CN113030093A - 一种电池隔膜表面缺陷检测方法和*** - Google Patents
一种电池隔膜表面缺陷检测方法和*** Download PDFInfo
- Publication number
- CN113030093A CN113030093A CN202011628513.9A CN202011628513A CN113030093A CN 113030093 A CN113030093 A CN 113030093A CN 202011628513 A CN202011628513 A CN 202011628513A CN 113030093 A CN113030093 A CN 113030093A
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- battery diaphragm
- defect
- battery
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
Landscapes
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本申请公开了一种电池隔膜表面缺陷检测方法,包括:基于采集到的标准电池隔膜的产品图像进行建模;基于建模,得到包括模板图像和待检测区域的建模结果;根据确定的待检测区域,将待检测产品图像与所述模板图像进行比对,得到原始的缺陷列表;基于缺陷类型及位置信息,将得到的原始缺陷列表进行聚合,得到聚合缺陷列表;基于所述聚合缺陷列表,将所述聚合缺陷列表中满足预设阈值的缺陷予以输出。该方法的结构设计能够高效快捷的检测电池隔膜表面缺陷,效率高,成本低,并且准确率高,能够有效检测出漏涂和漏喷等缺陷。此外,本申请还公开了一种电池隔膜表面缺陷检测***。
Description
技术领域
本申请涉及电池隔膜表面缺陷检测技术领域,特别涉及一种电池隔膜表面缺陷检测方法。 此外,本申请还涉及一种电池隔膜表面缺陷检测***。
背景技术
近年来,随着国家对新能源行业的大力扶持,动力电池尤其是锂离子电池因具有容量大、 可重复充放电的特性得到了迅猛发展。众所周知,隔膜作为锂电池的内部组件之一,其主要 作用是隔离正负极防止短路,同时膜上的微孔在充放电时允许锂离子通过以形成导电回路, 隔膜质量直接影响到锂电池安全性、循环寿命、电池容量和内阻大小等重要特性。
经过不断的技术更新和实际应用,聚丙烯(PolyPropylene,简称PP)和聚乙烯(PolyEthylene,简称PE)已成为目前综合性能最好且已工业化的锂离子电池隔膜制作原料,根据微孔成孔机理的区别可以将隔膜制备工艺分为干法与湿法两种,干法工艺采用拉伸 成孔的方法制得锂离子电池隔膜,而湿法工艺是利用热致相分离的原理,将增塑剂与聚烯烃 树脂混合,利用熔融混合物降温过程中发生固-液相或液-液相分离的现象,压制膜片,加热 至接近熔点温度后拉伸使分子链取向一致,保温一定时间后用易挥发溶剂(例如二氯甲烷和 三氯乙烯)将增塑剂从薄膜中萃取出来,进而制得的相互贯通的锂离子电池隔膜。
因采用了化学原料,湿法工艺有污染大/工艺复杂的缺点,但相较于干法工艺,湿法制膜 的厚度大小、均匀性控制、透气性、化学稳定性、保液性等性能方面更为优良,能满足动力 电池高能量、高密度的需求,而湿法制膜的唯一短板即热稳定性差(存在隔膜热收缩导致的 热失控从而造成电池燃烧、***的安全问题)也可通过在隔膜表面涂覆一层氧化铝、、勃姆石 或其他耐热性优良的无机物陶瓷颗粒或聚偏氟乙烯(Polyvinylidenefluoride,简称PVDF) 或芳纶来提高隔膜的耐高温、耐热收缩性能来解决。所以,锂离子电池隔膜涂覆工序如图1 所示,图1为电池隔膜的涂覆工序示意图。
如图1所示,在通过干法或湿法制得锂离子电池隔膜基膜并进行大分切后,首先在基膜 表面涂布以氧化铝、勃姆石或其它无机陶瓷颗粒为原料制备的浆料以增强隔膜的耐热性,然 后将具有粘结作用和保液作用的PVDF颗粒喷涂到涂布后的隔膜上,以增强涂布层与隔膜基膜 的粘合力,最后在分切机上将涂覆后的隔膜分切为小卷并对小卷进行质量检查后出货。图1 中的质量检测是指检测膜表面是否有缺陷,对于隔膜基膜来讲,常见的缺陷类型有针孔、划 伤、褶皱和黑点异物,对于涂布无机物之后的基膜来讲,增加了漏涂缺陷即因工艺或其它原 因导致一些基膜表面未被涂上无机陶瓷层,对于PVDF喷涂后的基膜来讲,又增加了漏喷缺陷 类型即因工艺或其它原因导致一些基膜或涂布后基膜表面没有被喷上PVDF颗粒。隔膜表面缺 陷严重影响了锂离子电池的性能,如隔膜有针孔缺陷时,会导致正负极短路造成安全事故, 如隔膜有漏涂缺陷时会导致电池的循环性能下降。因此,对隔膜表面的缺陷进行检查很有必 要,目前检查方法有以下三种:
第一,人工抽样目检。在每个工序后,人工对产品进行抽检,将产品放在百倍镜下观察 是否存在缺陷,该种方法存在成本高、效率低且有产品漏检的缺点;
第二,对于漏涂缺陷,如专利《一种在线防漏涂检测装置》(申请号为201921830754.4) 所述,通过在隔膜上下两侧设置多个沿隔膜宽度方向分布红外线发射器以及分别与红外线发 射器对应的红外线接收器,根据红外线接收器接收由红外线发射器发出的红外线光的强弱来 检测大面积漏涂,该种方法一方面不能实现整幅隔膜检测,另一方面也不能检测到小面积漏 涂,而且红外线易受膜厚度干扰;
第三、通过自动光学检测方法,如专利《检测电池隔膜涂层表面缺陷的方法和外观图像 检测***》(申请号为201611263623.3)所述,对已知的隔膜表面缺陷类型,统计分析已知 表面缺陷类型的几何形状、亮度等特征值,将各个表面缺陷类型的特征值汇集为样本档案, 然后将待检测产品与样本档案进行比较,检出漏涂、缠丝和黑点异物。该种方法虽然利用了 图像处理和分析技术实现了膜表面整幅检测,但因产线或工艺差异,缺陷特征值并不固定, 导致样本档案适用范围窄,另外一些类型缺陷如针孔、划伤、漏喷并无固定形状,用此种方 法检出效果不好。
发明内容
本申请要解决的技术问题为提供一种电池隔膜表面缺陷检测方法,该方法的结构设计能 够高效快捷的检测电池隔膜表面缺陷,效率高,成本低,并且准确率高,能够有效检测出漏 涂和漏喷等缺陷。此外,本申请另一个要解决的技术无问题为提供一种电池隔膜表面缺陷检 测***。
为解决上述技术问题,本申请提供一种电池隔膜表面缺陷检测方法,包括:
基于采集到的标准电池隔膜的产品图像进行建模;基于建模,得到包括模板图像和待检 测区域的建模结果;
根据确定的待检测区域,将待检测产品图像与所述模板图像进行比对,得到原始的缺陷 列表;
基于缺陷类型及位置信息,将得到的原始缺陷列表进行聚合,得到聚合缺陷列表;
基于所述聚合缺陷列表,将所述聚合缺陷列表中满足预设阈值的缺陷予以输出。
在一种具体实施方式中,
所述“基于采集到的标准电池隔膜的产品图像进行建模;基于建模,得到包括模板图像 和待检测区域的建模结果”,包括:
对采集到的标准电池隔膜的产品图像进行列背景灰度计算,并将计算后的产品图像的列 背景灰度作为所述模板图像;
基于所述模板图像中列背景灰度的差异变化确定电池隔膜的边缘;
