一种基于机器视觉的电压源状态智能检测系统及方法

摘要

本发明涉及电压源检测技术领域，具体为一种基于机器视觉的电压源状态智能检测系统及方法，包括：检测数据采集模块、数据库、历史数据分析模块、数据处理选择模块和电压源检测模块，通过检测数据采集模块采集用于电池检测的缺陷样本数据和历史电池检测数据，通过数据库存储采集到的全部数据，通过历史数据分析模块分析缺陷样本数据和历史电池检测数据，并建立数据增强判断模型，通过数据处理选择模块预测使用当前缺陷样本直接对电池进行视觉检测的准确度，选择是否对当前缺陷样本进行数据增强，通过电压源检测模块对电池进行视觉检测，在检测前针对性地对样本进行有效的数据增强处理，在提高了检测准确性的同时提高了生产线上电池的检测效率。

权利要求

1.一种基于机器视觉的电压源状态智能检测方法，其特征在于：包括以下步骤：S01：采集用于电池检测的缺陷样本数据和历史电池检测数据；

S02：分析缺陷样本数据和历史电池检测数据，并建立数据增强判断模型；

S03：分析当前进行电池检测时使用的缺陷样本分布均衡程度；

S04：预测使用当前缺陷样本直接对电池进行视觉检测的准确度，选择是否在对电池进行视觉检测前对当前缺陷样本进行数据增强；

S05：对电池进行视觉检测并获取检测结果；

在步骤S01中：采集到用于电池检测的缺陷样本共有f种类别，采集到以往随机一次进行电池检测时使用的对应类别的缺陷样本数量集合为M={M1，M2，…，Mi，…，Mf}，共采集以往k次进行电池检测时使用的对应类别的缺陷样本数量数据，采集k次需要检测的电池数量以及检测出现错误的电池数量数据，采集到用于对当前电池进行检测的各类别的缺陷样本数量集合为N={N1，N2，…，Nf}；

f f 1/2

在步骤S02中：根据公式Zj=1/[(∑i=1(Mi‑(∑i=1Mi)/f))/f] 计算得到以往随机一次进行电池检测时使用的缺陷样本分布均衡程度Zj，调取以往k次进行电池检测时使用的对应类别的缺陷样本数量数据，通过相同计算方式得到以往k次进行电池检测时使用的缺陷样本分布均衡程度集合为Z={Z1，Z2，…，Zj，…，Zk}，其中，j=1,2,…,k，Mi表示以往随机一次进行电池检测时使用的第i种类别的缺陷样本数量，将分布均衡程度按从小到大的顺序进行排列，将k次使用的缺陷样本按分布均衡程度分为n组，其中，前一组中每一个分布均衡程度都小于后一组，获取到随机一种分组结果为：n组缺陷样本的分布均衡程度均值集合为W=n n 1/2{W1，W2，…，We，…，Wn}，根据公式X=[(∑e=1(We‑(∑e=1We)/n))/n] 计算对应分组结果的参考价值X，通过相同计算方式获取不同种分组结果的参考价值，调取参考价值最大的分组结果，获取参考价值最大的分组结果中n组缺陷样本的分布均衡程度均值，筛选出第2组到第n‑1组缺陷样本的分布均衡程度作为建立数据增强判断模型的参照数据；

’ ’ ’ ’ ’

得到第2组到第n‑1组缺陷样本的分布均衡程度集合为W={W1 ，W2 ，…，Wm}，W⊂W，调取到第2组到第n‑1组缺陷样本被用于对应次电池检测时，需要检测的电池数量集合为A={A1，A2，…，Am}，检测出现错误的电池数量集合为B={B1，B2，…，Bm}，其中，m表示第2组到第n‑1组缺陷样本的分布均衡程度项数，获取到缺陷样本被用于对应次电池检测时的检测准确度集’ ’ ’合为{B1/A1，B2/A2，…，Bm/Am}，对数据点{（W1 ，B1/A1），（W2，B2/A2），…，（Wm ，Bm/Am）}进行直线拟合，建立数据增强判断模型：y=C1*x+C2，其中，C1和C2表示拟合系数。

