一种基于机器学习检测电池极耳焊接缺陷的方法、设备及存储介质技术

本发明专利技术涉及一种基于机器学习检测电池极耳焊接缺陷的方法，包括以下步骤：S10、收集样本并分割极耳；S20、特征提取；S30、转换特征向量；S40、创建MLP分类器；S50、训练MLP分类器；S60、激活输入数据模型；S70、用MLP分类器对目标模型的缺陷种类进行划分，先按步骤S20提取相同的目标特征，然后将目标特征转换成目标特征向量后导入MLP分类器，MLP分类器将目标特征向量与样本特征向量的训练模型进行比对，判定缺陷种类。该方法采取特征提取，将特征转换成向量添加至训练器并按缺陷种类进行训练，训练后的分类器可以自动对新模型缺陷进行划分并且速度快、准确率高、成本低。成本低。成本低。

【技术实现步骤摘要】
一种基于机器学习检测电池极耳焊接缺陷的方法、设备及存储介质


[0001]本专利技术涉及一种电池极耳的检测方法，尤其是一种基于机器学习检测电池极耳焊接缺陷的方法、设备及存储介质。

技术介绍

[0002]激光焊接技术在手机里电池极耳和电路保护板焊接工艺中应用广泛，受激光能量不稳定、机械振动以及物料残次等因素的影响，焊接产品不可避免的存在不同种类的焊接缺陷。
[0003]比较传统的是通过接触式测量，通过三坐标轮廓测量仪测量出极耳的轮廓特征，根据轮廓特征判断极耳的缺陷。通过测头触碰极耳的轮廓，获取极耳边缘的位置信息，虽然测量精度高，但是因为侧头需要完整的接触极耳的轮廓，所以测量效率低，并且收集的数据都是点云数据处理起来相当麻烦。

