CN103245666A - 一种蓄电池极板外观缺陷自动检测方法 - Google Patents

一种蓄电池极板外观缺陷自动检测方法 Download PDF

Info

Publication number
CN103245666A
CN103245666A CN201310112596XA CN201310112596A CN103245666A CN 103245666 A CN103245666 A CN 103245666A CN 201310112596X A CN201310112596X A CN 201310112596XA CN 201310112596 A CN201310112596 A CN 201310112596A CN 103245666 A CN103245666 A CN 103245666A
Authority
CN
China
Prior art keywords
neighborhood
defect
image
pixel
average
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201310112596XA
Other languages
English (en)
Other versions
CN103245666B (zh
Inventor
何志伟
高明煜
吴占雄
曾毓
黄继业
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201310112596.XA priority Critical patent/CN103245666B/zh
Publication of CN103245666A publication Critical patent/CN103245666A/zh
Application granted granted Critical
Publication of CN103245666B publication Critical patent/CN103245666B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种蓄电池极板外观缺陷自动检测方法。传统的蓄电池极板的外观缺陷主要采用目测方法，具有较大的局限性。本发明方法首先由线阵CCD摄像头获得蓄电池极板其中一面的灰度图像，对灰度图像进行保留边缘的平滑滤波处理；然后对滤波后图像进行自适应阈值分割；最后确认孤立噪声点，统计所有连续备选缺陷点的数目，当该数量大于设定阈值时输出缺陷报警信号。本发明采用边缘保持的平滑方法，结合自适应阈值分割技术，并充分考虑了缺陷的面积特征，实现了实时准确的蓄电池极板外观检测。本发明可以高效准确地进行蓄电池极板外观缺陷的检测，该方法速度快、缺陷检测成功率高、无污染。