2.根据权利要求1所述的一种基于机器视觉的电压源状态智能检测方法，其特征在于：f f 1/2

在步骤S03中：根据公式Q=1/[(∑ i=1(Ni‑(∑i=1Ni)/f))/f] 计算得到当前进行电池检测时使用的缺陷样本分布均衡程度Q，其中，Ni表示用于对当前电池进行检测的随机一种类别的缺陷样本数量；

在步骤S04中：将Q代入数据增强判断模型中，令x=Q，预测得到使用当前缺陷样本直接对电池进行视觉检测的准确度为：C1*Q+C2，设置准确度阈值为H，比较C1*Q+C2和H：若C1*Q+C2≥H，选择在对电池进行视觉检测前不对当前缺陷样本进行数据增强；若C1*Q+C2

3.根据权利要求2所述的一种基于机器视觉的电压源状态智能检测方法，其特征在于：在步骤S05中：利用工业相机拍摄电池图像，获取电池表面灰度图像，若C1*Q+C2≥H，利用当前缺陷样本对深度卷积神经网络进行训练；若C1*Q+C2

4.一种基于机器视觉的电压源状态智能检测系统，应用于如权利要求1所述的一种基于机器视觉的电压源状态智能检测方法，其特征在于：所述系统包括：检测数据采集模块、数据库、历史数据分析模块、数据处理选择模块和电压源检测模块；

所述检测数据采集模块的输出端连接所述数据库的输入端，所述数据库的输出端连接所述历史数据分析模块和数据处理选择模块的输入端，所述历史数据分析模块的输出端连接所述数据处理选择模块的输入端，所述数据处理选择模块的输出端连接所述电压源检测模块的输入端；

通过所述检测数据采集模块采集用于电池检测的缺陷样本数据和历史电池检测数据，将采集到的全部数据传输到所述数据库中；

通过所述数据库存储采集到的全部数据；

通过所述历史数据分析模块分析缺陷样本数据和历史电池检测数据，并建立数据增强判断模型；

通过所述数据处理选择模块预测使用当前缺陷样本直接对电池进行视觉检测的准确度，选择是否对当前缺陷样本进行数据增强；

通过所述电压源检测模块对电池进行视觉检测。

5.根据权利要求4所述的一种基于机器视觉的电压源状态智能检测系统，其特征在于：所述检测数据采集模块包括缺陷类别采集单元和样本数据采集单元；

所述缺陷类别采集单元和样本数据采集单元的输出端连接所述数据库的输入端；

所述缺陷类别采集单元用于采集用于电池检测的缺陷样本的类别数量；

所述样本数据采集单元用于采集以往若干次进行电池检测时使用的不同类别的缺陷样本数量以及对应次检测的电池数量以及检测出现错误的电池数量；

所述样本数据采集单元还用于采集用于对当前电池进行检测的各类别缺陷样本数量。

6.根据权利要求4所述的一种基于机器视觉的电压源状态智能检测系统，其特征在于：所述历史数据分析模块包括样本数量比较单元、分布均衡分析单元和判断模块建立单元；

所述样本数量比较单元的输入端连接所述数据库的输出端，所述样本数量比较单元的输出端连接所述分布均衡分析单元的输入端，所述分布均衡分析单元的输出端连接所述判断模型建立单元的输入端；

所述样本数量比较单元用于调取并比较以往每次进行电池检测时使用的不同类别的缺陷样本数量；

所述分布均衡分析单元用于分析若干次进行电池检测时使用的缺陷样本分布均衡程度；

所述判断模型建立单元用于比较若干次使用的缺陷样本分布均衡程度，筛选出建立判断模型的参照数据，并建立数据增强判断模型。

7.根据权利要求6所述的一种基于机器视觉的电压源状态智能检测系统，其特征在于：所述数据处理选择模块包括当前样本数据调取单元和数据增强选择单元；

所述当前样本数据调取单元的输入端连接所述判断模型建立单元和数据库的输出端，所述当前样本数据调取单元的输出端连接所述数据增强选择单元的输入端；

所述当前样本数据调取单元用于调取用于对当前电池进行检测的各类别缺陷样本数量；

所述数据增强选择单元用于分析当前进行电池检测时使用的缺陷样本分布均衡程度，将均衡程度代入数据增强判断模型中，预测使用当前缺陷样本直接对电池进行视觉检测的准确度，设置准确度阈值，在准确度未超出阈值时，选择在对电池进行视觉检测前对当前缺陷样本进行数据增强。

