本發(fā)明涉及鋰電池電芯檢測，更具體地說，本發(fā)明涉及一種鋰電芯全自動(dòng)在線無損檢測方法。

背景技術(shù)：

1、鋰電池作為一種高能量密度、長壽命、環(huán)保的電源，在電動(dòng)汽車、消費(fèi)電子、儲(chǔ)能等領(lǐng)域得到廣泛應(yīng)用。隨著鋰電池產(chǎn)業(yè)的快速發(fā)展，對鋰電池的質(zhì)量和安全性要求越來越高。鋰電池的質(zhì)量直接影響到電子產(chǎn)品的性能和安全，因此對鋰電池進(jìn)行全面、準(zhǔn)確的質(zhì)量檢測至關(guān)重要。

2、傳統(tǒng)的鋰電池檢測方法主要包括外觀檢查、電性能測試、x射線檢測等。外觀檢查主要依靠人工目視，效率低下且容易出現(xiàn)漏檢；電性能測試雖然可以檢測電池的容量、內(nèi)阻等參數(shù)，但無法發(fā)現(xiàn)電池內(nèi)部的結(jié)構(gòu)缺陷。近年來，隨著計(jì)算機(jī)視覺和人工智能技術(shù)的發(fā)展，基于圖像處理和深度學(xué)習(xí)的電池檢測方法逐漸興起。這些方法通過對x射線圖像進(jìn)行智能分析，可以自動(dòng)識(shí)別電池內(nèi)部的各種缺陷。

3、然而，現(xiàn)有技術(shù)仍存在一些局限性。首先，在使用x射線掃描過程中可能出現(xiàn)單次掃描能量不足或臨時(shí)的材料波動(dòng)，導(dǎo)致圖像中呈現(xiàn)出電芯異常的特征，但實(shí)際上電芯并無異常。這種情況容易引起誤判，降低檢測的準(zhǔn)確性。其次，現(xiàn)有技術(shù)通常通過對所有圖像進(jìn)行處理來對整個(gè)電芯進(jìn)行建模，然后再識(shí)別異常的原因。這種方法存在一個(gè)問題：當(dāng)異常特征在整體中占比較少時(shí)，可能會(huì)導(dǎo)致原因分析不準(zhǔn)確。這是因?yàn)楫惓Ｌ卣骺赡鼙淮罅空?shù)據(jù)所掩蓋，使得分析結(jié)果偏離實(shí)際情況。

技術(shù)實(shí)現(xiàn)思路

1、為了克服現(xiàn)有技術(shù)容易誤判的問題，本發(fā)明提出了一種鋰電芯全自動(dòng)在線無損檢測方法，用于解決上述問題。

2、本發(fā)明提供如下技術(shù)方案：

3、一種鋰電芯全自動(dòng)在線無損檢測方法，包括：

4、使用射線設(shè)備對電芯進(jìn)行逐層掃描，獲得對應(yīng)的橫截面圖像，并按照掃描順序?qū)M截面圖像按序編號(hào)；

5、獲取電芯的型號(hào)，根據(jù)電芯的型號(hào)獲取相應(yīng)的參考截面圖；

6、使用電芯的參考截面圖與所有橫截面圖像進(jìn)行差異分析，根據(jù)差異分析結(jié)果，將存在差異的橫截面圖像標(biāo)記為可疑；

7、從所有標(biāo)記為可疑的橫截面圖像中，根據(jù)橫截面圖像的編號(hào)順序，選取橫截面圖像組成若干可疑圖像組；

8、對可疑圖像組中的圖像進(jìn)行異常分析，根據(jù)異常分析結(jié)果，將存在異常的圖像組標(biāo)記為異常；

9、針對標(biāo)記為異常的可疑圖像組，根據(jù)其中的橫截面圖像生成對應(yīng)的三維異常模型；基于生成的三維異常模型，識(shí)別異常原因。

10、優(yōu)選的，所述差異分析的步驟包括：

11、獲取橫截面圖像和參考截面圖，對橫截面圖像和參考截面圖進(jìn)行預(yù)處理；

12、將預(yù)處理后的橫截面圖像和參考截面圖進(jìn)行對齊；

13、對于對齊后橫截面圖像和參考截面圖中的每個(gè)對應(yīng)的像素，使用橫截面圖像中的像素值減去參考截面圖中的像素值得到一個(gè)差值圖像；

14、對差異圖像中的每個(gè)像素，進(jìn)行如下像素轉(zhuǎn)換得到一個(gè)二值圖像：

15、如果差異圖像中的像素值不在預(yù)設(shè)的差異范圍內(nèi)，將其像素值設(shè)置為p1；如果差異圖像中的像素值在預(yù)設(shè)的差異范圍內(nèi)，將其像素值設(shè)置為p2；且p1與p2不相等；

