CN110544231A - 基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法 - Google Patents
基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法 Download PDFInfo
- Publication number
- CN110544231A CN110544231A CN201910670494.7A CN201910670494A CN110544231A CN 110544231 A CN110544231 A CN 110544231A CN 201910670494 A CN201910670494 A CN 201910670494A CN 110544231 A CN110544231 A CN 110544231A
- Authority
- CN
- China
- Prior art keywords
- image
- value
- gray
- region
- array
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 147
- 238000001514 detection method Methods 0.000 title claims abstract description 91
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 59
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 58
- 230000000694 effects Effects 0.000 claims abstract description 24
- 230000011218 segmentation Effects 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000010606 normalization Methods 0.000 claims description 34
- 230000009466 transformation Effects 0.000 claims description 15
- 238000000034 method Methods 0.000 claims description 14
- 238000003491 array Methods 0.000 claims description 10
- 230000006740 morphological transformation Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims description 2
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 7
- 238000009776 industrial production Methods 0.000 abstract description 4
- 238000002372 labelling Methods 0.000 abstract description 2
- 230000005540 biological transmission Effects 0.000 abstract 1
- 238000005259 measurement Methods 0.000 abstract 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 16
- 229910001416 lithium ion Inorganic materials 0.000 description 16
- 238000004364 calculation method Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 5
- 238000011897 real-time detection Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000002950 deficient Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 101100408454 Arabidopsis thaliana PLC6 gene Proteins 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法,通过由照明设备、线阵摄像机、传送装置、贴标机、工控机和PLC搭建成的测量***实现,具体实现步骤如下:用线阵摄像机获得锂电池电极表面图像;然后用背景标准化算法对电极表面图像进行预处理;接着进行缺陷粗检测,对预处理之后的电极表面图像进行自动阈值分割获取缺陷可能存在的区域;最后进行缺陷精确检测,用自动集中补偿算法对缺陷可能存在的区域进行精确检测,从而得到缺陷图像。本发明提出的锂电池电极表面缺陷检测方法能在保证锂电池电极表面缺陷检测效果的前提下,满足实际锂电池工业生产过程中的在线实时缺陷检测的要求,提高锂电池的生产效率。
Description
技术领域
本发明涉及机器视觉检测技术领域,具体涉及一种基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法。
背景技术
由于锂离子电池具有能量密度高、充放电速度快等优点,使其在便捷式电子通信设备市场占据主导地位,并且逐渐扩展到电动工具领域。目前移动电话、笔记本电脑、***机等需要便携式电源的用电器已经成为人们生活中不可缺少的一部分,在其电源方面,无一例外地选择锂离子电池作为市场的主流。据统计,全球手机产量每年近21亿部,全球每年生产笔记本电脑约1.5亿台,形成了庞大的锂离子电池应用市场。在交通行业的应用随着社会文明的进步,人们环保意识提高并对环境要求日益高涨,环保的交通工具已经进入人们的视野。目前,我国以电动自行车为主的电动轻型车呈现出蓬勃发展的趋势,锂离子电池已开始在部分高端车型应用,在电动汽车开发方面,锂离子电池已经成为主流。在国内,众多汽车研制和生产企业开发的电动汽车半数以上车型采用了锂离子电池,并有逐步扩大的趋势。
但是如果锂离子电池电极表面存在缺陷,不仅会降低锂离子电池的性能和使用寿命,而且还会带来安全隐患。因此为了保证锂离子电池电极表面的质量,避免有缺陷的锂离子电池电极流入到后续的锂离子电池的生产工序中,降低锂离子电池的生产效率,影响锂离子电池的成品率,所以必须要在锂离子电池电极的生产过程中进行缺陷的检测和实时地将有缺陷的锂离子电池电极从生产工序中移除。