8.根据权利要求7所述的一种基于机器视觉的电压源状态智能检测系统，其特征在于：所述电压源检测模块包括机器视觉检测单元和检测结果传输单元；

所述机器视觉检测单元的输入端连接所述数据增强选择单元的输出端，所述机器视觉检测单元的输出端连接所述检测结果传输单元的输入端；

所述机器视觉检测单元用于利用工业相机拍摄电池图像，获取电池表面灰度图像，利用当前缺陷样本对深度卷积神经网络进行训练，将电池表面灰度图像输入到训练好的深度卷积神经网络中进行缺陷检测，获取电池检测结果；

所述检测结果传输单元用于将电池检测结果传输到终端。

说明书

一种基于机器视觉的电压源状态智能检测系统及方法

技术领域

[0001] 本发明涉及电压源检测领域，具体为一种基于机器视觉的电压源状态智能检测系统及方法。

背景技术

[0002] 常见的电压源有干电池、蓄电池、发电机等等，目前，电池在生产过程中需要检测电池质量以筛选出处于缺陷状态的电池，用人工测量和判断方式进行检测，容易因受到人为因素影响而导致检测结果准确性不高，采用机器视觉的检测代替人工测量，能够使得检
测结果标准、可量化，提高了整个生产系统的自动化程度，避免了人为统计数据所带来的错误；

[0003] 然而，现有的对电池进行机器视觉检测的方式仍存在一些问题：首先，在检测时，需要将不同缺陷类别的样本用于卷积神经网络训练，将待检测的电池图像输入到训练好的卷积神经网络中进行缺陷检测以获得检测结果，由于电池缺陷类别多种多样，现有技术通
过随机选取一定数量的样本用于卷积神经网络训练，存在选取的不同样本数量不均的问
题，检测准确度降低；其次，现有技术虽然有通过对样本进行数据增强的方式来解决样本数量不均的问题，但是对于不同类别样本数量有差异但是差异不大的情况下，这种样本不均
情况对检测结果造成的影响不大，因此无须在这种情况下进行数据增强，现有技术无法对
这种情况进行判断以针对性地对样本进行有效处理，无法在提高检测准确性的同时提高生
产线上电池的检测效率。

[0004] 所以，人们需要一种基于机器视觉的电压源状态智能检测系统及方法来解决上述问题。

发明内容

[0005] 本发明的目的在于提供一种基于机器视觉的电压源状态智能检测系统及方法，以解决上述背景技术中提出的问题。

[0006] 为了解决上述技术问题，本发明提供如下技术方案：一种基于机器视觉的电压源状态智能检测系统，所述系统包括：检测数据采集模块、数据库、历史数据分析模块、数据处理选择模块和电压源检测模块；

[0007] 所述检测数据采集模块的输出端连接所述数据库的输入端，所述数据库的输出端连接所述历史数据分析模块和数据处理选择模块的输入端，所述历史数据分析模块的输出
端连接所述数据处理选择模块的输入端，所述数据处理选择模块的输出端连接所述电压源
检测模块的输入端；