Description

一种蓄电池极板外观缺陷自动检测方法
技术领域
本发明属于蓄电池生产技术领域，具体涉及一种蓄电池极板外观缺陷自动检测方法。
背景技术
蓄电池极板是蓄电池的关键部件。由于生产原料本身的缺陷、生产过程的不足，蓄电池极板可能会存在一定的缺陷如外观缺陷、组成成分缺陷等，这些缺陷会对蓄电池的性能产生致命影响，因此需在生产过程中对极板进行检验。目前，蓄电池极板的外观缺陷主要采用目测方法，必要时辅以卡尺或直尺测量；组成成分缺陷检测主要基于化学方法完成。不管是外观缺陷检测还是组成成分检测均需人工完成，存在以下几个方面的问题：首先，含铅材料对人体有较大伤害；其次，效率较低；再者，人工检测容易出错。因此，实际生产过程中往往采用抽样检测的方式，具有较大的局限性。
发明内容
本发明的目的就是克服现有技术的不足，提出一种基于机器视觉的蓄电池极板外观缺陷自动检测方法，缺陷检测速度快、成功率高，无需人工参与。
本发明的蓄电池极板外观缺陷自动检测方法，具体步骤是：
步骤(1)由线阵CCD摄像头获得蓄电池极板其中一面的灰度图像I H ，其中图像分辨率为                                                
Figure DEST_PATH_IMAGE001
；
Figure 213301DEST_PATH_IMAGE002
表示图像宽度，
Figure DEST_PATH_IMAGE003
表示图像高度。
步骤(2)对I H 进行保留边缘的平滑滤波处理，得到滤波后图像，具体步骤如下：
①对I H 中的每一象素
Figure DEST_PATH_IMAGE005
，抽取出其左上角、右上角、左下角及右下角4个3×3邻域，其中：左上角邻域的9个像素坐标分别为
Figure 630824DEST_PATH_IMAGE006
、
Figure DEST_PATH_IMAGE007
、
Figure 699274DEST_PATH_IMAGE008
、
Figure DEST_PATH_IMAGE009
、
Figure 274350DEST_PATH_IMAGE010
、、
Figure 795461DEST_PATH_IMAGE012
、
Figure DEST_PATH_IMAGE013
、
Figure 982860DEST_PATH_IMAGE005
；右上角邻域的9个像素坐标分别为
Figure 968134DEST_PATH_IMAGE008
、
Figure 215575DEST_PATH_IMAGE014
、
Figure DEST_PATH_IMAGE015
、
Figure 286300DEST_PATH_IMAGE011
、
Figure 770065DEST_PATH_IMAGE016
、
Figure DEST_PATH_IMAGE017
、
Figure 547528DEST_PATH_IMAGE005
、
Figure 28188DEST_PATH_IMAGE018
、；左下角邻域的9个像素坐标分别为
Figure 258312DEST_PATH_IMAGE012
、
Figure 53093DEST_PATH_IMAGE013
、
Figure 747379DEST_PATH_IMAGE005
、
Figure 835159DEST_PATH_IMAGE020
、、
Figure 818158DEST_PATH_IMAGE022
、、
Figure 213368DEST_PATH_IMAGE024
、
Figure DEST_PATH_IMAGE025
；右下角邻域的9个像素坐标分别为
Figure 699844DEST_PATH_IMAGE005
、
Figure 725569DEST_PATH_IMAGE018
、
Figure 992602DEST_PATH_IMAGE019
、
Figure 362141DEST_PATH_IMAGE022
、
Figure 31020DEST_PATH_IMAGE026
、
Figure DEST_PATH_IMAGE027
、、
Figure 654079DEST_PATH_IMAGE028
、
Figure DEST_PATH_IMAGE029
；上述邻域若因处图像的边沿或角落不存在则忽略。
②计算上述每个3×3邻域的灰度均值，分别记为glu，gru，gld，grd。
③对glu、gru、gld、grd、I H
Figure 117739DEST_PATH_IMAGE005
进行排序，令它们的中间值为gm，则滤波后图像为
Figure 718222DEST_PATH_IMAGE030
，I H
Figure 959848DEST_PATH_IMAGE005
为灰度图像I H 中的象素
Figure 438233DEST_PATH_IMAGE005
的灰度值。
步骤(3)对步骤(2)中所获得的滤波后图像
Figure 816125DEST_PATH_IMAGE004
进行自适应阈值分割，具体步骤为：
①计算
Figure 354554DEST_PATH_IMAGE004
的均值
