；对于所述正极片端点热力图，若选取的像素点数量少于k，则再选取剩余像素点中像素值最大的像素点，直到选取的像素点数量达到k；其中，k为所述分割图像中正极片的层数。
[0015]进一步地，基于筛选后的正极片端点和负极片端点进行异常检测，包括：根据各个正极片端点和负极片端点的位置坐标，计算正极片和负极片的层数、包覆值、落差以及极片弯曲角度，判断电芯是否异常。
[0016]一种叠片电池的电芯异常检测系统，包括X
‑
Ray设备、处理器以及存储装置，所述存储装置存储有多条指令，所述处理器用于读取所述指令并执行上述的方法。
[0017]本专利技术提供的叠片电池的电芯异常检测方法及系统，至少包括如下有益效果：（1）在对图像进行特征识别之前，除了二值化提取边界点之外，还通过神经网络模型计算正极片和负极片的层数，再以此为依据将图像分割为多个更小的分割图像作为卷积神经网络模型的输入数据，应对复杂的检测情况时识别准确性更好，且提升了运算效率；（2）通过预先训练好的卷积神经网络模型对极片特征进行识别，得到热力图以确定极片端点位置，相较于设定阈值等传统方法具有更好的识别准确性，极大降低了误检率；（3）在识别正极片和负极片的同时还对单面片进行识别，通过单面片将多个电芯区分开，将电池的异常检测简化为电芯的异常检测，从而使得该方法可以对包含多个电芯的电池进行异常检测；（4）通过建立输出像素值代表端点概率的卷积神经网络模型，采用概率判断和像素点筛选的方式确定正极片和负极片的端点，相对于现有技术中的采用模型直接检测像素坐标的方式，能够有效避免漏检。
附图说明
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种叠片电池的电芯异常检测方法，其特征在于，包括：通过X
‑
Ray设备采集待检电芯图像；对所述待检电芯图像进行预处理，提取感兴趣区域图像；将所述感兴趣区域图像输入至预先建立的神经网络检测模型，获得所述感兴趣区域图像中正极片和负极片的层数；根据所述层数对所述感兴趣区域图像进行分割，获得分割图像；将所述分割图像输入至预先建立的卷积神经网络模型，获得各个分割图像中正极片端点热力图和负极片端点热力图；对所述正极片端点热力图和负极片端点热力图中的正极片端点和负极片端点进行筛选；基于筛选后的正极片端点和负极片端点进行异常检测。2.根据权利要求1所述的方法，其特征在于，对所述待检电芯图像进行预处理，提取感兴趣区域图像，包括：将所述待检电芯图像进行归一化处理，获得8位灰度图像；根据设定的灰度阈值，提取所述8位灰度图像的边界点；确定所述8位灰度图像中正极片和负极片其中一端部的边界点和两侧边界点，截取包含其中一端部的边界点和两侧边界点的区域为所述感兴趣区域图像。3.根据权利要求1所述的方法，其特征在于，获得所述感兴趣区域图像中正极片和负极片的层数的同时，还包括：通过所述神经网络检测模型，识别电芯的单面片，所述单面片用于区分两个及两个以上的电芯。4.根据权利要求1所述的方法，其特征在于，所述卷积神经网络模型包括第一卷积层、第一残差模块、第一最大池化层、第二残差模块、第二最大池化层、第二卷积层、第三卷积层。5.根据权利要求4所述的方法，其特征在于，将所述分割图像输入至预先建立的卷积神经网络模型，获得各个分割图像中正极片端点热力图和负极片端点热力图，包括：将所述分割图像输入至所述第一卷积层进行步长为2的3*3卷积，获得第一特征图；将所述第一特征图输入至所述第一残差模块和第一最大池化层，分别进行计算之后获得第二特征图；将所述第二特征图输入至所述第二残差模块和第二最大池化层，分别进行计算之后获得第三特征图；将所述第三特征图进行上采样之后与所述第二特征图进行拼接，并输入至所述第二卷积层进行1*1的卷积，获得卷积结果；将所述卷积结果进行上采样之后与所述第一特征图进行拼接之后输入至所述第...

【专利技术属性】
技术研发人员：陈文君，唐玉辉，胡美琴，
申请(专利权)人：浙江双元科技股份有限公司，
类型：发明
国别省市：