[发明专利]一种基于深度学习的正弦焊检测方法

说明书

本发明涉及深度学习技术领域，具体公开了一种基于深度学习的正弦焊检测方法，包括以下步骤：通过视觉检测相机及同轴光源对电池定位模组上待检测电池进行拍照，获得待检测图像；通过形态学方法，从待检测图像中获得待检测区域图像；提取待检测区域图像中的候选区域，将每个候选区域固定为同一尺寸大小并输入CNN模型中，得到特征向量；将特征向量输入到多类别分类器中，预测出候选区域中所含物体属于每个类的概率值，通过概率值判断是否符合正弦焊的一类特征；本发明能够对正弦波形的焊点进行自动检测，降低背景误判率，具有高精度、高稳定性和高效率的特点，满足自动化生产的要求。

技术领域

本发明涉及深度学习技术领域，尤其涉及一种基于深度学习的正弦焊检测方法。

背景技术

在电池生产过程中，需要将电池的极耳与保护板焊接成一体，以保证电池的使用性能，因此，焊接的质量好坏对电池性能起到很大影响，可见，焊接作业是电池生产过程中的一道重要工序。

在传统的焊接工艺中，多采用激光点的焊接方式，然而在焊接技术发展过程中，实际应用中测试出正弦波形的焊点比圆点形状的焊点拉拔力更好，效果更稳定。因此，在目前的焊接工艺中，逐渐出现以正弦波形的焊点来取代圆点形状的焊点的发展趋势。

但是，极耳的褶皱、变形以及焊渣等因素对正弦波形的检测有很大的影响，对视觉检测的要求非常高。用传统的深度学习方法很难处理遮挡问题，同时存在物体方向改变不易检测以及检测时间长等缺陷。

因此，现有技术中的检测方法很难稳定的检测正弦波的波形、长度、连续性、焊炸等特征，无法满足自动化生产的要求。

发明内容

针对上述技术问题，本发明提供了一种基于深度学习的正弦焊检测方法，能够对正弦波形的焊点进行自动检测，降低背景误判率，具有高精度、高稳定性和高效率的特点，满足自动化生产的要求。

为了解决上述技术问题，本发明提供的具体方案如下：

一种基于深度学习的正弦焊检测方法，包括以下步骤：

通过视觉检测相机及同轴光源对电池定位模组上待检测电池进行拍照，获得待检测图像；

通过形态学方法，从待检测图像中获得待检测区域图像；

提取待检测区域图像中的候选区域，将每个候选区域固定为同一尺寸大小并输入CNN模型中，得到特征向量；

将特征向量输入到多类别分类器中，预测出候选区域中所含物体属于每个类的概率值，通过概率值判断是否符合正弦焊的一类特征。

可选的，所述获得待检测图像，具体包括以下步骤：

根据电池定位模组上的电池个数和视觉检测相机的焦距决定拍照的次数，若多次拍照，需将多次拍照的图像拼接成一张图像，实现一次性检测，提高检测效率。

可选的，所述通过形态学方法，从待检测图像中获得待检测区域图像，具体包括以下步骤：

通过形态学的开运算和闭运算确定极耳焊盘区域图像，所述极耳焊盘区域图像为待检测区域图像，减少检测范围，提升检测速度。

可选的，所述提取待检测区域图像中的候选区域，具体包括以下步骤：

利用selective search算法在待检测区域图像中提取1000-2000个候选区域。

selective search算法是自底向上的分组方法，先找出图像中的相邻区域，然后定义一个领域相似度的计算规则，使用这些计算规则一直合并相似度较高的区域并且更新，直到覆盖至整张图像。

可选的，所述将每个候选区域固定为同一尺寸大小并输入CNN模型中，具体包括以下步骤：