技术实现思路

[0004]为解决上述问题，本专利技术提供一种针锂电池极耳在焊接工艺中所产生的极耳翻折、焊点不足以及极耳短缺等缺陷，在机器视觉的基础上提出了一种用机器学习的方法对极耳焊接缺陷进行识别与检测，具体技术方案为：
[0005]一种基于机器学习检测电池极耳焊接缺陷的方法，包括以下步骤：
[0006]S10、收集样本并分割极耳，筛选出一部分能代表某几种缺陷的个体作为样本，并从样本上分割出极耳；
[0007]S20、特征提取，对极耳进行区域特征分析，并提取关于缺陷的灰度信息和几何特征；
[0008]S30、转换特征向量，将所述几何特征转换成一维向量，并做标准化处理，构造样本的协方差矩阵；
[0009]S40、创建MLP分类器，用create_class_mlp算子创建MLP分类器,并返回一个句柄用来保存分类器的参数；
[0010]S50、训练MLP分类器，采用BP反向传播算法来训练MLP分类器，得到输入训练模型；
[0011]S60、导入MLP分类器，通过激活函数激活MLP分类器；
[0012]S70、用MLP分类器对目标模型的缺陷种类进行划分，先按步骤S20提取相同的目标特征，然后将目标特征转换成目标特征向量后导入MLP分类器，MLP分类器将目标特征向量与样本特征向量的训练模型进行比对，判定缺陷种类。
[0013]优选的，所述步骤S20中，先读取拍摄有电池的图像，然后分割电池的极耳，根据电池极耳提取特征，特征包括极耳的灰度特征和几何特征，根据极耳的灰度特征和几何特征可以分析出极耳的缺陷种类。
[0014]其中，所述步骤S30中，协方差矩阵公式：
[0015][0016]式中，n代表数据的总体，u
j
和u
k
分别代表特征j和k的均值；
[0017]计算协方差特征值与特征向量之间的关系，选取包含信息最多的特征向量组成子集，且选择特征值大小靠前的k个特征值作为选中的特征值，其对应的特征变量作为构建映射矩阵的特征向量，将选中的k个特征向量构成一个(d,k)维的矩阵W。
[0018]进一步的，所述步骤S40中，所述create_class_mlp包含以下参数：
[0019]输入参数：NumInput用于在训练的过程中确定特征向量的长度；
[0020]NumOutput，用于确定类别的数量；
[0021]OutputFunction，用于描述神经网络的输出单元所使用的函数；
[0022]Preprocessing，用于定义应用于训练特征向量以及后面用于分类和评估的预处理方法；
[0023]NumComponents，用于定义了如果选择减少特征向量位数的预处理方法；
[0024]RandSeed，是MLP分类器被一个随机数初始化后的权重；
[0025]输出参数：MLPHandle，一个句柄用于保存MLP分类器的所有参数。
[0026]优选的，所述步骤S50中，训练MLP分类器包括以下步骤：
[0027]S51、所有边的权重随机分配；
[0028]S52、前向传播：利用训练集中所有样本的输入特征，作为输入层，对于所有训练数据集中的入，人工神经网络都被激活，然后经过前向传播，得到输出值；
[0029]S53、反向传播：利用输出值和样本值计算总误差，再利用反向传播来更新权重；
[0030]S54、重复S52～S53，直到输出误差低于制定的标准；
[0031]上述过程结束后得到一个学习过的MLP网络，所述MLP网络可以接受新输入。
[0032]优选的，所述步骤S60中，所述激活函数为可微函数。
[0033]优选的，所述步骤S70中，所述MLP分类器直接决定类与类之间的分离超平面，而超平层分割开每个类之间的特征向量，落在层一边的特征向量属于类别1，落在另一边则属于类别2。
[0034]进一步的，计算特征向量的线性组合或者来自前一层的结果，每一个处理单元首先计算输入值得线性组合的激励值：
[0035][0036]特征向量；
[0037]L层的结果向量；
[0038]L层的权重；
[0039]然后，结果传入到非线性激活函数：
[0040][0041]对于隐含层单元，激励函数是双曲线正切函数：
[0042][0043]对于输出函数，使用softmax激活函数，它将输出值映射到范围(0,1)中，使它们加起来为1：
[0044][0045]一种电池极耳焊接缺陷的检测设备，包括：
[0046]相机，用于拍摄极耳；
[0047]存储器，用于存储计算机程序；
[0048]处理器，用于执行所述计算机程序以执行以下操作：
[0049]获取相机拍摄的极耳图像；
[0050]对拍摄的极耳图像执行所述计算机程序以实现如权利要求1至7任一项所述的一种基于机器学习检测电池极耳焊接缺陷的方法。
[0051]一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的一种基于机器学习检测电池极耳焊接缺陷的方法。
[0052]与现有技术相比本专利技术具有以下有益效果：
[0053]本专利技术提供的一种基于机器学习检测电池极耳焊接缺陷的方法采用非接触式测量检测极耳的缺陷，相比于传统的检测方法：
[0054]1、无需接触测量，用图像处理的方法可以直接提取极耳的轮廓特征；
[0055]2、用机器学习的方法，可以检测多种缺陷种类；
[0056]3、采取多种特征作以加权的方式作为判断缺陷的依据；
[0057]4、不需要人工干预调整阈值，可以通过分类器建立的数据模型，自动划分类别且准确率高；
[0058]5、学习能力强，可以随时添加样本，优化数据模型；
[0059]6、鲁棒性较强，不易受噪声影响；
[0060]7、并行处理能力强，检测速度快；
[0061]8、机器学习没有复杂的逻辑，操作简便，如果需要检测新的缺陷类型，只需添加新缺陷的样本到数据模型当中。
附图说明
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习检测电池极耳焊接缺陷的方法，其特征在于，包括以下步骤：S10、收集样本并分割极耳，筛选出一部分能代表某几种缺陷的个体作为样本，并从样本上分割出极耳；S20、特征提取，对极耳进行区域特征分析，并提取关于缺陷的灰度信息和几何特征；S30、转换特征向量，将所述几何特征转换成一维向量，并做标准化处理，构造样本的协方差矩阵；S40、创建MLP分类器，用create_class_mlp算子创建MLP分类器,并返回一个句柄用来保存分类器的参数；S50、训练MLP分类器，采用BP反向传播算法来训练MLP分类器，得到输入训练模型；S60、导入MLP分类器，通过激活函数激活MLP分类器；S70、用MLP分类器对目标模型的缺陷种类进行划分，先按步骤S20提取相同的目标特征，然后将目标特征转换成目标特征向量后导入MLP分类器，MLP分类器将目标特征向量与样本特征向量的训练模型进行比对，判定缺陷种类。2.根据权利要求1所述的一种基于机器学习检测电池极耳焊接缺陷的方法，其特征在于，所述步骤S20中，先读取拍摄有电池的图像，然后分割电池的极耳，根据电池极耳提取特征，特征包括极耳的灰度特征和几何特征，根据极耳的灰度特征和几何特征可以分析出极耳的缺陷种类。3.根据权利要求1所述的一种基于机器学习检测电池极耳焊接缺陷的方法，其特征在于，所述步骤S30中，协方差矩阵公式：式中，n代表数据的总体，u
j
和u
k
分别代表特征j和k的均值；计算协方差特征值与特征向量之间的关系，选取包含信息最多的特征向量组成子集，且选择特征值大小靠前的k个特征值作为选中的特征值，其对应的特征变量作为构建映射矩阵的特征向量，将选中的k个特征向量构成一个(d,k)维的矩阵W。4.根据权利要求1所述的一种基于机器学习检测电池极耳焊接缺陷的方法，其特征在于，所述步骤S40中，所述create_class_mlp包含以下参数：输入参数：NumInput用于在训练的过程中确定特征向量的长度；NumOutput，用于确定类别的数量；OutputFunction，用于描述神经网络的输出单元所使用的函数；Preprocessing，用于定义应用于训练特征向量以及后面用于分类和评估的预处理方法；NumComponen...

【专利技术属性】
技术研发人员：路清彦，殷俊，杨一粟，朱涛，
申请(专利权)人：中科芯集成电路有限公司，
类型：发明
国别省市：