摘要：新能源电池的生产、应用和回收必须依据二维码信息进行溯源管理，因此在新能源电池盒上需标注清晰正确的溯源二维码及按国标标注的明码字符信息。为了确保喷涂二维码图形和明码字符信息的质量和正确性，在进行新能源电池盒装配前需进行质量检测。为此，基于深度学习模型的应用，研究和设计溯源二维码机器视觉检测系统。分析新能源溯源二维码的检测需求，开展机器视觉检测系统相机、镜头和光源等硬件的选型及采集系统设计，采用深度学习技术实现溯源二维码的分类标注和模型创建，采用图像处理软件进行溯源二维码和字符检测校对程序的编写，封装程序并完成了二维码检测用户软件设计。对设计的新能源电池溯源二维码机器视觉检测系统进行测试验证，测试数据显示生产效率达15 EA/min、检测精度达0.01 mm、能精准检测出错误二维码和字符，能够快速、精确地进行电池盒二维码质量检测和分拣，满足企业自动化、高效率检测需求，提高生产效率。

　　关键词：新能源电池,溯源二维码,深度学习,机器视觉

　　0引言

　　产品溯源技术是指通过标识或记录，获取从生产、销售到回收处理各个环节产品全生命周期信息的过程[1]，该技术广泛应用于电子、汽车、钢铁等工业和制造业的产品中[2]。目前应用非常广泛的一种技术是基于产品标识的溯源方法[3]，包含有RFID无线射频技术、QR码和条码加上产品批次信息处理技术[4]。

　　随着新能源汽车产业的不断发展，作为新能源电动汽车关键部件的动力电池占据了新能源电动汽车整车成本的30%～40%[5-7]。据《中国新能源汽车动力电池行业发展白皮书（2024年）》数据显示，动力电池出货量排名前10名的企业中，中国企业占据6席，韩国企业占据3席，日本企业占据1席。中国汽车技术研究中心报告指出，2020年首批新能源电动汽车电池已进入报废期，预计到2025年，电动汽车电池总量约达78万t[8]。由于新能源汽车电池对安全运行、报废后的循环利用等具有较高要求，2024年2月国务院办公厅发布关于加快构建废弃物循环利用体系的意见中提出加强新能源汽车动力电池溯源管理。文献[9]提出动力电池溯源数据将在产业链各环节责任主体履责监测、电池残值评估及退役预测等领域发挥更大价值。

　　依据国家政策和产业发展现状对新能源电池二维码溯源的意义有以下几点。

　　（1）提供全过程产品信息。二维码的特性可以确保每一个产品的信息具有独一性，从而使得新能源电池在使用过程中可以提供产品信息，实现产品的来源追溯、使用过程追踪等。

　　（2）提高废旧电池在物流过程中的安全性。追溯信息管理可以确保废旧电池在物流过程中的安全性，减少事故发生的风险。

　　（3）通过溯源信息确保废旧电池回收处理的环保性。通过国家新能源汽车国家监测与动力蓄电池回收利用溯源综合管理平台的管理信息，可以有效地将废旧电池回收到正规的再利用渠道，减少对环境的污染。

　　（4）提高资源再利用，节约资源。溯源二维码的信息可以通过国家新能源汽车国家监测与动力蓄电池回收利用溯源综合管理平台对废旧电池的去向进行跟踪，确保其得到合理的再利用，延长资源的使用寿命。

　　本文基于新能源电池溯源二维码应用需求，提出一种基于深度学习的机器视觉进行溯源二维码检测的技术，确保新能源电池在出厂过程中的标识二维码信息正确清晰，从源头上保障产品ID二维码在后续检测中的可靠性和正确性。

　　1技术要求和设计方案

　　新能源电池编码的溯源（按照GB/T 34014—2017《汽车动力蓄电池编码规则》进行编码[10]），从生产、销售到回收利用，形成一个全闭环的管理系统[11]。规则规定溯源二维码的代码结构包括两部分，第一部分为设计信息，第二部分为生产信息，两部分可以分别编码或合并编码。溯源二维码依据编码规范对产品进行编码并印刷至电池盒上，为后续的产品监控和溯源提供依据。

　　1.1技术要求

　　新能源电池溯源二维码的检测内容包含：打印二维码轮廓是否清晰、有无缺失部分、有无变形等；电池盒明码字符的内容检测；二维码信息和明码字符的校验检测。

　　检测系统的技术参数要求：PPM≥13 EA/min，检测精度≥0.1 mm。

　　产品检测样品如图1（检测需求分析）所示，由图1（a）可知被测二维码和字符图案喷涂在电池盒盖上，背景为反光金属；由图1（b）可知被检测的内容为二维码喷涂质量和图形信息、明码字符喷涂质量和对应字符信息。

　　新能源电池溯源二维码的检测精度要求高，需要对二维码按照标准进行分级检测，具体内容见表1（检测内容及要求）所示。

　　1.2设计方案

　　根据产品检测内容、精度等级和效率要求，采用机器视觉技术进行检测提高效率，通过深度学习训练二维码检测模型检测提高精度。机器视觉系统指利用视觉识别代替人眼对目标对象进行工业产品检测和识别，主要包括图像采集、图像处理及结果的输出与控制[12-13]。具体来说，机器视觉检测系统是经过工业相机采集需要被检测工件图像，再由图像采集卡转换成图像信号传送给图像处理系统，处理系统按要求进行检测和分析并输出结果，执行机构根据收到信息进行分拣[13-17]。

　　新能源电池溯源二维码的检测与识别包括对二维码的分类检测、信息检测及字符检测，检测与识别的工作流程如图2所示。由图可知，系统开始工作后首先进行图像采集、进行二维码质量检测；检测二维码印刷质量合格后进行二维码数据信息识别和明码字符识别、对识别结果进行质量检测；检测合格后对数据进行存储完成检测工作。

　　依据新能源电池溯源二维码检测与识别的工作流程，分模块进行方案设计，整体设计方案如图3所示，由图像采集硬件系统设计、二维码质量检测系统设计、二维码和字符识别程序系统设计3个模块组成。

　　2重要模块设计

　　依据系统整体设计方案，对图像采集硬件系统、二维码质量检测系统、二维码和字符识别程序系统进行设计。

       2.1图像采集硬件系统

　　新能源电池溯源二维码的检测相关尺寸及需求为：二维码尺寸LA×LB=15 mm×15 mm；产线机器视觉硬件可允许安装物距150~200 mm，检测精度C为0.1 mm。依据项目需求进行工业相机、镜头、光源等图像采集硬件的计算选型。

　　2.2二维码质量检测系统

　　2.2.1新能源电池溯源二维码标准及等级划分参数

　　IS0 15415标准是为条形码质量评价提供标准化方法的国际标准，可以保证条形码在读取过程中的准确性和稳定性，从而提高条码技术在生产、物流、销售和回收跟踪等领域的应用效果。

　　依据ISO/IEC 15415标准，本项目选用以下质量参数作为二维码等级划分依据。

　　（1）符号对比度（Symbol Contrast）。指二维码图案中暗模块和亮模块之间的差异，是二维码可读性的关键组成部分，也是在二维码质量检测中的重要依据。

　　（2）调制（Modulation）。指二维码符号对比度一致性，生成二维码过程中可能由于喷墨分布不均既存在高对比度区域、又存在低对比度区域，图像整体不均衡，提高了检测和处理的难度。

　　（3）固定模式损坏（Fixed Pattern Damage）。二维码格式或符号体系包含的某些必备图案轮廓印刷错误、不规范或被损坏。

　　（4）轴向不均匀性（Axial Non-uniformity）。用于评估二维码图形单元在高度和宽度方向的不均匀缩放。

　　（5）网格不均匀性（Grid Non-uniformity）。考察符号分量单元的“矩形性”，衡量二维码中网格的较大偏差程度，主要衡量符号的斜向拉伸程度。

　　（6）反射率裕度（Reflectance Margin）。评估二维码亮暗全局阈值，以确定正确识别亮暗符号的可能性。

　　（7）可解码程度（Decodability）。评估二维符号被正确解码的程度。

　　根据ISO/IEC 15415标准，通过对这些质量参数进行评估和分析，可以得出对二维码的总体等级划分。本项目将二维码划分为A、B、C、D等级，A为最高级，D为最低级别。

　　2.2.2新能源电池溯源二维码深度学习模型创建

　　通过图像采集系统进行图像采集后，依据ISO 15415质量参数确定的等级划分，对采集的二维码进行标注训练，由图5（二维码标注流程）可知其流程由图像采集、标注分类、模型训练等6个步骤组成。

　　（1）溯源二维码的分类标注。通过系统采集溯源二维码图像，对图像进行标注，按照等级划分依据分别对采集的图像进行等级标注，分别为A、B、C、D，使用标注工具对每一个图像中的二维码打上对应的标签，标签信息以txt文本格式进行保存。将标注好的数据按比例划分成训练集和验证集供训练使用。

　　（2）深度学习模型训练。项目采用国产某软件进行深度学习工程创建，先进行深度学习环境搭建和模型选择，同时选择合适的损失函数，然后载入数据进行多次迭代训练模型，使模型在训练集上的损失函数值逐渐降低。每次迭代中，模型都会根据当前参数计算预测结果，然后根据预测结果与真实值之间的差距调整参数。

　　（3）模型评估。模型训练好后，进行准确率评估，主要是在溯源二维码图像验证集上评估模型的准确率，以判断模型的泛化能力。根据需要，还可以评估其他指标，如召回率、F1值等。