Figure DEST_PATH_IMAGE031
。
②对
Figure 755579DEST_PATH_IMAGE004
中的所有像素以
Figure 99973DEST_PATH_IMAGE031
为分界点进行二分类，灰度值大于
Figure 40028DEST_PATH_IMAGE031
的归为一类，反之归为另一类，分别计算该两类像素的均值和
Figure DEST_PATH_IMAGE033
，令
Figure 699997DEST_PATH_IMAGE034
为该两类像素均值的均值，即
Figure DEST_PATH_IMAGE035
。
③继续以
Figure 520185DEST_PATH_IMAGE034
为分界点对中的所有像素进行二分类，令为该两类像素均值的均值。
④重复上述二分类过程
Figure DEST_PATH_IMAGE037
次，获得
Figure 299157DEST_PATH_IMAGE004
的自适应分割阈值
Figure 985353DEST_PATH_IMAGE038
。
⑤若
Figure DEST_PATH_IMAGE039
则令
Figure 130027DEST_PATH_IMAGE040
，对应的像素为备选缺陷点；若
Figure DEST_PATH_IMAGE041
则令
Figure 181159DEST_PATH_IMAGE042
，对应的像素不是备选缺陷点。
步骤(4)在8-邻域上计算空间上连续的备选缺陷点的面积，即对每一个备选缺陷点
Figure 106390DEST_PATH_IMAGE005
，考查其邻域8个邻域点
Figure 766916DEST_PATH_IMAGE010
、、
Figure 316026DEST_PATH_IMAGE016
、
Figure 462974DEST_PATH_IMAGE013
、、
Figure 610238DEST_PATH_IMAGE021
、
Figure 3174DEST_PATH_IMAGE022
、
Figure 902997DEST_PATH_IMAGE026
是否为备选缺陷点，若所有全部8个邻域点均不是备选缺陷点，一般可以认为
Figure 469107DEST_PATH_IMAGE005
是孤立噪声点；反之，以邻域中的备选缺陷点为中心继续向外扩散，直到不能找到连续备选缺陷点为止，统计所有连续备选缺陷点的数目，当该数量大于
Figure DEST_PATH_IMAGE043
时输出缺陷报警信号，否则不报警。其中
Figure 941415DEST_PATH_IMAGE043
为面积滤波阈值。
步骤(5)获得蓄电池极板另一面的图像I T ，重复步骤(2)～(4)，获取极板该面的缺陷信息。
本发明可以高效准确地进行蓄电池极板外观缺陷的检测，该方法速度快、缺陷检测成功率高、无污染。
具体实施方式
以下对本发明作进一步说明。
步骤(1)由线阵CCD摄像头获得蓄电池极板其中一面的灰度图像I H ，其中图像分辨率为
Figure 505251DEST_PATH_IMAGE001
；
Figure 626791DEST_PATH_IMAGE002
表示图像宽度，表示图像高度。
步骤(2)对I H 进行保留边缘的平滑滤波处理，得到滤波后图像，具体步骤如下：
①对I H 中的每一象素
Figure 825188DEST_PATH_IMAGE005
，抽取出其左上角、右上角、左下角及右下角4个3×3邻域，其中：左上角邻域的9个像素坐标分别为
Figure 434024DEST_PATH_IMAGE006
、
Figure 341937DEST_PATH_IMAGE007
、
Figure 618915DEST_PATH_IMAGE008
、
Figure 586871DEST_PATH_IMAGE009
、
Figure 620686DEST_PATH_IMAGE010
、
Figure 332290DEST_PATH_IMAGE011
、
Figure 400740DEST_PATH_IMAGE012
、
Figure 539597DEST_PATH_IMAGE013
、
Figure 795129DEST_PATH_IMAGE005
；右上角邻域的9个像素坐标分别为
Figure 310424DEST_PATH_IMAGE008
、
Figure 295698DEST_PATH_IMAGE014
、、
Figure 846820DEST_PATH_IMAGE011
、
Figure 837909DEST_PATH_IMAGE016
、
Figure 677689DEST_PATH_IMAGE017
、
Figure 96033DEST_PATH_IMAGE005
、
Figure 654053DEST_PATH_IMAGE018
、
Figure 183254DEST_PATH_IMAGE019
；左下角邻域的9个像素坐标分别为
Figure 143120DEST_PATH_IMAGE012
、、
Figure 10637DEST_PATH_IMAGE005
、
Figure 405846DEST_PATH_IMAGE020
、
Figure 157901DEST_PATH_IMAGE021
、
Figure 980364DEST_PATH_IMAGE022
、、
Figure 383980DEST_PATH_IMAGE024
、
Figure 990542DEST_PATH_IMAGE025
；右下角邻域的9个像素坐标分别为、
Figure 174454DEST_PATH_IMAGE018
、
Figure 177045DEST_PATH_IMAGE019
、
Figure 700430DEST_PATH_IMAGE022
、
Figure 802378DEST_PATH_IMAGE026
、
Figure 44004DEST_PATH_IMAGE027
、
Figure 460073DEST_PATH_IMAGE025
、
Figure 837964DEST_PATH_IMAGE028
、；上述邻域若因
Figure 344130DEST_PATH_IMAGE005
处图像的边沿或角落不存在则忽略。
②计算上述每个3×3邻域的灰度均值，分别记为glu，gru，gld，grd。
③对glu、gru、gld、grd、I H
Figure 626207DEST_PATH_IMAGE005
进行排序，令它们的中间值为gm，则滤波后图像为
Figure 858605DEST_PATH_IMAGE030
，I H
Figure 630252DEST_PATH_IMAGE005
为灰度图像I H 中的象素的灰度值。
步骤(3)对步骤(2)中所获得的滤波后图像
Figure 401079DEST_PATH_IMAGE004
进行自适应阈值分割，具体步骤为：
①计算的均值
Figure 633794DEST_PATH_IMAGE031
。
②对中的所有像素以为分界点进行二分类，灰度值大于
Figure 338817DEST_PATH_IMAGE031
的归为一类，反之归为另一类，分别计算该两类像素的均值
Figure 452266DEST_PATH_IMAGE032
和
Figure 315180DEST_PATH_IMAGE033
，令
Figure 539488DEST_PATH_IMAGE034
为该两类像素均值的均值，即
Figure 804247DEST_PATH_IMAGE035
。
③继续以
Figure 823019DEST_PATH_IMAGE034
为分界点对
Figure 671764DEST_PATH_IMAGE004
中的所有像素进行二分类，令
Figure 699763DEST_PATH_IMAGE036
为该两类像素均值的均值。
④重复上述二分类过程
Figure 881345DEST_PATH_IMAGE037
次，获得的自适应分割阈值
Figure 908524DEST_PATH_IMAGE038
。
⑤若
Figure 412318DEST_PATH_IMAGE039
则令
Figure 713986DEST_PATH_IMAGE040
，对应的像素为备选缺陷点；若
Figure 277823DEST_PATH_IMAGE041
则令
Figure 399362DEST_PATH_IMAGE042
，对应的像素不是备选缺陷点。
步骤(4)在8-邻域上计算空间上连续的备选缺陷点的面积，即对每一个备选缺陷点
Figure 205382DEST_PATH_IMAGE005
，考查其邻域8个邻域点、
Figure 96295DEST_PATH_IMAGE011
、
Figure 705131DEST_PATH_IMAGE016
、
Figure 550727DEST_PATH_IMAGE013
、
Figure 561408DEST_PATH_IMAGE018
、
Figure 529364DEST_PATH_IMAGE021
、
Figure 563179DEST_PATH_IMAGE022
、是否为备选缺陷点，若所有全部8个邻域点均不是备选缺陷点，一般可以认为
Figure 570330DEST_PATH_IMAGE005
是孤立噪声点；反之，以邻域中的备选缺陷点为中心继续向外扩散，直到不能找到连续备选缺陷点为止，统计所有连续备选缺陷点的数目，当该数量大于
Figure 709187DEST_PATH_IMAGE043
时输出缺陷报警信号，否则不报警。其中
Figure 230299DEST_PATH_IMAGE043
为面积滤波阈值。
步骤(5)获得蓄电池极板另一面的图像I T ，重复步骤(2)～(4)，获取极板该面的缺陷信息。
本发明的一个具体实施例中，面积滤波阈值等参数根据经验及现场环境设置。试验中图像分辨率为320×240，在内存大小为2GB、CPU频率为3GHz的工业控制机上图像处理速率为15帧/秒，因此每秒可完成7.5片电池极板的外观检测。在现有试验中尚未发生漏检和误检现象。
本发明方法在进行电池极板外观缺陷检测时，采用边缘保持的平滑方法，结合自适应阈值分割技术，并充分考虑了缺陷的面积特征，实现了实时准确的蓄电池极板外观检测。

