高精度針孔檢測設(shè)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(yīng)用會帶來嚴(yán)重的安全風(fēng)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(xué)習(xí)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(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(yù)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(luò)規(guī)模，減少計算量和耗時。
3.基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的特征提取通過卷積神經(jīng)網(wǎng)絡(luò)的算法，可以對上述數(shù)據(jù)集中的特征進行提取。可以得到一定尺寸的置信度結(jié)果圖。4.SVM(支持向量機)圖像分類
最后，通過上述卷積神經(jīng)網(wǎng)絡(luò)預(yù)測輸出的置信度結(jié)果圖作為特征來訓(xùn)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(xué)習(xí)算法，該褶皺缺陷檢測準(zhǔn)確率可以達到99%以上。