基于所述电池隔膜的边缘,获得所述电池隔膜的待检测区域。
在一种具体实施方式中,
所述“基于所述电池隔膜的边缘,获得所述电池隔膜的待检测区域”之后,还包括如下 两个步骤:
根据得到的电池隔膜的列背景灰度,进行切刀的刀缝位置识别,得到刀缝位置;
根据得到的电池隔膜的列背景灰度,进行漏喷检测阈值计算,得到漏喷区域的漏喷检测 阈值。
在一种具体实施方式中,
所述“根据得到的电池隔膜的列背景灰度,进行切刀的刀缝位置识别,得到刀缝位置”, 包括:
基于所述电池隔膜的产品图像的灰度图像,依次遍历所述灰度图像中的列背景灰度,确 定满足第一预设公式和第二预设公式的列为刀缝位置所在列;
其中,所述第一预设公式用于识别比标准背景灰度值低的暗刀缝,所述第二预设公式用 于识别比标准背景灰度值高的亮刀缝。
在一种具体实施方式中,
所述“根据得到的电池隔膜的列背景灰度,进行切刀的刀缝位置识别,得到刀缝位置信 息”,还包括:
基于操作人员输入的包括分切信息及所述第一预设公式和所述第二预设公式,识别出所 述电池隔膜的产品图像中未成像区域的其他刀缝位置。
在一种具体实施方式中,
所述“根据得到的电池隔膜的列背景灰度,进行漏喷检测阈值计算,得到漏喷区域的漏 喷检测阈值”,包括:
基于所述待检测区域和所述刀缝位置进行区域划分,划分为若干个区域块,并标记为RegionList;
基于连续采集的多帧图像,在每帧图像中计算各个所述区域块中每个元素对应区域的像 素灰度平均值,并将灰度平均值加入到MeanGrayList;
根据MeanGrayList计算均值μ和方差σ,以μ-k*σ作漏喷检测阈值,其中k取值为常数。
在一种具体实施方式中,
所述“根据确定的待检测区域,将待检测产品图像与所述模板图像进行比对,得到原始 的缺陷列表”,包括:
根据所述待检测区域和所述刀缝位置进行漏喷检测块的划分;
对检测的电池隔膜的产品图像进行梯度提取,并得到梯度图像;
根据所述漏喷检测块d位置,计算各漏喷检测块在所述梯度图像中的灰度均值;并将小 于所述漏喷检测阈值的块判为可疑漏喷块;
判断当前可疑漏喷块的邻域内是否含有预设数量以上的可疑漏喷块;
如果是,则该当前可以漏喷块为真实漏喷块,并将其加入到原始的缺陷列表中;如果否, 则舍弃。
在一种具体实施方式中,
所述“根据确定的待检测区域,将待检测产品图像与所述模板图像进行比对,得到原始 的缺陷列表”,还包括:
遍历待检电池隔膜的产品图像的检测区域内的每个像素点,并将之与模板图像的对应列 背景灰度做差,然后对做差结果进行Blob提取,最后根据Blob面积、宽度和高度特征值是 否满足设定阈值检出缺陷。
此外,为解决上述技术问题,本申请还提供一种电池隔膜表面缺陷检测***,包括:
建模模块,用于基于采集到的标准电池隔膜的产品图像进行建模;基于建模,得到包括 模板图像和待检测区域的建模结果;
缺陷检测模块,用于根据确定的待检测区域,将待检测产品图像与所述模板图像进行比 对,得到原始的缺陷列表;
缺陷聚合模块,用于基于缺陷类型及位置信息,将得到的原始缺陷列表进行聚合,得到 聚合缺陷列表;
缺陷输出模块,用于基于所述聚合缺陷列表,将所述聚合缺陷列表中满足预设阈值的缺 陷予以输出。
在一种具体实施方式中,
所述建模模块包括:
模块图像获得子模块,用于对采集到的标准电池隔膜的产品图像进行列背景灰度计算, 并将计算后的产品图像的列背景灰度作为所述模板图像;
边缘获得子模块,用于基于所述模板图像中列背景灰度的差异变化确定电池隔膜的边缘;
待检测区域获得子模块,用于基于所述电池隔膜的边缘,获得所述电池隔膜的待检测区 域。
在一种具体实施方式中,
所述建模模块包括:
刀缝识别子模块,用于根据得到的电池隔膜的列背景灰度,进行切刀的刀缝位置识别, 得到刀缝位置;
漏喷检测阈值计算子模块,用于根据得到的电池隔膜的列背景灰度,进行漏喷检测阈值 计算,得到漏喷区域的漏喷检测阈值。
在一种具体实施方式中,
所述刀缝识别子模块包括:
确定刀缝位置单元,用于基于所述电池隔膜的产品图像的灰度图像,依次遍历所述灰度 图像中的列背景灰度,确定满足第一预设公式和第二预设公式的列为刀缝位置所在列;
其中,所述第一预设公式用于识别比标准背景灰度值低的暗刀缝,所述第二预设公式用 于识别比标准背景灰度值高的亮刀缝。
在一种具体实施方式中,
所述漏喷检测阈值计算子模块包括:
区域块划分单元,用于基于所述待检测区域和所述刀缝位置进行区域划分,划分为若干 个区域块,并标记为RegionList;
灰度平均值计算单元,用于基于连续采集的多帧图像,在每帧图像中计算各个所述区域 块中每个元素对应区域的像素灰度平均值,并将灰度平均值加入到MeanGrayList;
漏喷检测阈值输出单元,用于根据MeanGrayList计算均值μ和方差σ,以μ-k*σ作漏喷检测阈值,其中k取值为常数。
在一种具体实施方式中,
所述“根据确定的待检测区域,将待检测产品图像与所述模板图像进行比对,得到原始 的缺陷列表”,包括:
根据所述待检测区域和所述刀缝位置进行漏喷检测块的划分;
对检测的电池隔膜的产品图像进行梯度提取,并得到梯度图像;
根据所述漏喷检测块d位置,计算各漏喷检测块在所述梯度图像中的灰度均值;并将小 于所述漏喷检测阈值的块判为可疑漏喷块;
判断当前可疑漏喷块的邻域内是否含有预设数量以上的可疑漏喷块;
如果是,则该当前可以漏喷块为真实漏喷块,并将其加入到原始的缺陷列表中;如果否, 则舍弃。
在一种具体实施方式中,
所述“根据确定的待检测区域,将待检测产品图像与所述模板图像进行比对,得到原始 的缺陷列表”,还包括:
遍历待检电池隔膜的产品图像的检测区域内的每个像素点,并将之与模板图像的对应列 背景灰度做差,然后对做差结果进行Blob提取,最后根据Blob面积、宽度和高度特征值是 否满足设定阈值检出缺陷。
以下介绍本申请实施例的技术效果:
在一种实施例中,本申请提供一种电池隔膜表面缺陷检测方法,包括:基于采集到的标 准电池隔膜的产品图像进行建模;基于建模,得到包括模板图像和待检测区域的建模结果; 根据确定的待检测区域,将待检测产品图像与所述模板图像进行比对,得到原始的缺陷列表; 基于缺陷类型及位置信息,将得到的原始缺陷列表进行聚合,得到聚合缺陷列表;基于所述 聚合缺陷列表,将所述聚合缺陷列表中满足预设阈值的缺陷予以输出。
在上述技术方案中,本申请的主要解决思路是首先对采集的正常产品图像进行建模,建 模成功后得到建模结果包括模板图像和检测区域,使用在分切机上时还可得到切刀的刀缝位 置,然后将建模结果和待检产品图像输入给缺陷检测模块,缺陷检测模块将待检产品图像与 模板图像对比并利用各类型缺陷的灰度值分布特征检出缺陷得到原始缺陷列表SrcDefList, 接着缺陷聚合模块根据缺陷类型、位置信息对缺陷进行聚合得到MergedDefList,最后将 MergedDefList中满足阈值的缺陷信息报出。
在本申请中,自动光学检测方法代替人工抽样目检,降低成本,提升效率,实现全部产 品的质检;建模模块的存在使本发明提出的算法能适用于多种隔膜产品,利用图像处理和分 析技术检出隔膜表面各类型缺陷,提升涂布隔膜产品质量。因而该方法的结构设计能够高效 快捷的检测电池隔膜表面缺陷,效率高,成本低,并且准确率高,能够有效检测出漏涂和漏 喷等缺陷。
