典型文献
基于WOA-BPNN的锂电池极片涂布缺陷检测识别
文献摘要：
锂电池的正、负极片是锂电池的重要组成部分,极片涂布的质量很大程度上影响着电池的性能和使用寿命,而有缺陷的极片往往是电池安全隐患的根源.为了进一步提高锂电池极片涂布缺陷检测与识别的自动化性能水平,本工作提出了一套基于WOA-BPNN的锂电池极片涂布缺陷检测识别算法.首先,对采集到的锂电池极片涂布图像进行图像预处理操作;接着,将图像中的缺陷目标区域分割出来后,提取其形态、灰度、纹理特征;然后,搭建误差反向传播网络(back propagation neural network,BPNN),并将串行融合后的融合特征向量作为网络的输入;最后,在训练神经网络分类模型的过程中,使用鲸鱼优化算法(whale optimization algorithm,WOA)用于辅助调参,以进一步提高模型的识别准确率.本工作算法可精确实现对划痕、漏金属、孔洞、裂纹、异污、脱碳等8种常见的锂电池极片涂布缺陷的检测与识别,实验结果证明,当检测的锂电池极片宽度为200 mm,检测精度为0.05 mm,检测速度为60 m/min时,本工作算法的平均漏检率为1.68％,平均误检率为0％,平均分类识别准确率为97.08％.本工作算法能够有效应用于高速高精度的锂电池极片涂布缺陷检测场合,在锂电池智能制造领域具有一定的实用价值.
文献关键词：
机器视觉;缺陷检测;图像分类;锂电池极片
中图分类号：
作者姓名：
钟健平;费韬
作者机构：
华南理工大学自动化科学与工程学院;精密电子制造装备教育部工程研究中心,广东省高端芯片智能封测装备工程实验室,广东 广州 510641
文献出处：
引用格式：
[1]钟健平;费韬-.基于WOA-BPNN的锂电池极片涂布缺陷检测识别)[J].储能科学与技术,2022(08):2537-2545
A类：
B类：
WOA,BPNN,锂电池极片,涂布,缺陷检测,检测识别,负极,电池安全,检测与识别,识别算法,图像预处理,目标区域,区域分割,割出,灰度,纹理特征,误差反向传播,反向传播网络,back,propagation,neural,network,串行,融合特征,特征向量,神经网络分类,分类模型,鲸鱼优化算法,whale,optimization,algorithm,识别准确率,划痕,孔洞,脱碳,检测精度,检测速度,漏检率,误检率,平均分,分类识别,有效应用,高速高精度,制造领域,机器视觉,图像分类
AB值：
0.313722
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