目前基于机器视觉的缺陷检测方法有很多种,有些方法仅适用于与周围背景有明显灰度值差异的缺陷;有些缺陷检测方法在实际情况下检测效果不错,但对噪声敏感并且计算耗时过大,无法达到实时检测要求,例如一种频率域的缺陷检测方法——基于傅里叶变换并结合各种滤波器如高斯滤波器的缺陷检测方法,这种方法可以去除纹理背景,使缺陷变得明显,但计算量相对较大,计算耗时较长,无法满足工业上在线实时检测的要求;为了满足工业生产中在线实时检测的要求,相关领域的研究者们提出一些加快缺陷检测速度的算法如快速傅里叶变换(FFT)算法、快速正则化度量(FRM)算法、局部邻域分析(LNA)算法等。但是目前在实际锂电池工业生产中运用于锂电池电极表面缺陷检测的检测方法还不是很成熟,有些检测方法的检测效果不好,只能做到大致检测;有些方法的在线实时检测性不是很好,甚至有些中小型企业还是主要用人工来检测锂电池电极表面的缺陷。
发明内容
本发明的目的是为了解决现有技术中的上述缺陷,提供一种基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法。
本发明的目的可以通过采取如下技术方案达到:
一种基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法,所述的缺陷检测方法包括以下步骤:
S1、锂电池电极表面图像的获取:用高精度的工业线性扫描摄像机拍摄锂电池电极表面图像;
S2、图像预处理:对步骤S1得到的锂电池电极表面图像进行阈值分割和最大轴平行矩形变换获得感兴趣的区域图像,即ROI区域图像,然后用背景标准化算法使ROI区域图像的背景区域的灰度值均匀,从而将前景区域即缺陷区域凸显出来,其中,所述的背景标准化算法首先将ROI区域均分成L个子矩形,并求得每个子矩形垂直方向的平均灰度值,分别保存到L个长度相同的数组Ai中(i=0,1,2,…,L-1);然后求不同数组Ai中同一列即相同索引值的任意两个元素的绝对误差AE,并对绝对误差AE进行阈值分割求得数组接着求数组的平均值mk,从而得到均值数组M;最后用均值数组M中的最大值依次减去该数组中的每一个元素,求得图像灰度值背景标准化数组BN,从而就可以用背景标准化数组BN对ROI区域进行背景标准化,使ROI区域图像的背景区域的灰度值均匀;
S3、缺陷粗检测:基于步骤S2得到的背景标准化后的锂电池电极表面图像的灰度直方图中最大值对应的灰度值Hmax、图像灰度值的标准差σ和事先设定的常数参数λ来确定粗检测的自动阈值,从而对步骤S2得到的背景标准化之后的图像进行缺陷粗检测,确定锂电池电极表面缺陷可能存在的区域;
S4、缺陷精确检测:通过形态学变换、区域闭合和最小外接矩形变换操作,将步骤S3缺陷粗检测得到的缺陷可能存在的区域切分成一个或多个小矩形区域,然后用自动集中补偿算法对每一个小矩形区域进行精确检测,获得锂电池电极表面的缺陷图像,其中,所述的自动集中补偿算法首先将切分成的小矩形区域缩小Z倍,并用自动大小的均值滤波器平滑缩小后的小矩形区域图像;接着将均值滤波器平滑后的图像放大Z倍,并求其与原小矩形区域图像互相的差值图像Isub1(x,y),Isub2(x,y),接着将差值图像的灰度值进行放大增强,从而得到相应的灰度增强图像Is1(x,y),Is2(x,y);最后求取灰度增强图像中每一个相同像素点灰度值的最大值,从而获得最大灰度值图像Imgv(x,y),并对最大灰度值图像进行自动阈值分割得到自动集中补偿算法的输出图像Io(x,y)。
进一步地,所述的步骤S2图像预处理的具体过程为:
S2.1、通过对步骤S1获得的锂电池电极表面图像进行阈值分割和最大轴平行矩形变换获得ROI区域图像,即实际电极表面区域图像g(x,y);
S2.2、将ROI区域均分成L个子矩形,L的取值范围为L∈[5,20];
S2.3、求步骤S2.2中每一个子矩形在垂直方向的平均灰度值,并分别保存到L个数组Ai中,i=0,1,2,…,L-1:
Ai={ai,0,ai,1,…,ai,k,…,ai,end-2,ai,end-1}
其中ai,k表示第i个数组Ai中的第K+1个元素,end是数组Ai的长度,同时也是ROI区域的水平宽度;
S2.4、求不同子矩形数组Ai中同一列元素的任意两个不同元素的绝对误差AE,然后对绝对误差AE进行阈值分割建立数组接着对数组中的元素求平均值mk,从而得到均值数组M:
AE=|ai,k-aj,k|i,j=0,1,…,L-1,i≠j,k=0,1,…,end-1
M={m0,m1,…,mk,…,mend-2,mend-1}
其中ai,k,aj,k分别表示第i个数组Ai和第j个数组Aj中的第K+1个元素,数组的初始值是一个空集φ,T是一个事先设定的阈值,是数组中的元素,n是数组中元素的个数;
S2.5、通过步骤S2.4求得的均值数组M求出ROI区域图像的灰度值背景标准化数组BN,从而对ROI区域图像g(x,y)进行背景标准化:
BN={bn0,bn1,…,bnk,…,bnend-2,bnend-1}
={mmax-m0,mmax-m1,…,mmax-mk,…,mmax-mend-2,mmax-mend-1}
其中mmax是均值数组M中最大的元素,height、width分别是ROI区域图像g(x,y)的垂直高度和水平宽度,end=width,gbn(x,y)是ROI区域图像g(x,y)经过背景标准化之后的图像。
进一步地,所述的步骤S3缺陷粗检测的具体过程为:
ROI区域图像g(x,y)经过背景标准化之后的图像gbn(x,y)的信噪比更高,所以图像gbn(x,y)的前景信息即锂电池电极表面的缺陷变得更加明显,因此可用自动阈值分割提取出图像gbn(x,y)中可能的缺陷区域,其中,自动阈值由图像gbn(x,y)的灰度直方图中最大值对应的灰度值Hmax、图像gbn(x,y)的标准差σ以及事先设定的增益λ共同决定;
其中REGD是可能存在缺陷的区域,REGG是无缺陷存在的区域。
进一步地,所述的步骤S4精确检测的具体过程为:
通过形态学变换、区域闭合和区域最小外接矩形变换操作,将可能存在缺陷的区域REGD切分成一个或多个矩形图像区域Ir(x,y),然后利用自动集中补偿算法对这些矩形图像区域Ir(x,y)进行缺陷精确检测,从而精确的提取出缺陷区域图像,自动集中补偿算法的具体实现步骤如步骤S4.1~步骤S4.6所示。
进一步地,所述的步骤S4中自动集中补偿算法过程如下:
S4.1、将矩形图像区域Ir(x,y)缩小Z倍:
Iz(x′,y′)=Ir(x+γ,y+β)
=(1-γ)(1-β)Ir(x,y)+(1-γ)βIr(x,y+1)
+γ(1-β)Ir(x+1,y)+γβIr(x+1,y+1)
其中Z是事先设定的常数缩放系数,Z∈[5,20];Iz(x′,y′)是矩形图像区域Ir(x,y)缩小Z倍后的图像区域;令Hs、Ws分别为矩形图像区域Ir(x,y)的垂直高度和水平宽度,则x∈[0,Hs-1],y∈[0,Ws-1];令Hd、Wd分别为图像区域Iz(x′,y′)的垂直高度和水平宽度,Hd=factor 1×Hs,Wd=factor 1×Ws,factor1为缩放因子,在这里则x′∈[0,Hd-1],y′∈[0,Wd-1];令则x=[sx],γ=sx-x,y=[sy],β=sy-y;