附图说明
为了更清楚地说明本申请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一简单地介绍,显而易见地,下面描述中的附图是本申请的一些 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为电池隔膜的涂覆工序示意图;
图2为本申请一种实施例中一种电池隔膜表面缺陷检测方法的逻辑流程图;
图3为图2中一种电池隔膜表面缺陷检测方法的建模流程的逻辑流程图;
图4为图2中一种电池隔膜表面缺陷检测方法的刀缝识别时的分切信息输入示意图;
图5为图2中一种电池隔膜表面缺陷检测方法的刀缝识别时的刀缝示意图;
图6为图2中一种电池隔膜表面缺陷检测方法的缺陷检测时的块划分示意图;
图7为电池隔膜表面各类型缺陷透射成像后的灰度值分布图;
图8为图2中一种电池隔膜表面缺陷检测方法的缺陷检测时的逻辑流程图;
图9为图2中一种电池隔膜表面缺陷检测方法的缺陷聚合时的需要聚合的漏涂缺陷示意 图;
图10为本申请一种实施例中一种电池隔膜表面缺陷检测***的功能框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附 图,对本申请实施例中的技术方案进行清楚、完整地描述。
在本申请的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特 定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如101、102等,仅仅是用于区分开各个不同的操作, 序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这 些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述, 是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二” 是不同的类型。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整 地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域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,都属于本申请保护的范围。
请参考图2至图9,图2为本申请一种实施例中一种电池隔膜表面缺陷检测方法的逻辑 流程图;图3为图2中一种电池隔膜表面缺陷检测方法的建模流程的逻辑流程图;图4为图 2中一种电池隔膜表面缺陷检测方法的刀缝识别时的分切信息输入示意图;图5为图2中一 种电池隔膜表面缺陷检测方法的刀缝识别时的刀缝示意图;图6为图2中一种电池隔膜表面 缺陷检测方法的缺陷检测时的块划分示意图;图7为电池隔膜表面各类型缺陷透射成像后的 灰度值分布图;图8为图2中一种电池隔膜表面缺陷检测方法的缺陷检测时的逻辑流程图; 图9为图2中一种电池隔膜表面缺陷检测方法的缺陷聚合时的需要聚合的漏涂缺陷示意图。
在本申请中,主要的工作原理为首先对采集的正常产品图像进行建模,建模成功后得到 建模结果包括模板图像和检测区域,使用在分切机上时还可得到切刀的刀缝位置,然后将建 模结果和待检产品图像输入给缺陷检测模块,缺陷检测模块将待检产品图像与模板图像对比 并利用各类型缺陷的灰度值分布特征检出缺陷得到原始缺陷列表SrcDefList,接着缺陷聚合 模块根据缺陷类型、位置信息对缺陷进行聚合得到MergedDefList,最后将MergedDefList 中满足阈值的缺陷信息报出。
在一种实施例中,如图2所示,本申请所提供的种电池隔膜表面缺陷检测方法,包括:
步骤S101:基于采集到的标准电池隔膜的产品图像进行建模;基于建模,得到包括模板 图像和待检测区域的建模结果;
具体的,在上述步骤中,所述“基于采集到的标准电池隔膜的产品图像进行建模;基于 建模,得到包括模板图像和待检测区域的建模结果”,包括:
对采集到的标准电池隔膜的产品图像进行列背景灰度计算,并将计算后的产品图像的列 背景灰度作为所述模板图像;
基于所述模板图像中列背景灰度的差异变化确定电池隔膜的边缘;
基于所述电池隔膜的边缘,获得所述电池隔膜的待检测区域。
具体的,所述“基于所述电池隔膜的边缘,获得所述电池隔膜的待检测区域”之后,还 包括如下两个步骤:
根据得到的电池隔膜的列背景灰度,进行切刀的刀缝位置识别,得到刀缝位置;
根据得到的电池隔膜的列背景灰度,进行漏喷检测阈值计算,得到漏喷区域的漏喷检测 阈值。
也就是,在技术方案中,建模的目的是为了更好的进行缺陷检出,如图3所示,建模模 块首先对输入的正常产品图像进行列背景灰度计算并用计算后的列背景灰度作为模板图像, 然后根据模板图像中列背景灰度变化确定隔膜边缘和检测区域,接着若有必要根据列背景灰 度进行切刀的刀缝位置识别,若有必要计算漏喷检测阈值,最后输出建模结果。
具体的,在上述技术方案中,所述“根据得到的电池隔膜的列背景灰度,进行切刀的刀 缝位置识别,得到刀缝位置”,包括:
基于所述电池隔膜的产品图像的灰度图像,依次遍历所述灰度图像中的列背景灰度,确 定满足第一预设公式和第二预设公式的列为刀缝位置所在列;
其中,所述第一预设公式用于识别比标准背景灰度值低的暗刀缝,所述第二预设公式用 于识别比标准背景灰度值高的亮刀缝。
也就是,在上述技术方案中,涉及到列背景灰度计算,考虑到隔膜成像后图像的背景灰 度不统一,例如涂覆后隔膜成像后,有PVDF喷点处的灰度值要低于标准背景灰度5DN左右, 因此列背景计算方式是对每列像素灰度值进行直方图统计,直方图峰值点对应的灰度值即为 该列的背景灰度,按此方式计算出所有列的背景灰度作为当前待检隔膜产品的模板图像。
在上述技术方案中,还可以做出进一步改进。比如,所述“根据得到的电池隔膜的列背 景灰度,进行切刀的刀缝位置识别,得到刀缝位置信息”,还包括:
基于操作人员输入的包括分切信息及所述第一预设公式和所述第二预设公式,识别出所 述电池隔膜的产品图像中未成像区域的其他刀缝位置。
具体的,涉及到确定隔膜边缘和检测区域,利用隔膜产品成像后在图像中有隔膜与无隔 膜的灰度值差异可确定隔膜的边缘,以透射成像即光源与相机在隔膜的不同侧为例,有隔膜 的灰度值低,无隔膜的灰度值高,此时可通过公式1确定隔膜左边缘,可通过公式2确定隔 膜右边缘,公式1和公式2中BgValue[i]表示第i列的背景灰度,BgValue[i+100]表示第i+100 列的背景灰度,30和250为可调阈值;确定隔膜边缘后,可将膜边缘直接设置检测区域也可 将膜边缘往里缩进一定距离后作为检测区域。
30<BgValue[i]<250&&30<BgValue[i+100]<250 公式1
30<BgValue[i]<250&&30<BgValue[i-100]<250 公式2
涉及到刀缝位置识别,如图1所示,考虑到算法可能应用在分切机上,此时在透射成像 且横向分辨率比较高(小于0.075mm/pixel)的情况下,刀缝一般是透光的,可成像出比背 景灰度高的像素,宽度一般为2~7pixel,但也有切开之后两小卷又重叠在一起的这种情况成 像出来是低于背景的暗像素,另外也有分切后刀缝有时能成像出来有时成像不出来,鉴于刀 缝及刀缝左右大概0.5mm是不用检测的,因此需要把刀缝位置识别出来并在检测时屏蔽掉。
