第二届“移动云杯”算力网络应用创新大赛
正在如火如荼的进行中
你是否对各赛道赛题还有很多问号？
那么，下面跟着我们一起
解锁备赛新姿态~
今日主打
行业赛道-工业行业应用子赛道解读
1
赛题背景
锂离子电池具有高能量密度，循环寿命长，自放电率低等优点。极耳焊接是整个锂电池生产工艺中的重点及难点。目前常用的极耳焊接为超声波方式，通过焊头的高频振动，产生瞬间的高热量，使极耳与电芯箔材产生分子间的热熔合，使两者间存在焊接强度关系；若焊接强度不足，会导致锂电池内阻偏大，从而导致电芯报废；若处于完全虚焊状态，充放电时因过流面积小导致大量产热，导致锂电池着火等安全风险。机器视觉方式检测极片瑕疵具有不接触、无损伤、100%检出的优点，具体体现在：准确率高，可准确识别涂布刮痕、极片残损、极耳焊接不对称等现象，准确率远远高于人眼检测；并且排除了电池检测结果受检测人员主观意愿、情绪、视觉疲劳等人为因素的影响，可信度高、速度快、效率高、成本低。
2
赛题介绍
本赛道面向全球开发者，探索多样化算力网络应用场景，鼓励参赛者基于移动云产品能力，开发形成丰富的算力网络创新应用。
本赛道以“锂电池极耳焊接质量机器视觉检测”为初赛赛题，旨在借用人工智能技术开发出一套锂电池极耳焊接质量检测算法，利用计算机视觉代替人眼进行各种质量、安全、完整性的检测工作。
该数据集介绍：
数据集为分类标记的锂电池极耳焊接图片，分类包括“jssx金属碎屑(1)、OK合格(2)、lj边缘碎屑（3）、ong其他NG（4）、tfhd碳粉黑点(5)”5类，图片包含训练集、测试集，其中训练集和测试集均涵盖上述5种分类数据。训练集数据开放给参赛者，测试集作为保留数据，用于模型的测试评估。
注：合格样本图像示例及缺陷样本图像示例详见资料下载。
具体提交作品材料要求：
1）算法模型；
2）推理脚本。
A功能介绍。predictor模块为推理脚本，旨在通过此脚本对训练好的模型进行加载，并根据传入的测试集数据样本，得到测试集中待分析样本的分析结果。主办方将调用推理脚本程序，得到具体实验结果以及运行时间，并通过评测脚本对结果进行计算得到评价分数。
B输入与输出。predictor设置为类，初始化时需要参赛者在初始化时指定模型保存位置并加载模型。使用类中函数predict进行推理操作时，需要设置传入参数（单个图片数据路径）；函数返回值应为测试数据集该图片对应的类别序号（jssx金属碎屑(1)、OK合格(2)、lj边缘碎屑（3）、ong其他NG（4）、tfhd碳粉黑点(5)）。
Predictor的伪码说明如下：
import...
class Model(): # 主类
def __init__(self,p_path):
self.__model = None
# 使用按照压缩包路径下的相对路径，
# 如，解压后的文件夹名称为model,模型存放于model下的pysrc/model.pkl路径，则路径为'model/pysrc/model.pkl'
try:
# -------------------------如下位置可修改(加载模型)------------------------
self.load_model(p_path+'/model/pysrc/model.pkl')
# ------------------------- END ------------------------
except Exception as e:
...
return None
def predict(self,path_to_img:str): # 入参：单个图片的路径，如’aaa.jpg’
# Read in image
try:
# -------------------------如下位置可修改(读取图片)------------------------
x = Image.open(path_to_img)
# ------------------------- END ------------------------
except Exception as e:
...
# predict & score
try:
# -------------------------如下位置可修改(推理过程)------------------------
prediction = self.__model(x)
# ------------------------- END ------------------------
except Exception as e:
...
return prediction # 返回结果：整数，与label对应关系为：（jssx金属碎屑(1)、OK合格(2)、lj边缘碎屑（3）、ong其他NG（4）、tfhd碳粉黑点(5)）
def load_model(self,path_to_model:str):
# Load model
# -------------------------如下位置可修改（加载模型）------------------------
with open(path_to_model,'rb') as fp:
paras = pickle.load(fp)
self.__model = lambda x : random.randint(paras[0],paras[1])
# ------------------------- END ------------------------
return 0调用Predictor类的伪码如下：
if __name__ == '__main__':
M = Model('./') # 初始化模型
print(M.predict('2023_zyy_35.jpg')) # 调用推理过程
# 输出：1-5之间的整数
注：上传作品文件夹目录结构如下（样例代码供下载，见资料下载）：
├── model 用户上传目录
│ ├── __init__.py 包函数
│ ├── predictor.py 预测函数
│ └── pysrc 模型路径
│ ├── model.pkl 模型（格式可按照模型变更）上传及相关路径以注释为准。
3
赛制安排
大赛分为报名、初赛、复赛、赛道决赛、总决赛五个阶段，初赛晋级 15 支队伍，复赛晋级 10 支队伍，赛道决赛前3支队伍推荐入选全国总决赛，其他 7 支队伍获得赛道优秀奖。各评审环节获得晋级队应遵循大赛统一安排参加下一轮赛事评审，若因为团队个人原因不能参赛的视为放弃晋级下一轮名额，晋级名额（含奖金）将按照该环节排名顺延。
快看看
你是否已准备好
全力冲刺
为梦想而战吧！