S4.2、使用自动大小的均值滤波器平滑图像Iz(x′,y′):
其中Im(x,y)是图像Iz(x′,y′)均值滤波后的灰度值图像,f(x,y)是图像Iz(x′,y′)的部分图像,N是图像f(x,y)中的像素点的总数;
S4.3、将均值滤波后的灰度值图像Im(x,y)再放大Z倍,具体步骤与步骤S4.1相似:
Ima(x′,y′)=Im(x+γ′,y+β′)
=(1-γ′)(1-β′)Ir(x,y)+(1-γ′)β′Ir(x,y+1)
+γ′(1-β′)Ir(x+1,y)+γ′β′Ir(x+1,y+1)
其中Ima(x′,y′)是矩形图像区域Im(x,y)放大Z倍后的图像区域;令Hs、Ws分别为矩形图像区域Im(x,y)的垂直高度和水平宽度,则x∈[0,Hs-1],y∈[0,Ws-1];令Hd、Wd分别为图像区域Ima(x′,y′)的垂直高度和水平宽度,Hd=factor 2×Hs,Wd=factor 2×Ws,factor2为缩放因子,在这里factor2=Z,则x′∈[0,Hd-1],y′∈[0,Wd-1];令则x=[sx],γ′=sx-x,y=[sy],β′=sy-y;
S4.4、分别计算获得灰度图像Ir(x,y)和灰度图像Ima(x,y)的互相的差值图像Isub1(x,y)、Isub2(x,y):
Isub1(x,y)=Ima(x,y)-Ir(x,y)
Isub2(x,y)=Ir(x,y)-Ima(x,y)
其中要求灰度图像Ir(x,y)和Ima(x,y)的图像大小要完全相同;
然后对差值图像Isub1(x,y)、Isub1(x,y)进行相应的灰度值的放大增强,从而得到相应的灰度增强图像Is1(x,y)、Is2(x,y):
Is1(x,y)=K·Isub1(x,y)
Is2(x,y)=K·Isub2(x,y)
其中K为事先设定的常数图像灰度值增强因子,随着K取值的增大,图像前景区域和背景区域之间的灰度范围变大;
S4.5、计算灰度增强图像Is1(x,y)、Is2(x,y)中每一个相同像素点灰度值的最大值,从而获得最大灰度值图像Imgv(x,y):
Imgv(x,y)=max{Is1(x,y),Is2(x,y)}
其中要求灰度增强图像Is1(x,y)、Is2(x,y)的图像大小要完全相同;
S4.6、使用最大灰度值图像Imgv(x,y)的灰度直方图中最大值对应的灰度值Hmax、图像灰度值的标准差σ以及事先设定的系数α对最大灰度值图像Imgv(x,y)进行阈值分割,从而得到自动集中补偿算法的输出图像Io(x,y):
其中α为根据图像缺陷检测效果事先设定的常数系数。
本发明相对于现有技术具有如下的优点及效果:
(1)本发明提出了一种快速的图像背景标准化算法,对获得的大面积、厚度不均匀且处于不均匀光照条件下的锂电池电极表面图像应用这种背景标准化算法,可以快速地使图像背景区域的灰度值变得均匀,从而使图像中的前景区域即可能的缺陷区域凸显出来;
(2)本发明提出了一种适用于缺陷精确检测的快速算法——自动集中补偿算法。相比于其他缺陷精确检测算法,如快速傅里叶变换(FFT)算法、快速正则化度量(FRM)算法、局部邻域分析(LNA)算法等,该自动集中补偿算法在缺陷检测效果相似的情况下,算法的计算量相对较少,计算耗时相对较短,加快了缺陷精确检测的速度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见,下面描述中的附图仅仅是本发明的一些实施例,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的附图。
图1是本发明实施例中锂电池电极表面缺陷检测的自动光学检测***结构示意图;
图2是本发明实施例中缺陷检测算法的总流程图;
图3(a)是本发明实施例中锂电池电极表面图像的获取步骤中线性扫描摄像机拍摄的锂电池电极表面的图像;
图3(b)是本发明实施例中图像预处理步骤中步骤S2.1阈值分割和最大轴平行矩形变换后获得的ROI区域图像;
图3(c)是本发明实施例中图像预处理步骤中步骤S2.2将ROI区域均分成10个子矩形的图像;
图3(d)是本发明实施例中图像预处理步骤中经过背景标准化之后的ROI区域图像;
图4(a)是本发明实施例中ROI区域图像背景标准化之前的图像;
图4(b)是本发明实施例中ROI区域图像背景标准化之后的图像;
图4(c)是本发明实施例中ROI区域图像背景标准化前后水平方向上的平均灰度值的变化图;
图4(d)是本发明实施例中ROI区域图像背景标准化前后垂直方向上的平均灰度值的变化图;
图5(a)是本发明实施例中缺陷粗检测步骤中自动阈值图;
图5(b)是本发明实施例中缺陷粗检测步骤中背景标准化后的ROI区域图像经过缺陷粗检测之后的图像;
图6是本发明实施例中当λ取不同值时缺陷粗检测前后的缺陷图像与对应的实际缺陷图像的对比图;
图7是本发明实施例中缺陷精确检测步骤的流程图;
图8是本发明实施例中缺陷精确检测步骤中每一具体步骤的效果图;
图9是本发明实施例中本发明提出的自动集中补偿算法(ACC)与现有的三种快速缺陷检测算法FFT、FRM、LNA的缺陷检测效果对比图;
图10是本发明实施例中当α取不同值时缺陷精确检测前后的缺陷图像与对应的实际缺陷图像的对比图;
附图标号:1—照明设备、2—线性扫摄像机、3—传送装置、4—贴标机、5—工控机、6—可编程逻辑控制器(PLC)、7—锂电池电极。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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一部分实施例,而不是全部的实施例。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。
实施例
本实施例提供了一种基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法,该缺陷检测方法由图1所示的自动光学检测***实现,该自动光学检测***由照明设备1、线性扫描摄像机2、传送装置3、贴标机4、工控机5和可编程逻辑控制器(PLC)6组成。自动光学检测***缺陷检测过程为:锂电池电极在传送装置3上传送,与此同时,线性扫描摄像机2在照明设备1提供的稳定光照条件下拍摄传送装置3上传送的锂电池电极的表面图像,并将图像数据传输到工控机5中进行算法分析,当锂电池电极表面缺陷情况达到质量要求的报警线时,工控机5向PLC6发出控制信号,控制贴标机4在相应的缺陷位置放置标签,后续的锂电池电极分切机检测到标签时,切除相应的锂电池电极部分。
以该自动光学检测***为检测工具的基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法主要由锂电池电极表面图像的获取、图像预处理、缺陷粗检测和缺陷精确检测四个部分组成,具体流程如图2所示。