因而在上述基础上,建模时,刀缝位置识别分为两步:
第一步是在高灰度图像中对刀缝进行图像识别,从左到右依次遍历高灰度图像的列背景 灰度,找到满足公式3和公式4的列为刀缝位置所在列,其中公式3和公式4分别用于识别 比标准背景灰度值低的暗刀缝和比标准背景高的亮刀缝,Gray[i]表示第i列的背景灰度, AvgGray(i-10,i-5)表示第i-10列至第i-5列的背景灰度平均值,AvgGray(i+5,i+10)表示第 i+5列至第i+10列的背景灰度平均值,10和35是可调参数;
第二步,对于那些成像不出来的刀缝,要求操作员输入如图4所示的分切信息,包括了 分切条数、分切后各小卷宽度及左右边料信息,结合操作员输入的分切信息和第一步识别出 来的刀缝位置算法可推算出未成像出来的其它刀缝位置,大概示意图如图5所示。
Gray[i]<(AvgGray(i-10,i-5)-10)&&Gray[i]<(AvgGray(i+5,i+10)-10) 公式3
Gray[i]>(AvgGray(i-10,i-5)+10)&&Gray[i]<(AvgGray(i+5,i+10)+35) 公式4
此外,还需要说明的是,如图5所示,上图表示了经过图像识别出的刀缝位置(黄色线 表示),下图表示了利用分切信息计算的刀缝位置,可以看到,图像识别时由于刀缝B不满足 公式-3或公式4,未被识别出来,但利用分切信息计算后可识别出来,识别大致步骤为:首 先根据输入的分切信息(保证准确)、识别的膜左右边缘、横向分辨率和重合视场范围计算出 各刀缝的位置,然后将计算出的刀缝位置与通过识别出的刀缝位置匹配,匹配成功则以识别 出的刀缝位置为准,匹配失败的情况有两种,第一种是部分刀缝匹配失败即计算出的刀缝位 置(如图5中的刀缝B1)在识别刀缝位置列表中未找到匹配项,这种就需要利用已识别出刀 缝位置(如图4中的刀缝A和C)像素距离与实际距离(输入的)的比例,计算出刀缝B的 大致位置,计算公式为5,其中RA、RB和RC分别代表了刀缝A、B和C的实际位置(输入的), PixelA、PixelB和PixelC分别代表了刀缝A、B和C在实际图像中的位置,对于部分匹配失 败的情况,利用此方法可解决。对于完全匹配失败的即刀缝1个都没有识别出来,则直接利 用输入的分切信息进行计算,此时的计算结果不准,当开始检测后刀缝处有误报时,操作员 可重新建模解决误报。对于一个刀缝都没有识别出来的情况(几乎不出现),备选方案是多采 集几帧图像,将各帧图像的刀缝识别结果进行累计,转到部分匹配情况处理。
在上述实施例中,还可以做出具体设计。比如,所述“根据得到的电池隔膜的列背景灰 度,进行漏喷检测阈值计算,得到漏喷区域的漏喷检测阈值”,包括:
基于所述待检测区域和所述刀缝位置进行区域划分,划分为若干个区域块,并标记为 RegionList;
基于连续采集的多帧图像,在每帧图像中计算各个所述区域块中每个元素对应区域的像 素灰度平均值,并将灰度平均值加入到MeanGrayList;
根据MeanGrayList计算均值μ和方差σ,以μ-k*σ作漏喷检测阈值,其中k取值为常数。
具体的,在具体应用上述技术方案时,漏喷检测阈值计算:由于漏喷缺陷成像后与标准 背景灰度相近,因此无法通过灰度值分布特征检出,本发明采用了基于Sobel梯度提取的方 法进行,建模时首先根据检测区域划分块,然后对正常产品图像进行Sobel梯度提取,接着 计算各块内的梯度平均值,最后利用统计方法得到漏喷检测阈值。计算漏喷检测阈值大致步 骤为:
S1:根据检测区域和刀缝位置进行区域划分,区域划分策略如图6所示,区域窗口大小 可设置为640*500pixel,从左往右、从上至下有重叠或无重叠的滑动,重叠像素横向和纵向 均可设置为20pixel,当横向遇到刀缝时,跳过,并以刀缝位置为起点继续向右滑动,这样 所有滑动过的窗口位置就是待统计区域的位置记为RegionList;
S2:连续采集5帧图像,在每帧图像中计算RegionList中每个元素对应区域的像素灰度 平均值,并将灰度平均值加入到MeanGrayList;
S3:根据MeanGrayList计算均值μ和方差σ,以μ-k*σ作漏喷检测阈值,其中k 取值为3.0~4.0。
在上述任一种实施例中,如图2所示,在完成删除步骤S101之后,本申请提供的检测方 法还包括:
步骤S102:根据确定的待检测区域,将待检测产品图像与所述模板图像进行比对,得到 原始的缺陷列表。
在该步骤中,需要说明的是,缺陷检测模块利用建模结果和待检隔膜图像检出隔膜表面 各类型缺陷,以透射成像为例,各类型缺陷的灰度值分布如图7所示,其中Bg表示模板图像 中的列背景灰度值,其中的一些值如“25”、“-5”都是可以调整的,除漏喷缺陷与背景灰度 相近外,其它类型缺陷的灰度值分布范围是比较明显的,黑点异物缺陷的灰度一般分布在 0~Bg-60,褶皱一般分布在Bg-60至Bg-30,漏涂缺陷分布在Bg+25至250DN,亮点(包括针 孔、划伤)分布在250DN以上,因此缺陷检出算法设计主要分两部分:漏喷检测和其它类型 缺陷检测,大致流程如图8所示。
具体的,在上述步骤中,所述“根据确定的待检测区域,将待检测产品图像与所述模板 图像进行比对,得到原始的缺陷列表”,还包括:
遍历待检电池隔膜的产品图像的检测区域内的每个像素点,并将之与模板图像的对应列 背景灰度做差,然后对做差结果进行Blob提取,最后根据Blob面积、宽度和高度特征值是 否满足设定阈值检出缺陷。
具体的,在实施上述方案时,如图8所示,如图8所示,缺陷检测模块主要通过Blob分 析检出亮点、漏涂、褶皱和黑点异物类型的缺陷,通过Sobel梯度提取后的图像检出漏喷缺 陷。其中,Blob分析检出缺陷是指遍历待检隔膜图像检测区域内的每个像素点,并将之与模 板(对应列背景灰度)做差,然后对做差结果进行Blob提取,最后根据Blob面积、宽度和 高度特征值是否满足设定阈值检出缺陷。
在上述步骤中,所述“根据确定的待检测区域,将待检测产品图像与所述模板图像进行 比对,得到原始的缺陷列表”,包括:
根据所述待检测区域和所述刀缝位置进行漏喷检测块的划分;
对检测的电池隔膜的产品图像进行梯度提取,并得到梯度图像;
根据所述漏喷检测块d位置,计算各漏喷检测块在所述梯度图像中的灰度均值;并将小 于所述漏喷检测阈值的块判为可疑漏喷块;
判断当前可疑漏喷块的邻域内是否含有预设数量以上的可疑漏喷块;
如果是,则该当前可以漏喷块为真实漏喷块,并将其加入到原始的缺陷列表中;如果否, 则舍弃。
具体的,在实施上述方案时,漏喷缺陷检测方法则是先根据检测区域和刀缝位置进行漏 喷检测块划分,划分策略与建模模块相同,然后对待检隔膜图像进行Sobel梯度提取得到梯 度图像SobelImage,接着根据漏喷检测块位置计算各漏喷检测块在SobelImage中的灰度均 值并将小于漏喷检测阈值的块判为可疑漏喷块,最后根据当前可疑漏喷块的邻域内是否含有 一定数量以上的可疑漏喷块决定当前块是否为真实漏喷,是则加到原始缺陷信息列表中,否 则则舍弃。
