一种基于深度学习的锂电池电芯顶盖焊缝外观检测算法的制作方法

技术特征：
1.一种基于深度学习的锂电池电芯顶盖焊缝外观检测算法，其特征在于：该算法包括以下步骤：s1：使用图像采集软件获取研究图像，对图像进行处理后，定位焊缝roi(region of interest)，获得缺陷roi；s2：基于点云的缺陷检测，根据不同类型缺陷的物理形态，提出针对性的缺陷检测算法；s3：基于深度学习的检测，对r角不良和针孔缺陷采用深度学习检测；s4：计算缺陷的三维尺寸和曲率，对已经获得的缺陷数据进行复判。2.根据权利要求1所述的一种基于深度学习的锂电池电芯顶盖焊缝外观检测算法，其特征在于：所述s1中图像采集软件采用gocator协议与激光相机通信，同时获取锂电池电芯顶盖焊缝的深度图和灰度图。3.根据权利要求2所述的一种基于深度学习的锂电池电芯顶盖焊缝外观检测算法，其特征在于：所述s1中对图像进行处理时将深度图映射为伪彩图，然后与灰度图线性叠加得到亮度图。4.根据权利要求3所述的一种基于深度学习的锂电池电芯顶盖焊缝外观检测算法，其特征在于：所述s1中采集的图像由相机扫描方式所决定，图像最大深度值所处的位置与电池顶盖焊缝基本成恒定位置关系，通过这一特性，准确的定位焊缝位置以及各种缺陷类型的roi；采用轮廓查找算法，获得电池图像的边界线，计算电池图像最大深度值所在的位置，获得定位轴线，根据凸起、凹坑、偏光、面偏光、翻边、r角不良等各种缺陷的roi与定位轴线的位置关系准确的提取各种缺陷的roi。5.根据权利要求4所述的一种基于深度学习的锂电池电芯顶盖焊缝外观检测算法，其特征在于：所述s2中的不同类型缺陷主要包括凸起和凹坑缺陷、翻边缺陷、偏光缺陷和面偏光缺陷。6.根据权利要求5所述的一种基于深度学习的锂电池电芯顶盖焊缝外观检测算法，其特征在于：所述s2中的针对性的缺陷检测算法在对凸起和凹坑缺陷进行检测时分割凸起和凹坑roi内的点云数据为线性点云，拟合直线，保留超过阈值上下限的点云数据为缺陷点云；在对翻边缺陷进行检测时，以铝壳表面为参考平面，翻边缺陷会在铝壳表面呈现上凸的形态，拟合铝壳平面方程，计算翻边roi内点云到铝壳平面的距离，保留距离超过阈值的点云作为缺陷点云；在对偏光缺陷进行检测时，以正常焊缝为参考基准，沿点云坐标系z轴方向，通过偏光焊缝低于正常焊缝特点，分割偏光roi内的点云数据为线性点云，拟合直线，保留超过阈值的点云数据为缺陷点云；在对面偏光缺陷进行检测时，以顶盖表面为参考基准，沿世界坐标系z轴方向，通过偏光焊缝低于顶盖的特点，分割顶盖面点云为线性点云，拟合直线，计算面偏光roi内的点云到直线的距离值，保留超过阈值的点云数据为缺陷点云，算法所获得的缺陷点云，是以个体为单位的离散点，采用基于欧式距离的点云分割算法，把点间距在阈值范围内的点云放在同一个集合内，形成缺陷点集。7.根据权利要求6所述的一种基于深度学习的锂电池电芯顶盖焊缝外观检测算法，其特征在于：所述s3中在对r角不良和针孔缺陷进行深度学习时，融合电池深度图和灰度图为rbg三波段的彩色图像，对初始融合图进行带有重叠率的多次切分，作为训练的和推理单元，在模型训练阶段，基于融合后的彩色图像单元训练改进的yolo目标检测网络模型，在模
型推理阶段，同样采用基于切分子图进行推理，所有切分子图推理完毕后进行合并，最终可以准确的提取电池缺陷及其所在的位置。8.根据权利要求7所述的一种基于深度学习的锂电池电芯顶盖焊缝外观检测算法，其特征在于：所述s4对s2-3中所获取的焊缝缺陷点集进行再次复检，计算缺陷点集的空间包围盒近似为缺陷点集的长、宽、高，计算缺陷点集的投影面，计算缺陷点集每个点的曲率值，求和再取平均值，定义为缺陷点集的曲率值，根据项目规格书以及现场经验值设置长、宽、高、面积、曲率的阈值，若计算所获得的点云缺陷点集的长、宽、高、面积、曲率值同时高于阈值，那么则认为电池存在这种缺陷，反之，则不存在该种缺陷。

技术总结
本发明属于机器视觉领域，具体的说是一种基于深度学习的锂电池电芯顶盖焊缝外观检测算法，该算法包括以下步骤：使用图像采集软件获取研究图像，对图像进行处理后，定位焊缝ROI(region of interest)，获得缺陷ROI；基于点云的缺陷检测，根据不同类型缺陷的物理形态，提出针对性的缺陷检测算法；基于深度学习的检测，对R角不良和针孔缺陷采用深度学习检测；计算缺陷的三维尺寸和曲率，对已经获得的缺陷数据进行复判；通过算法的作用提高了对焊缝进行检测的效率和准确率，真正实现缺陷检测无人化，降低由于目检人员的主观意识导致的缺陷过漏杀，大幅度降低了人工成本，进而提高了企业的利润。的利润。的利润。


技术研发人员：陈文贤 江发华
受保护的技术使用者：厦门微亚智能科技有限公司
技术研发日：2021.10.08
技术公布日：2022/2/28