步骤S1、锂电池电极表面图像的获取:用高精度的工业线性扫描摄像机(线阵摄像机)拍摄锂电池电极表面图像;
步骤S2、图像预处理:对步骤S1得到的锂电池电极表面图像进行阈值分割和最大轴平行矩形变换获得感兴趣的区域图像,即ROI区域图像,然后用背景标准化算法使ROI区域图像的背景区域的灰度值均匀,从而将前景区域即缺陷区域凸显出来,其中,所述的背景标准化算法首先将ROI区域均分成L个子矩形,并求得每个子矩形垂直方向的平均灰度值,分别保存到L个长度相同的数组Ai中(i=0,1,2,…,L-1);然后求不同数组Ai中同一列即相同索引值的任意两个元素的绝对误差AE,并对绝对误差AE进行阈值分割求得数组接着求数组的平均值mk,从而得到均值数组M;最后用均值数组M中的最大值依次减去该数组中的每一个元素,求得图像灰度值背景标准化数组BN,从而就可以用背景标准化数组BN对ROI区域进行背景标准化,使ROI区域图像的背景区域的灰度值均匀;
本实施例中,步骤S2图像预处理的具体过程为:
步骤S2.1、通过对步骤S1获得的锂电池电极表面图像进行阈值分割和最大轴平行矩形变换获得ROI区域图像,即实际电极表面区域图像g(x,y),图3(a)是本实施例步骤S1获得的锂电池电极表面图像,图3(b)是图3(a)经过阈值分割和最大轴平行矩形变换后获得的ROI区域图像;
步骤S2.2、将ROI区域均分成L个子矩形,L的取值范围为L∈[5,20],本实施例中L的取值为10,ROI区域均分效果如图3(c);
步骤S2.3、求步骤S2.2中每一个子矩形在垂直方向的平均灰度值,并分别保存到10个数组Ai中(i=0,1,2,……,9):
Ai={ai,0,ai,1,…,ai,k,…,ai,end-2,ai,end-1}
其中ai,k表示第i个数组Ai中的第K+1个元素,end是数组Ai的长度,同时也是ROI区域的水平宽度;
步骤S2.4、求不同子矩形数组Ai中同一列元素的任意两个不同元素的绝对误差AE,然后对绝对误差AE进行阈值(T)分割建立数组接着对数组中的元素求平均值mk,从而得到均值数组M:
AE=|ai,k-aj,k|i,j=0,1,…,9,i≠j,k=0,1,…,end-1
M={m0,m1,…,mk,…,mend-2,mend-1}
其中ai,k,aj,k分别表示第i个数组Ai和第j个数组Aj中的第K+1个元素,数组的初始值是一个空集φ,T是一个事先设定的阈值,在本实施例中T值设定为3,是数组中的元素,n是数组中元素的个数;
步骤S2.5、通过步骤S2.4求得的均值数组M求出ROI区域图像的灰度值背景标准化数组BN,从而对ROI区域图像g(x,y)进行背景标准化:
BN={bn0,bn1,…,bnk,…,bnend-2,bnend-1}
={mmax-m0,mmax-m1,…,mmax-mk,…,mmax-mend-2,mmax-mend-1}
其中mmax是均值数组M中最大的元素,height、width分别是ROI区域图像g(x,y)的垂直高度和水平宽度,所以end=width,gbn(x,y)是ROI区域图像g(x,y)经过背景标准化之后的图像,图3(d)为本实施例中ROI区域图像3(b)经过背景标准化之后的图像,附图3(b)和3(d)显示的ROI区域图像背景标准化前后的效果在附图中的显示是否明显并不构成对本发明技术方案的限制,只是起示意作用。
图4显示了本实施例中ROI区域图像(图3(b))在背景标准化前后的图像以及相应的图像水平方向和垂直方向平均灰度值的变化情况。由图4(c)和图4(d)可以明显看出,ROI区域图像水平方向的平均灰度值的最大值和最小化之差的波动范围在背景标准化前后都在5以内;但是ROI区域图像垂直方向的平均灰度值在背景标准化前,最大值和最小化之差的波动范围为26左右,而经过背景标准化后ROI区域图像垂直方向平均灰度值的最大值和最小化之差的波动范围控制在5以内,从而体现出背景标准化算法的出色效果,附图4(a)和4(b)显示的ROI区域图像背景标准化前后的效果在附图中的显示是否明显并不构成对本发明技术方案的限制,只是起示意作用。
步骤S3、缺陷粗检测:基于步骤S2得到的背景标准化后的锂电池电极表面图像的灰度直方图中最大值对应的灰度值Hmax、图像灰度值的标准差σ和事先设定的常数参数λ来确定粗检测的自动阈值,从而对步骤S2得到的背景标准化之后的图像进行缺陷粗检测,确定锂电池电极表面缺陷可能存在的区域;
本实施例中,步骤S3缺陷粗检测的具体步骤为:
ROI区域图像g(x,y)经过背景标准化之后的图像gbn(x,y)的信噪比更高,所以图像gbn(x,y)的前景信息即锂电池电极表面的缺陷变得更加明显,因此可用自动阈值提取出图像gbn(x,y)中可能的缺陷区域。自动阈值由图像gbn(x,y)的灰度直方图中最大值对应的灰度值Hmax、图像gbn(x,y)的标准差σ以及事先设定的增益λ共同决定,如图5(a)所示:
其中REGD是可能存在缺陷的区域,REGG是无缺陷存在的区域。根据图6中λ取0-6中不同的值时缺陷粗检测后的缺陷图像与实际缺陷图像对比,本实施例中将λ的值设定为3。如图6所示,第一列图像表示缺陷粗检测前的各种类型的ROI区域缺陷图像(图像已经过背景标准化),第二列图像表示第一列图像对应的实际ROI区域缺陷图像,其他几列图像分别表示λ=0,0.5,1,…,5.5,6时缺陷粗检测后的ROI区域缺陷图像,由图6可得,当λ=3时各种类型的背景标准化之后的ROI区域缺陷图像经过缺陷粗检测之后的图像已经比较接近实际的缺陷图像,所以本实施例中将λ的值设定为3。图5(b)是本实施例中对图像3(d)(经过背景标准化之后的ROI区域的图像gbn(x,y))进行缺陷粗检测之后的得到相应图像,图5(b)中黑色区域和白色区域表示REGD区域,其他的区域表示REGG区域,附图5(b)中缺陷可能存在的区域在附图中的显示是否明显并不构成对本发明技术方案的限制,只是起示意作用。
步骤S4、缺陷精确检测:通过形态学变换、区域闭合和最小外接矩形变换操作,将步骤S3缺陷粗检测得到的缺陷可能存在的区域分成一个或多个小矩形区域,然后用自动集中补偿算法对每一个小矩形区域进行精确检测,获得锂电池电极表面的缺陷图像,其中,所述的自动集中补偿算法首先将切分成的小矩形区域缩小Z倍,并用自动大小的均值滤波器平滑缩小后的小矩形区域图像;接着将均值滤波器平滑后的图像放大Z倍,并求其与原小矩形区域图像互相的差值图像Isub1(x,y),Isub2(x,y),接着将差值图像的灰度值进行放大增强,从而得到相应的灰度增强图像Is1(x,y),Is2(x,y);最后求取灰度增强图像中每一个相同像素点灰度值的最大值,从而获得最大灰度值图像Imgv(x,y),并对最大灰度值图像进行自动阈值分割得到自动集中补偿算法的输出图像Io(x,y)。