Claims (1)

1.一种蓄电池极板外观缺陷自动检测方法，其特征在于该方法的具体步骤是：
步骤(1)由线阵CCD摄像头获得蓄电池极板其中一面的灰度图像I H ，其中图像分辨率为 
Figure DEST_PATH_IMAGE002
，
Figure DEST_PATH_IMAGE004
表示图像宽度，
Figure DEST_PATH_IMAGE006
表示图像高度；
步骤(2)对灰度图像I H 进行保留边缘的平滑滤波处理，得到滤波后图像
Figure DEST_PATH_IMAGE008
，具体步骤如下：
①对灰度图像I H 中的每一象素
Figure DEST_PATH_IMAGE010
，抽取出其左上角、右上角、左下角及右下角4个3×3邻域，其中：左上角邻域的9个像素坐标分别为
Figure DEST_PATH_IMAGE012
、
Figure DEST_PATH_IMAGE014
、
Figure DEST_PATH_IMAGE016
、
Figure DEST_PATH_IMAGE018
、
Figure DEST_PATH_IMAGE020
、
Figure DEST_PATH_IMAGE022
、
Figure DEST_PATH_IMAGE024
、、
Figure 628887DEST_PATH_IMAGE010
；右上角邻域的9个像素坐标分别为
Figure 608345DEST_PATH_IMAGE016
、
Figure DEST_PATH_IMAGE028
、
Figure DEST_PATH_IMAGE030
、
Figure 450399DEST_PATH_IMAGE022
、
Figure DEST_PATH_IMAGE032
、
Figure DEST_PATH_IMAGE034
、
Figure 474636DEST_PATH_IMAGE010
、
Figure DEST_PATH_IMAGE036
、
Figure DEST_PATH_IMAGE038
；左下角邻域的9个像素坐标分别为、、
Figure 503138DEST_PATH_IMAGE010
、、
Figure DEST_PATH_IMAGE042
、
Figure DEST_PATH_IMAGE044
、
Figure DEST_PATH_IMAGE046
、
Figure DEST_PATH_IMAGE048
、
Figure DEST_PATH_IMAGE050
；右下角邻域的9个像素坐标分别为
Figure 390454DEST_PATH_IMAGE010
、
Figure 121649DEST_PATH_IMAGE036
、
Figure 115013DEST_PATH_IMAGE038
、
Figure 931660DEST_PATH_IMAGE044
、
Figure DEST_PATH_IMAGE052
、
Figure DEST_PATH_IMAGE054
、
Figure 291840DEST_PATH_IMAGE050
、
Figure DEST_PATH_IMAGE056
、
Figure DEST_PATH_IMAGE058
；上述邻域若因
Figure 939859DEST_PATH_IMAGE010
处图像的边沿或角落不存在则忽略；
②计算上述每个3×3邻域的灰度均值，分别记为glu，gru，gld，grd；
③对glu、gru、gld、grd、I H
Figure 369704DEST_PATH_IMAGE010
进行排序，令它们的中间值为gm，则滤波后图像为，I H
Figure 175111DEST_PATH_IMAGE010
为灰度图像I H 中的象素
Figure 512551DEST_PATH_IMAGE010
的灰度值；
步骤(3)对步骤(2)中所获得的滤波后图像
Figure 156022DEST_PATH_IMAGE008
进行自适应阈值分割，具体步骤为：
①计算
Figure 553506DEST_PATH_IMAGE008
的均值
Figure DEST_PATH_IMAGE062
；
②对
Figure 344744DEST_PATH_IMAGE008
中的所有像素以
Figure 423558DEST_PATH_IMAGE062
为分界点进行二分类，灰度值大于
Figure 312466DEST_PATH_IMAGE062
的归为一类，反之归为另一类，分别计算该两类像素的均值
Figure DEST_PATH_IMAGE064
和
Figure DEST_PATH_IMAGE066
，令
Figure DEST_PATH_IMAGE068
为该两类像素均值的均值，即
Figure DEST_PATH_IMAGE070
；
③继续以
Figure 208747DEST_PATH_IMAGE068
为分界点对
Figure 221702DEST_PATH_IMAGE008
中的所有像素进行二分类，令
Figure DEST_PATH_IMAGE072
为该两类像素均值的均值；
④重复上述二分类过程
Figure DEST_PATH_IMAGE074
次，获得
Figure 667989DEST_PATH_IMAGE008
的自适应分割阈值
Figure DEST_PATH_IMAGE076
；
⑤若
Figure DEST_PATH_IMAGE078
则令
Figure DEST_PATH_IMAGE080
，对应的像素为备选缺陷点；若则令，对应的像素不是备选缺陷点；
步骤(4)在8-邻域上计算空间上连续的备选缺陷点的面积，即对每一个备选缺陷点
Figure 207424DEST_PATH_IMAGE010
，考查其邻域8个邻域点
Figure 710824DEST_PATH_IMAGE020
、
Figure 148759DEST_PATH_IMAGE022
、、
Figure 104262DEST_PATH_IMAGE026
、
Figure 217712DEST_PATH_IMAGE036
、
Figure 205259DEST_PATH_IMAGE042
、
Figure 491884DEST_PATH_IMAGE044
、
Figure 553381DEST_PATH_IMAGE052
是否为备选缺陷点，若所有全部8个邻域点均不是备选缺陷点，则认为
Figure 401514DEST_PATH_IMAGE010
是孤立噪声点；反之，以邻域中的备选缺陷点为中心继续向外扩散，直到不能找到连续备选缺陷点为止，统计所有连续备选缺陷点的数目，当该数量大于
Figure DEST_PATH_IMAGE086
时输出缺陷报警信号，否则不报警；其中为面积滤波阈值；
步骤(5)获得蓄电池极板另一面的图像I T ，重复步骤(2)～(4)，获取极板该面的缺陷信息。
CN201310112596.XA 2013-04-02 2013-04-02 一种蓄电池极板外观缺陷自动检测方法 Active CN103245666B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310112596.XA CN103245666B (zh) 2013-04-02 2013-04-02 一种蓄电池极板外观缺陷自动检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310112596.XA CN103245666B (zh) 2013-04-02 2013-04-02 一种蓄电池极板外观缺陷自动检测方法

Publications (2)

Publication Number Publication Date
CN103245666A true CN103245666A (zh) 2013-08-14
CN103245666B CN103245666B (zh) 2015-03-18

Family

ID=48925326

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310112596.XA Active CN103245666B (zh) 2013-04-02 2013-04-02 一种蓄电池极板外观缺陷自动检测方法

Country Status (1)

Country Link
CN (1) CN103245666B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103499585A (zh) * 2013-10-22 2014-01-08 常州工学院 基于机器视觉的非连续性锂电池薄膜缺陷检测方法及其装置
CN104359920A (zh) * 2014-11-18 2015-02-18 杭州电子科技大学 一种用于薄膜电容外观缺陷检测的图像处理方法
CN105548216A (zh) * 2016-01-15 2016-05-04 浙江野马电池有限公司 一种半成品电池外观视觉检测方法
CN105548186A (zh) * 2016-01-15 2016-05-04 浙江野马电池有限公司 一种浆层纸视觉检测方法
CN105548201A (zh) * 2016-01-15 2016-05-04 浙江野马电池有限公司 一种电池焊盖视觉检测方法
CN113359049A (zh) * 2021-04-29 2021-09-07 张火锐 一种固态锂电池损耗的检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6225243A (ja) * 1985-07-25 1987-02-03 Matsushita Electric Works Ltd 欠陥検出方法
JP2011069742A (ja) * 2009-09-25 2011-04-07 Panasonic Electric Works Co Ltd 欠陥検出装置および欠陥検出方法
CN102175692A (zh) * 2011-03-17 2011-09-07 嘉兴学院 织物坯布疵点快速检测***及方法
CN102636490A (zh) * 2012-04-12 2012-08-15 江南大学 基于机器视觉的轴承防尘盖表面缺陷检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6225243A (ja) * 1985-07-25 1987-02-03 Matsushita Electric Works Ltd 欠陥検出方法
JP2011069742A (ja) * 2009-09-25 2011-04-07 Panasonic Electric Works Co Ltd 欠陥検出装置および欠陥検出方法
CN102175692A (zh) * 2011-03-17 2011-09-07 嘉兴学院 织物坯布疵点快速检测***及方法
CN102636490A (zh) * 2012-04-12 2012-08-15 江南大学 基于机器视觉的轴承防尘盖表面缺陷检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
贺秋伟等: "基于计算机视觉的塑料齿轮齿形缺陷检测", 《机床与液压》 *
陈廉清等: "基于图像识别的微小塑料齿轮检测研究", 《中国机械工程》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103499585A (zh) * 2013-10-22 2014-01-08 常州工学院 基于机器视觉的非连续性锂电池薄膜缺陷检测方法及其装置
CN103499585B (zh) * 2013-10-22 2015-07-29 常州工学院 基于机器视觉的非连续性锂电池薄膜缺陷检测方法及其装置
CN104359920A (zh) * 2014-11-18 2015-02-18 杭州电子科技大学 一种用于薄膜电容外观缺陷检测的图像处理方法
CN104359920B (zh) * 2014-11-18 2017-01-25 杭州电子科技大学 一种用于薄膜电容外观缺陷检测的图像处理方法
CN105548216A (zh) * 2016-01-15 2016-05-04 浙江野马电池有限公司 一种半成品电池外观视觉检测方法
CN105548186A (zh) * 2016-01-15 2016-05-04 浙江野马电池有限公司 一种浆层纸视觉检测方法
CN105548201A (zh) * 2016-01-15 2016-05-04 浙江野马电池有限公司 一种电池焊盖视觉检测方法
CN105548201B (zh) * 2016-01-15 2018-07-13 浙江野马电池有限公司 一种电池焊盖视觉检测方法
CN105548186B (zh) * 2016-01-15 2018-09-14 浙江野马电池有限公司 一种浆层纸视觉检测方法
CN105548216B (zh) * 2016-01-15 2019-03-12 浙江野马电池有限公司 一种半成品电池外观视觉检测方法
CN113359049A (zh) * 2021-04-29 2021-09-07 张火锐 一种固态锂电池损耗的检测方法
CN113359049B (zh) * 2021-04-29 2022-07-29 张火锐 一种固态锂电池损耗的检测方法

