(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210431797.5 (22)申请日 2022.04.22 (71)申请人 广州超音速自动化科技股份有限公 司 地址 510000 广东省广州市番禺区石基镇 金山村华创动漫产业园B10 栋 (72)发明人 张俊峰　黄荣锐　陈炯标　 (74)专利代理 机构 广州容大知识产权代理事务 所(普通合伙) 44326 专利代理师 何雪霞 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/11(2017.01) G06T 7/60(2017.01) G06V 10/26(2022.01)G06V 10/44(2022.01) G06V 10/764(2022.01) G06K 9/62(2022.01) G06N 20/00(2019.01) (54)发明名称 一种连接片焊 接检测方法及其系统 (57)摘要 本发明公开了一种连接片焊接检测方法及 其系统， 该检测方法包括以下步骤： S1： 线扫激光 相机采集连接片的图像； S2： 对图像进行分割提 取以得到连接片的焊接区域图像； S3： 将焊接区 域图像输入深度学习网络模型以识别其缺陷特 征； S4： 根据缺陷特征输出检测结果。 本发明能够 实现对连接片的焊接区域的视觉检测， 相比于 现 有人工检测方式， 能够大大提高检测 效率， 节省 人力时间， 且避免由于人为主观因素而影 响检测 结果的情况发生。 权利要求书1页 说明书4页 附图1页 CN 114862777 A 2022.08.05 CN 114862777 A 1.一种连接片焊接检测方法， 其特 征在于， 包括以下步骤： S1： 线扫激光相机采集连接片的图像； S2： 对所述图像进行分割提取以得到所述连接片的焊接区域图像； S3： 将所述焊接区域图像输入深度学习网络模型以识别其 缺陷特征； S4： 根据所述 缺陷特征输出检测结果。 2.根据权利要求1所述的连接片焊接检测方法， 其特征在于： 所述缺陷特征为焊缝、 焊 印或者熔宽 。 3.根据权利要求2所述的连接片焊接检测方法， 其特征在于， 所述步骤S4具体为： 判断 所述焊缝的间距大小 是否属于预设的焊缝间距大小数值范围， 若不属于则所述连接片对应 的检测结果 为不合格。 4.根据权利要求2所述的连接片焊接检测方法， 其特征在于， 所述步骤S4具体为： 判断 所述焊印的长度大小 是否属于预设的焊印长度大小数值范围， 若不属于则所述连接片对应 的检测结果 为不合格。 5.根据权利要求2所述的连接片焊接检测方法， 其特征在于， 所述步骤S4具体为： 判断 所述熔宽的大小 是否属于预设的熔宽大小 数值范围， 若不属于则所述连接片对应的检测结 果为不合格。 6.根据权利要求2所述的连接片焊接检测方法， 其特征在于， 所述步骤S4具体为： 判断 所述焊缝内是否有爆点， 若 有则所述连接片对应的检测结果 为不合格。 7.根据权利要求1所述的连接片焊接检测方法， 其特征在于， 还包括以下步骤： 采集缺 陷图像样本； 对所述缺陷图像样本上 的各个缺陷特征进行标注； 将已标注的所述缺陷图像 样本输入多个不同的待选择的深度学习网络模型进行模型训练； 对比各个待选择的深度学 习网络模型所输出的缺陷特征识别结果， 以确定其中一个待选择的深度学习网络模型为所 述步骤S3中所采用的深度学习网络模型。 8.根据权利要求7所述的连接片焊接检测方法， 其特征在于， 在确定所述深度 学习网络 模型之后还 包括： 持续采集所述 缺陷图像样本， 以对所述深度学习网络模型进行模型迭代。 9.一种连接片焊接检测系统， 其特 征在于， 包括： 线扫激光相机， 用于采集连接片的图像； 图像处理模块， 用于对所述图像进行分割提取以得到所述连接片的焊接区域图像； 缺陷识别模块， 用于将所述焊接区域图像输入深度学习网络模型以识别其 缺陷特征； 检测结果判定模块， 用于根据所述 缺陷特征输出检测结果。 10.根据权利要求9所述的连接片焊接检测系统， 其特征在于： 所述线扫激光相机的激 光光源采用蓝色 半导体激光发生器。权　利　要　求　书 1/1 页 2 CN 114862777 A 2一种连接片焊接检测方 法及其系统 技术领域 [0001]本发明涉及电池连接片检测技术领域， 具体为一种连接片焊接检测方法及其系 统。 背景技术 [0002]根据电池的生产工艺， 电池与连接片(即连接器)需要通过激光焊接等方式进行焊 接连接， 进一步地， 需对连接片的焊接区域进行检测： 焊缝、 焊印或者熔宽等的相关尺寸大 小等是否存在异常等缺陷问题， 以此判定对应的连接片是否为合格品。 现有的连接片焊接 检测方式为： 通过工人用眼睛对连接片的焊接区域进行人工检测， 以判定连接片的焊接是 否符合相关标准要求， 现有 人工检测方式的检测效率低下， 浪费人力时间， 且可能存在由于 工人视觉疲劳等人为主观因素而影响检测结果的情况。 发明内容 [0003](一)解决的技 术问题 [0004]针对现有技术的不足， 本发明提供了一种连接片焊接检测方法及其系统， 能够解 决上述技术问题。 [0005](二)技术方案 [0006]为解决上述技术问题， 本发明提供如下一技术方案： 一种连接片焊接检测方法， 包 括以下步骤： [0007]S1： 线扫激光相机采集连接片的图像； [0008]S2： 对图像进行分割提取以得到连接片的焊接区域图像； [0009]S3： 将焊接区域图像输入深度学习网络模型以识别其 缺陷特征； [0010]S4： 根据缺陷特 征输出检测结果。 [0011]优选的， 缺陷特 征为焊缝、 焊印或者熔宽 。 [0012]优选的， 步骤S4具体为： 判断焊缝的间距大小是否属于预设的焊缝间距大小数值 范围， 若不属于则连接片对应的检测结果 为不合格。 [0013]优选的， 步骤S4具体为： 判断焊印的长度大小是否属于预设的焊印长度大小数值 范围， 若不属于则连接片对应的检测结果 为不合格。 [0014]优选的， 步骤S4具体为： 判断熔宽的大小是否属于预设的熔宽大小数值范围， 若不 属于则连接片对应的检测结果 为不合格。 [0015]优选的， 步骤S4具体为： 判断焊缝内是否有爆 点， 若有则连接片对应的检测结果为 不合格。 [0016]优选的， 该连接片焊接检测方法还包括以下步骤： 采集缺陷图像样本； 对缺陷图像 样本上的各个缺陷特征进 行标注； 将已标注的缺陷图像样本输入多个不同的待选择的深度 学习网络模型进 行模型训练； 对比各个待选择的深度学习网络模型所输出的缺陷特征识别 结果， 以确定其中一个待选择的深度学习网络模型为步骤S3中所采用的深度学习网络模说　明　书 1/4 页 3 CN 114862777 A 3