本实施例中,步骤S4缺陷精确检测的流程如图7所示,通过形态学变换、区域闭合和区域最小外接矩形变换操作,将可能存在缺陷的区域REGD切分成一个或多个矩形图像区域Ir(x,y),本实施例中将图5(b)——可能存在缺陷的区域REGD经过形态学变换、区域闭合和区域最小外接矩形变换操作切分成多个矩形图像区域,其中一个矩形图像区域如图8(a)所示。然后利用自动集中补偿算法对这些矩形图像区域Ir(x,y)进行缺陷精确检测,从而精确的提取出缺陷区域图像,自动集中补偿算法的具体实现步骤如步骤S4.1~步骤S4.6所示;其具体步骤为:
步骤S4.1、将矩形图像区域Ir(x,y)缩小Z倍,本实施例中Z的取值为10,其效果如图8(b):
Iz(x′,y′)=Ir(x+γ,y+β)
=(1-γ)(1-β)Ir(x,y)+(1-γ)βIr(x,y+1)
+γ(1-β)Ir(x+1,y)+γβIr(x+1,y+1)
其中Iz(x′,y′)是矩形图像区域Ir(x,y)缩小Z倍后的图像区域;令Hs、Ws分别为矩形图像区域Ir(x,y)的垂直高度和水平宽度,则x∈[0,Hs-1],y∈[0,Ws-1];令Hd、Wd分别为图像区域Iz(x′,y′)的垂直高度和水平宽度,Hd=factor 1×Hs,Wd=factor 1×Ws,factor1为缩放因子,在这里factor1=0.1,则x′∈[0,Hd-1],y′∈[0,Wd-1];令则x=[sx],γ=sx-x,y=[sy],β=sy-y;
步骤S4.2、使用自动大小的均值滤波器平滑图像Iz(x′,y′),其效果如图8(c):
其中Im(x,y)是图像Iz(x′,y′)均值滤波后的灰度值图像,f(x,y)是图像Iz(x′,y′)的部分图像,N是图像f(x,y)中的像素点的总数;
步骤S4.3、将均值滤波后的灰度值图像Im(x,y)再放大Z倍,本实施例中Z的取值为10,其效果如图8(d),具体步骤与步骤S4.1相似:
Ima(x′,y′)=Im(x+γ′,y+β′)
=(1-γ′)(1-β′)Ir(x,y)+(1-γ′)β′Ir(x,y+1)
+γ′(1-β′)Ir(x+1,y)+γ′β′Ir(x+1,y+1)
其中Ima(x′,y′)是矩形图像区域Im(x,y)放大10倍后的图像区域;令Hs、Ws分别为矩形图像区域Im(x,y)的垂直高度和水平宽度,则x∈[0,Hs-1],y∈[0,Ws-1];令Hd、Wd分别为图像区域Ima(x′,y′)的垂直高度和水平宽度,Hd=factor 2×Hs,Wd=factor 2×Ws,factor2为缩放因子,在这里factor2=10,则x′∈[0,Hd-1],y′∈[0,Wd-1];令则x=[sx],γ′=sx-x,y=[sy],β′=sy-y;
步骤S4.4、分别计算获得灰度图像Ir(x,y)和灰度图像Ima(x,y)的互相的差值图像Isub1(x,y)、Isub2(x,y):
Isub1(x,y)=Ima(x,y)-Ir(x,y)
Isub2(x,y)=Ir(x,y)-Ima(x,y)
其中要求灰度图像Ir(x,y)和Ima(x,y)的图像大小要完全相同;
然后对差值图像Isub1(x,y)、Isub1(x,y)进行相应的灰度值的放大增强,从而得到相应的灰度增强图像Is1(x,y)、Is2(x,y),其效果如图8(e):
Is1(x,y)=K·Isub1(x,y)
Is2(x,y)=K·Isub2(x,y)
其中K为事先设定的常数图像灰度值增强因子,随着K取值的增大,图像前景区域和背景区域之间的灰度范围变大,本实施例中K的取值为5;
步骤S4.5、计算灰度增强图像Is1(x,y)、Is2(x,y)中每一个相同像素点灰度值的最大值,从而获得最大灰度值图像Imgv(x,y),其效果如图8(f):
Imgv(x,y)=max{Is1(x,y),Is2(x,y)}
其中要求灰度增强图像Is1(x,y)、Is2(x,y)的图像大小要完全相同;
步骤S4.6、使用最大灰度值图像Imgv(x,y)的灰度直方图中最大值对应的灰度值Hmax、图像灰度值的标准差σ以及事先设定的常数系数α对最大灰度值图像Imgv(x,y)进行阈值分割,从而得到自动集中补偿算法的输出图像Io(x,y),其效果如图8(g):
其中α为根据图像缺陷检测效果事先设定的常数系数。根据图10中α取0-6中不同的值时缺陷精确测后的缺陷图像与实际缺陷图像对比,本实施例中将α的值设定为3。如图10所示,第一列图像表示缺陷精确检测前各种类型的ROI区域缺陷图像(图像已经过缺陷粗检测),第二列图像表示第一列图像对应的实际ROI区域缺陷图像,其他几列图像分别表示α=0,0.5,1,…,5.5,6时缺陷精确检测后的ROI区域缺陷图像,由图10可得,当α=3时,各种类型的ROI区域缺陷图像(图像已经过缺陷粗检测)经过缺陷精确检测之后的图像已经比较接近实际的缺陷图像,所以本实施例中将α的值设定为3。
以上步骤即为基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法的全过程。
综上所述,本实施例提出的缺陷精确检测算法——自动集中补偿算法(ACC)在不同类型的经过图像预处理和缺陷粗检测的缺陷图像上进行了测试验证,同时与FFT、FRM、LNA三种快速缺陷精确检测算法在不同类型的缺陷图像(图像已经过图像预处理和缺陷粗检测)上进行了测试比较,比较了不同算法对相同的缺陷图像进行缺陷精确检测时的缺陷检测效果和所用的缺陷检测时间,具体比较结果如图9所示。由图9可知,在保证缺陷检测效果的前提下,本发明提出的自动集中补偿算法的缺陷检测速度更快。而且本实施例提出的基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法中图像预处理步骤和缺陷粗检测步骤中的算法计算量并不是太大,计算耗时不会太多,所以本发明提出的基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法在保证锂电池电极表面缺陷检测效果的前提下,能满足实际锂电池工业生产过程中的在线实时缺陷检测的要求,从而提高锂电池的生产效率。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (7)
1.一种基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法,其特征在于,所述的缺陷检测方法包括以下步骤:
S1、锂电池电极表面图像的获取:用高精度的工业线性扫描摄像机拍摄锂电池电极表面图像;
S2、图像预处理:对步骤S1得到的锂电池电极表面图像进行阈值分割和最大轴平行矩形变换获得感兴趣的区域图像,即ROI区域图像,然后用背景标准化算法使ROI区域图像的背景区域的灰度值均匀,从而将前景区域即缺陷区域凸显出来,其中,所述的背景标准化算法首先将ROI区域均分成L个子矩形,并求得每个子矩形垂直方向的平均灰度值,分别保存到L个长度相同的数组Ai,i=0,1,2,…,L-1中;然后求不同数组Ai中同一列即相同索引值的任意两个元素的绝对误差AE,并对绝对误差AE进行阈值分割求得数组接着求数组的平均值mk,从而得到均值数组M;最后用均值数组M中的最大值依次减去该数组中的每一个元素,求得图像灰度值背景标准化数组BN,从而用背景标准化数组BN对ROI区域进行背景标准化,使ROI区域图像的背景区域的灰度值均匀;
