一种锂电池Mylar膜缺陷检测方法与流程

一种锂电池mylar膜缺陷检测方法
技术领域
1.本发明涉及材料检测领域，尤其是涉及一种锂电池mylar膜缺陷检测方法。


背景技术：

2.近几年，中国新能源汽车行业迅猛发展，推动电池技术在工业领域的创新和应用，锂电池便是当下新能源汽车主要使用的电池类型。生产过程中，裸电芯在塞入铝壳前，需要包覆一层mylar膜以避免铝壳对裸电芯造成损伤。因此在电池入壳前，对包覆在电池上的mylar膜进行缺陷检测具有必要性。
3.专利cn213989009u（一种方形锂电池mylar膜及锂电池）公开了一种方形锂电池mylar膜的结构设计方法，实现了mylar膜对电芯的全包裹保护，改善了现有热熔粘接mylar膜脱落造成的极耳与铝壳接触的短路风险。
4.专利cn213660510u（一种二次电池mylar膜结构及电芯）公开了一种二次电池mylar膜结构及电芯，包括矩形结构的mylar膜，起到减少电芯的制造工序，降低成本、保证电芯安全性的作用。
5.专利cn209418561u（用于锂电池的mylar膜结构、锂电池组装结构及锂电池）提供一种用于锂电池的mylar膜结构、锂电池组装结构和锂电池，起到对电芯的良好保护作用。
6.综上，现阶段的工业领域仅有对mylar膜结构设计的探讨。mylar膜包覆电池过程中，如果mylar膜本身存在缺陷或因生产设备的设备原因造成mylar膜破损，当电芯塞入铝壳时存在电芯破损的隐患。因此针对mylar膜包覆后的缺陷检测同样具有研究意义，本发明提出一种mylar膜缺陷检测的系统性解决方案。


技术实现要素：

7.本发明是为了克服现有技术中mylar膜包覆电池过程中因本身存在缺陷或因生产设备的设备原因造成mylar膜破损，造成电芯破损隐患的问题，提供一种mylar膜缺陷检测方法。
8.一种锂电池m聋哑人膜缺陷检测方法，包括单体区域设定后的检测流程和mylar膜缺陷检测流程。
9.其中，作为优选，单体区域检测流程包括以下步骤：步骤sa1：接收单体区域检测方法过程数据；步骤sa2：根据过程数据设置检测区域m；步骤sa3：根据过程数据设定检测参数n；步骤sa4：通过检测参数，通过缺陷区域分割方法进行缺陷区域分割；步骤sa5：根据分割后的缺陷区域数据进行缺陷判定标准设定。
10.通过对单体区域进行流程检测，通过多个监测区域进行检测，每个监测区域设置不同的检测参数进行缺陷分割，降低因mylar膜的缺陷导致锂电池在生产过程中电芯受损的可能性。
11.作为优选，缺陷区域分割方法包括：方法1：固定阈值分割方法；方法2：动态阈值分割方法；方法3：应用深度学习方法。
12.固定阈值分割方法分割灰度变化差异缺陷，动态阈值分割方法分割点状型缺陷，应用深度学习方法分割固定阈值分割方法和动态阈值分割方法无法解决的缺陷类型；对mylar膜的缺陷区域进行分割，深度学习的应用弥补了传统图像算法对特征不明显的缺陷区域分割，使得检测能力大大提升。
13.其中，深度学习包括以下内容：步骤sc1：采集mylar膜设计的各项相关信息，信息包括膜表面平整性、透明度和机械柔软性，用于训练深度学习的神经网络；步骤sc2：计算mylar膜设计的各项参数设置的约束条件，以mylar膜使用过程不会因为本身存在缺陷或因生产设备的设备原因造成mylar膜破损，当电芯塞入铝壳时存在电芯破损的隐患为目标，确定各项参数设置的约束条件以及未满足条件下的损失状况；步骤sc3：利用步骤sc2所提供的数据及使用模型，建立mylar膜使用过程产生缺陷的参数模型；步骤sc4：根据深度学习完成的及其学习神经网络算法对mylar膜缺陷参数进行验证，以获得缺陷参数监测的精确数据阈值，并排除非缺陷状态下的数据异常，同时记录特征不明显的缺陷区域分割并进行特征存储。
14.作为优选，mylar膜缺陷检测流程包括：步骤sb1：设定图像监测区域n；步骤sb2：设定区域n的检测参数；步骤sb3：根据设定的检测参数对区域n进行缺陷分割以得到连通域；步骤sb4：设定区域n单体缺陷检测标准；步骤sb5：判定区域n分割后的连通域是否符合检出标准，若符合则判定mylar膜质量ng并退出流程；若不符合，则对剩余检测区域重复步骤1-5并设置对应的参数；步骤sb6：将各区域获得连通域并进行合并处理；步骤sb7：设定密集型缺陷的检出条件，并进行聚类分析；步骤sb8：若符合检出条件则视为mylar膜质量ng；若不符合则视为mylar膜质量缺陷；其中，n为自然数，n=1,2,3，
…
n。
15.根据mylar膜各部分设置特定的检测区域和检测参数，减少在实际检测过程中打光方式对图像的影响，方法更为灵活，相对于传统的mylar膜监测方法使得监测效率大大提高。
16.作为优选，步骤sb5包括：步骤sb51：每个检测区域检测完成后，对得到的连通域进行blob分析，获取检测区域各项数据，并与对应区域所设定的区域检出参数做对比；步骤sb52：若有一个检测区域满足判定条件，则视为存在单体缺陷；反之，若所有区域检测完成后均不满足单个检测缺陷的判定条件，则将所有检测区域得到的连通域合
并，进行依次聚类分析判定，若符合缺陷判定条件视为存在密集型缺陷类型，若不存在则视为mylar膜质量合格。
17.作为优选，检测区域各项数据包括被检测目标的高度、宽度、面积、圆度和长宽比。
18.通过各项被检测目标数据作为深度学习方法的参数对照参数，减少在实际检测过程中打光方式对图像的影响，方法更为灵活，相对于传统的mylar膜监测方法使得监测效率大大提高。
19.因此，本发明具有如下有益效果：可以根据mylar膜各部分设置特定的检测区域和检测参数，减少在实际检测过程中打光方式对图像的影响；通过三种分割方法，对mylar膜的缺陷区域进行分割，深度学习配合神经网络方法应用弥补了传统图像算法对特征不明显区域分割，整体检测能力大幅度提升，提高检测工作的效率；方法灵活，若后续开发出更好的检测算法，可以通过深度学习方法作为新的分割方法引入，方便算法迭代。
附图说明
20.图1是本发明mylar膜单体区域设定后的检测流程图；图2是本发明mylar膜缺陷检测整体流程图。
具体实施方式
21.下面结合附图与具体实施方式，对本发明作进一步具体的描述。
22.本发明提供一种锂电池m聋哑人膜缺陷检测方法，包括单体区域设定后的检测流程和mylar膜缺陷检测流程。
23.如图1所示，作为优选，单体区域检测流程包括以下步骤：步骤sa1：接收单体区域检测方法过程数据；步骤sa2：根据过程数据设置检测区域m；步骤sa3：根据过程数据设定检测参数n；步骤sa4：通过检测参数，通过缺陷区域分割方法进行缺陷区域分割；步骤sa5：根据分割后的缺陷区域数据进行缺陷判定标准设定。
24.通过对单体区域进行流程检测，通过多个监测区域进行检测，每个监测区域设置不同的检测参数进行缺陷分割，降低因mylar膜的缺陷导致锂电池在生产过程中电芯受损的可能性。
25.其中，缺陷区域分割方法包括：方法1：固定阈值分割方法；方法2：动态阈值分割方法；方法3：应用深度学习方法。
26.固定阈值分割方法分割灰度变化差异缺陷，动态阈值分割方法分割点状型缺陷，应用深度学习方法分割固定阈值分割方法和动态阈值分割方法无法解决的缺陷类型；对mylar膜的缺陷区域进行分割，深度学习的应用弥补了传统图像算法对特征不明显的缺陷
区域分割，使得检测能力大大提升。
27.其中，深度学习包括以下内容：步骤sc1：采集mylar膜设计的各项相关信息，信息包括膜表面平整性、透明度和机械柔软性，用于训练深度学习的神经网络；步骤sc2：计算mylar膜设计的各项参数设置的约束条件，以mylar膜使用过程不会因为本身存在缺陷或因生产设备的设备原因造成mylar膜破损，当电芯塞入铝壳时存在电芯破损的隐患为目标，确定各项参数设置的约束条件以及未满足条件下的损失状况；步骤sc3：利用步骤sc2所提供的数据及使用模型，建立mylar膜使用过程产生缺陷的参数模型；步骤sc4：根据深度学习完成的及其学习神经网络算法对mylar膜缺陷参数进行验证，以获得缺陷参数监测的精确数据阈值，并排除非缺陷状态下的数据异常，同时记录特征不明显的缺陷区域分割并进行特征存储。
28.同时，在经过一段时间的深度学习神经网络训练过后，应能对初步进行分割检测的mylar膜进行预测模型训练，包括以下步骤：步骤sd1：初始条件设定单元，用于确定影响因子的内容和数量，确定输出层变量个数，设定时间尺度等初始条件，用于将初始参数输入训练模型，进行mylar膜各项机械指标缺陷参数的预测；步骤sd2：训练条件确认单元，用于设定目标函数和约束条件，确定训练结束条件和模型训练的目标要求；步骤sd3：预测模型输出单元，用于实现训练结果满足训练目标要求时结束训练，输出mylar膜缺陷检测训练设计模型；步骤sd4：重新训练单元，用于实现结果不满足训练目标要求，则调整参数变量重新训练，直至满足训练目标要求，若多次仍不能达到要求，则返回预测模型构建模块进行重新设计。
29.如图2所示，mylar膜缺陷检测流程包括：步骤sb1：设定图像监测区域n；步骤sb2：设定区域n的检测参数；步骤sb3：根据设定的检测参数对区域n进行缺陷分割以得到连通域；步骤sb4：设定区域n单体缺陷检测标准；步骤sb5：判定区域n分割后的连通域是否符合检出标准，若符合则判定mylar膜质量ng并退出流程；若不符合，则对剩余检测区域重复步骤1-5并设置对应的参数；步骤sb6：将各区域获得连通域并进行合并处理；步骤sb7：设定密集型缺陷的检出条件，并进行聚类分析；步骤sb8：若符合检出条件则视为mylar膜质量ng；若不符合则视为mylar膜质量缺陷；其中，n为自然数，n=1,2,3，
…
n。
30.根据mylar膜各部分设置特定的检测区域和检测参数，减少在实际检测过程中打光方式对图像的影响，方法更为灵活，相对于传统的mylar膜监测方法使得监测效率大大提高。
31.其中，步骤sb5包括：步骤sb51：每个检测区域检测完成后，对得到的连通域进行blob分析，获取检测区域各项数据，并与对应区域所设定的区域检出参数做对比；步骤sb52：若有一个检测区域满足判定条件，则视为存在单体缺陷；反之，若所有区域检测完成后均不满足单个检测缺陷的判定条件，则将所有检测区域得到的连通域合并，进行依次聚类分析判定，若符合缺陷判定条件视为存在密集型缺陷类型，若不存在则视为mylar膜质量合格。
32.检测区域各项数据包括被检测目标的高度、宽度、面积、圆度和长宽比。
33.通过各项被检测目标数据作为深度学习方法的参数对照参数，减少在实际检测过程中打光方式对图像的影响，方法更为灵活，相对于传统的mylar膜监测方法使得监测效率大大提高。
34.以上依据图式所示的实施例详细说明了本发明的构造、特征及作用效果，但以上仅为本发明的较佳实施例，需要言明的是，上述实施例及其优选方式所涉及的技术特征，本领域技术人员可以在不脱离、不改变本发明的设计思路以及技术效果的前提下，合理地组合搭配成多种等效方案；因此，本发明不以图面所示限定实施范围，凡是依照本发明的构想所作的改变，或修改为等同变化的等效实施例，仍未超出说明书与图示所涵盖的精神时，均应在本发明的保护范围内。