[0008] 通过所述检测数据采集模块采集用于电池检测的缺陷样本数据和历史电池检测数据，将采集到的全部数据传输到所述数据库中；

[0009] 通过所述数据库存储采集到的全部数据；

[0010] 通过所述历史数据分析模块分析缺陷样本数据和历史电池检测数据，并建立数据增强判断模型；

[0011] 通过所述数据处理选择模块预测使用当前缺陷样本直接对电池进行视觉检测的准确度，选择是否对当前缺陷样本进行数据增强；

[0012] 通过所述电压源检测模块对电池进行视觉检测。

[0013] 进一步的，所述检测数据采集模块包括缺陷类别采集单元和样本数据采集单元；

[0014] 所述缺陷类别采集单元和样本数据采集单元的输出端连接所述数据库的输入端；

[0015] 所述缺陷类别采集单元用于采集用于电池检测的缺陷样本的类别数量；

[0016] 所述样本数据采集单元用于采集以往若干次进行电池检测时使用的不同类别的缺陷样本数量以及对应次检测的电池数量以及检测出现错误的电池数量；

[0017] 所述样本数据采集单元还用于采集用于对当前电池进行检测的各类别缺陷样本数量。

[0018] 进一步的，所述历史数据分析模块包括样本数量比较单元、分布均衡分析单元和判断模块建立单元；

[0019] 所述样本数量比较单元的输入端连接所述数据库的输出端，所述样本数量比较单元的输出端连接所述分布均衡分析单元的输入端，所述分布均衡分析单元的输出端连接所
述判断模型建立单元的输入端；

[0020] 所述样本数量比较单元用于调取并比较以往每次进行电池检测时使用的不同类别的缺陷样本数量；

[0021] 所述分布均衡分析单元用于分析若干次进行电池检测时使用的缺陷样本分布均衡程度；

[0022] 所述判断模型建立单元用于比较若干次使用的缺陷样本分布均衡程度，筛选出建立判断模型的参照数据，并建立数据增强判断模型。

[0023] 进一步的，所述数据处理选择模块包括当前样本数据调取单元和数据增强选择单元；

[0024] 所述当前样本数据调取单元的输入端连接所述判断模型建立单元和数据库的输出端，所述当前样本数据调取单元的输出端连接所述数据增强选择单元的输入端；

[0025] 所述当前样本数据调取单元用于调取用于对当前电池进行检测的各类别缺陷样本数量；

[0026] 所述数据增强选择单元用于分析当前进行电池检测时使用的缺陷样本分布均衡程度，将均衡程度代入数据增强判断模型中，预测使用当前缺陷样本直接对电池进行视觉
检测的准确度，设置准确度阈值，在准确度未超出阈值时，选择在对电池进行视觉检测前对当前缺陷样本进行数据增强。

[0027] 进一步的，所述电压源检测模块包括机器视觉检测单元和检测结果传输单元；

[0028] 所述机器视觉检测单元的输入端连接所述数据增强选择单元的输出端，所述机器视觉检测单元的输出端连接所述检测结果传输单元的输入端；

[0029] 所述机器视觉检测单元用于利用工业相机拍摄电池图像，获取电池表面灰度图像，利用当前缺陷样本对深度卷积神经网络进行训练，将电池表面灰度图像输入到训练好
的深度卷积神经网络中进行缺陷检测，获取电池检测结果；

[0030] 所述检测结果传输单元用于将电池检测结果传输到终端。

[0031] 一种基于机器视觉的电压源状态智能检测方法，包括以下步骤：

[0032] S01：采集用于电池检测的缺陷样本数据和历史电池检测数据；

[0033] S02：分析缺陷样本数据和历史电池检测数据，并建立数据增强判断模型；

[0034] S03：分析当前进行电池检测时使用的缺陷样本分布均衡程度；

[0035] S04：预测使用当前缺陷样本直接对电池进行视觉检测的准确度，选择是否在对电池进行视觉检测前对当前缺陷样本进行数据增强；

[0036] S05：对电池进行视觉检测并获取检测结果。

[0037] 进一步的，在步骤S01中：采集到用于电池检测的缺陷样本共有f种类别，采集到以往随机一次进行电池检测时使用的对应类别的缺陷样本数量集合为M={M1，M2，…，Mi，…，Mf}，共采集以往k次进行电池检测时使用的对应类别的缺陷样本数量数据，采集k次需要检测的电池数量以及检测出现错误的电池数量数据，采集到用于对当前电池进行检测的各类别的缺陷样本数量集合为N={N1，N2，…，Nf}；

[0038] 进一步的，在步骤S02中：根据公式Zj=1/[(∑fi=1(Mi‑(∑fi=1Mi)/f))/f]1/2计算得到以往随机一次进行电池检测时使用的缺陷样本分布均衡程度Zj，调取以往k次进行电池检测时使用的对应类别的缺陷样本数量数据，通过相同计算方式得到以往k次进行电池检测
时使用的缺陷样本分布均衡程度集合为Z={Z1，Z2，…，Zj，…，Zk}，其中，j=1,2,…,k，Mi表示以往随机一次进行电池检测时使用的第i种类别的缺陷样本数量，将分布均衡程度按从小
到大的顺序进行排列，将k次使用的缺陷样本按分布均衡程度分为n组，其中，前一组中每一个分布均衡程度都小于后一组，获取到随机一种分组结果为：n组缺陷样本的分布均衡程度n n 1/2
均值集合为W={W1，W2，…，We，…，Wn}，根据公式X=[(∑e=1(We‑(∑e=1We)/n))/n] 计算对应分组结果的参考价值X，通过相同计算方式获取不同种分组结果的参考价值，调取参考价值最大的分组结果，获取参考价值最大的分组结果中n组缺陷样本的分布均衡程度均值，筛选出第2组到第n‑1组缺陷样本的分布均衡程度作为建立数据增强判断模型的参照数据，得到’ ’ ’ ’ ’
第2组到第n‑1组缺陷样本的分布均衡程度集合为W={W1 ，W2 ，…，Wm}，W ⊂W，调取到第2组到第n‑1组缺陷样本被用于对应次电池检测时，需要检测的电池数量集合为A={A1，A2，…，Am}，检测出现错误的电池数量集合为B={B1，B2，…，Bm}，其中，m表示第2组到第n‑1组缺陷样本的分布均衡程度项数，获取到缺陷样本被用于对应次电池检测时的检测准确度集合为
’ ’ ’
{B1/A1，B2/A2，…，Bm/Am}，对数据点{（W1 ，B1/A1），（W2 ，B2/A2），…，（Wm ，Bm/Am）}进行直线拟合，建立数据增强判断模型：y=C1*x+C2，其中，C1和C2表示拟合系数；

[0039] 为了选择是否需要对当前的缺陷样本进行数据增强以解决样本数量分布不均的问题，以实际的电池检测历史数据作为判断是否需要进行数据增强的参考数据，提高了选
择是否对当前的缺陷样本进行数据增强的正确性；

[0040] 在选择参考数据过程中，通过大数据采集电池检测历史数据，分析以往用于电池检测的不同缺陷类别的样本数量分布均衡程度，均衡程度明显偏低，即样本数量明显不均
衡以及均衡程度明显偏高，即样本数量明显差异不大的数据，对于判断当前缺陷样本分布
的参考价值不大，除此之外的数据都属于均衡程度难以界定的数据，因此，通过将均衡程度分组的方式来剔除均衡程度明显偏低和明显偏高的两组数据，将剩余数据作为判断的参考
数据，有利于提高判断是否需要进行数据增强结果的准确性。

[0041] 进一步的，在步骤S03中：根据公式Q=1/[(∑fi=1(Ni‑(∑fi=1Ni)/f))/f]1/2计算得到当前进行电池检测时使用的缺陷样本分布均衡程度Q，其中，Ni表示用于对当前电池进行检测的随机一种类别的缺陷样本数量；

[0042] 进一步的，在步骤S04中：将Q代入数据增强判断模型中，令x=Q，预测得到使用当前缺陷样本直接对电池进行视觉检测的准确度为：C1*Q+C2，设置准确度阈值为H，比较C1*Q+C2和H：若C1*Q+C2≥H，选择在对电池进行视觉检测前不对当前缺陷样本进行数据增强；若C1*Q+C2

[0043] 进一步的，在步骤S05中：利用工业相机拍摄电池图像，获取电池表面灰度图像，若C1*Q+C2≥H，利用当前缺陷样本对深度卷积神经网络进行训练；若C1*Q+C2

