本發(fā)明涉及智能制造技術(shù)，尤其涉及電池組裝工序缺陷實時檢測與分類方法及系統(tǒng)。

背景技術(shù)：

1、電池組裝過程中的缺陷檢測對保障產(chǎn)品質(zhì)量至關(guān)重要。現(xiàn)有檢測方法主要存在以下問題：

2、傳統(tǒng)檢測手段主要依賴單一數(shù)據(jù)源進行缺陷識別，如僅使用工業(yè)相機或光學(xué)掃描設(shè)備，難以全面捕捉電池表面和內(nèi)部結(jié)構(gòu)的缺陷特征，且檢測數(shù)據(jù)質(zhì)量容易受到環(huán)境因素的影響。同時，采用集中式計算架構(gòu)進行特征提取，不僅存在數(shù)據(jù)傳輸延遲，而且特征提取參數(shù)難以根據(jù)工況變化進行動態(tài)調(diào)整，計算資源分配效率低下，影響了檢測系統(tǒng)的實時性能。

3、現(xiàn)有缺陷識別方法缺乏對缺陷演變規(guī)律的系統(tǒng)建模，對工序間缺陷傳播關(guān)系的分析不夠深入，且檢測標準過于統(tǒng)一，未能考慮不同批次產(chǎn)品的特點。檢測模型未能充分利用多源數(shù)據(jù)的互補性，對不同區(qū)域采用相同的檢測策略，缺乏對檢測結(jié)果的動態(tài)優(yōu)化機制，導(dǎo)致模型適應(yīng)性差。

4、現(xiàn)有分類方法采用固定的分類標準，未能考慮不同產(chǎn)品等級的差異化需求，缺乏與生產(chǎn)管理系統(tǒng)的有效聯(lián)動，難以滿足靈活的質(zhì)量管控要求。

技術(shù)實現(xiàn)思路

1、本發(fā)明實施例提供電池組裝工序缺陷實時檢測與分類方法及系統(tǒng)，能夠解決現(xiàn)有技術(shù)中的問題。

2、本發(fā)明實施例的第一方面，

3、提供電池組裝工序缺陷實時檢測與分類方法，包括：

4、對多個高速工業(yè)相機采集的電池表面圖像和三維光學(xué)掃描儀采集的電池組件的三維點云數(shù)據(jù)分別進行標準化預(yù)處理；

5、采用分布式邊緣計算架構(gòu)進行特征提取，其中：第一邊緣計算單元提取二維圖像特征，第二邊緣計算單元提取三維數(shù)據(jù)特征，所述分布式邊緣計算架構(gòu)包括基于圖神經(jīng)網(wǎng)絡(luò)的缺陷傳播預(yù)測模塊，將工序間缺陷特征構(gòu)建為動態(tài)圖結(jié)構(gòu)，通過圖網(wǎng)絡(luò)學(xué)習(xí)缺陷演變規(guī)律并動態(tài)調(diào)整特征提取參數(shù)；

6、將所提取的二維特征和三維特征輸入深度學(xué)習(xí)檢測模型，所述深度學(xué)習(xí)檢測模型通過多模態(tài)時空特征編碼層進行特征自適應(yīng)映射與對齊，經(jīng)基于因果推理的動態(tài)推理層構(gòu)建工序關(guān)聯(lián)圖并計算傳播影響度，并由自適應(yīng)閾值的預(yù)測感知檢測層對不同缺陷演變概率區(qū)域?qū)嵤┓謱泳葯z測，輸出缺陷檢測結(jié)果；

7、從生產(chǎn)管理系統(tǒng)獲取產(chǎn)品批次信息，基于不同批次的質(zhì)量等級要求設(shè)置對應(yīng)的缺陷分類標準，根據(jù)所述缺陷分類標準對缺陷檢測結(jié)果進行分類。

8、在一種可選的實施方式中，

9、第一邊緣計算單元提取二維圖像特征，第二邊緣計算單元提取三維數(shù)據(jù)特征包括：

10、第一邊緣計算單元提取二維圖像特征，所述二維圖像特征包括局部特征描述子和全局特征描述子，其中局部特征描述子包括紋理特征向量和邊緣特征向量，全局特征描述子包括形狀特征向量和統(tǒng)計特征向量；第一邊緣計算單元根據(jù)二維特征權(quán)重系數(shù)對紋理特征向量、邊緣特征向量、形狀特征向量和統(tǒng)計特征向量進行加權(quán)融合得到二維融合特征；

11、第二邊緣計算單元提取三維點云特征，所述三維點云特征包括局部幾何特征和全局幾何特征，其中局部幾何特征包括法向量特征和曲率特征，全局幾何特征包括深度特征和體素特征；第二邊緣計算單元根據(jù)三維特征權(quán)重系數(shù)對法向量特征、曲率特征、深度特征和體素特征進行加權(quán)融合得到三維融合特征。

12、在一種可選的實施方式中，

13、將工序間缺陷特征構(gòu)建為動態(tài)圖結(jié)構(gòu)，通過圖網(wǎng)絡(luò)學(xué)習(xí)缺陷演變規(guī)律并動態(tài)調(diào)整特征提取參數(shù)包括：

14、構(gòu)建工序缺陷傳播的動態(tài)圖結(jié)構(gòu)，所述動態(tài)圖結(jié)構(gòu)包括多個工序節(jié)點和工序節(jié)點之間的傳播關(guān)系邊，所述工序節(jié)點的特征向量由所述二維融合特征和所述三維融合特征組成，基于工序節(jié)點之間的連接關(guān)系生成鄰接矩陣；

15、采用圖神經(jīng)網(wǎng)絡(luò)對所述動態(tài)圖結(jié)構(gòu)進行特征提取，所述圖神經(jīng)網(wǎng)絡(luò)包括圖卷積層和注意力機制層，所述圖卷積層利用所述鄰接矩陣和節(jié)點度矩陣對工序節(jié)點特征進行卷積運算得到節(jié)點隱層表示，所述注意力機制層基于所述節(jié)點隱層表示計算工序節(jié)點間的注意力權(quán)重；

16、基于所述注意力權(quán)重生成工序間缺陷傳播概率矩陣，根據(jù)所述缺陷傳播概率矩陣計算特征提取參數(shù)的梯度，對所述第一邊緣計算單元和第二邊緣計算單元的特征提取參數(shù)進行自適應(yīng)調(diào)整。

17、在一種可選的實施方式中，

18、所述第一邊緣計算單元和第二邊緣計算單元參數(shù)同步優(yōu)化的方法包括：

19、將第一邊緣計算單元和第二邊緣計算單元的特征提取參數(shù)分為局部特征參數(shù)集合、圖網(wǎng)絡(luò)參數(shù)集合和全局融合參數(shù)集合，根據(jù)參數(shù)梯度變化率和資源開銷生成參數(shù)更新優(yōu)先級；

20、基于局部特征參數(shù)集合、圖網(wǎng)絡(luò)參數(shù)集合和全局融合參數(shù)集合中的參數(shù)對工序間缺陷傳播概率的二階導(dǎo)數(shù)構(gòu)建fisher信息矩陣，利用所述fisher信息矩陣計算參數(shù)重要性權(quán)重，將第一邊緣計算單元和第二邊緣計算單元的歷史參數(shù)更新量與歷史聚合權(quán)重進行指數(shù)滑動加權(quán)得到時變聚合權(quán)重，采用所述時變聚合權(quán)重對參數(shù)進行自適應(yīng)聚合得到全局參數(shù)；

21、根據(jù)參數(shù)重要性權(quán)重對全局參數(shù)進行差異化量化和帶寬分配，將量化誤差累積至下一次參數(shù)更新，基于參數(shù)版本標識進行沖突檢測和參數(shù)合并，實現(xiàn)第一邊緣計算單元和第二邊緣計算單元的分布式參數(shù)一致性維護。

22、在一種可選的實施方式中，

23、所述深度學(xué)習(xí)檢測模型通過多模態(tài)時空特征編碼層進行特征自適應(yīng)映射與對齊，經(jīng)基于因果推理的動態(tài)推理層構(gòu)建工序關(guān)聯(lián)圖并計算傳播影響度，并由自適應(yīng)閾值的預(yù)測感知檢測層對不同缺陷演變概率區(qū)域?qū)嵤┓謱泳葯z測，輸出缺陷檢測結(jié)果包括：

