[发明专利]基于深度学习语义分割的新能源电池焊接缺陷检测方法

说明书

本发明提供了一种基于深度学习语义分割的新能源电池焊接缺陷检测方法，包括步骤：S100现场实时采集新能源电池焊接的焊接图片；S200对焊接图片进行预处理；S300将预处理后的焊接图片输入基于深度学习的语义分割模型中进行缺陷判断，输出缺陷判断结果。本发明提出的基于深度学习的语义分割网络的新能源电池焊接缺陷检测方法可以将生产现场采集来的图片数据经预处理后直接送入模型中进行判决而无需人工干预，相比较于传统人工筛选以及后来的基于机器视觉的缺陷检测方法，减少了大量人力，且其缺陷检测速率和精度都大大提高，性能更加优越，同时，该算法能够做到零漏检率。

技术领域

本发明涉及新能源电池焊接缺陷检测技术领域，特别涉及一种基于深度学习语义分割的新能源电池焊接缺陷检测方法。

背景技术

目前，新能源电池已广泛应用于汽车、航空航天、飞机和电气设备的各个部分。工业进入4.0时代以来，一个大趋势是越来越多的机器人逐渐取代了人，这可以大大提高生产效率。然而，缺点是在自动焊接过程中，没有人为智能地来控制或停止焊接缺陷。此外，由于焊接过程的复杂性和随机性，安全阀表面的塌陷、孔洞、焊接不完整等缺陷通常是不可避免的。这些缺陷不仅影响电池的外观和性能，而且存在电池泄漏或电池爆炸等安全隐患。因此，保证新能源电池整个制造工艺链的实时监测和缺陷检测具有重要意义。但在大规模质量控制过程中，焊接缺陷仍由人工反复检测，具有主观性强、精度有限、效率低的缺点。因此，人们对自动焊接缺陷检测系统的需求十分迫切。本发明通过基于深度学习的语义分割方法，能够高效精确地检测出缺陷的类别、位置和形状的几何信息。此外，这种方法将有助于评估产品质量和优化生产过程，以减少缺陷产品的数量，适合投入工业市场使用。

专利号CN107093175B提出了利用图像分割的方法对动力电池缺陷进行检测。

传统的计算机视觉算法需要对参数选择进行工程判断，或者使用传统的基于图像处理算法和统计机器学习模型的方法对手工制作的特征进行调整，以提供精度上的优势。随着工业4.0范式的发展，生产线的推广，需要快速适应新产品，这限制了传统计算机视觉算法的通用性。设计不同的特性以适应不同的工件需要很长的开发周期和专家经验，这对于工业应用是难以接受的。而基于深度学习的图像分类算法和目标检测算法，虽然它们对缺陷的类别进行了很好的分类，并且可以适应不同的产品，但要覆盖同一图像中不同焊接缺陷类型的多次出现仍然具有挑战性。此外，这两种方法都不采用像素级的缺陷检测，除非与后处理算法相结合，否则它们不能计算缺陷的面积。

发明内容

为了解决上述技术问题，本发明提供了一种基于深度学习语义分割的新能源电池焊接缺陷检测方法，包括以下步骤：

S100现场实时采集新能源电池焊接的焊接图片；

S200对焊接图片进行预处理；

S300将预处理后的焊接图片输入基于深度学习的语义分割模型中进行缺陷判断，输出缺陷判断结果。

可选的，在S300步骤中，所述语义分割模型通过以下方式构建：

S310获取训练集、验证集和测试集，所述训练集、验证集和测试集由新能源电池焊接的合格样本图片和标注缺陷类型后的缺陷样本图片随机按比例分成得到；

S320构建语义分割神经网络，并将训练集的缺陷样本图片输入语义分割神经网络进行数据训练，在每轮训练结束后，将验证集的缺陷样本图片输入语义分割神经网络进行验证，通过性能评判指标保存一组训练得到的最佳模型参数；

S330将测试集的缺陷样本图片输入训练后的语义分割神经网络，输出分割结果；若结果与测试集的缺陷样本标注不相符则重新清洗出的合格样本图片和缺陷样本图片，进行缺陷样本图片的缺陷类型标注，分配训练集、验证集和测试集用于语义分割神经网络的数据训练；若结果与测试集的缺陷样本标注相符，即以该训练后的语义分割神经网络作为语义分割模型。