[0044] 由于判断样本数量分布的目的在于提高检测准确性，样本数量分布会对检测准确度造成影响，因此，直接结合历史检测结果准确度以及使用的样本均衡程度来建立数据增
强判断模型，通过分析当前使用的缺陷样本的均衡程度，并代入模型来预测使用当前的缺
陷样本来进行电池检测的准确度，进而依据准确度判断是否需要在检测前对样本进行数据
增强，准确度越低，判断当前缺陷样本分布不均的情况对检测结果造成的影响越大，进一步判断对样本进行数据增强的效果越好，针对性地对样本进行有效的数据增强处理，在提高
了检测准确性的同时提高了生产线上电池的检测效率。

[0045] 与现有技术相比，本发明所达到的有益效果是：

[0046] 本发明通过大数据采集电池检测历史数据，以实际的电池检测历史数据作为判断是否需要进行数据增强的参考数据，提高了选择是否对当前的缺陷样本进行数据增强的正
确性，分析以往用于电池检测的不同缺陷类别的样本数量分布均衡程度，通过将均衡程度
分组的方式来剔除均衡程度明显偏低和明显偏高的两组数据，将剩余数据作为判断的参考
数据，提高了判断是否需要进行数据增强结果的准确性；直接结合历史检测结果准确度以
及使用的样本均衡程度来建立数据增强判断模型，通过分析当前使用的缺陷样本的均衡程
度，并代入模型来预测使用当前的缺陷样本来进行电池检测的准确度，进而依据准确度判
断是否需要在检测前对样本进行数据增强，准确度越低，判断当前缺陷样本分布不均的情
况对检测结果造成的影响越大，进一步判断对样本进行数据增强的效果越好，针对性地对
样本进行有效的数据增强处理，在提高了检测准确性的同时提高了生产线上电池的检测效
率。

附图说明

[0047] 附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

[0048] 图1是本发明一种基于机器视觉的电压源状态智能检测系统的结构图；

[0049] 图2是本发明一种基于机器视觉的电压源状态智能检测方法的流程图。

具体实施方式

[0050] 以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

[0051] 下面结合图1‑图2和具体实施例对本发明作进一步的说明。

[0052] 实施例1：如图1所示，本实施例提供了一种基于机器视觉的电压源状态智能检测系统，系统包括：检测数据采集模块、数据库、历史数据分析模块、数据处理选择模块和电压源检测模块；

[0053] 检测数据采集模块的输出端连接数据库的输入端，数据库的输出端连接历史数据分析模块和数据处理选择模块的输入端，历史数据分析模块的输出端连接数据处理选择模
块的输入端，数据处理选择模块的输出端连接电压源检测模块的输入端；

[0054] 通过检测数据采集模块采集用于电池检测的缺陷样本数据和历史电池检测数据，将采集到的全部数据传输到数据库中；

[0055] 通过数据库存储采集到的全部数据；

[0056] 通过历史数据分析模块分析缺陷样本数据和历史电池检测数据，并建立数据增强判断模型；

[0057] 通过数据处理选择模块预测使用当前缺陷样本直接对电池进行视觉检测的准确度，选择是否对当前缺陷样本进行数据增强；

[0058] 通过电压源检测模块对电池进行视觉检测。

[0059] 检测数据采集模块包括缺陷类别采集单元和样本数据采集单元；

[0060] 缺陷类别采集单元和样本数据采集单元的输出端连接数据库的输入端；

[0061] 缺陷类别采集单元用于采集用于电池检测的缺陷样本的类别数量，缺陷样本的类别包括电池表面出现条痕、金属泄露、脱碳、气泡和颗粒等；

[0062] 样本数据采集单元用于采集以往若干次进行电池检测时使用的不同类别的缺陷样本数量以及对应次检测的电池数量以及检测出现错误的电池数量；

[0063] 样本数据采集单元还用于采集用于对当前电池进行检测的各类别缺陷样本数量。

[0064] 历史数据分析模块包括样本数量比较单元、分布均衡分析单元和判断模块建立单元；

[0065] 样本数量比较单元的输入端连接数据库的输出端，样本数量比较单元的输出端连接分布均衡分析单元的输入端，分布均衡分析单元的输出端连接判断模型建立单元的输入
端；