如图2所示,在完成上述步骤S102后,本申请所提供的的检测方法还包括:
S103:基于缺陷类型及位置信息,将得到的原始缺陷列表进行聚合,得到聚合缺陷列表;
S104:基于所述聚合缺陷列表,将所述聚合缺陷列表中满足预设阈值的缺陷予以输出。
具体的,对上述两个步骤解释如下:
缺陷聚合模块是根据原始缺陷信息中的位置、类型、大小对缺陷进行合并,将离得近的 缺陷合并为1个并更新相应的信息。如图9所示,实际生产中有些漏涂缺陷并不是完全连接 在一起的,这就导致上一步提取到的原始LLBlobList中一个漏涂缺陷可能分成好几个Blob, 如果直接根据原始Blob的长宽或面积与检测阈值比较决定是否为缺陷则会存在漏检,因此需 要对原始LLBlobList进行合并,合并策略是根据位置远近进行判断,首先遍历原始BlobList 列表,然后判断其它Blob是否在待合并Blob的包围盒(可设置横向和纵向参数,向外扩一 定范围)内,若在则合并,否则继续判断。
此外,在本申请中,还需要说明的是:
在一种实施例中,建模模块的输入是正常隔膜图像即无缺陷图像;可以输入多帧无大面 积缺陷的图像,算法可对每帧建模结果进行统计分析如求列背景灰度的众数作为模板图像;
在一种实施例中,列背景灰度是通过灰度直方图统计计算出来的,可选的,也可通过其 它统计方式得到,如按大小排序后取中位数等,也可直接求列背景灰度的平均值后再加上一 定的辅助值得到;
在一种实施例中,隔膜边缘确定方法是通过模板图像中的列背景灰度变化得到,可选的, 通过在正常隔膜图像中设置采样行并取每采样的灰度值,根据灰度值的变化确定隔膜边缘, 如透射成像下,隔膜左边缘在采样行的灰度值应是从亮到暗变化;
在一种实施例中,刀缝位置识别时要求输入分切信息是小卷宽度,可选的,也可输入切 刀的位置,通过切刀位置可计算出小卷宽度;
在一种实施例中,漏喷检测阈值计算采用了的方式,可选的,也可用均值减去指定参数 得到漏喷检测阈值;
在一种实施例中,利用Sobel算子进行梯度提取,可选的,也可利用其它具有梯度提取 功能的算子来提取梯度,如Roberts、Prewitt、Laplacian等;
在一种实施例中,通过计算SobelImage中各漏喷块的灰度均值并用该均值与漏喷检测阈 值比较检出漏喷缺陷,可选的,也可通过计算待检隔膜图像中PVDF像素点的密度来实现漏喷 检测,具体步骤为:首先在建模时,在正常隔膜图像中计算各漏喷块的PVDF像素点密度,PVDF 像素点密度为PVDF像素点数除以漏喷块内的总像素数,PVDF像素点是指灰度值在Bg-30至 Bg-5之间的像素点,然后计算出PVDF像素点密度的均值和方差后,以作漏喷检测阈值, 其中k取值为3.0~4.0,最后在检测时,同样计算漏喷块内PVDF像素点密度并与漏喷检测阈 值比较检出漏喷缺陷。
此外,需要说明的是,在本申请中,自动光学检测方法代替人工抽样目检,降低成本, 提升效率,实现全部产品的质检;建模模块的存在使本发明提出的算法能适用于多种隔膜产 品,利用图像处理和分析技术检出隔膜表面各类型缺陷,提升涂布隔膜产品质量。
与上述方法实施例相对应,本申请还提供一套装置实施例,具体的,请参考图10,图10 为本申请一种实施例中一种电池隔膜表面缺陷检测***的功能框图。
在一种实施例中,本申请还提供一种电池隔膜表面缺陷检测***,包括:
建模模块,用于基于采集到的标准电池隔膜的产品图像进行建模;基于建模,得到包括 模板图像和待检测区域的建模结果;
缺陷检测模块,用于根据确定的待检测区域,将待检测产品图像与所述模板图像进行比 对,得到原始的缺陷列表;
缺陷聚合模块,用于基于缺陷类型及位置信息,将得到的原始缺陷列表进行聚合,得到 聚合缺陷列表;
缺陷输出模块,用于基于所述聚合缺陷列表,将所述聚合缺陷列表中满足预设阈值的缺 陷予以输出。
在一种实施例中,所述建模模块包括:
模块图像获得子模块,用于对采集到的标准电池隔膜的产品图像进行列背景灰度计算, 并将计算后的产品图像的列背景灰度作为所述模板图像;
边缘获得子模块,用于基于所述模板图像中列背景灰度的差异变化确定电池隔膜的边缘;
待检测区域获得子模块,用于基于所述电池隔膜的边缘,获得所述电池隔膜的待检测区 域。
在一种实施例中,所述建模模块包括:
刀缝识别子模块,用于根据得到的电池隔膜的列背景灰度,进行切刀的刀缝位置识别, 得到刀缝位置;
漏喷检测阈值计算子模块,用于根据得到的电池隔膜的列背景灰度,进行漏喷检测阈值 计算,得到漏喷区域的漏喷检测阈值。
在一种实施例中,所述刀缝识别子模块包括:
确定刀缝位置单元,用于基于所述电池隔膜的产品图像的灰度图像,依次遍历所述灰度 图像中的列背景灰度,确定满足第一预设公式和第二预设公式的列为刀缝位置所在列;
其中,所述第一预设公式用于识别比标准背景灰度值低的暗刀缝,所述第二预设公式用 于识别比标准背景灰度值高的亮刀缝。
在一种实施例中,所述漏喷检测阈值计算子模块包括:
区域块划分单元,用于基于所述待检测区域和所述刀缝位置进行区域划分,划分为若干 个区域块,并标记为RegionList;
灰度平均值计算单元,用于基于连续采集的多帧图像,在每帧图像中计算各个所述区域 块中每个元素对应区域的像素灰度平均值,并将灰度平均值加入到MeanGrayList;
漏喷检测阈值输出单元,用于根据MeanGrayList计算均值μ和方差σ,以μ-k*σ作漏喷检测阈值,其中k取值为常数。
在一种实施例中,所述“根据确定的待检测区域,将待检测产品图像与所述模板图像进 行比对,得到原始的缺陷列表”,包括:
根据所述待检测区域和所述刀缝位置进行漏喷检测块的划分;
对检测的电池隔膜的产品图像进行梯度提取,并得到梯度图像;
根据所述漏喷检测块d位置,计算各漏喷检测块在所述梯度图像中的灰度均值;并将小 于所述漏喷检测阈值的块判为可疑漏喷块;
判断当前可疑漏喷块的邻域内是否含有预设数量以上的可疑漏喷块;
如果是,则该当前可以漏喷块为真实漏喷块,并将其加入到原始的缺陷列表中;如果否, 则舍弃。
在一种实施例中,所述“根据确定的待检测区域,将待检测产品图像与所述模板图像进 行比对,得到原始的缺陷列表”,还包括:
遍历待检电池隔膜的产品图像的检测区域内的每个像素点,并将之与模板图像的对应列 背景灰度做差,然后对做差结果进行Blob提取,最后根据Blob面积、宽度和高度特征值是 否满足设定阈值检出缺陷。
需要说明的是,所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描 述的***,装置和单元的具体工作过程和技术效果,可以参考前述方法实施例中的对应过程 和效果,在此不再赘述。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或 者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以 位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或 者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况 下,即可以理解并实施。
