[发明专利]一种基于深度学习的高精度实时电池点焊质量检测方法

说明书

一种基于深度学习的高精度实时电池点焊质量检测方法，属于数字图像处理技术和人工智能技术。本发明方法综合了传统数字图像处理技术和人工智能深度学习技术，实现了工业生产中电池点焊质量的自动检测的功能。本发明的方法在进行电池的焊盘和焊点的提取过程中，采用了基于深度学习的方法，这样避免了基于传统图像特征的方法中准确度低，待调节参数多等问题，提高了工业生产的效率；同时本发明中的方法采用基于传统数字图像处理技术实现了图像亮度检测、图像中电池存在性检测、电池焊点点穿检测、电池极耳过高检测、电池焊盘放置倾斜角度检测等多种功能，解决了实际工业生产过程中，电池点焊质量检测自动化和智能化的需求。

技术领域

本发明涉及工业生产自动化智能化领域，特别涉及一种基于深度学习的高精度实时电池点焊质量检测方法。

背景技术

随着产业结构的升级和人力资源成本的不断提高，工业自动化和智能化已成为了发展的趋势。随着计算机视觉技术的发展和相机的发展，为了减少人工质量检测中由于疲劳等其他因素带来的损失和提高质量检测的效率，工业质量检测环节越来越多的由机器视觉技术取代人类。在点焊质量检测环节中，最关键的部分就是提取焊点。现有的焊点提取方法可以分为，基于传统图像处理的方法和基于浅度学习的方法。

在基于传统图像处理的提取焊点的方法中，借助一系列边缘提取方法和一系列图像滤波方法，将焊点的边缘从图像中提取出来，然后通过圆检测的方法得到圆的位置和大小，从而实现焊点的提取。但是，该类方法由于只借助了轮廓信息，所以在出现褶皱或者假焊点(与真焊点外形相似的图像干扰物)的情况下，会出现误检测较多的现象；同时，由于包含了边缘提取、图像滤波和圆检测等方法，导致这类方法包含过多的待调节参数，在工业生产过程中外部环境稍有变化，就需要进行参数的调整，给工业生产带来了极大的挑战。

在基于浅度学习的方法中，先将图像分割成许多的小图像，然后按照标注的焊点位置将小图像分成正负两种样本，最后训练一个浅度学习分类器可以将正负两种样本分开。在测试过程中，也先将图像分割成许多个小图像，然后通过训练好的分类器将小图像分为正负两种样本，最后取出正样本视为焊点，从而完成焊点提取的过程。这种方法虽然能够实现焊点的提取，但是该类方法在测试的时候由于将图片分割成许多小图像，然后逐一进行分类，所以导致方法的耗时过长，不能满足工业生产实时性的要求；同时，在分割精度不够高的情况下，会导致找到的焊点位置出现偏差，为后续检测带来了困难。

本发明中，采用基于深度学习的方法实现焊点提取，通过建立深度学习中的神经网络将焊点从图像中分割出来，这种方法速度快，准确度高，满足工业生产的要求。

此外，点焊质量检测中另一个重要的部分就是对其他点焊错误类型进行检测。在这个部分中，大多数的方法都使用同一张彩色图片完成焊点提取和其他点焊错误类型的检测，而本发明中，通过额外采集电池的背光图，在背光图中进行其他点焊错误类型的检测，大大简化了检测的难度，提高的检测的准确度。

本发明所述的一种基于深度学习的高精度实时电池点焊质量检测方法，既采用深度学习方法来提取电池的焊盘和焊点，避免了其他方法中准确度低、待调节参数多等问题，提高了工业生产的效率；又采用基于传统数字图像处理技术实现了检测图像亮度、检测图像中电池存在性、检测电池焊点点穿、检测电池极耳过高、检测电池焊盘放置倾斜角度等多种功能，解决了实际工业生产过程中，电池点焊质量检测自动化和智能化的需求。

发明内容