24、所述多模態(tài)時空特征編碼層將所述二維特征和三維特征映射至?xí)r空特征空間并進行特征對齊，將對齊后的特征與缺陷演變特征進行融合得到增強特征表達；

25、所述動態(tài)推理層基于所述增強特征表達構(gòu)建工序關(guān)聯(lián)圖，所述工序關(guān)聯(lián)圖包括多個工序節(jié)點，工序節(jié)點之間的邊權(quán)重通過節(jié)點相似度計算函數(shù)確定；采用因果推理機制對工序關(guān)聯(lián)圖進行動態(tài)分析，根據(jù)工序節(jié)點的狀態(tài)參數(shù)計算因果連接邊的強度值并劃分傳播影響度，基于傳播路徑的影響度評估矩陣和狀態(tài)條件概率更新因果關(guān)系圖的結(jié)構(gòu)參數(shù)，將更新后的結(jié)構(gòu)參數(shù)與工序狀態(tài)特征進行加權(quán)聚合得到動態(tài)特征圖；

26、所述預(yù)測感知檢測層計算所述動態(tài)特征圖中每個區(qū)域的均值和標準差，基于所述均值和標準差構(gòu)建區(qū)域的局部閾值，將所述局部閾值與圖神經(jīng)網(wǎng)絡(luò)預(yù)測的缺陷狀態(tài)演變概率進行加權(quán)得到最終檢測閾值；根據(jù)所述動態(tài)特征圖和所述最終檢測閾值對演變概率不同的區(qū)域執(zhí)行不同精度的檢測，并將檢測結(jié)果進行融合得到最終缺陷檢測結(jié)果。

27、在一種可選的實施方式中，

28、采用因果推理機制對工序關(guān)聯(lián)圖進行動態(tài)分析，根據(jù)工序節(jié)點的狀態(tài)參數(shù)計算因果連接邊的強度值并劃分傳播影響度，基于傳播路徑的影響度評估矩陣和狀態(tài)條件概率更新因果關(guān)系圖的結(jié)構(gòu)參數(shù)，將更新后的結(jié)構(gòu)參數(shù)與工序狀態(tài)特征進行加權(quán)聚合得到動態(tài)特征圖包括：

29、構(gòu)建工序節(jié)點間的因果關(guān)系圖，所述因果關(guān)系圖包含多個工序節(jié)點和工序節(jié)點之間的因果連接邊，根據(jù)工序節(jié)點的狀態(tài)參數(shù)變化量、時序關(guān)聯(lián)參數(shù)和工藝參數(shù)計算因果連接邊的因果強度值；

30、計算工序節(jié)點之間的狀態(tài)變化影響度，將所述狀態(tài)變化影響度劃分為直接傳播影響度和間接傳播影響度，基于所述直接傳播影響度和間接傳播影響度計算傳播路徑的綜合影響度，根據(jù)傳播路徑的長度參數(shù)和所述因果強度值確定綜合影響度的衰減系數(shù)，生成傳播路徑的影響度評估矩陣；

31、基于所述影響度評估矩陣計算因果連接邊對應(yīng)的工序節(jié)點的狀態(tài)條件概率，根據(jù)所述狀態(tài)條件概率確定因果連接邊的有效性判定值，基于工序節(jié)點的狀態(tài)監(jiān)測數(shù)據(jù)和所述有效性判定值更新所述因果關(guān)系圖的結(jié)構(gòu)參數(shù)，將更新后的結(jié)構(gòu)參數(shù)與工序節(jié)點的狀態(tài)特征進行加權(quán)聚合得到動態(tài)特征圖。

32、在一種可選的實施方式中，

33、所述深度學(xué)習(xí)檢測模型訓(xùn)練過程包括：

34、構(gòu)建多任務(wù)訓(xùn)練目標，包括基于樣本難度得分調(diào)制的缺陷檢測損失，將預(yù)測感知檢測層輸出的檢測結(jié)果與標注數(shù)據(jù)的交叉熵通過樣本難度得分轉(zhuǎn)換為focal?loss形式；基于時空特征編碼層輸出的增強特征表達計算特征重建損失；基于動態(tài)推理層預(yù)測的缺陷傳播路徑計算傳播預(yù)測損失；

35、采用分層課程學(xué)習(xí)策略訓(xùn)練所述深度學(xué)習(xí)檢測模型，基于樣本特征復(fù)雜度、缺陷類型分布和傳播路徑特征計算樣本難度得分，采用貝葉斯優(yōu)化方法動態(tài)調(diào)整課程劃分閾值，將樣本劃分為不同難度等級；首先訓(xùn)練時空特征編碼層的特征對齊和融合能力，凍結(jié)其他層參數(shù)，基于所述特征重建損失進行預(yù)訓(xùn)練；然后訓(xùn)練動態(tài)推理層的傳播預(yù)測能力，解凍動態(tài)推理層參數(shù)，基于所述傳播預(yù)測損失進行訓(xùn)練；最后訓(xùn)練預(yù)測感知檢測層的缺陷檢測能力，解凍深度學(xué)習(xí)模型的全部參數(shù)，基于所述多任務(wù)訓(xùn)練目標進行聯(lián)合優(yōu)化；

36、構(gòu)建動態(tài)采樣機制，基于所述樣本難度得分和缺陷演變概率對訓(xùn)練樣本進行重要性采樣；基于所述第一邊緣計算單元和第二邊緣計算單元的計算負載動態(tài)調(diào)整批次大小，將模型訓(xùn)練結(jié)果反饋至所述缺陷傳播預(yù)測模塊，對特征提取參數(shù)的聯(lián)動優(yōu)化。

37、本發(fā)明實施例的第二方面，

38、提供電池組裝工序缺陷實時檢測與分類系統(tǒng)，包括：

39、第一單元，用于對多個高速工業(yè)相機采集的電池表面圖像和三維光學(xué)掃描儀采集的電池組件的三維點云數(shù)據(jù)分別進行標準化預(yù)處理；

40、第二單元，用于采用分布式邊緣計算架構(gòu)進行特征提取，其中：第一邊緣計算單元提取二維圖像特征，第二邊緣計算單元提取三維數(shù)據(jù)特征，所述分布式邊緣計算架構(gòu)包括基于圖神經(jīng)網(wǎng)絡(luò)的缺陷傳播預(yù)測模塊，將工序間缺陷特征構(gòu)建為動態(tài)圖結(jié)構(gòu)，通過圖網(wǎng)絡(luò)學(xué)習(xí)缺陷演變規(guī)律并動態(tài)調(diào)整特征提取參數(shù)；

41、第三單元，用于將所提取的二維特征和三維特征輸入深度學(xué)習(xí)檢測模型，所述深度學(xué)習(xí)檢測模型通過多模態(tài)時空特征編碼層進行特征自適應(yīng)映射與對齊，經(jīng)基于因果推理的動態(tài)推理層構(gòu)建工序關(guān)聯(lián)圖并計算傳播影響度，并由自適應(yīng)閾值的預(yù)測感知檢測層對不同缺陷演變概率區(qū)域?qū)嵤┓謱泳葯z測，輸出缺陷檢測結(jié)果；

42、第四單元，用于從生產(chǎn)管理系統(tǒng)獲取產(chǎn)品批次信息，基于不同批次的質(zhì)量等級要求設(shè)置對應(yīng)的缺陷分類標準，根據(jù)所述缺陷分類標準對缺陷檢測結(jié)果進行分類。

43、本發(fā)明實施例的第三方面，

44、提供一種電子設(shè)備，包括：

45、處理器；

46、用于存儲處理器可執(zhí)行指令的存儲器；

47、其中，所述處理器被配置為調(diào)用所述存儲器存儲的指令，以執(zhí)行前述所述的方法。

48、本發(fā)明實施例的第四方面，

49、提供一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序指令，所述計算機程序指令被處理器執(zhí)行時實現(xiàn)前述所述的方法。

50、本發(fā)明有益效果：

51、基于分布式邊緣計算架構(gòu)的特征提取方案，顯著降低了數(shù)據(jù)傳輸開銷，提高了實時處理能力，同時圖神經(jīng)網(wǎng)絡(luò)的缺陷傳播預(yù)測模塊能夠動態(tài)調(diào)整特征提取參數(shù)，有效提升了特征提取的自適應(yīng)性。

52、深度學(xué)習(xí)檢測模型采用多模態(tài)時空特征編碼實現(xiàn)了二維三維特征的自適應(yīng)映射與對齊，增強了特征表達能力，基于因果推理的動態(tài)推理層通過構(gòu)建工序關(guān)聯(lián)圖，準確識別缺陷傳播路徑，預(yù)測感知檢測層對不同演變概率區(qū)域?qū)嵤┓謱泳葯z測，在保證檢測精度的同時優(yōu)化了計算資源分配。

53、通過與生產(chǎn)管理系統(tǒng)的聯(lián)動，根據(jù)批次質(zhì)量等級要求動態(tài)設(shè)置缺陷分類標準，實現(xiàn)了檢測分類的差異化管理。整體方案顯著提升了電池組裝工序缺陷檢測的準確性、實時性和適應(yīng)性，為提高產(chǎn)品質(zhì)量管控水平提供了有效技術(shù)支撐。