带测量和破裂检测基于YOLOv11和像素几何分析

科学领域:

• 材料科学与工程 材料科学与工程
• 计算机视觉和深度学习
• 汽车制造技术 汽车制造技术

背景情况:

• 在新能源汽车电池组粘合剂应用中的质量控制对于密封,绝缘和稳定性至关重要.
• 现有的检测方法与复杂的工业挑战作斗争,如反射,干扰和不一致的带方向,限制精度.
• 准确测量粘合剂尺寸和检测像断裂这样的缺陷对于电池组的可靠性至关重要.

研究的目的:

• 为电池组粘合剂应用过程开发一种强大而精确的自动检测方法.
• 在复杂的工业环境中克服传统视觉方法的局限性.
• 提高新能源汽车电池组粘合剂应用的质量控制.

主要方法:

• 整合了YOLOv11深度学习模型,用于精确的粘接区域提取和干扰阻断.
• 适应式二元化和Hough转换的应用用于带定向校正和图像规范化.
• 使用连接组件分析和多行统计策略,用于高精度的像素级宽度和长度测量.
• 采用图像切片和像素比率分析,可靠地检测粘合剂断裂和电线拉动缺陷.

主要成果:

• 达到的平均测量误差仅为带宽的1.5%和长度的2.3%.
• 在检测粘合剂断裂方面表现出100%的准确率.
• 在精度和稳定性方面明显优于传统视觉方法和主流实例细分模型.
• 废弃实验证实了单个模块的有效性和协同贡献.

结论:

• 拟议的方法为复杂的工业应用质量控制提供了高精度和强大的自动化解决方案.
• 这种方法显著提高了粘合剂尺寸测量和在电池组制造中的缺陷检测的准确性和可靠性.
• 该研究为改善新能源汽车行业快速增长的自动化质量控制提供了有价值的工程见解.