深度网络辅助质量检查电源电池激光接的激光接
Dong Wang1, Yongjia Zheng1, Wei Dai1
1State Key Laboratory of Mechanical Systems and Vibration, Shanghai Jiao Tong University, Shanghai 200240, China.
Sensors (Basel, Switzerland)
|November 14, 2023
概括
这项研究引入了一种新的质量检查框架,用于电池激光接. 拟议的方法准确预测接质量并识别缺陷,提高制造可靠性.
科学领域:
- 材料科学 材料科学 材料科学
- 制造业 工程 制造工程
- 计算机视觉 计算机视觉
背景情况:
- 由于生产变化,电池激光接的质量控制至关重要.
- 现有的方法可能会遇到微妙的接缺陷,需要大量的数据集.
研究的目的:
- 开发一个智能质量检查框架,用于电池激光接.
- 预测接质量并提取相关参数信息.
主要方法:
- 一个双分支的深度学习网络 (细分和分类),共享特征表示.
- 整合协调注意力,以增强特征学习.
- 霍夫转换用于后处理和接区域信息提取.
主要成果:
- 拟议的框架在现实世界生产线数据上取得了显著的分类性能.
- 该模型有效地识别出缺陷接的微妙特征.
- 该系统成功地预测了接质量和输出参数信息.
结论:
- 开发的框架为动力电池制造中的智能质量检查提供了强大的解决方案.
- 这种方法减轻了对深度学习模型中大量培训数据的需求.
- 为行业中的自动化质量控制系统提供了宝贵的参考.