[0066] 样本数量比较单元用于调取并比较以往每次进行电池检测时使用的不同类别的缺陷样本数量；

[0067] 分布均衡分析单元用于分析若干次进行电池检测时使用的缺陷样本分布均衡程度；

[0068] 判断模型建立单元用于比较若干次使用的缺陷样本分布均衡程度，筛选出建立判断模型的参照数据，并建立数据增强判断模型。

[0069] 数据处理选择模块包括当前样本数据调取单元和数据增强选择单元；

[0070] 当前样本数据调取单元的输入端连接判断模型建立单元和数据库的输出端，当前样本数据调取单元的输出端连接数据增强选择单元的输入端；

[0071] 当前样本数据调取单元用于调取用于对当前电池进行检测的各类别缺陷样本数量；

[0072] 数据增强选择单元用于分析当前进行电池检测时使用的缺陷样本分布均衡程度，将均衡程度代入数据增强判断模型中，预测使用当前缺陷样本直接对电池进行视觉检测的
准确度，设置准确度阈值，在准确度未超出阈值时，选择在对电池进行视觉检测前对当前缺陷样本进行数据增强；

[0073] 选取出当前缺陷样本中数量最多的一种类别的缺陷样本，将剩余类别的缺陷样本进行数据增强使得剩余每一类别的缺陷样本数量都与选取出的缺陷样本数量相同；

[0074] 数据增强方式可以是对缺陷样本中有缺陷的电池图像进行几何变换，例如：翻转、旋转、裁剪、变形、缩放等，通过对图像进行几何变换来增加对应类别的缺陷样本数量。

[0075] 电压源检测模块包括机器视觉检测单元和检测结果传输单元；

[0076] 机器视觉检测单元的输入端连接数据增强选择单元的输出端，机器视觉检测单元的输出端连接检测结果传输单元的输入端；

[0077] 机器视觉检测单元用于利用工业相机拍摄电池图像，获取电池表面灰度图像，利用当前缺陷样本对深度卷积神经网络进行训练，将电池表面灰度图像输入到训练好的深度
卷积神经网络中进行缺陷检测，获取电池检测结果；

[0078] 检测结果传输单元用于将电池检测结果传输到终端。

[0079] 实施例2：如图2所示，本实施例提供了一种基于机器视觉的电压源状态智能检测方法，其基于实施例中的智能检测系统实现，具体包括以下步骤：

[0080] S01：采集用于电池检测的缺陷样本数据和历史电池检测数据，采集到用于电池检测的缺陷样本共有f种类别，采集到以往随机一次进行电池检测时使用的对应类别的缺陷
样本数量集合为M={M1，M2，…，Mi，…，Mf}，共采集以往k次进行电池检测时使用的对应类别的缺陷样本数量数据，采集k次需要检测的电池数量以及检测出现错误的电池数量数据，采集到用于对当前电池进行检测的各类别的缺陷样本数量集合为N={N1，N2，…，Nf}；

[0081] 例如：采集到以往随机一次进行电池检测时使用的对应类别的缺陷样本数量集合为M={M1，M2，M3，M4，M5}={10，2，12，20，5}，用于对当前电池进行检测的各类别的缺陷样本数量集合为N={N1，N2，N3，N4，N5}={15，20，26，7，4}；

