融合双模式超声成像与深度视觉的电池缺陷程度辨识方法OA

为解决电池生产、运输及服役全周期的内外部缺陷检测难题,提升缺陷评估的定量化精度与工程实用性,本研究提出一种融合双模式超声成像与深度视觉的电池缺陷程度辨识方法。首先,基于超声透射扫描与反射扫描双模式成像技术,结合多工况缺陷电池制备与数据增强方法,以36块样本电池为对象,构建覆盖气泡、磕碰、划痕、附着物、浸润度等典型缺陷的结构化图像数据库。其次,设计基于深度学习与计算机视觉的电池缺陷辨识模型,提出集成残差学习与注意力门控机制的Attention Residual U-Net缺陷分割网络,通过残差块缓解梯度消失问题,借助注意力门控强化缺陷区域特征,实现对电池微小、不规则缺陷的精准分割。通过残差块缓解梯度消失,借助注意力门控强化缺陷区域特征,实现对电池微小、不规则缺陷的精准分割。最后,基于Attention Residual U-Net输出的缺陷掩膜,提取区域尺度、连通域聚集状态、线性连续性及空间分布等视觉信息,采用K-means聚类确定各类缺陷的基础分级阈值,并结合层次分析法(AHP)与故障模式及影响分析(FMEA)完成风险修正与权重分配,将综合得分离散化为优质、良好、合格、风险四个质量等级,实现缺陷程度的量化辨识与分级预警。经构建的包含2500余张缺陷图像数据库实例验证,本方法mIoU为0.8783、Dice系数为0.9328,可精准辨识电池内外部缺陷并量化状态等级,为电池质量管控提供高效可靠的技术支撑。