-
公开(公告)号:CN111815572A
公开(公告)日:2020-10-23
申请号:CN202010551312.7
申请日:2020-06-17
申请人: 深圳市大德激光技术有限公司 , 深圳大学
摘要: 本发明提供了一种基于卷积神经网络对锂电池焊接质量的检测方法,包括:采集锂电池相关的源样本,对源样本进行分类;将卷积神经网络模型在预设数据集里进行预训练,获得预训练模型,且基于实际的分类样本数据集对预训练模型进行再次训练处理,获得最终模型;保存所述最终模型,并输入焊接样本进行在线检测,预测所述焊接样本的分类类型。通过采集训练样本,训练基于预训练的卷积神经网络的焊接质量分类器,使其能快速准确地分类不同种类的焊接缺陷类型,能有效解决当前分类技术中需要提前人工提取特征,准确性较低等问题。
-
公开(公告)号:CN112184686A
公开(公告)日:2021-01-05
申请号:CN202011077305.4
申请日:2020-10-10
申请人: 深圳大学 , 深圳市大德激光技术有限公司
摘要: 本发明涉及数字图像处理和识别技术领域,具体为一种用于检测动力电池安全阀激光焊接缺陷的分割算法,包括如下步骤:通过AOI系统获取动力电池安全阀焊接缺陷数据集;通过注意力机制和多尺度对网络结构进行优化,获得多尺度注意力网络;以改进的Res2Net作为下采样过程中特征提取子模块,利用不同扩充率的空洞卷积来获得不同的感受野;通过定位模块与边缘抗锯齿模块,获取模型的分割结果;将训练好的模型进行保存参数,实时的对输入的焊接样本进行检测,预测样本是否含有缺陷。本发明以改进的Res2Net作为特征提取子模块,无需人工提取特征,训练和检测速度更快,准确率更高,并且模型参数以及计算复杂度更小。
-
公开(公告)号:CN112215834B
公开(公告)日:2022-04-01
申请号:CN202011139458.7
申请日:2020-10-22
申请人: 深圳大学 , 深圳市大德激光技术有限公司
摘要: 本发明提供一种基于卷积神经网络的动力电池焊接质量检测方法及系统,其中,方法包括:构建初始卷积神经网络模型;获取第一样本数据,将第一样本数据按预设比例随机分为第一数量的训练集、第二数量的验证集和第三数量的测试集;基于训练集、验证集合测试集对初始卷积神经网络模型进行训练,获得检测模型;将待测试图像输入检测模型,获取第一检测结果。本发明的基于卷积神经网络的动力电池焊接质量检测方法,基于计算机视觉的检测方法来自动检测激光焊接缺陷,具有稳定高效的特点,可以从根本上避免人为因素导致的检测错误。
-
公开(公告)号:CN112184686B
公开(公告)日:2022-08-23
申请号:CN202011077305.4
申请日:2020-10-10
申请人: 深圳大学 , 深圳市大德激光技术有限公司
摘要: 本发明涉及数字图像处理和识别技术领域,具体为一种用于检测动力电池安全阀激光焊接缺陷的分割算法,包括如下步骤:通过AOI系统获取动力电池安全阀焊接缺陷数据集;通过注意力机制和多尺度对网络结构进行优化,获得多尺度注意力网络;以改进的Res2Net作为下采样过程中特征提取子模块,利用不同扩充率的空洞卷积来获得不同的感受野;通过定位模块与边缘抗锯齿模块,获取模型的分割结果;将训练好的模型进行保存参数,实时的对输入的焊接样本进行检测,预测样本是否含有缺陷。本发明以改进的Res2Net作为特征提取子模块,无需人工提取特征,训练和检测速度更快,准确率更高,并且模型参数以及计算复杂度更小。
-
公开(公告)号:CN111815572B
公开(公告)日:2022-03-08
申请号:CN202010551312.7
申请日:2020-06-17
申请人: 深圳市大德激光技术有限公司 , 深圳大学
IPC分类号: G06T7/00 , G06V10/764 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/08 , G06N3/04
摘要: 本发明提供了一种基于卷积神经网络对锂电池焊接质量的检测方法,包括:采集锂电池相关的源样本,对源样本进行分类;将卷积神经网络模型在预设数据集里进行预训练,获得预训练模型,且基于实际的分类样本数据集对预训练模型进行再次训练处理,获得最终模型;保存所述最终模型,并输入焊接样本进行在线检测,预测所述焊接样本的分类类型。通过采集训练样本,训练基于预训练的卷积神经网络的焊接质量分类器,使其能快速准确地分类不同种类的焊接缺陷类型,能有效解决当前分类技术中需要提前人工提取特征,准确性较低等问题。
-
公开(公告)号:CN112215834A
公开(公告)日:2021-01-12
申请号:CN202011139458.7
申请日:2020-10-22
申请人: 深圳大学 , 深圳市大德激光技术有限公司
摘要: 本发明提供一种基于卷积神经网络的动力电池焊接质量检测方法及系统,其中,方法包括:构建初始卷积神经网络模型;获取第一样本数据,将第一样本数据按预设比例随机分为第一数量的训练集、第二数量的验证集和第三数量的测试集;基于训练集、验证集合测试集对初始卷积神经网络模型进行训练,获得检测模型;将待测试图像输入检测模型,获取第一检测结果。本发明的基于卷积神经网络的动力电池焊接质量检测方法,基于计算机视觉的检测方法来自动检测激光焊接缺陷,具有稳定高效的特点,可以从根本上避免人为因素导致的检测错误。
-
-
-
-
-