[0082] S02：分析缺陷样本数据和历史电池检测数据，并建立数据增强判断模型，根据公f f 1/2
式Zj=1/[(∑i=1(Mi‑(∑i=1Mi)/f))/f] 计算得到以往随机一次进行电池检测时使用的缺
陷样本分布均衡程度Zj≈0.16，调取以往7次进行电池检测时使用的对应类别的缺陷样本
数量数据，通过相同计算方式得到以往7次进行电池检测时使用的缺陷样本分布均衡程度
集合为Z={Z1，Z2，Z3，Z4，Z5，Z6，Z7}={0.16，0.35，0.10，0.56，0.78，0.89，0.44}，其中， Mi表示以往随机一次进行电池检测时使用的第i种类别的缺陷样本数量，将分布均衡程度按从小
到大的顺序进行排列，将7次使用的缺陷样本按分布均衡程度分为3组，其中，前一组中每一个分布均衡程度都小于后一组，获取到随机一种分组结果为：3组缺陷样本的分布均衡程度集合分别为{0.10，0.16}、{0.35，0.44，0.56}、{0.78，0.89}，3组缺陷样本的分布均衡程度n n 1/2
均值集合为W={W1，W2，W3}={0.13，0.45，0.84}，根据公式X=[(∑e=1(We‑(∑e=1We)/n))/n]计算对应分组结果的参考价值X≈0.29，通过相同计算方式获取不同种分组结果的参考价
值，调取参考价值最大的分组结果，获取参考价值最大的分组结果中3组缺陷样本的分布均衡程度均值，筛选出第2组缺陷样本的分布均衡程度作为建立数据增强判断模型的参照数
’ ’ ’ ’ ’
据，得到第2组缺陷样本的分布均衡程度集合为W={W1 ，W2 ，W3}={0.35，0.44，0.56}，W⊂W，调取到第2组缺陷样本被用于对应次电池检测时，需要检测的电池数量集合为A={A1，A2，A3}={100，200，150}，检测出现错误的电池数量集合为B={B1，B2，B3}={1，3，4}，获取到缺陷样本被用于对应次电池检测时的检测准确度集合为{B1/A1，B2/A2，B3/A3}={0.990，0.985，
’ ’ ’
0.973}，对数据点{（W1 ，B1/A1），（W2 ，B2/A2），（W3 ，B3/A3）}={（0.35，0.990），（0.44，0.985），（0.56，0.973）}进行直线拟合，建立数据增强判断模型：y=C1*x+C2，其中，C1和C2表示拟合m ’ m ’ m m ’2 m ’ 2
系数，C1=[m∑a=1(Wa*(Ba/Aa))‑∑a=1(Wa)∑a=1(Ba/Aa)]/[m∑ a=1(Wa) ‑(∑a=1(Wa)) ]m m ’
≈‑0.16，C2=[∑a=1(Ba/Aa)‑C1*∑a=1(Wa)]/m≈1；

[0083] S03：分析当前进行电池检测时使用的缺陷样本分布均衡程度，根据公式Q=1/f f 1/2
[(∑ i=1(Ni‑(∑ i=1Ni)/f))/f] 计算得到当前进行电池检测时使用的缺陷样本分布均衡程度Q≈0.12，其中，Ni表示用于对当前电池进行检测的随机一种类别的缺陷样本数量；

[0084] S04：预测使用当前缺陷样本直接对电池进行视觉检测的准确度，将Q代入数据增强判断模型中，令x=Q，预测得到使用当前缺陷样本直接对电池进行视觉检测的准确度为：
C1*Q+C2，设置准确度阈值为H，比较C1*Q+C2和H：若C1*Q+C2≥H，选择在对电池进行视觉检测前不对当前缺陷样本进行数据增强；若C1*Q+C2

[0085] S05：对电池进行视觉检测并获取检测结果，利用工业相机拍摄电池图像，获取电池表面灰度图像，若C1*Q+C2≥H，利用当前缺陷样本对深度卷积神经网络进行训练；若C1*Q+C2

[0086] 例如：令x=Q=0.12，预测得到使用当前缺陷样本直接对电池进行视觉检测的准确度为：C1*Q+C2=0.981，设置准确度阈值为H=0.983，C1*Q+C2摄电池图像，获取电池表面灰度图像，利用进行数据增强后的当前缺陷样本对深度卷积神
经网络进行训练，将电池表面灰度图像输入到训练好的深度卷积神经网络中进行缺陷检
测，获取并传输电池检测结果。

[0087] 最后应说明的是：以上所述仅为本发明的优选实例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡
在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。