一种基于二次阈值分割理论的锂电池极片缺陷检测方法

1.本发明涉及机器视觉技术领域，尤其是涉及一种基于二次阈值分割理论的锂电池极片缺陷检测方法，针对锂电池极片生产加工过程中存在的人工检查成品效率低、错误率高等问题，提出一种结合了二次阈值分割、形态学处理和canny算法的缺陷检测系统，用来检测人眼不易辨识的划痕及漏金属缺陷；提高了工业识别的效率和精度。


背景技术：

2.机器视觉缺陷检测系统是一种无接触、自动化、高效率的工业检测系统。常规的检测系统包括图像获取、处理、识别等模块，其中关键模块为图像处理，包含预处理降噪、特征提取等步骤。预处理目前主要使用灰度变换、直方图均衡及各种滤波算法等，去除图像的无关干扰噪点。特征提取是为了提取出关键的目标信息，主要采用阈值分割法、聚类及边界线提取法。
3.目前，针对锂电池极片表面缺陷检测的研究比较少，研究主要集中在预处理、阈值分割、特征提取等几个方面：(1)预处理中采用前景提取和图像增强等解决了实拍图片的无关背景干扰和表面反光问题。(2)使用多次识别的方法，初次粗识别分辨类别，然后调用相适配的精确参数再进行识别。(3)提出用双边滤波替换高斯滤波图像差分算法，并对滤波窗口进行自适应划分，用来提取缺陷。(4)结合面积筛选方法，利用了两次最大类间方差二值化进行目标图像的特征提取。
4.目前研究技术主要利用目标缺陷与背景色灰度差异很大，从而检测出来。
5.在实际缺陷检测中，漏金属等缺陷颜色与背景金属基色差异较大，较易检测出来；而划痕缺陷，与背景金属基色接近，运用常规算法，无法有效将缺陷区域与背景区分出来，导致无法准确识别缺陷的轮廓、面积；并且容易将背景区域误认为缺陷区域，造成频繁的识别错误。
6.近年频出的锂电池安全隐患问题，使得对锂电池加工检测更加重视。极片作为锂电池的重要部件，对它的缺陷检测必不可少。工业中采用的人工检测效率低下，现有的缺陷检测研究不能对灰度与背景色极为接近的划痕缺陷进行有效精准的识别，于是对此提出一种新的检测方法，提供更准确的检测结果。


技术实现要素：

7.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于二次阈值分割理论的锂电池极片缺陷检测方法。
8.本发明的目的可以通过以下技术方案来实现：
9.一种基于二次阈值分割理论的锂电池极片缺陷检测方法，该方法包括以下步骤：
10.步骤1：采集锂电池极片缺陷图像并进行预处理；
11.步骤2：基于阈值分割算法依次分割经过预处理后的锂电池极片缺陷图像，得到漏金属缺陷和划痕缺陷情况下的通过分割得到的特征图像；
12.步骤3：针对漏金属缺陷和划痕缺陷情况下的通过分割得到的特征图像进行形态学处理；
13.步骤4：将经过形态学处理后的漏金属缺陷和划痕缺陷情况下的特征图像进行融合，并采用canny算法进行缺陷轮廓提取。
14.进一步地，所述的步骤1具体包括：采集锂电池极片缺陷图像后，利用图像插值法，于缺陷图像上下空缺的像素行插入图像平均灰度值的像素点集，以确保图像边缘信息的完整度。
15.进一步地，所述的步骤2包括以下分步骤：
16.步骤201：通过动态阈值法实时改变阈值，根据不同的阈值对图像产生的分割效果的不同，进行动态的选择；
17.步骤202：根据高低不同的阈值选择，依次分割经过预处理后的锂电池极片缺陷图像，得到漏金属缺陷和划痕缺陷情况下的通过分割得到的特征图像。
18.进一步地，所述的步骤3具体包括：针对漏金属缺陷和划痕缺陷情况下的通过分割得到的特征图像进行腐蚀降噪以及膨胀的形态学处理。
19.进一步地，所述的步骤4中采用canny算法进行缺陷轮廓提取的过程包括以下步骤：
20.步骤401：高斯滤波：通过高斯滤波器与原图像进行卷积降噪，得到降噪后的图像；
21.步骤402：计算梯度幅值和方向；
22.步骤403：非极大值抑制处理：设置对比结构内核，将中心核点沿梯度方向上的邻近点进行灰度值对比；
23.步骤404：双阈值算法检测和连接边缘：设置一组高低阈值，将算法执行过程中高于该组阈值中更高的一个阈值的像素点定位边缘像素，低于该组阈值中更低的一个阈值的像素点排除掉，将处于该组阈值范围内的定为连接边缘；