　　（4）模型优化。根据模型评估的结果来确定是否需要优化，在生产应用中训练的模型能够对溯源二维码图像准确识别其分类，证明模型有效使用，如存在部分溯源二维码图像识别不准确，可以通过学习率调整优化模型，既在训练过程中，可以通过调整学习率来加快模型的收敛速度。常见的学习率调整方法包括指数衰减和自适应学习率等。或通过批量标准化提高模型的性能和稳定性。批量标准化是在神经网络的每一层中对输入数据进行标准化处理。从而实现新能源电池溯源二维码深度学习模型的训练应用。

　　2.3二维码和字符识别程序系统

　　项目进行溯源二维码质量分级检测后需进行二维码信息提取及字符数据校对等工作，项目基于Halcon软件对图像进行程序编制。软件系统进行工作的流程为：图像处理软件工作任务及说明、获取需要处理的图像、对图像二维码信息进行识别检测；提取二维码明码字符区域、读入字符识别类选器、对字符进行识别检测；将二维码提取信息和明码字符信息进行校对、检测产品。

　　（1）二维码信息识别检测

　　新能源电池溯源二维码依据国家编码标准进行产品信息编号，并将与其产品编号信息一致的二维码印刷在电池盒上进行产品标注和溯源。由于检测和溯源的要求，二维码图形信息包含的编号信息与明码编号信息必须一致，因此出厂前需对二维码图形包含信息进行检测识别。进行二维码信息识别程序编写方案为：创建二维码阅读器模板并进行参数设置、进行二维码识别，其程序编写核心算子如下：

　　read_image（Image，TP+I）

　　create_data_code_2d_model（'Data Matrix ECC 200'，[]，[]，Data⁃CodeHandle）

　　set_data_code_2d_param（DataCodeHandle，'polarity'，'dark_on_light'）find_data_code_2d（Image，SymbolXLD，DataCodeHandle，[]，[]，

　　ResultHandles，DDataStrings）

　　clear_data_code_2d_model（DataCodeHandle）stop()

　　（2）字符识别及检测

　　溯源二维码明码字符生产过程中存在印刷错误或者不清晰等现象，在出厂前需进行质量检测及识别。字符识别及检测的程序编写方案为：提取图像中字符区域、读取字符类选库、进行字符识别。在进行字符识别过程中，可能出现字符在视野范围所处坐标不一致现象，因此编写程序过程中需进行区域仿射定位操作，准确定位到每一张检测图像中的字符区域位置并进行检测。字符识别及检测程序编写核心算子如下。

　　对图像进行仿射变换定位：

　　hom_mat2d_identity（HomMat2DIdentity）

　　hom_mat2d_rotate（HomMat2DIdentity，Phi，Px，Py，HomMat2DRotate）hom_mat2d_translate（HomMat2DRotate，Tx，Ty，HomMat2DTranslate）

　　affine_trans_image（Image，ImageAffineTrans，HomMat2DRotate，'con⁃stant'，'false'）

　　进行字符区域提取及识别检测：

　　read_ocr_class_mlp（'Document_0-9A-Z_NoRej.omc'，OCRHandle1）

　　sort_region（SelectedRegions1，SortedRegions3，'first_point'，'true'，'column'）

　　中国知网https:Www.cnki.net·141·

　　do_ocr_multi_class_mlp（SortedRegions3，ImageAffineTrans，OCRHan⁃dle1，Class2，Confidence1）

　　clear_ocr_class_mlp（OCRHandle1）

　　（3）二维码信息与字符数据校对

　　系统将二维码信息和明码字符信息提取成功后，将两组数据进行校对，如果数据一致判定产品合格，如数据不一致则判定为不合格，程序编写核心算子如下。

　　DataString:=[]Check:=[]

　　Check:=[Check，Class1，Class2]for Index:=0 to Number by 1

　　tuple_str_bit_select（DataStrings，Index，Selected）DataString:=[DataString，Selected]

　　endfor

　　if（Check==DataString）

　　disp_message（WindowHandle，'检测结果：OK'，'image'，200，50，'green'，'false'）

　　else

　　disp_message（WindowHandle，'检测结果：NG'，'image'，200，50，'red'，'false'）

　　endif

　　3实验验证与效果分析

　　新能源电池溯源二维码机器视觉系统采用C#进行运行程序编写，结合搭建硬件系统进行产品检测测试，由图6（检测系统界面）可知系统能够进行项目需求功能检测，并配置拓展模块提供升级功能。

　　使用检测系统进行质量检测测试，检测产品总数95 000，不合格产品174个。检测结果数据如表4所示，所有不合格产品均能够被检测出，由于二维码质量检测精度要求高，出现5个合格产品被误判为不合格。

　　采用基于深度学习的机器视觉检测系统，能够快速正确进行溯源二维码的检测，实现产业检测需求。通过实验验证，系统能够100%检测出不合格产品，其创新性及优点如下。

　　（1）采用深度学习技术，提高二维码检测精度。依据ISO/IEC 15415标准对二维码进行分类标注，创建深度学习模型，将二维码进行分级，对印刷二维码质量进行控制，提高二维码检测的精度，保障溯源二维码在产品的后续流通和回收环节的可检可测。

　　（2）采用机器视觉技术，提高二维码检测效率。采用机器视觉技术进行图像处理，提高检测效率和检测精度，最快处理速度PPM为15 EA/min；设计软件系统可进行参数调整，提高检测系统的适用性。

　　4结束语

　　本文基于新能源电池溯源二维码的使用需求，基于深度学习模型，设计了机器视觉检测系统，通过实验验证，结论如下。

　　（1）采用ISO/IEC 15415标准对二维码进行分级，通过深度学习技术创建检测模型，实现了二维码信息的精准检测。

　　（2）采用机器视觉对检测对象进行图像采集、通过图像处理软件进行二维码明码和暗码信息识别并对数据进行校对，实现产品的高速和精准检测；对检测软件进行集成封装设计用户系统，实现良好的人机交互，提高效率。

　　综上所述，基于深度学习技术的溯源二维码机器视觉检测技术具有创新性，基于该技术的设备的投入使用将对行业检测技术发展起到积极的作用。

　　由于二维码喷码质量检测分级严格，对检测环境和光源要求较高。为避免因环境问题导致误判，后续需要在深度学习模型和图像处理算法上继续研究，通过软件程序弥补环境硬件的不足，提高检测准确率。

　参考文献：

　　[1]OLSEN P,BORIT M.How to define traceability[J].Trends in Food Science&Technology,2013,29(2):142-150.

　　[2]SCHUITEMAKER R,XU X.Product traceability in manufactur⁃ing:A technical review[J].Procedia CIRP,2020,93:700-705.

　　[3]黄敏,宋扬,高哲明,等.产品溯源研究综述及前景展望[J].控制与决策,2023(8):2158-2167.

　　[4]DONG L X,JIANG P,XU F S.Impact of traceability technology adoption in food supply chain networks[J].Management Science,2022(6):179-187.

　　[5]PYPER J.BMW will repurpose i3 batteries for home energy stor⁃age[EB/OL].(2016-06-21).https://www.greentechmedia.com/ar⁃ticles/read/bmw-is-turning-used-i3-batteries-into-home-ener⁃gy-storage-units.

　　[6]GU X,IEROMONACHOU P,ZHOU L,et al.Developing pricing strategy to optimise total profits in an electric vehicle battery closed loop supply chain[J].Journal of Cleaner Production,2018,203:376-85.

　　[7]LIH W-C,YEN J-H,SHIEH F-H,et al.Second use of retired lith⁃ium-ion battery packs from electric vehicles:technological chal⁃lenges,cost analysis and optimal business model[C]//2012 Inter⁃national Symposium on Computer,Consumer and Control,June 04-06,2012,Taichung,Taiwan,China.New York:IEEE,2012.

　　[8]中国汽车技术研究中心有限公司.中国新能源汽车产业发展报告(2021)[M].北京:社会科学文献出版社,2021:143-57.

　　[9]向鹏.动力电池回收利用的产业现状和体系构建[J].高科技与产业化,2023(6):22-25.

　　[10]全国汽车标准化技术委员会.汽车动力蓄电池编码规则:GB/T 34014—2017[S].北京:中国标准出版社,2017.

　　[11]詹园园,刘振东,陈卓瑛.锂离子电池溯源管理标准法规分析及未来趋势[J].电池工业,2024(1):36-39.

　　[12]魏星,翟钦,杨敏.机器视觉技术在智能制造工程实践平台的应用研究[J].装备制造技术,2023(7):191-194.

　　[13]徐云,杨承翰,高磊.利用机器视觉的手写数字识别系统设计研究[J].自动化仪表,2022,43(9):10-13.

　　[14]吴楠,刘小凡,王旭东,等.基于深度学习的路面状况监控与预测物联网设计[J].移动通信,2023,47(6):69-76.

　　[15]徐韵哲,陈建.基于仿斑马鱼和仿鹰眼视觉的复杂背景下目标识别[J].集成技术,2024,13(2):39-51.

　　[16]张浩亚,金永,李海涛,等.基于机器视觉的输电线舞动检测方法研究[J].国外电子测量技术,2020,39(8):1-4.

　　[17]王志宇,毕陈帅.基于机器视觉的轿厢意外移动保护隐性故障检测系统[J].自动化与仪器仪表,2020(12):93-97.