CN119904704B 电池组装工序缺陷实时检测与分类方法及系统 （江苏南极星新能源技术股份有限公司）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN119904704B(45)授权公告日2025.07.08

(21)申请号202510398047.6

(22)申请日2025.04.01

(65)同一申请的已公布的文献号申请公布号CN119904704A

(43)申请公布日2025.04.29

(73)专利权人江苏南极星新能源技术股份有限

公司

地址210046江苏省南京市南京经济技术

开发区恒飞路15号

(72)发明人胡毓晓胡英格杜江曹亚峰杨雷

(74)专利代理机构北京智征启营专利代理事务所(特殊普通合伙)16250

专利代理师张小军

(51)Int.CI.

GO6V10/764(2022.01)

GO6T7/00(2017.01)

GO6V10/80(2022.01)

GO6V10/44(2022.01)

GO6N3/042(2023.01)

GO6N3/045(2023.01)

GO6N3/0464(2023.01)

GO6N3/084(2023.01)

GO6N5/04(2023.01)

GO6V10/82(2022.01)

GO6V10/74(2022.01)

(56)对比文件

A,2025.03.21A,2024.11.15119672020118967690

A,2025.03.21A,2024.11.15

119672020

118967690

审查员刘梅

权利要求书3页说明书16页附图2页

(54)发明名称

采集二维、三维数据分布式边缘计算架

采集二维、三维数据

分布式边缘计算架构特征提取

深度学习检测模型

基于产品批次对结果分类

基于缺陷传播预测调整特征提取参数

BCN119904704(57)摘要本发明提供电池组装工序缺陷实时检测与分类方法及系统，涉及智能制造技术领域，包括对采集的电池表面图像和三维点云数据分别进行标准化预处理；采用分布式边缘计算架构进行特征提取，分布式边缘计算架构包括基于图神经网络的缺陷传播预测模块，将工序间缺陷特征构建为动态图结构，通过图网络学习缺陷演变规律并动态调整特征提取参数；将提取的特征输入深度学习检测模型，通过多模态时空特征编码层进行特征自适应映射与对齐，经基于因果推理的动态推理层构建工序关联图并计算传播影响度，并

B

CN119904704

(57)摘要

变概率区域实施分层精度检测，输出缺陷检测结果；基于缺陷分类标准对缺陷检测结果进行分类。

CN119904704B权利要求书1/3页

2

1.电池组装工序缺陷实时检测与分类方法，其特征在于，包括：

对多个高速工业相机采集的电池表面图像和三维光学扫描仪采集的电池组件的三维点云数据分别进行标准化预处理；

采用分布式边缘计算架构进行特征提取，其中：第一边缘计算单元提取二维图像特征，第二边缘计算单元提取三维数据特征，所述分布式边缘计算架构包括基于图神经网络的缺陷传播预测模块，将工序间缺陷特征构建为动态图结构，通过图网络学习缺陷演变规律并动态调整特征提取参数；

将所提取的二维图像特征和三维数据特征输入深度学习检测模型，所述深度学习检测模型通过多模态时空特征编码层进行特征自适应映射与对齐，经基于因果推理的动态推理层构建工序关联图并计算传播影响度，并由自适应阈值的预测感知检测层对不同缺陷演变概率区域实施分层精度检测，输出缺陷检测结果，包括：所述多模态时空特征编码层将所述二维图像特征和三维数据特征映射至时空特征空间并进行特征对齐，将对齐后的特征与缺陷演变特征进行融合得到增强特征表达；所述动态推理层基于所述增强特征表达构建工序关联图，所述工序关联图包括多个工序节点，工序节点之间的边权重通过节点相似度计算函数确定；采用因果推理机制对工序关联图进行动态分析，根据工序节点的状态参数计算因果连接边的强度值并划分传播影响度，基于传播路径的影响度评估矩阵和状态条件概率更新因果关系图的结构参数，将更新后的结构参数与工序状态特征进行加权聚合得到动态特征图；所述预测感知检测层计算所述动态特征图中每个区域的均值和标准差，基于所述均值和标准差构建区域的局部阈值，将所述局部阈值与图神经网络预测的缺陷状态演变概率进行加权得到最终检测阈值；根据所述动态特征图和所述最终检