统一热线:18020500647

您所在的位置:精质视觉 > 新闻中心>极耳褶皱缺陷的识别

极耳褶皱缺陷的识别

2022-10-28 08:51:13 精质视觉

  在卷绕工序中,容易产生极耳褶皱等缺陷,但是极耳的褶皱对后续的电芯应用会带来严重的安全风险,因此生产过程中的缺陷检测环节必不可少。lDW机器视觉检测设备_CCD视觉检测_外观缺陷检测系统_精质视觉

  目前的主流路线是:在缺陷检测时,使用数字化X射线摄影技术生成极耳的结构影像,然后对影像中的缺陷部分进行筛查。采用机器学习算法构建的AI视觉检测技术,可以大大地提高了褶皱缺陷筛查的准确率和泛化能力。lDW机器视觉检测设备_CCD视觉检测_外观缺陷检测系统_精质视觉

  主要步骤如下:lDW机器视觉检测设备_CCD视觉检测_外观缺陷检测系统_精质视觉

  1.极耳影像的预处理lDW机器视觉检测设备_CCD视觉检测_外观缺陷检测系统_精质视觉

  通过对影像中的极耳位置调整,倾斜校正和极耳图像分割,使得极耳有效位置为同一位置,通过倾斜校正可以减小电池姿态对成像的影像。通过简单的图像分割,可以获得极耳有效区域的图像。lDW机器视觉检测设备_CCD视觉检测_外观缺陷检测系统_精质视觉

  2.扩大数据集的规模,生成数据集将预处理后的图像以中心为圆心,随机旋转,扩展极片图像数量;并用重叠分割方式将极耳图像裁剪成大量的小尺寸子图数据集。以便降低后续卷积神经网络规模,减少计算量和耗时。lDW机器视觉检测设备_CCD视觉检测_外观缺陷检测系统_精质视觉

lDW机器视觉检测设备_CCD视觉检测_外观缺陷检测系统_精质视觉

  3.基于卷积神经网络(CNN)的特征提取通过卷积神经网络的算法,可以对上述数据集中的特征进行提取。可以得到一定尺寸的置信度结果图。4.SVM(支持向量机)图像分类lDW机器视觉检测设备_CCD视觉检测_外观缺陷检测系统_精质视觉

  最后,通过上述卷积神经网络预测输出的置信度结果图作为特征来训练SVM,并以SVM的图像分类作为极耳缺陷的最终检测结果。基于上述CNN和SVM相结合的机器学习算法,该褶皱缺陷检测准确率可以达到99%以上。lDW机器视觉检测设备_CCD视觉检测_外观缺陷检测系统_精质视觉

相关产品