Also Published As

Publication number Publication date
CN103245666B (zh) 2015-03-18

Similar Documents

Publication Publication Date Title
CN103245666B (zh) 一种蓄电池极板外观缺陷自动检测方法
CN110717455B (zh) 一种收储中的废钢等级分类检测方法
CN105046700B (zh) 基于亮度校正与颜色分类的水果表面缺陷检测方法及***
CN104504388B (zh) 一种路面裂缝识别和特征提取算法及***
CN102521589B (zh) 一种车道线检测的方法及***
CN104537651B (zh) 一种路面图像中裂缝比例检测方法及***
CN103983190B (zh) 群体产地鸭蛋外形尺寸的视觉检测分级装置及其方法
Jadhav et al. A fruit quality management system based on image processing
CN103499585A (zh) 基于机器视觉的非连续性锂电池薄膜缺陷检测方法及其装置
CN103198705B (zh) 车位状态自动检测方法
CN103454285A (zh) 基于机器视觉的传动链条质量检测***
CN105044114A (zh) 一种电解电容外观包装缺陷图像检测***与方法
CN105139386A (zh) 一种快速自动检测电气接插件焊点不合格品的图像处理方法
CN104198497A (zh) 一种基于视觉显著图和支持向量机的表面缺陷检测方法
CN103308523B (zh) 多尺度瓶口缺陷检测方法及装置
CN104197836A (zh) 基于机器视觉的汽车门锁装配尺寸检测方法
CN104574353A (zh) 基于视觉显著性的表面缺陷判定方法
CN106780526A (zh) 一种铁氧体圆片表面裂痕识别方法
CN103345632A (zh) 一种电池尾端表面划痕缺陷检测方法
CN107490583A (zh) 一种基于机器视觉的夹片缺陷检测方法
CN106780464A (zh) 一种基于改进阈值分割的织物疵点检测方法
CN109115775B (zh) 一种基于机器视觉的槟榔等级检测方法
Hou et al. Welding image edge detection and identification research based on canny operator
CN104200215A (zh) 一种大口径光学元件表面灰尘与麻点识别方法
CN103983426A (zh) 一种基于机器视觉的光纤缺陷检测及分类***及其方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant