[发明专利]一种电池盒外观检测方法及装置

说明书

本发明公开了一种电池盒外观检测方法及装置，该方法包括：步骤S1，通过采集大量的目标异物图片，使用深度学习算法构建并训练深度神经网络模型；步骤S2，对所构建的深度神经网络模型进行打包，生成可执行文件；步骤S3，构建传统机器视觉框架作为主软件运行，并单独建立新线程调用可执行文件启动运行；步骤S4，在可执行文件启动时创建服务端，将主软件作为客户端与服务端进行连接，以实现传统机器视觉框架与服务端可执行文件间的数据通信；步骤S5，在进行电池盒外观检测时，作为主软件的传统机器视觉框架采集并获取电池盒外观的图像将其发送至服务端，于服务端执行可执行文件获得识别结果，将识别结果返回至传统机器视觉框架予以输出。

技术领域

本发明涉及一种电池盒外观检测方法及装置，特别是涉及一种传统工业视觉与深度学习算法结合的电池盒外观检测方法及装置。

背景技术

现阶段，汽车工业生产领域针对电动汽车电池盒生产过程中的外观检测主要依靠人工目视检查或特定区域特定目标的传统视觉检测，针对随机性较大的异物有无检测，无法做到高效的工件全覆盖及多种、多形态异物的精确判断。此时需在传统工业视觉检测方法中结合深度学习算法。

Python是一种高级编程语言，相比其他语言，其在算法实现等具有较大优势。例如，完成同一任务，C语言需要写1000行代码，C#需要写100行代码，而Python只需要写20行代码，并且Python拥有众多的开源函数库，因此，基于Python的深度学习算法已得到广泛使用。

对于在工业视觉检测方法中结合深度学习算法实现视觉检测，目前常见的方法有基于C#语言开发的视觉软件框架结合基于Python的深度学习算法，其可以使用c++程序调用python文件，然后将其做成动态链接库(dll)，在c#中调用此dll文件。但是该方法运行速度太慢，为实现dll文件的成功调用需配置大量运行环境及依赖项，导致可扩展性不高；而若采用C++语言重新搭建框架则工作量较大。

发明内容

为克服上述现有技术存在的不足，本发明之目的在于提供一种电池盒外观检测方法及装置，通过主软件调用基于Python的深度学习算法的方式，令主软件与基于Python的深度学习算法两个程序单独运行，通过Socket通讯实现基于Python的深度学习算法与主软件的稳定的数据传输，可以将基于Python的深度学习算法融入到现有传统机器视觉检测框架内，实现了通过传统工业视觉与深度学习算法结合对电池盒外观的异物检测的目的，同时省略了C++封装动态链接库的繁琐过程。

为达上述目的，本发明提出一种电池盒外观检测方法，包括如下步骤：

步骤S1，通过采集大量的目标异物图片，使用深度学习算法构建并训练深度神经网络模型，以用于完成视觉识别任务；

步骤S2，对所构建的深度神经网络模型进行打包，生成一个可执行文件；

步骤S3，构建传统机器视觉框架作为主软件运行，并单独建立新线程调用所述可执行文件启动运行；

步骤S4，在所述可执行文件启动时创建服务端，将主软件作为客户端与服务端进行连接，以实现传统机器视觉框架主软件与服务端的可执行文件之间的数据通信；

步骤S5，在进行电池盒外观检测时，作为主软件的传统机器视觉框架采集并获取电池盒外观的图像将其发送至服务端，于服务端执行所述可执行文件获得识别结果，并将识别结果返回至作为主软件的传统机器视觉框架予以输出。

优选地，于步骤S1中，基于Python语言的深度学习算法构建所述深度神经网络模型，并利用所采集的目标异物图片对构建的模型进行训练。

优选地，于步骤S2中，使用Python的第三方库Pyinstaller将所构建的深度神经网络模型如yolov5模型进行打包，最终生成所述可执行文件，以保证证打包后该可执行文件在没有安装软件的环境也能运行。