高精度针孔检测设备
More >>
2022-10-28 08:51:13 谈球吧(中国)
在卷绕工序中☈⊙☉℃℉❅，容易产生极耳褶皱等缺陷①②③④⑤⑥⑦⑧⑨⑩⑪⑫⑬⑭⑮⑯，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웃유ღ♋♂，因此生产过程中的缺陷检测环节必不可少㈠㈡㈢㈣㈤㈥㈦。
目前的主流路线是：在缺陷检测时❋❀⚘☑✓✔√☐☒✗✘ㄨ✕✖✖⋆✢✣，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⒃⒄⒅⒆⒇⒈⒉⒊⒋⒌⒍⒎⒏⒐⒑⒒⒓。采用机器学习算法构建的AI视觉检测技术웃유ღ♋♂，可以大大地提高了褶皱缺陷筛查的准确率和泛化能力♀☿☼☀☁☂☄。
主要步骤如下：
1.极耳影像的预处理
通过对影像中的极耳位置调整✺ϟ☇♤♧♡♢♠♣♥，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웃유ღ♋♂。通过简单的图像分割ⅲⅳⅴⅵⅶⅷⅸⅹⒶⒷⒸⒹ，可以获得极耳有效区域的图像ⅲⅳⅴⅵⅶⅷⅸⅹⒶⒷⒸⒹ。
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㈠㈡㈢㈣㈤㈥㈦，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☧☬☸✡♁✙♆。，、＇：∶；。
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ⅲⅳⅴⅵⅶⅷⅸⅹⒶⒷⒸⒹ，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㈧㈨㈩⑴⑵⑶⑷⑸⑹⑺⑻⑼⑽⑾⑿⒀⒁⒂。4.SVM(支持向量机)图像分类
最后❣❦❧♡۵，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웃유ღ♋♂。
