机电工程技术

访问量:316189

范彦斌--基于3D机器视觉动力电池焊缝质量检测方法

DOI: 10. 3969 / j. issn. 1009-9492. 2020. 04. 001

莫之剑，范彦斌，彭明仔. 基于3D机器视觉动力电池焊缝质量检测方法［J］ . 机电工程技术，2020，49（04）：1-3.

基于3D机器视觉动力电池焊缝质量检测方法

莫之剑1，范彦斌2，彭明仔3

（1. 广东利元亨智能装备股份有限公司，广东惠州516000；

2. 佛山科学技术学院机电工程学院，广东佛山528000；

3.广州科技贸易职业学院机电工程学院，广州510000）

摘要：为了解决动力电池在生产过程中人工检测焊缝缺陷容易产生误检、漏检和无法实现自动化检测的问题，设计了一种基于3D机器视觉技术和机器学习的焊缝质量检测方法。采用支持向量机SVM学习焊缝关键特征值，得到最优分类超平面，训练完成后，相机采集图像，通过高斯滤波降噪、图像纠正和缺陷特征提取，然后SVM对缺陷特征值进行分类，判断产品是否存在缺陷。实验证明，该方法实现了100%在线自动化检测焊缝质量，并具有快速、准确的优点，成功地解决了动力电池生产过程中焊缝质量自动化检测难题。

关键词：3D机器视觉；点云；焊缝质量检测；移动窗口；支持向量机SVM

中图分类号：TG409 文献标志码：A 文章编号：1009－9492 ( 2020 ) 04－0001－03

Inspection Method of Welding Quality about Power Battery Based on

3D Machine Vision

MO Zhijian1，FAN Yanbin2，PENG Mingzai3

（1. Guangdong Liyuanheng Intelligent Equipment Co. , Ltd., Huizhou, Guangdong 516000, China;

2. School of Mechatronics Engineering, Foshan University, Foshan, Guangdong 528000, China;

3. Mechanical and Electrical Engineering College, Guangzhou Vocational College of Technology&Business, Guangzhou 510000, China）

Abstract: In order to solve the problem that the manual inspection of weld defects in the production process of power battery is easy to produce false inspection,missing inspection and unable to realize automatic inspection, a welding quality inspection method based on 3D machine vision technology and machine learning was designed. Support vector machine was used to learn the key characteristic values of weld seam, and the optimal classification hyperplane was obtained. After the training, the images was collected by the camera, denoises through Gaussian filtering, image correction and defect feature extraction, and the defect characteristic values were classified by SVM to determine whether the product has defects. The experiment shows that this method realizes 100% on-line automatic detection of weld quality, and has the advantages of fast and accurate, and successfully solves the problem of automatic detection of weld quality in the production process of power battery.

Key words: 3D machine vision; point cloud; weld quality inspection; moving window; SVM

引言

在动力电池生产过程中，有多个工序采用激光焊接工艺。激光焊接质量的好坏直接关系到电池的质量和使用寿命。为了保证产品质量，在激光焊接后增加一道焊缝质量检测工序，防止不合格产品流入下一个工序。

目前，国内大多数工厂采用人工检测方法为主，这种方法受工人的主观因素影响，容易出现误判和漏检，不符合生产信息化要求。也有部分企业采用传统2D机器视觉方法[1-3]检测焊缝质量，由于焊缝缺陷形式多元化、多样化，出现概率随机性大，且2D视觉无法提取缺陷的深度信息，从而造成检测结果误判率高。国内在3D机器视觉检测技术研究方面实际应用较少，且效果不理想[4-5]。国外对动力电池焊缝质量检测主要集中在焊缝跟踪和焊中过程监控方面研究和应用比较多，但是这些检测设备价格昂贵，推广难度大[6]。到目前为止，激光焊缝质量自动检测还没有一个比较成熟和完美的解决方案。

为实现企业对焊缝自动化检测要求，本文采用了一种融合2D机器视觉，机器学习及3D机器视觉焊缝质量在线检测方法，通过提取缺陷的显著特征——深度信息，计算缺陷深度、长度和宽度等信息，SVM 对这些特征信息进行学习训练，然后进行分类，判断焊缝中是否存在缺陷，这种方法大幅提高了检测结果的准确率，且具有检测速度快、检测效率高的特点[7]，成功地解决了动力电池焊缝质量自动化检测的难题。