24.步骤405：循环执行步骤401至404后得到锂电池极片的缺陷轮廓。
25.进一步地，所述步骤401中通过高斯滤波器与原图像进行卷积降噪，得到降噪后的图像的过程，其对应的数学描述公式为：
[0026][0027]
i(x,y)＝f(x,y)*g(x,y)
[0028]
式中，i(x,y)为降噪后的图像，f(x,y)为原图像，g(x,y)为高斯滤波器，δ为高斯函数的标准差。
[0029]
进一步地，所述步骤402中的梯度幅值，其计算公式为：
[0030][0031]
式中，g为梯度幅值，g
x
和g
y
为一对作为sobel算子的卷积阵列；
[0032]
方向，其计算公式为：
[0033]
[0034]
式中，θ为方向。
[0035]
本发明还提供一种用于所述的基于二次阈值分割理论的锂电池极片缺陷检测方法的锂电池极片缺陷检测系统，该系统包括：
[0036]
图片导入储存模块，用于打开或保存锂电池极片缺陷图像；
[0037]
预处理模块，用于针对锂电池极片缺陷图像进行预处理操作；
[0038]
阈值分割模块，用于基于阈值分割算法依次分割经过预处理后的锂电池极片缺陷图像，得到漏金属缺陷和划痕缺陷情况下的通过分割得到的特征图像；
[0039]
图像降噪模块，用于针对漏金属缺陷和划痕缺陷情况下的通过分割得到的特征图像进行形态学处理；
[0040]
缺陷提取模块，用于将经过形态学处理后的漏金属缺陷和划痕缺陷情况下的特征图像进行融合，并采用canny算法进行缺陷轮廓提取。
[0041]
本发明还提供一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的基于二次阈值分割理论的锂电池极片缺陷检测方法的步骤。
[0042]
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述的基于二次阈值分割理论的锂电池极片缺陷检测方法的步骤。
[0043]
与现有技术相比，本发明具有以下优点：
[0044]
(1)本发明提出的锂电池极片缺陷检测方法在图像分割过程中，找到最优阈值进行分割，后添加腐蚀膨胀形态学降噪处理，实现了对划痕的检测缺陷。
[0045]
(2)本发明方法采用阈值分割图像处理技术，结合具有双阈值的滞后阈值处理特点的canny算法，能准确的识别缺陷复杂多变的轮廓，精简算法流程，提高运算效率。
附图说明
[0046]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0047]
图1为锂电池极片的缺陷展示图；
[0048]
图2为锂电池极片缺陷检测流程图；
[0049]
图3为图像插值前后对比示意图；
[0050]
图4为二次阈值分割效果图，其中图4(a)为漏金属阈值分割效果图，图4(b)为划痕阈值分割效果图；
[0051]
图5为形态学处理效果图，其中图5(a)为腐蚀降噪处理效果图，图5(b)为膨胀处理降噪图；
[0052]
图6为检测结果示意图，其中图6(a)为漏金属检测结果图，图6(b)为划痕检测结果图；
[0053]
图7为缺陷检测系统实验验证结果图，其中图7(a)为工业相机采集的锂电池极片的缺陷图，图7(b)为采用本发明检测方法后得到的漏金属缺陷检测结果图，图7(c)为采用
本发明检测方法后得到的检测结果图；
[0054]
图8为基于本发明检测方法的缺陷检测系统软件界面截图。
具体实施方式
[0055]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
[0056]
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0057]
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0058]
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0059]
此外，术语“水平”、“竖直”等术语并不表示要求部件绝对水平或悬垂，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。
[0060]
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0061]
具体实施例
[0062]
i、表面缺陷检测
[0063]
1.1锂电池极片缺陷
[0064]
锂电池极片产品涂布缺陷主要有划痕、漏金属两种物理缺陷，如图1所示，图中间a区域为划痕缺陷，形成原因一般为异物或大颗粒卡在狭缝间隙内或模具有突起损伤块，形状为条形，其颜色与金属基色相近。右侧b区域有一条间断白色区域，是辊压过程中压力过大或极片受力不均所致金属外露，属于漏金属缺陷。
[0065]
1.2缺陷检测流程
[0066]
本发明缺陷检测方法流程如图2所示，首先采用图像预处理，考虑到实际有些缺陷分布在锂电池极片边缘，所以采用插值法扩充边缘信息；为后续提取缺陷作空间准备。然后进行阈值分割把缺陷区域分割出来，由于漏金属和划痕两种缺陷特征不同，需采用不同的
处理方法，并结合二次阈值分割提取特征。接着使用形态学处理，将阈值分割产生的干扰噪点去除掉。最后运用canny算法进行缺陷识别。
[0067]
ii、实验步骤
[0068]
2.1预处理
[0069]
当缺陷处于图像边缘时，在卷积运算中空缺的像素会使得检测结果不准确。所以使用图像插值法来弥补图像上下空缺的像素行。本发明方法在图像的上下方插入多行图像平均灰度值的像素点集，如图3所示，该附图的左半部为插值前的图像，该附图的右半部为插值后的图像，保证图像边缘信息完整度。
[0070]
2.2二次阈值分割
[0071]
阈值分割的要点是找到合适的阈值数据作为分割点。本发明通过动态阈值法实时改变阈值，根据不同的阈值对图像产生的分割效果的不同，进行动态的选择。在试验多组不同的阈值后，根据动态显示的处理效果选择最优的阈值数据。如图4(a)所示，在较高阈值情况下分割图像，漏金属缺陷的外型轮廓被分割出；并且屏蔽掉划痕和金属基色背景，去除无关干扰。
[0072]
划痕颜色与金属基色接近，对比漏金属缺陷分割难度较大。将阈值降低，如图4(b)所示，虽然划痕缺陷已得以较为明显的区分，但背景仍夹杂大量的噪点干扰，需进行形态学处理，以便提取缺陷。
[0073]
2.3形态学处理
[0074]
由于本发明须检测出较小尺寸的锂电池极片漏金属缺陷，利用尺寸为3
×
3的内核进行腐蚀降噪。如图5(a)所示，经过腐蚀处理后，背景图像大量噪点得到有效抑制，并保留了划痕缺陷特征信息；但是划痕轮廓边缘由于腐蚀变得间断不连续，划痕内部形成空洞，需要进行膨胀处理以还原其完整图像信息。
[0075]
进行膨胀操作后，如图5(b)所示，划痕轮廓的内部空洞被填充，边缘信息修复完整，便于下一步轮廓提取。
[0076]
2.4提取缺陷
[0077]
形态学处理后，将两次阈值分割得到的特征图像进行融合，然后使用canny算法进行缺陷轮廓提取。
[0078]
canny算法是一种多级边缘检测算法，具有定位精度高等多个优点。利用双阈值的滞后阈值处理是它的主要特点之一；在本发明采用的阈值分割处理图像技术基础上，选用canny算法可以共用选取的最优阈值，减少算法的冗杂程度，提高算法的运算效率。
[0079]
canny算法包含以下几个步骤：
[0080]
a)、高斯滤波：通过高斯滤波器与原图像进行卷积降噪，得到降噪后的图像，如下式所示：
[0081][0082]
i(x,y)＝f(x,y)*g(x,y)
[0083]
式中，i(x,y)为降噪后的图像，f(x,y)为原图像，g(x,y)为高斯滤波器，δ为高斯函数的标准差。
[0084]
b)、计算梯度幅值和方向：选用sobel算子，运用一对卷积阵列(分别作用于x和y方向)。
[0085][0086][0087]
使用下列公式计算：
[0088]
梯度幅值，其计算公式为：
[0089][0090]
式中，g为梯度幅值，g
x
和g
y
为一对作为sobel算子的卷积阵列；
[0091]
方向，其计算公式为：
[0092][0093]
式中，θ为方向。
[0094]
c)、非极大值抑制处理：为了突出、细化图像边缘，需要抑制非极大边缘点。设置3
×
3的对比结构内核，将中心核点(x0，y0)沿梯度方向上的邻近点(x，y)进行灰度值对比。如果中心核点(x0，y0)的灰度值为其梯度方向上邻近点的局部极大值，则点(x0，y0)为待定边缘点，如果核点的灰度值比邻近点小，则将其梯度值置换为0，即不是边缘点。
[0095]
d)、双阈值算法检测和连接边缘：设置一个高阈值high和一个低阈值low，将阈值高于high的像素点定为边缘像素，将低于low的像素点排除掉，将处于high和low之间的定为连接边缘。
[0096]
通过运用canny边缘检测算法，可以准确的识别漏金属、划痕的缺陷轮廓，达到缺陷检测的目的。
[0097]
3.1两种缺陷检测方式对比
[0098]
漏金属和划痕这两种缺陷特征不同，所以采取两种不同的图像处理方式。漏金属与金属基色差异大，通过传统的阈值分割方法，可以得到清晰的缺陷边缘特征。如图6(a)所示，白色漏金属缺陷边缘被绿色曲线圈出，外围用矩形框框选。在系统中加入自动编号程序，可以对识别出的缺陷自动编号。在图6(a)中，共识别出5块漏金属缺陷，编号为1、2、3、4、5。
[0099]
对比于人工检查缺陷，大面积的缺陷尚可能被肉眼察觉，小面积的缺陷肉眼基本无法发现。在机器视觉的高精度相机下，通过上述的缺陷检测系统，可以有效准确的检测出细小的漏金属缺陷，提高产品质量检测精度。
[0100]
划痕缺陷与金属基色差异小，检测难度大，使用传统的阈值分割方法并不能有效识别缺陷。本发明通过二次阈值分割加腐蚀膨胀形态学处理得到划痕缺陷特征。如图6(b)所示，划痕缺陷被检测出来(矩形框包含的即划痕缺陷)。
[0101]
运用缺陷检测系统得到的检测结果
[0102]
如图7所示，运用工业相机(型号：dalsa高速线阵相机)采集多组锂电池极片缺陷图像(如图7(a)，灰度大且呈长条状的即漏金属缺陷，灰度小且呈长条状的即划痕缺陷)，使用本发明缺陷检测系统对该图像进行检测，可以比较清晰地获得漏金属、划痕缺陷边缘。如图7(b)所示，矩形框框住的缺陷为漏金属缺陷。如图7(c)所示，矩形框框住的缺陷为划痕缺陷。
[0103]
在多组图片进行检测时，每个图片缺陷的位置、轮廓皆不相同；根据检测结果，本发明提出的缺陷检测系统能有效识检测出两种物理缺陷的位置，并能识别缺陷复杂的轮廓。
[0104]
漏金属和划痕同属物理缺陷，存在二者相互夹杂在同一区域的可能性。两种缺陷夹杂时，人工检测更难区分。该系统检测结果可以准确检测出夹杂在漏金属区域的划痕缺陷；同理，也可以检测出夹杂在划痕区域的漏金属缺陷，说明该检测系统具有相当高的检测精度。
[0105]
基于本发明所述方法制作软件系统，系统界面截图如图8所示，该系统能实现锂电池极片缺陷检测功能，功能按钮包括打开/保存图片、预处理、阈值分割、图像降噪、提取缺陷等，并且可以根据功能选项，查看各功能的处理效果；具有两个图片显示框，分别显示原图和检测出缺陷后的框选图。软件运行稳定，检测时间快、检测精度高，能满足企业工厂的实际生产需求。
[0106]
由以上实施例内容可知，本发明的技术优势在于：
[0107]
第一、提出一种新型的二次阈值分割理论，在使用较高阈值分割出漏金属缺陷以后，保留缺陷特征，改进阈值分割算法再次调整阈值，分割出划痕缺陷特征，融合两次缺陷特征进行缺陷识别。
[0108]
第二、利用多级边缘检测canny算法，共用选取的最优阈值，准确检测缺陷的外形轮廓及缺陷面积。对于锂电池缺陷检测系统，多为检测极片边缘、极耳区域，本发明方法为采用基于机器视觉的图像处理技术，结合动态阈值分割与canny算法检测极片表面物理缺陷，与其他检测系统皆不同，应用于机器视觉领域，结合工业相机、计算机可用于锂电池极片生产企业的产品检测车间，提高产品生产效率与合格率。
[0109]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。