S3、缺陷粗检测:基于步骤S2得到的背景标准化后的锂电池电极表面图像的灰度直方图中最大值对应的灰度值Hmax、图像灰度值的标准差σ和事先设定的常数参数λ来确定粗检测的自动阈值,从而对步骤S2得到的背景标准化之后的图像进行缺陷粗检测,确定锂电池电极表面缺陷可能存在的区域;
S4、缺陷精确检测:通过形态学变换、区域闭合和最小外接矩形变换操作,将步骤S3缺陷粗检测得到的缺陷可能存在的区域切分成一个或多个小矩形区域,然后用自动集中补偿算法对每一个小矩形区域进行精确检测,获得锂电池电极表面的缺陷图像,其中,所述的自动集中补偿算法首先将切分成的小矩形区域缩小Z倍,并用自动大小的均值滤波器平滑缩小后的小矩形区域图像;接着将均值滤波器平滑后的图像放大Z倍,并求其与原小矩形区域图像互相的差值图像Isub 1(x,y),Isub 2(x,y),接着将差值图像的灰度值进行放大增强,从而得到相应的灰度增强图像Is1(x,y),Is2(x,y);最后求取灰度增强图像中每一个相同像素点灰度值的最大值,从而获得最大灰度值图像Imgv(x,y),并对最大灰度值图像进行自动阈值分割得到自动集中补偿算法的输出图像Io(x,y)。
2.根据权力要求1所述的基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法,其特征在于,所述的步骤S2图像预处理的具体过程为:
S2.1、通过对步骤S1获得的锂电池电极表面图像进行阈值分割和最大轴平行矩形变换获得ROI区域图像,即实际电极表面区域图像g(x,y);
S2.2、将ROI区域均分成L个子矩形,L的取值范围为L∈[5,20];
S2.3、求步骤S2.2中每一个子矩形在垂直方向的平均灰度值,并分别保存到L个数组Ai中,i=0,1,2,…,L-1:
Ai={ai,0,ai,1,…,ai,k,…,ai,end-2,ai,end-1}
其中ai,k表示第i个数组Ai中的第K+1个元素,end是数组Ai的长度,同时也是ROI区域的水平宽度;
S2.4、求不同子矩形数组Ai中同一列元素的任意两个不同元素的绝对误差AE,然后对绝对误差AE进行阈值分割建立数组接着对数组中的元素求平均值mk,从而得到均值数组M:
AE=|ai,k-aj,k| i,j=0,1,…,L-1,i≠j,k=0,1,…,end-1
M={m0,m1,…,mk,…,mend-2,mend-1}
其中ai,k,aj,k分别表示第i个数组Ai和第j个数组Aj中的第K+1个元素,数组的初始值是一个空集φ,T是一个事先设定的阈值,是数组中的元素,n是数组中元素的个数;
S2.5、通过步骤S2.4求得的均值数组M求出ROI区域图像的灰度值背景标准化数组BN,从而对ROI区域图像g(x,y)进行背景标准化:
BN={bn0,bn1,…,bnk,…,bnend-2,bnend-1}
={mmax-m0,mmax-m1,…,mmax-mk,…,mmax-mend-2,mmax-mend-1}
其中mmax是均值数组M中最大的元素,height、width分别是ROI区域图像g(x,y)的垂直高度和水平宽度,end=width,gbn(x,y)是ROI区域图像g(x,y)经过背景标准化之后的图像。
3.根据权力要求1所述的基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法,其特征在于,所述的步骤S3缺陷粗检测的具体过程为:
用自动阈值分割提取出图像gbn(x,y)中可能的缺陷区域,其中,自动阈值由图像gbn(x,y)的灰度直方图中最大值对应的灰度值Hmax、图像gbn(x,y)的标准差σ以及事先设定的增益λ共同决定;
其中REGD是可能存在缺陷的区域,REGG是无缺陷存在的区域。
4.根据权力要求1所述的基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法,其特征在于,所述的步骤S4精确检测的具体过程为:
通过形态学变换、区域闭合和区域最小外接矩形变换操作,将可能存在缺陷的区域REGD切分成一个或多个矩形图像区域Ir(x,y),然后利用自动集中补偿算法对这些矩形图像区域Ir(x,y)进行缺陷精确检测,从而提取出缺陷区域图像。
5.根据权力要求4所述的基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法,其特征在于,所述步骤S4中自动集中补偿算法过程如下:
S4.1、将矩形图像区域Ir(x,y)缩小Z倍:
Iz(x’,y’)=Ir(x+γ,y+β)
=(1-γ)(1-β)Ir(x,y)+(1-γ)βIr(x,y+1)
+γ(1-β)Ir(x+1,y)+γβIr(x+1,y+1)
其中Z是事先设定的常数缩放系数,Z∈[5,20];Iz(x',y')是矩形图像区域Ir(x,y)缩小Z倍后的图像区域;令Hs、Ws分别为矩形图像区域Ir(x,y)的垂直高度和水平宽度,则x∈[0,Hs-1],y∈[0,Ws-1];令Hd、Wd分别为图像区域Iz(x',y')的垂直高度和水平宽度,Hd=factor1×Hs,Wd=factor 1×Ws,factor1为缩放因子,则x'∈[0,Hd-1],y'∈[0,Wd-1];令则x=[sx],γ=sx-x,y=[sy],β=sy-y;
S4.2、使用自动大小的均值滤波器平滑图像Iz(x',y'):
其中Im(x,y)是图像Iz(x',y')均值滤波后的灰度值图像,f(x,y)是图像Iz(x',y')的部分图像,N是图像f(x,y)中的像素点的总数;
S4.3、将均值滤波后的灰度值图像Im(x,y)再放大Z倍,即:
Ima(x’,y’)=Im(x+γ’,y+β’)
=(1-γ’)(1-β’)Ir(x,y)+(1-γ’)β’Ir(x,y+1)
+γ’(1-β’)Ir(x+1,y)+γ’β’Ir(x+1,y+1)
其中Ima(x',y')是矩形图像区域Im(x,y)放大Z倍后的图像区域;令Hs、Ws分别为矩形图像区域Im(x,y)的垂直高度和水平宽度,则x∈[0,Hs-1],y∈[0,Ws-1];令Hd、Wd分别为图像区域Ima(x',y')的垂直高度和水平宽度,Hd=factor 2×Hs,Wd=factor 2×Ws,factor2为缩放因子,则x'∈[0,Hd-1],y'∈[0,Wd-1];令则x=[sx],γ'=sx-x,y=[sy],β'=sy-y;
S4.4、分别计算获得灰度图像Ir(x,y)和灰度图像Ima(x,y)的互相的差值图像Isub1(x,y)、Isub2(x,y):
Isub1(x,y)=Ima(x,y)-Ir(x,y)
Isub2(x,y)=Ir(x,y)-Ima(x,y)
其中要求灰度图像Ir(x,y)和Ima(x,y)的图像大小要完全相同;
然后对差值图像Isub1(x,y)、Isub1(x,y)进行相应的灰度值的放大增强,从而得到相应的灰度增强图像Is1(x,y)、Is2(x,y):
Is1(x,y)=K·Isub1(x,y)
Is2(x,y)=K·Isub2(x,y)
其中K为事先设定的常数图像灰度值增强因子;
S4.5、计算灰度增强图像Is1(x,y)、Is2(x,y)中每一个相同像素点灰度值的最大值,从而获得最大灰度值图像Imgv(x,y):
Imgv(x,y)=max{Is1(x,y),Is2(x,y)}
其中要求灰度增强图像Is1(x,y)、Is2(x,y)的图像大小要完全相同;
S4.6、使用最大灰度值图像Imgv(x,y)的灰度直方图中最大值对应的灰度值Hmax、图像灰度值的标准差σ以及事先设定的系数α对最大灰度值图像Imgv(x,y)进行阈值分割,从而得到自动集中补偿算法的输出图像Io(x,y):
其中α为根据图像缺陷检测效果事先设定的常数系数。
6.根据权力要求5所述的基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法,其特征在于,缩放因子factor1取值为,factor2缩放因子factor2取值为Z。
7.根据权力要求5所述的基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法,其特征在于,所述的图像灰度值增强因子K取值如果增大,图像前景区域和背景区域之间的灰度范围变大。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910670494.7A CN110544231B (zh) | 2019-07-24 | 2019-07-24 | 基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910670494.7A CN110544231B (zh) | 2019-07-24 | 2019-07-24 | 基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110544231A true CN110544231A (zh) | 2019-12-06 |
CN110544231B CN110544231B (zh) | 2021-05-11 |
Family
ID=68710336
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910670494.7A Active CN110544231B (zh) | 2019-07-24 | 2019-07-24 | 基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110544231B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111105405A (zh) * | 2019-12-24 | 2020-05-05 | 刘甜甜 | 基于自适应深度学习的新能源锂电池表面缺陷检测方法 |
CN113096102A (zh) * | 2021-04-15 | 2021-07-09 | 深圳市玻尔智造科技有限公司 | 一种基于多尺度转移的充电器表面缺陷检测方法 |
CN113295698A (zh) * | 2021-04-29 | 2021-08-24 | 苏州天准软件有限公司 | 一种缺陷检测方法、存储介质和检测*** |
CN113674197A (zh) * | 2021-07-02 | 2021-11-19 | 华南理工大学 | 一种太阳能电池背面电极的分割方法 |
CN113808087A (zh) * | 2021-09-02 | 2021-12-17 | 上汽通用五菱汽车股份有限公司 | 钢板表面的缺陷管控方法、装置及计算机可读存储介质 |
CN114749342A (zh) * | 2022-04-20 | 2022-07-15 | 华南理工大学 | 一种锂电池极片涂布缺陷识别方法、装置及介质 |
CN115661105A (zh) * | 2022-11-05 | 2023-01-31 | 东莞市蒂安斯实业有限公司 | 基于人工智能的汽车模型视觉检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101262618A (zh) * | 2007-01-25 | 2008-09-10 | 捷讯研究有限公司 | 提供图像闪光补偿的手持电子设备和摄像机以及相关方法 |
CN106530237A (zh) * | 2016-09-19 | 2017-03-22 | 中山大学 | 一种图像增强方法 |
US20170161890A1 (en) * | 2015-05-28 | 2017-06-08 | Jabil Circuit, Inc. | System, apparatus and method for dispensed adhesive material inspection |
CN107063467A (zh) * | 2017-04-15 | 2017-08-18 | 山东信通电子股份有限公司 | 用于电网设备在线巡检的智能红外热成像装置及巡检方法 |
CN107798326A (zh) * | 2017-10-20 | 2018-03-13 | 华南理工大学 | 一种轮廓视觉检测算法 |
CN108459029A (zh) * | 2018-06-08 | 2018-08-28 | 中国科学技术大学 | 一种基于图像的锂电池生产化成检测设备及检测方法 |
-
2019
- 2019-07-24 CN CN201910670494.7A patent/CN110544231B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101262618A (zh) * | 2007-01-25 | 2008-09-10 | 捷讯研究有限公司 | 提供图像闪光补偿的手持电子设备和摄像机以及相关方法 |
US20170161890A1 (en) * | 2015-05-28 | 2017-06-08 | Jabil Circuit, Inc. | System, apparatus and method for dispensed adhesive material inspection |
CN106530237A (zh) * | 2016-09-19 | 2017-03-22 | 中山大学 | 一种图像增强方法 |
CN107063467A (zh) * | 2017-04-15 | 2017-08-18 | 山东信通电子股份有限公司 | 用于电网设备在线巡检的智能红外热成像装置及巡检方法 |
CN107798326A (zh) * | 2017-10-20 | 2018-03-13 | 华南理工大学 | 一种轮廓视觉检测算法 |
CN108459029A (zh) * | 2018-06-08 | 2018-08-28 | 中国科学技术大学 | 一种基于图像的锂电池生产化成检测设备及检测方法 |
Non-Patent Citations (2)
Title |
---|
GISELA LANZA 等: "Automated Optical Detection of Particles and Defects on a Li-Ion-Cell Surface Using a Single-Point Analysis", 《IEEE》 * |
胡玥红: "基于机器视觉的锂电池极片缺陷检测研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111105405A (zh) * | 2019-12-24 | 2020-05-05 | 刘甜甜 | 基于自适应深度学习的新能源锂电池表面缺陷检测方法 |
CN111105405B (zh) * | 2019-12-24 | 2020-12-25 | 芜湖楚睿智能科技有限公司 | 基于自适应深度学习的新能源锂电池表面缺陷检测方法 |
CN113096102A (zh) * | 2021-04-15 | 2021-07-09 | 深圳市玻尔智造科技有限公司 | 一种基于多尺度转移的充电器表面缺陷检测方法 |
CN113295698A (zh) * | 2021-04-29 | 2021-08-24 | 苏州天准软件有限公司 | 一种缺陷检测方法、存储介质和检测*** |
CN113674197A (zh) * | 2021-07-02 | 2021-11-19 | 华南理工大学 | 一种太阳能电池背面电极的分割方法 |
CN113808087A (zh) * | 2021-09-02 | 2021-12-17 | 上汽通用五菱汽车股份有限公司 | 钢板表面的缺陷管控方法、装置及计算机可读存储介质 |
CN114749342A (zh) * | 2022-04-20 | 2022-07-15 | 华南理工大学 | 一种锂电池极片涂布缺陷识别方法、装置及介质 |
CN114749342B (zh) * | 2022-04-20 | 2023-09-26 | 华南理工大学 | 一种锂电池极片涂布缺陷识别方法、装置及介质 |
CN115661105A (zh) * | 2022-11-05 | 2023-01-31 | 东莞市蒂安斯实业有限公司 | 基于人工智能的汽车模型视觉检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110544231B (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110544231B (zh) | 基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法 | |
CN106875381B (zh) | 一种基于深度学习的手机外壳缺陷检测方法 | |
CN109613002B (zh) | 一种玻璃缺陷检测方法、装置和存储介质 | |
CN112233059B (zh) | 基于分割+决策的二阶段残差注意力网络的导光板缺陷检测方法 | |
CN115131283A (zh) | 目标对象的缺陷检测、模型训练方法、装置、设备及介质 | |
CN115184359A (zh) | 一种自动调参的表面缺陷检测***与方法 | |
CN113537414B (zh) | 锂电池缺陷检测方法、装置、设备及存储介质 | |
WO2024002187A1 (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测*** | |
CN115272204A (zh) | 一种基于机器视觉的轴承表面划痕检测方法 | |
CN112070762A (zh) | 液晶面板的mura缺陷检测方法、装置、存储介质及终端 | |
Li et al. | Surface defect detection of vehicle light guide plates based on an improved RetinaNet | |
CN113327243B (zh) | 基于AYOLOv3-Tiny新框架的PAD导光板缺陷可视化检测方法 | |
CN116363136B (zh) | 一种机动车部件自动化生产在线筛选方法及*** | |
CN113808104A (zh) | 一种基于分块的金属表面缺陷检测方法及*** | |
CN113705564A (zh) | 一种指针式仪表识别读数方法 | |
CN113205136A (zh) | 一种用于电源适配器外观缺陷的实时高精度检测方法 | |
CN116843677A (zh) | 钣金件的外观质量检测***及其方法 | |
CN116342540A (zh) | 包装膜缺陷检测方法、装置、设备及存储介质 | |
CN114882469B (zh) | 一种基于dl-ssd模型的交通标志检测方法及*** | |
CN116958035A (zh) | 产品零件缺陷检测方法、装置、介质及电子设备 | |
CN115330705A (zh) | 一种基于自适应加权模板ncc的蒙皮漆面缺陷检测方法 | |
CN115035071A (zh) | 一种pad导光板黑点缺陷的视觉检测方法 | |
CN114708190A (zh) | 一种基于深度学习的道路裂缝检测评估算法 | |
CN114548250A (zh) | 一种基于数据分析的手机外观检测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: Nansha District Avenue South Ring of 511458 cities in Guangdong province Guangzhou City, No. 25 Hua Da Guangzhou production and Research Institute Applicant after: SOUTH CHINA University OF TECHNOLOGY Applicant after: GUANGZHOU INSTITUTE OF MODERN INDUSTRIAL TECHNOLOGY Address before: 510640 Tianhe District, Guangdong, No. five road, No. 381, Applicant before: SOUTH CHINA University OF TECHNOLOGY Applicant before: GUANGZHOU INSTITUTE OF MODERN INDUSTRIAL TECHNOLOGY |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |