基于深度学习的电池模组缺陷检测方法及系统

本发明涉及电池制造质量检测服务，具体而言，涉及一种基于深度学习的电池模组缺陷检测方法及系统。

背景技术：

1、随着新能源产业的快速发展，电池模组作为储能系统的核心组件，其制造质量直接影响终端产品的安全性能与使用寿命。在电池模组的生产制造过程中，表面可能出现划痕、凹坑、鼓包、色差以及焊缝不良等多种外观缺陷，因此在出厂前对电池模组进行全面、高效的外观质量检测具有重要的工业意义。

2、目前，工业生产领域中对电池模组表面缺陷的检测主要依赖于以下几类技术方案：第一类为基于单视角二维图像采集的传统机器视觉检测方法，该方法通过固定工位的工业相机从单一角度获取电池模组表面的平面图像，再利用图像处理算法或浅层分类器进行缺陷识别。然而，由于电池模组通常具有较为复杂的曲面结构和多面体几何形态，单一视角的二维图像仅能反映局部区域的外观信息，难以覆盖模组的全部外表面，且在曲面过渡区域存在严重的信息遮挡与视角失真问题，导致缺陷漏检率较高。第二类为基于多视角图像拼接的检测方案，该方案通过在不同工位部署多个相机从多个方向拍摄，再将各视角图像进行平面拼接以获得较为完整的模组表面信息。但此类方案通常将各视角图像视为独立的平面数据进行处理，未建立不同视角之间的几何关联关系，在曲面区域的拼接精度不足，且拼接后的图像缺乏深度维度信息，无法准确反映缺陷的三维几何形态。第三类为基于三维重建的检测方案，该类方案利用结构光或激光扫描等主动测量手段获取模组表面的点云数据，再通过点云分析进行缺陷识别。然而，此类方案通常需要逐点扫描，检测速度较慢，难以满足高速产线的实时检测需求，且点云数据本身缺乏表面材质纹理信息，在区分表面色差类缺陷与几何类缺陷时存在明显局限性。

技术实现思路

1、有鉴于此，本发明实施例的目的在于提供一种基于深度学习的电池模组缺陷检测方法及系统。

2、依据本发明实施例的一个方面，提供一种基于深度学习的电池模组缺陷检测方法，所述方法包括：

3、通过预设的多角度成像装置获取待检测电池模组的外观图像集合，所述外观图像集合包含从不同成像视角同步采集的多个电池模组表面图像单元，所述多个电池模组表面图像单元中每个电池模组表面图像单元均带有对应成像视角的视角方位标记和采集时序标记；

4、对所述外观图像集合执行视角关联映射处理，将带有不同视角方位标记的电池模组表面图像单元投影至统一的球面映射空间，建立各个电池模组表面图像单元之间的视角关联对应关系，生成所述待检测电池模组在所述球面映射空间中的三维表面表征图像，所述三维表面表征图像包含反映电池模组曲面结构的深度维度信息和反映电池模组表面材质属性的纹理维度信息；

5、调用预设的缺陷区域预分割网络对所述三维表面表征图像进行潜在缺陷区域定位处理，生成包含若干候选缺陷区域的三维候选缺陷区域分布图，所述三维候选缺陷区域分布图中每个候选缺陷区域均具有边界轮廓坐标信息、区域体积参数和区域内部纹理特征向量；

6、基于所述深度维度信息和所述纹理维度信息，对所述三维候选缺陷区域分布图中每个候选缺陷区域进行多维度缺陷特征解析处理，生成每个候选缺陷区域的缺陷类别判定结果和缺陷几何形态参数；

7、依据所述缺陷类别判定结果和所述缺陷几何形态参数，生成所述待检测电池模组的缺陷检测综合报告，并将所述缺陷检测综合报告输出至生产管理终端以触发缺陷品分拣操作。

8、依据本发明实施例的另一方面，提供一种基于深度学习的电池模组缺陷检测系统，包括：处理器、通信接口、存储器和通信总线，其中，所述处理器、通信接口和存储器通过通信总线完成相互间的通信；所述存储器，用于存放计算机程序；所述处理器，用于执行所述计算机程序时，实现以上任意一项所述的基于深度学习的电池模组缺陷检测方法步骤。

9、依据本发明实施例的另一方面，提供一种可读存储介质，该可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行上述的基于深度学习的电池模组缺陷检测方法的步骤。

10、通过以上任意一个方面，通过预设的多角度成像装置同步采集带有视角方位标记和采集时序标记的多个电池模组表面图像单元，在此基础上，通过视角关联映射处理将各视角图像单元投影至统一的球面映射空间，使得电池模组的复杂曲面结构被完整、无畸变地编码为具有深度维度信息的球面表征，同时保留了各视角原始图像中反映表面材质属性的纹理维度信息，从而实现了在单一三维表征空间中同时融合几何深度与表面纹理两类异构信息，克服了现有技术中平面拼接方案丢失深度信息以及点云扫描方案丢失纹理信息的固有缺陷；进而调用缺陷区域预分割网络对该三维表面表征图像进行潜在缺陷区域的初步定位，利用网络对三维空间特征的学习能力在候选缺陷区域层面同时获取边界轮廓坐标信息、区域体积参数和内部纹理特征向量，使得后续的多维度缺陷特征解析能够在具有明确空间范围和丰富特征描述的候选区域上进行，大幅降低了在全局三维空间中进行穷举式缺陷搜索的计算开销并提升了缺陷定位的精确性；最终依据缺陷类别判定结果和缺陷几何形态参数生成综合检测报告并触发分拣操作，能够在高速产线环境下对具有复杂曲面结构的电池模组实现全面覆盖、高精度、高效率且具备三维缺陷形态量化表征能力的自动化缺陷检测，显著提升了电池模组出厂质量管控的技术水平。

11、为使本发明实施例的上述目的、特征和优点能更明显易懂，下面将结合实施例，并配合所附附图，作详细说明。

1.一种基于深度学习的电池模组缺陷检测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于深度学习的电池模组缺陷检测方法，其特征在于，所述对所述外观图像集合执行视角关联映射处理，将带有不同视角方位标记的电池模组表面图像单元投影至统一的球面映射空间，建立各个电池模组表面图像单元之间的视角关联对应关系，生成所述待检测电池模组在所述球面映射空间中的三维表面表征图像，包括：

3.根据权利要求1所述的基于深度学习的电池模组缺陷检测方法，其特征在于，所述调用预设的缺陷区域预分割网络对所述三维表面表征图像进行潜在缺陷区域定位处理，生成包含若干候选缺陷区域的三维候选缺陷区域分布图，包括：

4.根据权利要求1所述的基于深度学习的电池模组缺陷检测方法，其特征在于，所述基于所述深度维度信息和所述纹理维度信息，对所述三维候选缺陷区域分布图中每个候选缺陷区域进行多维度缺陷特征解析处理，生成每个候选缺陷区域的缺陷类别判定结果和缺陷几何形态参数，包括：

5.根据权利要求1所述的基于深度学习的电池模组缺陷检测方法，其特征在于，所述依据所述缺陷类别判定结果和所述缺陷几何形态参数，生成所述待检测电池模组的缺陷检测综合报告，包括：

6.根据权利要求3所述的基于深度学习的电池模组缺陷检测方法，其特征在于，所述方法还包括：

7.根据权利要求1所述的基于深度学习的电池模组缺陷检测方法，其特征在于，所述方法还包括：

8.根据权利要求1所述的基于深度学习的电池模组缺陷检测方法，其特征在于，所述方法还包括：

9.一种基于深度学习的电池模组缺陷检测系统，其特征在于，包括：处理器、通信接口、存储器和通信总线，其中，所述处理器、通信接口和存储器通过通信总线完成相互间的通信；所述存储器，用于存放计算机程序；所述处理器，用于执行所述计算机程序时，实现权利要求1-8中任意一项所述的基于深度学习的电池模组缺陷检测方法步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-8中任意一项所述的基于深度学习的电池模组缺陷检测方法步骤。