16、計(jì)算二值圖像中像素值為p1的像素占總像素?cái)?shù)的比例記為異常比例；

17、如果異常比例大于預(yù)設(shè)比例閾值，則將差異分析結(jié)果設(shè)為存在差異；否則，將差異分析結(jié)果設(shè)為不存在差異。

18、優(yōu)選的，所述可疑圖像組的獲取步驟包括：

19、s41、建立臨時(shí)圖像組，獲取所有標(biāo)記為可疑的橫截面圖像；

20、s42、選擇其中第一個(gè)橫截面圖像作為起始圖像，并加入臨時(shí)圖像組；

21、s43、檢查起始圖像的下一個(gè)橫截面圖像，判斷它與起始圖像的間隔是否在預(yù)設(shè)范圍內(nèi)；

22、s44、如果在范圍內(nèi)，將其加入臨時(shí)圖像組，并將其設(shè)為新的起始圖像；否則，將臨時(shí)圖像組復(fù)制為待選組后清空，以該圖像作為起始圖像，并加入臨時(shí)圖像組；

23、s45、重復(fù)s43和s44步驟，直至處理完所有獲取的所有標(biāo)記為可疑的橫截面圖像；

24、s46、對于每個(gè)復(fù)制的待選組，檢查其中的圖像數(shù)量是否大于等于預(yù)設(shè)組閾值，保留超過閾值的待選組作為可疑圖像組。

25、優(yōu)選的，所述異常分析的步驟包括：

26、獲取可疑圖像中組的每個(gè)橫截面圖像在進(jìn)行差異分析時(shí)得到的二值圖像；

27、根據(jù)二值圖像獲取每個(gè)橫截面圖像對應(yīng)的異常位置數(shù)據(jù)；

28、根據(jù)每個(gè)橫截面圖像對應(yīng)的異常位置數(shù)據(jù)，進(jìn)行位置連貫性分析；

29、若位置連貫性分析結(jié)果為連貫，則將異常分析結(jié)果設(shè)為存在異常，否則，將異常分析結(jié)果設(shè)為不存在異常。

30、優(yōu)選的，所述根據(jù)二值圖像獲取每個(gè)橫截面圖像對應(yīng)的異常位置的步驟包括：

31、獲取二值圖像，使用連通域分析算法對二值圖像中像素值為p1的像素進(jìn)行分析，得到所有連通域；

32、對于每個(gè)連通域，獲取其面積信息；

33、設(shè)定一個(gè)最小面積閾值，移除面積小于閾值的連通域，將剩余的連通域記為異常區(qū)域；

34、獲取所有異常區(qū)域和對應(yīng)的定位信息組成橫截面圖像對應(yīng)的異常位置數(shù)據(jù)，所述定位信息包括中心點(diǎn)和邊界框。

35、優(yōu)選的，所述位置連貫性分析的步驟包括：

36、獲取可疑圖像組中的圖像數(shù)量n，設(shè)置一個(gè)連貫數(shù)閾值n，其中n為小于n的整數(shù)；

37、獲取可疑圖像組中每個(gè)圖像的異常位置數(shù)據(jù)；

38、對可疑圖像組中的第1到第n-n個(gè)橫截面圖像中的每個(gè)異常區(qū)域進(jìn)行連貫計(jì)算得到連貫數(shù)；

39、在每次連貫計(jì)算后，獲取計(jì)算出的連貫數(shù)，判斷其是否大于等于連貫數(shù)閾值n；

40、如果是，則停止連貫計(jì)算，并將連貫性分析結(jié)果設(shè)置為連貫；

41、如果否，判斷所有異常區(qū)域的連貫計(jì)算是否全部完成，若否，則繼續(xù)進(jìn)行連貫計(jì)算；若是，則將連貫性分析結(jié)果設(shè)為不連貫。

42、優(yōu)選的，所述連貫計(jì)算步驟如下：

43、s51、將要計(jì)算連貫數(shù)的異常區(qū)域記為當(dāng)前區(qū)域，初始化連貫數(shù)為1；

44、s52、將當(dāng)前區(qū)域所在的橫截面圖像記為初始圖像；

45、s53、根據(jù)定位坐標(biāo)計(jì)算初始圖像的下一個(gè)橫截面圖像中所有異常區(qū)域與當(dāng)前區(qū)域間的距離指數(shù)；

46、s54、獲取計(jì)算出的距離指數(shù)的最小值，并將對應(yīng)的異常區(qū)域記為最近區(qū)域；

47、s55、判斷計(jì)算出的距離指數(shù)的最小值，是否小于預(yù)設(shè)的距離指數(shù)閾值；

48、如果否，獲取當(dāng)前連貫數(shù)的值作為異常位置的連貫數(shù)，并結(jié)束本次連貫計(jì)算；

49、如果是，連貫數(shù)加1，將最近區(qū)域記為新的當(dāng)前區(qū)域，判斷當(dāng)前區(qū)域所在的橫截面圖像是否為最后一張圖像；若否，則轉(zhuǎn)到s52，若是，則獲取當(dāng)前連貫數(shù)的值作為異常位置的連貫數(shù)，并結(jié)束本次連貫計(jì)算。

50、優(yōu)選的，所述距離指數(shù)的計(jì)算步驟包括：

51、獲取需要計(jì)算離指數(shù)的兩個(gè)異常區(qū)域，分別記為區(qū)域a和區(qū)域b；

52、獲取區(qū)域a和區(qū)域b各自對應(yīng)的位置信息，使用如下公式計(jì)算距離指數(shù)：

53、，

54、式中，表示距離指數(shù)，表示區(qū)域a和區(qū)域b間中心點(diǎn)的距離，表示預(yù)設(shè)的最大允許距離，表示重疊系數(shù)，和表示權(quán)重因子，且；

55、所述重疊系數(shù)的計(jì)算公式如下：

56、，

57、式中，表示橫向重疊量，表示縱向重疊量，表示取較小值函數(shù)，表示區(qū)域a的面積，表示區(qū)域b的面積；其中，橫向重疊量的計(jì)算公式為：；縱向重疊量的計(jì)算公式為：；

58、式中，、、和分別為區(qū)域a的邊界框的右邊緣橫向位置、左邊緣橫向位置、下邊緣的縱向位置和上邊緣的縱向位置；、、和分別為區(qū)域b的邊界框的右邊緣橫向位置、左邊緣橫向位置、下邊緣的縱向位置和上邊緣的縱向位置；表示取較大值函數(shù)。

59、本發(fā)明提供了一種鋰電芯全自動(dòng)在線無損檢測方法，具備以下有益效果：

60、通過對電芯進(jìn)行逐層掃描，獲得連續(xù)的橫截面圖像，并進(jìn)行差異分析、可疑圖像組的構(gòu)建和異常分析，可以有效區(qū)分真實(shí)缺陷和掃描過程中的偶發(fā)異常。通過分析連續(xù)的橫截面圖像并進(jìn)行位置連貫性分析，能夠準(zhǔn)確識(shí)別出持續(xù)存在的真實(shí)缺陷，同時(shí)排除由于單次掃描能量不足或臨時(shí)材料波動(dòng)導(dǎo)致的假異常，大大減少了誤判的可能性。

61、通過針對性地分析異常區(qū)域，而不是對整個(gè)電芯進(jìn)行建模，本方法避免了異常特征在整體中占比過少而被忽視的問題。通過計(jì)算距離指數(shù)和重疊系數(shù)，可以精確地追蹤異常區(qū)域在連續(xù)橫截面中的變化，從而提高了異常原因分析的準(zhǔn)確性。此外，本方法僅針對標(biāo)記為異常的圖像組生成對應(yīng)的三維異常模型，而不是對整個(gè)電芯進(jìn)行完整建模。這種方法不僅大大提高了建模效率，還保證了異常區(qū)域模型的精確性，進(jìn)而提高異常原因分析的準(zhǔn)確性。