卷繞式鋰電池電極缺陷檢測方法研究
發(fā)布時間:2021-04-30 02:45
卷繞式鋰電池具有空間利用率高、生產(chǎn)效率高和安全性好等特點(diǎn),是目前主流的技術(shù)路線之一。但在組裝涂布的過程當(dāng)中容易產(chǎn)生隔膜起皺、電極錯位的現(xiàn)象,導(dǎo)致容量低、循環(huán)性差等問題。鋰電池通過X射線成像系統(tǒng)生成X射線影像,對X射線影像進(jìn)行分析能夠有效地檢測電極缺陷以保證電池質(zhì)量。針對鋰電池電極缺陷在X射線影像中的特點(diǎn),提出了一種以卷積神經(jīng)網(wǎng)絡(luò)為核心的鋰電池電極缺陷檢測方法。將鋰電池X射線成像中最主要的電極區(qū)域提取出來并裁剪成小尺寸的圖像作為數(shù)據(jù)集,完成神經(jīng)網(wǎng)絡(luò)的訓(xùn)練;再將完整的圖片通過卷積神經(jīng)網(wǎng)絡(luò)后提取到的特征送入支持向量機(jī),完成最終的分類預(yù)測。通過實(shí)驗(yàn)驗(yàn)證,該方法缺陷檢測的成功率可達(dá)以上99%,且具有較高的檢測速度。具體研究內(nèi)容如下:(1)對鋰電池的X射線影像進(jìn)行處理,分割出獨(dú)立的電極有效區(qū)域圖像,再對電極圖像進(jìn)行裁剪,制作出訓(xùn)練網(wǎng)絡(luò)的數(shù)據(jù)集。數(shù)據(jù)集中每張圖片大小為95×95像素。數(shù)據(jù)分為兩類,包含缺陷區(qū)域的圖片為負(fù)例,不包含缺陷區(qū)域的為正例。(2)利用卷積神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)集進(jìn)行訓(xùn)練,以學(xué)習(xí)分析圖像特征的能力。網(wǎng)絡(luò)中加入了改進(jìn)批歸一化算法和去均值的卷積核來完善網(wǎng)絡(luò)性能,并使用了dropout和學(xué)習(xí)率...
【文章來源】:遼寧大學(xué)遼寧省 211工程院校
【文章頁數(shù)】:63 頁
【學(xué)位級別】:碩士
【文章目錄】:
摘要
abstract
第1章 緒論
1.1 研究背景與意義
1.2 國內(nèi)外研究現(xiàn)狀
1.2.1 鋰電池缺陷檢測的研究現(xiàn)狀
1.2.2 卷積神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀
1.3 本文主要研究內(nèi)容及章節(jié)安排
1.3.1 本文主要研究內(nèi)容
1.3.2 章節(jié)安排
第2章 相關(guān)理論與知識介紹
2.1 卷積神經(jīng)網(wǎng)絡(luò)
2.1.1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
2.1.2 卷積神經(jīng)網(wǎng)絡(luò)原理
2.2 批歸一化算法
2.3 全卷積網(wǎng)絡(luò)
2.4 支持向量機(jī)
2.5 本章小結(jié)
第3章 基于CNN的鋰電池電極缺陷檢測
3.1 數(shù)據(jù)集的制作
3.1.1 電極影像及其位置調(diào)整
3.1.2 傾斜校正與有效區(qū)域切割
3.1.3 子圖的裁剪與分類
3.2 網(wǎng)絡(luò)架構(gòu)
3.3 網(wǎng)絡(luò)中的相關(guān)操作
3.3.1 數(shù)據(jù)的預(yù)處理
3.3.2 利用去均值的卷積核提取邊緣特征
3.3.3 網(wǎng)絡(luò)訓(xùn)練相關(guān)參數(shù)選擇
3.4 本章小結(jié)
第4章 基于SVM的圖像分類預(yù)測
4.1 CNN的預(yù)測置信結(jié)果圖
4.2 基于SVM的圖像分類預(yù)測
4.3 本章小結(jié)
第5章 實(shí)驗(yàn)結(jié)果及分析
5.1 實(shí)驗(yàn)環(huán)境
5.1.1 實(shí)驗(yàn)硬件環(huán)境
5.1.2 實(shí)驗(yàn)軟件環(huán)境
5.2 模型的測試精度
5.3 性能對比
5.4 本章小結(jié)
第6章 總結(jié)與展望
6.1 總結(jié)
6.2 展望
致謝
參考文獻(xiàn)
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文及參加科研情況
本文編號:3168683
【文章來源】:遼寧大學(xué)遼寧省 211工程院校
【文章頁數(shù)】:63 頁
【學(xué)位級別】:碩士
【文章目錄】:
摘要
abstract
第1章 緒論
1.1 研究背景與意義
1.2 國內(nèi)外研究現(xiàn)狀
1.2.1 鋰電池缺陷檢測的研究現(xiàn)狀
1.2.2 卷積神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀
1.3 本文主要研究內(nèi)容及章節(jié)安排
1.3.1 本文主要研究內(nèi)容
1.3.2 章節(jié)安排
第2章 相關(guān)理論與知識介紹
2.1 卷積神經(jīng)網(wǎng)絡(luò)
2.1.1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
2.1.2 卷積神經(jīng)網(wǎng)絡(luò)原理
2.2 批歸一化算法
2.3 全卷積網(wǎng)絡(luò)
2.4 支持向量機(jī)
2.5 本章小結(jié)
第3章 基于CNN的鋰電池電極缺陷檢測
3.1 數(shù)據(jù)集的制作
3.1.1 電極影像及其位置調(diào)整
3.1.2 傾斜校正與有效區(qū)域切割
3.1.3 子圖的裁剪與分類
3.2 網(wǎng)絡(luò)架構(gòu)
3.3 網(wǎng)絡(luò)中的相關(guān)操作
3.3.1 數(shù)據(jù)的預(yù)處理
3.3.2 利用去均值的卷積核提取邊緣特征
3.3.3 網(wǎng)絡(luò)訓(xùn)練相關(guān)參數(shù)選擇
3.4 本章小結(jié)
第4章 基于SVM的圖像分類預(yù)測
4.1 CNN的預(yù)測置信結(jié)果圖
4.2 基于SVM的圖像分類預(yù)測
4.3 本章小結(jié)
第5章 實(shí)驗(yàn)結(jié)果及分析
5.1 實(shí)驗(yàn)環(huán)境
5.1.1 實(shí)驗(yàn)硬件環(huán)境
5.1.2 實(shí)驗(yàn)軟件環(huán)境
5.2 模型的測試精度
5.3 性能對比
5.4 本章小結(jié)
第6章 總結(jié)與展望
6.1 總結(jié)
6.2 展望
致謝
參考文獻(xiàn)
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文及參加科研情況
本文編號:3168683
本文鏈接:http://sikaile.net/kejilunwen/dianlidianqilunwen/3168683.html
最近更新
教材專著