本说明书通篇提及的“多个实施例”、“一些实施例”、“一个实施例”或“实施例”等,意味着结合该实施例描述的具体特征、部件或特性包括在至少一个实施例中。因此, 本说明书通篇出现的短语“在多个实施例中”、“在一些实施例中”、“在至少另一个实施 例中”或“在实施例中”等并不一定都指相同的实施例。此外,在一个或多个实施例中, 具体特征、部件或特性可以任何合适的方式进行组合。因此,在无限制的情形下,结合 一个实施例示出或描述的具体特征、部件或特性可全部或部分地与一个或多个其他实施 例的特征、部件或特性进行组合。这种修改和变型旨在包括在本申请的范围之内。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种 类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可 以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以 上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“终端”、“组件”或“***”。此 外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产 品包括计算机可读程序编码。
需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的物品或者设备不仅包括那些要素,而且还包括没有明确 列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没 有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素 的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本申请的具体实施方式,使本领域技术人员能够理解或实现本申请。 对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一 般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然 可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替 换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的 精神和范围。
Claims (10)
1.一种电池隔膜表面缺陷检测方法,其特征在于,包括:
基于采集到的标准电池隔膜的产品图像进行建模;基于建模,得到包括模板图像和待检测区域的建模结果;
根据确定的待检测区域,将待检测产品图像与所述模板图像进行比对,得到原始的缺陷列表;
基于缺陷类型及位置信息,将得到的原始缺陷列表进行聚合,得到聚合缺陷列表;
基于所述聚合缺陷列表,将所述聚合缺陷列表中满足预设阈值的缺陷予以输出。
2.如权利要求1所述的一种电池隔膜表面缺陷检测方法,其特征在于,所述“基于采集到的标准电池隔膜的产品图像进行建模;基于建模,得到包括模板图像和待检测区域的建模结果”,包括:
对采集到的标准电池隔膜的产品图像进行列背景灰度计算,并将计算后的产品图像的列背景灰度作为所述模板图像;
基于所述模板图像中列背景灰度的差异变化确定电池隔膜的边缘;
基于所述电池隔膜的边缘,获得所述电池隔膜的待检测区域。
3.如权利要求2所述的一种电池隔膜表面缺陷检测方法,其特征在于,
所述“基于所述电池隔膜的边缘,获得所述电池隔膜的待检测区域”之后,还包括如下两个步骤:
根据得到的电池隔膜的列背景灰度,进行切刀的刀缝位置识别,得到刀缝位置;
根据得到的电池隔膜的列背景灰度,进行漏喷检测阈值计算,得到漏喷区域的漏喷检测阈值。
4.如权利要求3所述的一种电池隔膜表面缺陷检测方法,其特征在于,
所述“根据得到的电池隔膜的列背景灰度,进行切刀的刀缝位置识别,得到刀缝位置”,包括:
基于所述电池隔膜的产品图像的灰度图像,依次遍历所述灰度图像中的列背景灰度,确定满足第一预设公式和第二预设公式的列为刀缝位置所在列;
其中,所述第一预设公式用于识别比标准背景灰度值低的暗刀缝,所述第二预设公式用于识别比标准背景灰度值高的亮刀缝。
5.如权利要求4所述的一种电池隔膜表面缺陷检测方法,其特征在于,所述“根据得到的电池隔膜的列背景灰度,进行切刀的刀缝位置识别,得到刀缝位置信息”,还包括:
基于操作人员输入的包括分切信息及所述第一预设公式和所述第二预设公式,识别出所述电池隔膜的产品图像中未成像区域的其他刀缝位置。
6.如权利要求3-5任一项所述的一种电池隔膜表面缺陷检测方法,其特征在于,
所述“根据得到的电池隔膜的列背景灰度,进行漏喷检测阈值计算,得到漏喷区域的漏喷检测阈值”,包括:
基于所述待检测区域和所述刀缝位置进行区域划分,划分为若干个区域块,并标记为RegionList;
基于连续采集的多帧图像,在每帧图像中计算各个所述区域块中每个元素对应区域的像素灰度平均值,并将灰度平均值加入到MeanGrayList;
根据MeanGrayList计算均值μ和方差σ,以μ-k*σ作漏喷检测阈值,其中k取值为常数。
7.如权利要求3所述的一种电池隔膜表面缺陷检测方法,其特征在于,所述“根据确定的待检测区域,将待检测产品图像与所述模板图像进行比对,得到原始的缺陷列表”,包括:
根据所述待检测区域和所述刀缝位置进行漏喷检测块的划分;
对检测的电池隔膜的产品图像进行梯度提取,并得到梯度图像;
根据所述漏喷检测块d位置,计算各漏喷检测块在所述梯度图像中的灰度均值;并将小于所述漏喷检测阈值的块判为可疑漏喷块;
判断当前可疑漏喷块的邻域内是否含有预设数量以上的可疑漏喷块;
如果是,则该当前可以漏喷块为真实漏喷块,并将其加入到原始的缺陷列表中;如果否,则舍弃。
8.如权利要求3所述的一种电池隔膜表面缺陷检测方法,其特征在于,所述“根据确定的待检测区域,将待检测产品图像与所述模板图像进行比对,得到原始的缺陷列表”,还包括:
遍历待检电池隔膜的产品图像的检测区域内的每个像素点,并将之与模板图像的对应列背景灰度做差,然后对做差结果进行Blob提取,最后根据Blob面积、宽度和高度特征值是否满足设定阈值检出缺陷。
9.一种电池隔膜表面缺陷检测***,其特征在于,包括:
建模模块,用于基于采集到的标准电池隔膜的产品图像进行建模;基于建模,得到包括模板图像和待检测区域的建模结果;
缺陷检测模块,用于根据确定的待检测区域,将待检测产品图像与所述模板图像进行比对,得到原始的缺陷列表;
缺陷聚合模块,用于基于缺陷类型及位置信息,将得到的原始缺陷列表进行聚合,得到聚合缺陷列表;
缺陷输出模块,用于基于所述聚合缺陷列表,将所述聚合缺陷列表中满足预设阈值的缺陷予以输出。
10.如权利要求9所述的一种电池隔膜表面缺陷检测***,其特征在于,所述建模模块包括:
模块图像获得子模块,用于对采集到的标准电池隔膜的产品图像进行列背景灰度计算,并将计算后的产品图像的列背景灰度作为所述模板图像;
边缘获得子模块,用于基于所述模板图像中列背景灰度的差异变化确定电池隔膜的边缘;
待检测区域获得子模块,用于基于所述电池隔膜的边缘,获得所述电池隔膜的待检测区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011628513.9A CN113030093B (zh) | 2020-12-30 | 2020-12-30 | 一种电池隔膜表面缺陷检测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011628513.9A CN113030093B (zh) | 2020-12-30 | 2020-12-30 | 一种电池隔膜表面缺陷检测方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113030093A true CN113030093A (zh) | 2021-06-25 |
CN113030093B CN113030093B (zh) | 2022-07-22 |
Family
ID=76459159
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011628513.9A Active CN113030093B (zh) | 2020-12-30 | 2020-12-30 | 一种电池隔膜表面缺陷检测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113030093B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111129400A (zh) * | 2019-12-31 | 2020-05-08 | 武汉惠强新能源材料科技有限公司 | 一种多孔锂电池隔膜的制备工艺 |
CN113504244A (zh) * | 2021-07-13 | 2021-10-15 | 安徽绿舟科技有限公司 | 一种新能源汽车电池探伤检测方法与装置 |
CN113838043A (zh) * | 2021-09-30 | 2021-12-24 | 杭州百子尖科技股份有限公司 | 金属箔材制造中基于机器视觉的质量分析方法 |
CN114581428A (zh) * | 2022-03-13 | 2022-06-03 | 江苏涂博士新材料有限公司 | 一种基于光学手段的粉末涂料粘合度检测方法 |
CN115825124A (zh) * | 2022-09-09 | 2023-03-21 | 合肥国轩高科动力能源有限公司 | 一种隔膜黑点缺陷的判定方法 |
CN115829907A (zh) * | 2022-04-18 | 2023-03-21 | 宁德时代新能源科技股份有限公司 | 对复合料带的隔膜进行缺陷检测的方法、装置、*** |
CN115841445A (zh) * | 2022-04-18 | 2023-03-24 | 宁德时代新能源科技股份有限公司 | 对复合料带的阴极极片进行检测的方法、装置和*** |
CN115841478A (zh) * | 2022-12-16 | 2023-03-24 | 浙江科达利实业有限公司 | 应用于车载空调软管生产管控的质量检测*** |
CN116433656A (zh) * | 2023-06-07 | 2023-07-14 | 海斯坦普汽车组件(北京)有限公司 | 一种新能源电池盒检测方法及*** |
CN116609345A (zh) * | 2023-07-19 | 2023-08-18 | 北京阿丘机器人科技有限公司 | 电池盖板缺陷检测方法、装置、设备及存储介质 |
CN117392469A (zh) * | 2023-12-11 | 2024-01-12 | 深圳市丰源升科技有限公司 | 基于机器视觉的钙钛矿电池表面涂膜检测方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060078191A1 (en) * | 2004-09-29 | 2006-04-13 | Dainippon Screen Mfg. Co., Ltd. | Apparatus and method for detecting defect on object |
JP2009264915A (ja) * | 2008-04-24 | 2009-11-12 | Panasonic Electric Works Co Ltd | 透明フィルムの外観検査方法およびその装置 |
CN101799434A (zh) * | 2010-03-15 | 2010-08-11 | 深圳市中钞科信金融科技有限公司 | 一种印刷图像缺陷检测方法 |
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 |
CN106841213A (zh) * | 2016-12-30 | 2017-06-13 | 深圳中兴创新材料技术有限公司 | 检测电池隔膜涂层表面缺陷的方法和外观图像检测*** |
CN109360186A (zh) * | 2018-08-31 | 2019-02-19 | 广州超音速自动化科技股份有限公司 | 锂电池隔膜检测方法、电子设备、存储介质及*** |
CN109613000A (zh) * | 2018-10-30 | 2019-04-12 | 广州超音速自动化科技股份有限公司 | 锂电池涂布缺陷检测方法、***、设备及存储介质 |
-
2020
- 2020-12-30 CN CN202011628513.9A patent/CN113030093B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060078191A1 (en) * | 2004-09-29 | 2006-04-13 | Dainippon Screen Mfg. Co., Ltd. | Apparatus and method for detecting defect on object |
JP2009264915A (ja) * | 2008-04-24 | 2009-11-12 | Panasonic Electric Works Co Ltd | 透明フィルムの外観検査方法およびその装置 |
CN101799434A (zh) * | 2010-03-15 | 2010-08-11 | 深圳市中钞科信金融科技有限公司 | 一种印刷图像缺陷检测方法 |
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 |
CN106841213A (zh) * | 2016-12-30 | 2017-06-13 | 深圳中兴创新材料技术有限公司 | 检测电池隔膜涂层表面缺陷的方法和外观图像检测*** |
CN109360186A (zh) * | 2018-08-31 | 2019-02-19 | 广州超音速自动化科技股份有限公司 | 锂电池隔膜检测方法、电子设备、存储介质及*** |
CN109613000A (zh) * | 2018-10-30 | 2019-04-12 | 广州超音速自动化科技股份有限公司 | 锂电池涂布缺陷检测方法、***、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
吴雪芬: "锂电池薄膜缺陷图像特征提取技术研究", 《电子质量》 * |
朱锡芳等: "改进灰关联在锂电池缺陷快速识别的应用", 《光电子技术》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111129400A (zh) * | 2019-12-31 | 2020-05-08 | 武汉惠强新能源材料科技有限公司 | 一种多孔锂电池隔膜的制备工艺 |
CN113504244A (zh) * | 2021-07-13 | 2021-10-15 | 安徽绿舟科技有限公司 | 一种新能源汽车电池探伤检测方法与装置 |
CN113838043A (zh) * | 2021-09-30 | 2021-12-24 | 杭州百子尖科技股份有限公司 | 金属箔材制造中基于机器视觉的质量分析方法 |
CN114581428A (zh) * | 2022-03-13 | 2022-06-03 | 江苏涂博士新材料有限公司 | 一种基于光学手段的粉末涂料粘合度检测方法 |
WO2023202207A1 (zh) * | 2022-04-18 | 2023-10-26 | 宁德时代新能源科技股份有限公司 | 对复合料带的隔膜进行缺陷检测的方法、装置、*** |
CN115829907A (zh) * | 2022-04-18 | 2023-03-21 | 宁德时代新能源科技股份有限公司 | 对复合料带的隔膜进行缺陷检测的方法、装置、*** |
CN115841445A (zh) * | 2022-04-18 | 2023-03-24 | 宁德时代新能源科技股份有限公司 | 对复合料带的阴极极片进行检测的方法、装置和*** |
CN115841445B (zh) * | 2022-04-18 | 2024-05-17 | 宁德时代新能源科技股份有限公司 | 对复合料带的阴极极片进行检测的方法、装置和*** |
CN115829907B (zh) * | 2022-04-18 | 2024-02-23 | 宁德时代新能源科技股份有限公司 | 对复合料带的隔膜进行缺陷检测的方法、装置、*** |
CN115825124A (zh) * | 2022-09-09 | 2023-03-21 | 合肥国轩高科动力能源有限公司 | 一种隔膜黑点缺陷的判定方法 |
CN115841478A (zh) * | 2022-12-16 | 2023-03-24 | 浙江科达利实业有限公司 | 应用于车载空调软管生产管控的质量检测*** |
CN116433656B (zh) * | 2023-06-07 | 2023-08-25 | 海斯坦普汽车组件(北京)有限公司 | 一种新能源电池盒检测方法及*** |
CN116433656A (zh) * | 2023-06-07 | 2023-07-14 | 海斯坦普汽车组件(北京)有限公司 | 一种新能源电池盒检测方法及*** |
CN116609345B (zh) * | 2023-07-19 | 2023-10-17 | 北京阿丘机器人科技有限公司 | 电池盖板缺陷检测方法、装置、设备及存储介质 |
CN116609345A (zh) * | 2023-07-19 | 2023-08-18 | 北京阿丘机器人科技有限公司 | 电池盖板缺陷检测方法、装置、设备及存储介质 |
CN117392469A (zh) * | 2023-12-11 | 2024-01-12 | 深圳市丰源升科技有限公司 | 基于机器视觉的钙钛矿电池表面涂膜检测方法及*** |
CN117392469B (zh) * | 2023-12-11 | 2024-02-20 | 深圳市丰源升科技有限公司 | 基于机器视觉的钙钛矿电池表面涂膜检测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN113030093B (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113030093B (zh) | 一种电池隔膜表面缺陷检测方法和*** | |
Wang et al. | Classification for plastic bottles recycling based on image recognition | |
KR102206908B1 (ko) | 2차전지 분리막 검사장치 및 검사방법 | |
CN106290388B (zh) | 一种绝缘子故障自动检测方法 | |
CN106238350B (zh) | 一种基于机器视觉的太阳能电池片分选方法与*** | |
CN109900711A (zh) | 基于机器视觉的工件缺陷检测方法 | |
CN110414334A (zh) | 一种基于无人机巡视的智能水质识别方法 | |
CN108280855A (zh) | 一种基于Fast R-CNN的绝缘子故障检测方法 | |
CN113646801B (zh) | 缺陷图像的缺陷检测方法、装置及计算机可读存储介质 | |
CN102095733A (zh) | 一种基于机器视觉对瓶盖表面瑕疵的智能检测方法 | |
CN111080691A (zh) | 一种光伏组件红外热斑检测方法、装置 | |
CN104574389A (zh) | 基于彩色机器视觉的电池片色差分选控制方法 | |
KR101297395B1 (ko) | 이차 전지용 극판 비젼 검사 방법 | |
CN108333188A (zh) | 一种电池极片在线外观视觉检测设备 | |
CN103759644B (zh) | 一种滤光片表面缺陷的分离细化智能检测方法 | |
CN107656986A (zh) | 微观缺陷整合预警方法及装置 | |
CN104952754B (zh) | 基于机器视觉的镀膜后硅片分选方法 | |
CN104056790A (zh) | 一种马铃薯智能分选方法与装置 | |
CN103679146A (zh) | 基于高通滤波器和Hough变换的安全带智能检测方法 | |
CN113552134B (zh) | 一种湿法涂胶的合成革卷边检测方法 | |
CN106778439B (zh) | 一种基于图像处理的锂电池批量扫码***及方法 | |
CN106153639A (zh) | 基于人工智能的电路板检测方法及其检测装置 | |
CN106872488A (zh) | 一种快速大面积透明基片双表面缺陷视觉检测方法及装置 | |
CN209727263U (zh) | 一种基于机器视觉的纱线印染色差检测*** | |
CN103366176A (zh) | 光学元件缺陷批量自动识别装置和方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |