CN113129260A - 一种锂电池电芯内部缺陷的自动检测方法及装置 - Google Patents
一种锂电池电芯内部缺陷的自动检测方法及装置 Download PDFInfo
- Publication number
- CN113129260A CN113129260A CN202110262994.4A CN202110262994A CN113129260A CN 113129260 A CN113129260 A CN 113129260A CN 202110262994 A CN202110262994 A CN 202110262994A CN 113129260 A CN113129260 A CN 113129260A
- Authority
- CN
- China
- Prior art keywords
- image
- line segment
- region
- redundant
- lithium 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
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 80
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 80
- 230000007547 defect Effects 0.000 title claims abstract description 71
- 238000001514 detection method Methods 0.000 title claims abstract description 53
- 238000012216 screening Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000005516 engineering process Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 15
- 230000000877 morphologic effect Effects 0.000 claims description 13
- 238000003672 processing method Methods 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 9
- 238000005452 bending Methods 0.000 claims description 6
- 230000002950 deficient Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000009966 trimming Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 2
- 230000005611 electricity Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种锂电池电芯内部缺陷的自动检测方法及装置,该方法和装置基于机器视觉技术实现。该方法通过对锂电池电芯内部的内部图像进行降噪、筛选和分类来对锂电池电芯内部缺陷进行识别,从而最终根据识别出的缺陷类型生成锂电池电芯的检测结果。该装置包括图像采集模块、分析处理模块、图像分类模块以及结果生成模块。该方法及装置不仅能自动识别锂电池电芯内部的缺陷类型,还提升了锂电池电芯内部缺陷检测的鲁棒性和准确性,从而提升了检测结果的可靠性,解决了现有技术中存在的检测过程易受背景影响的缺陷。
Description
技术领域
本发明涉及锂电池电芯内部缺陷的自动检测领域,涉及一种锂电池电芯内部缺陷的自动检测方法及装置。
背景技术
锂电池是重要的供电装置,需求量逐年不断攀升,发挥着不可或缺的作用。电池极片是锂电池地重要组成部分之一,一旦存在缺陷状况,就会直接影响着锂电池的工作性能和安全性能。由于锂电池属于九类危险品,对安全性能方面要求很高,不能简单地通过人力检视,需要利用精密的机械设备完成质检工作。
近年来,机器视觉技术发展迅猛,以其高效、准确、稳定和无损等优点在现代测量中得到越来越多的应用,特别是在工业领域。因此,如何将机器视觉与锂电池测量技术相结合来提高制造环节的效率,降低废品率是促进整个锂电池行业发展的关键所在。其中,极片的质量状况是锂电池内部物理结构检测的重点。为防止析锂现象,锂电池的负极片需要比正极片略宽,留有一定的冗余量。冗余量过大会影响锂电池的实际容量,降低电池的工作性能;过小会影响给锂电池带来短路的风险,降低了电池的安全性能。
在现有技术中,锂电池质量检测大多关注于电池在各状态环境下的充放电性能和电池的一些外表面缺陷,而其电芯内部的物理结构检测需要更加得到重视。已有的电芯内部检测技术多从灰度梯度、灰度投影等方面着手,虽操作简单,但仍有鲁棒性较弱、容易受背景影响等缺点。
因此,当前市面上迫切需求一种锂电池电芯内部缺陷的自动检测方法及装置,从而克服现有技术存在的上述缺点。
发明内容
针对现存的上述技术问题,本发明的目的在于提供一种锂电池电芯内部缺陷的自动检测方法及装置,以在自动识别锂电池电芯内部缺陷类型的基础上,提升了锂电池电芯内部缺陷检测的鲁棒性和准确性,从而提升了检测结果的可靠性。
本发明提供了一种锂电池电芯内部缺陷的自动检测方法,包括:采集锂电池电芯内部的内部图像;通过预设的图像处理方法对该内部图像进行降噪筛选处理,从而获得冗余量线段图像;其中,该冗余量线段图像包括目标线段;通过预设的分类器,根据该冗余量线段图像中的长度特征信息和角度特征信息,对该冗余量线段图像进行分类以获取该冗余量线段图像的缺陷类型;根据该冗余量线段图像的缺陷类型,生成该锂电池电芯的检测结果。
在一个实施例中,所述采集锂电池电芯内部的内部图像,具体为:以X射线作为光源,通过工业相机拍摄采集锂电池电芯内部的内部图像。
在一个实施例中,所述通过预设的图像处理方法对该内部图像进行降噪筛选处理,从而获得冗余量线段图像,具体为:从该内部图像中提取第一感兴趣区域图像;在将该第一感兴趣区域图像通过傅里叶变换从空域投射到频域并去中心化后,对该第一感兴趣区域图像进行低通滤波,再进行归一化处理,最后通过傅里叶反变换从频域投射回空域中,从而获取第二感兴趣区域图像;对第二感兴趣区域图像进行锐化以获取第三感兴趣区域图像,利用形态学操作对该第三感兴趣区域图像进行区域填充以提取出电池正极区域轮廓,并将该电池正极区域轮廓与该第三感兴趣区域图像叠加,从而获取冗余量区域图像;利用形态学操作筛选出该冗余量区域图像中的目标线段,从而获取冗余量线段图像。
在一个实施例中,所述对第二感兴趣区域图像进行锐化以获取第三感兴趣区域图像,利用形态学操作对该第三感兴趣区域图像进行区域填充以提取出电池正极区域轮廓,并将该电池正极区域轮廓与该第三感兴趣区域图像叠加,从而获取冗余量区域图像,具体为:对第二感兴趣区域图像通过增强中心信息的空域滤波算子进行过滤,并进行二值化操作,从而获取第三感兴趣区域图像;对该第三感兴趣区域图像的四边边缘进行修整,采用形态学操作填充该第三感兴趣区域图像的内部区域,从而获取第四感兴趣区域图像;通过轮廓检测技术,从该第四感兴趣区域图像中识别出锂电池的电池正极区域轮廓,从而提取出电池正极区域轮廓;将该第四感兴趣区域图像与该电池正极区域轮廓相叠加,从而获取冗余量区域图像。
在一个实施例中,所述利用形态学操作筛选出该冗余量区域图像中的目标线段,从而获取冗余量线段图像,具体为:利用横向滤波算子对该冗余区域图像进行过滤,从而获取横向线段图像;采用LSD直线检测技术识别出该横向线段图像里的多条横向线段,并从该多条横向线段中筛选出目标线段,从而获取冗余线段图像。
在一个实施例中,所述采用LSD直线检测技术识别出该横向线段图像里的多条横向线段,并从该多条横向线段中筛选出目标线段,从而获取冗余线段图像,具体为:利用LSD直线检测技术识别出横向线段图像中的多条横向线段,并获取该多条横向线段的各自第一线段端点的横坐标和纵坐标;该第一线段端点包括横向线段的左端点和右端点;根据该多条横向线段的各自第一线段端点的纵坐标,将多个第一线段端点按照该多个第一线段端点的纵坐标从上到下进行排序,以得到第一线段端点组;以该第一线段端点组中的首个第一线段端点的纵坐标为第一标准纵坐标,按顺序依次将该第一线段端点组中剩余的第一线段端点的纵坐标与该第一标准纵坐标进行比较,并判断该纵坐标与该第一标准纵坐标的差值是否小于预设的数量阈值;如果是,则将该第一线段端点分入第一线段组;该第一线段组还包括该首个第一线段端点;如果不是,则将该第一线段端点的纵坐标作为第二标准纵坐标,按顺序依次将该第一线段端点组中剩余的第一线段端点的纵坐标与该第二标准纵坐标进行比较,并判断该纵坐标与该第二标准纵坐标的差值是否大于预设的数量阈值;若小于,则将该第一线段端点分入第二线段组;该第二线段组还包括该第二标准纵坐标对应的第一线段端点;取第一线段组中的所有点的横坐标的第一最小值和第一最大值以及与该第一最小值对应的第一纵坐标和与该第一最大值对应的第二纵坐标;并取第二线段组中的所有点的横坐标的第二最小值和第二最大值以及与该第二最小值对应的第三纵坐标和与该第二最大值对应的第四纵坐标;根据该第一最小值、该第一最大值、该第一纵坐标、该第二纵坐标、该第二最小值、该第二最大值、该第三纵坐标以及该第四纵坐标,获取目标线段。
在一个实施例中,所述通过预设的分类器,根据该冗余量线段图像中的长度特征信息和角度特征信息,对该冗余量线段图像进行分类以获取该冗余量线段图像的缺陷类型,具体为:提取该冗余量线段图像中的目标线段的长度特征信息和角度特征信息,并根据该长度特征信息和该角度特征信息建立特征向量;根据该特征向量和预设的分类器对该冗余量线段图像进行分类,确定该冗余量线段图像的缺陷类型。
在一个实施例中,所述提取该冗余量线段图像中的目标线段的长度特征信息和角度特征信息,并根据该长度特征信息和该角度特征信息建立特征向量,具体为:
将该目标线段数量设为n,第i(i∈[1,n])条目标线段的左右端点坐标分别为(xi1,yi1)、(xi2,yi2),最大目标线段长度为lmax,最小目标线段长度为lmin,将目标线段长度li作为该目标线段的长度特征信息,其中:
lmax=max{li}
lmin=min{li}
将第i(i∈[1,n])条目标线段与水平线的夹角设为ai,最大弯折角度设为amax,平均角度设为amean,将角度标准差astdev作为该目标线段的角度特征信息,其中:
amax=max{ai}
根据lmax、lmin、amax、astdev建立如下特征向量:
featuec=[lmax,lmin,amax,astdev]。
在一个实施例中,该冗余量线段图像的缺陷类型包括:无缺陷类别、冗余量过大类别、冗余量过小类别以及极片弯折类别。
本发明还提供了一种锂电池电芯内部缺陷的自动检测装置,该检测装置包括图像采集模块、分析处理模块、图像分类模块以及结果生成模块,其中,该图像采集模块用于采集锂电池电芯内部的内部图像;该分析处理模块用于通过预设的图像处理方法对该内部图像进行降噪筛选处理,从而获得冗余量线段图像;其中,该冗余量线段图像包括目标线段;该图像分类模块用于通过预设的分类器,根据该冗余量线段图像中的长度特征信息和角度特征信息,对该冗余量线段图像进行分类以获取该冗余量线段图像的缺陷类型;该结果生成模块用于根据该冗余量线段图像的缺陷类型,生成该锂电池电芯的检测结果。
相比于现有技术,本发明实施例具有如下有益效果:
本发明提供了一种锂电池电芯内部缺陷的自动检测方法及装置,该方法和装置基于机器视觉技术,通过对锂电池电芯内部的内部图像进行降噪、筛选和分类来对锂电池电芯内部缺陷进行识别,并根据识别出的缺陷类型生成锂电池电芯的检测结果,该方法及装置不仅能自动识别锂电池电芯内部的缺陷类型,还提升了锂电池电芯内部缺陷检测的鲁棒性和准确性,从而提升了检测结果的可靠性,解决了现有技术中存在的检测过程易受背景影响的缺陷。
附图说明
下文将结合说明书附图对本发明进行进一步的描述说明,其中:
图1示出了根据本发明的一种锂电池电芯内部缺陷的自动检测方法的流程图;
图2示出了根据本发明的一种锂电池电芯内部缺陷的自动检测方法所采集的电芯内部图像的一个实施例;
图3示出了根据本发明的预设的图像处理方法的一个实施例的流程图;
图4示出了根据本发明的一种锂电池电芯内部缺陷的自动检测装置的一个实施例的结构图。
具体实施方式
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,所描述的实施例仅仅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。
具体实施例一
图1示出了根据本发明的一种锂电池电芯内部缺陷的自动检测方法的逻辑流程图,该方法包括如下步骤:
S1:采集锂电池电芯内部的内部图像。
此步骤中对内部图像的采集以X射线光学成像原理为基础。具体地,首先用器具固定好锂电池的位置,以X射线作为光源,使用CCD工业相机采集大小为m×m的电芯内部图像。如图2所示,在本实施例中可采集大小为1000*1000的电芯内部图像。
S2:通过预设的图像处理方法对所述内部图像进行降噪筛选处理,从而获得冗余量线段图像。
在一个实施例中,如图3所示,该预设的图像处理方法包括如下步骤:
S201:从所述内部图像中提取第一感兴趣区域图像。
具体地,旋转翻折前述电芯内部结构图像,将极片影像置左下角,截取采样图像大小为m0×m0的目标位置作为第一感兴趣区域图像。
S202:在将所述第一感兴趣区域图像通过傅里叶变换从空域投射到频域并去中心化后,对所述第一感兴趣区域图像进行低通滤波,再进行归一化处理,最后通过傅里叶反变换从频域投射回空域中,从而获取第二感兴趣区域图像。
其中,低通滤波可通过巴特沃斯低通滤波器进行,巴特沃斯滤波器的特点是通频带内的频率响应曲线最大限度平坦,没有起伏,而在阻频带则逐渐下降为零。在振幅的对数对角频率的波特图上,从某一边界角频率开始,振幅随着角频率的增加而逐步减少,趋向负无穷大。该滤波器形式如下:
其中,n代表滤波器的阶数,D0代表截止频率。
S203:对第二感兴趣区域图像进行锐化以获取第三感兴趣区域图像,利用形态学操作对所述第三感兴趣区域图像进行区域填充以提取出电池正极区域轮廓,并将所述电池正极区域轮廓与所述第三感兴趣区域图像叠加,从而获取冗余量区域图像。
具体地,首先对第二感兴趣区域图像用空域滤波算子进行过滤后进行二值化操作,以增强图像中的一些边缘信息,锐化图像,从而获取第三感兴趣区域图像;随后,修整该第三感兴趣区域图像的边框,采用形态学操作去除该第三感兴趣区域图像内部的小空洞区域,从而得到锂电池正极和负极冗余部分相分离的第四感兴趣区域图像;运用轮廓检测技术从该第四感兴趣区域图像中识别出锂电池的正极区域,并提取出只含正极区域的电池正极区域轮廓;最后将第四感兴趣区域图像与提取出的电池正极区域轮廓相叠加,从而得到负极冗余部分区域图像,即,从而获取冗余量区域图像。其中,空域滤波算子选用常用的二阶微分算子Laplace算子,该算子具有很好的旋转不变性。
S204:利用形态学操作筛选出所述冗余量区域图像中的目标线段,从而获取冗余量线段图像。
具体地,利用横向滤波算子对该冗余区域图像进行过滤,从而获取横向线段图像;采用LSD直线检测技术识别出该横向线段图像里的多条横向线段,并从该多条横向线段中筛选出目标线段,从而获取冗余线段图像。
其中,利用LSD直线检测技术检测横向线段图像,会检测出多于实际线段数目的数量。检测得到的线段端点若属同一目标线段,纵坐标差值会在8个像素单位以内,若不属同一目标线段,纵坐标应在15个像素单位以上。根据端点纵坐标从上往下依次筛选,将跟首个端点的纵坐标差值相差在8以内的端点与其归为一组,超出的则设定为下一组的首个端点,继续上述分组。分组完成后筛选出每组横坐标最左及最右的端点,即为目标线段的左右端点,便可得到目标线段。
在一个实施例中,具体地,步骤S204可以通过如下步骤进行:
a.利用LSD直线检测技术识别出横向线段图像中的多条横向线段,并获取该多条横向线段的各自第一线段端点的横坐标和纵坐标;
b.该第一线段端点包括横向线段的左端点和右端点;
c.根据该多条横向线段的各自第一线段端点的纵坐标,将多个第一线段端点按照该多个第一线段端点的纵坐标从上到下进行排序,以得到第一线段端点组;
d.以该第一线段端点组中的首个第一线段端点的纵坐标为第一标准纵坐标,按顺序依次将该第一线段端点组中剩余的第一线段端点的纵坐标与该第一标准纵坐标进行比较,并判断该纵坐标与该第一标准纵坐标的差值是否小于预设的数量阈值;
e.如果是,则将该第一线段端点分入第一线段组;该第一线段组还包括该首个第一线段端点;
f.如果不是,则将该第一线段端点的纵坐标作为第二标准纵坐标,按顺序依次将该第一线段端点组中剩余的第一线段端点的纵坐标与该第二标准纵坐标进行比较,并判断该纵坐标与该第二标准纵坐标的差值是否大于预设的数量阈值;
g.若小于,则将该第一线段端点分入第二线段组;该第二线段组还包括该第二标准纵坐标对应的第一线段端点;
h.取第一线段组中的所有点的横坐标的第一最小值和第一最大值以及与该第一最小值对应的第一纵坐标和与该第一最大值对应的第二纵坐标;
i.并取第二线段组中的所有点的横坐标的第二最小值和第二最大值以及与该第二最小值对应的第三纵坐标和与该第二最大值对应的第四纵坐标;
j.根据该第一最小值、该第一最大值、该第一纵坐标、该第二纵坐标、该第二最小值、该第二最大值、该第三纵坐标以及该第四纵坐标,获取目标线段,进而获取冗余线段图像。
在该实施例中,仅以将所有线段端点分为第一线段组和第二线段组作为例子说明,从而在该实施例中最后会获取两条目标线段,该两条目标线段的端点分别为第一线段组中所有点的横坐标的第一最小值和第一最大值,以及第二线段组中的所有点的横坐标的第二最小值和第二最大值。但在实际应用中,由于步骤d-步骤g其实是循环进行的,因此,步骤S204可能会产生一个或多个线段组,进而产生一个或多个目标线段,这取决于第一线段端点组中各个线段端点的纵坐标两两之间的差值情况。
S3:通过预设的分类器,根据所述冗余量线段图像中的长度特征信息和角度特征信息,对所述冗余量线段图像进行分类以获取所述冗余量线段图像的缺陷类型。
具体地,提取该冗余量线段图像中的目标线段的长度特征信息和角度特征信息,并根据该长度特征信息和该角度特征信息建立特征向量;根据该特征向量和预设的分类器对该冗余量线段图像进行分类,确定该冗余量线段图像的缺陷类型。
其中,提取该冗余量线段图像中的目标线段的长度特征信息需要先将该目标线段数量设为n,并将第i(i∈[1,n])条目标线段的左右端点坐标分别设为(xi1,yi1)、(xi2,yi2),最大目标线段长度为lmax、最小目标线段长度为lmin,并计算目标线段长度li以作为该目标线段的长度特征信息,上述变量计算公式如下:
lmax=max{li}
lmin=min{li}
提取该冗余量线段图像中的目标线段的角度特征信息需要将第i(i∈[1,n])条目标线段与水平线的夹角设为ai、最大弯折角度设为amax、平均角度设为amean,并计算角度标准差astdev以作为该目标线段的角度特征信息,上述变量计算公式如下:
amax=max{ai}
根据lmax、lmin、amax、astdev建立如下特征向量:
featvec=[lmax,lmin,amax,astdev]。
在建立了目标线段的特征向量后,将该特征向量输入预设的分类器中,从而实现根据目标线段的特征向量对冗余量线段图像所表征的缺陷类型进行分类。该冗余量线段图像表征的缺陷类型包括:无缺陷类别、冗余量过大类别、冗余量过小类别以及极片弯折类别。在本发明中,预设的分类器可以选用简单高效的支持向量机,但可以理解的是此处的分类器也可选择其他的分类器。
S4:根据所述冗余量线段图像的缺陷类型,生成所述锂电池电芯的检测结果。
本实施例提供了一种锂电池电芯内部缺陷的自动检测方法,该方法基于机器视觉技术,通过对锂电池电芯内部的内部图像进行降噪、筛选和分类来对锂电池电芯内部缺陷进行识别,并根据识别出的缺陷类型生成锂电池电芯的检测结果,该方法不仅能自动识别锂电池电芯内部的缺陷类型,还提升了锂电池电芯内部缺陷检测的鲁棒性和准确性,从而提升了检测结果的可靠性,解决了现有技术中存在的检测过程易受背景影响的缺陷。
具体实施例二
除上述方法外,如图4所示,本实施例还提供了一种锂电池电芯内部缺陷的自动检测装置1。该检测装置1包括图像采集模块11、分析处理模块12、图像分类模块13以及结果生成模块14。
图像采集模块11用于采集锂电池电芯内部的内部图像。
分析处理模块12用于通过预设的图像处理方法对该内部图像进行降噪筛选处理,从而获得冗余量线段图像。其中,该冗余量线段图像包括目标线段。
图像分类模块13用于通过预设的分类器,根据该冗余量线段图像中的长度特征信息和角度特征信息,对该冗余量线段图像进行分类以获取该冗余量线段图像的缺陷类型。
结果生成模块14用于根据该冗余量线段图像的缺陷类型,生成该锂电池电芯的检测结果。
在实际应用中,当需要使用该检测装置1对锂电池电芯内部缺陷进行检测时,先通过图像采集模块11采集固定好的锂电池电芯内部的内部图像,随后通过分析处理模块12采用预设的图像处理方法对该内部图像进行降噪筛选处理,从而获得冗余量线段图像,在获得冗余量线段图像后,图像分类模块13先提取出该冗余量线段图像中的目标线段的长度特征信息以及角度特征信息,随后根据该长度特征信息以及角度特征信息建立特征向量,并将该特征向量输入预设的分类器中以进行分类,从而获取该冗余量线段图像表征的缺陷类型,最后,结果生成模块14根据该冗余量线段图像表征的缺陷类型生成该锂电池电芯内部缺陷的检测结果。最终得出的检测结果可能是:无缺陷、冗余量过大、冗余量过小或极片弯折。
本实施例提供了一种锂电池电芯内部缺陷的自动检测装置,该装置基于机器视觉技术,通过对锂电池电芯内部的内部图像进行降噪、筛选和分类来对锂电池电芯内部缺陷进行识别,并根据识别出的缺陷类型生成锂电池电芯的检测结果,该装置不仅能自动识别锂电池电芯内部的缺陷类型,还提升了锂电池电芯内部缺陷检测的鲁棒性和准确性,从而提升了检测结果的可靠性,解决了现有技术中存在的检测过程易受背景影响的缺陷。
以上该的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步的详细说明,应当理解,以上该仅为本发明的具体实施例而已,并不用于限定本发明的保护范围。特别指出,对于本领域技术人员来说,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种锂电池电芯内部缺陷的自动检测方法,其特征在于,包括:
采集锂电池电芯内部的内部图像;
通过预设的图像处理方法对所述内部图像进行降噪筛选处理,从而获得冗余量线段图像;其中,所述冗余量线段图像包括目标线段;
通过预设的分类器,根据所述冗余量线段图像中的长度特征信息和角度特征信息,对所述冗余量线段图像进行分类以获取所述冗余量线段图像的缺陷类型;
根据所述冗余量线段图像的缺陷类型,生成所述锂电池电芯的检测结果。
2.根据权利要求1所述的锂电池电芯内部缺陷的自动检测方法,其特征在于,所述采集锂电池电芯内部的内部图像,具体为:
以X射线作为光源,通过工业相机拍摄采集锂电池电芯内部的内部图像。
3.根据权利要求2所述的锂电池电芯内部缺陷的自动检测方法,其特征在于,所述通过预设的图像处理方法对所述内部图像进行降噪筛选处理,从而获得冗余量线段图像,具体为:
从所述内部图像中提取第一感兴趣区域图像;
在将所述第一感兴趣区域图像通过傅里叶变换从空域投射到频域并去中心化后,对所述第一感兴趣区域图像进行低通滤波,再进行归一化处理,最后通过傅里叶反变换从频域投射回空域中,从而获取第二感兴趣区域图像;
对第二感兴趣区域图像进行锐化以获取第三感兴趣区域图像,利用形态学操作对所述第三感兴趣区域图像进行区域填充以提取出电池正极区域轮廓,并将所述电池正极区域轮廓与所述第三感兴趣区域图像叠加,从而获取冗余量区域图像;
利用形态学操作筛选出所述冗余量区域图像中的目标线段,从而获取冗余量线段图像。
4.根据权利要求3所述的锂电池电芯内部缺陷的自动检测方法,其特征在于,所述对第二感兴趣区域图像进行锐化以获取第三感兴趣区域图像,利用形态学操作对所述第三感兴趣区域图像进行区域填充以提取出电池正极区域轮廓,并将所述电池正极区域轮廓与所述第三感兴趣区域图像叠加,从而获取冗余量区域图像,具体为:
对第二感兴趣区域图像通过增强中心信息的空域滤波算子进行过滤,并进行二值化操作,从而获取第三感兴趣区域图像;
对所述第三感兴趣区域图像的四边边缘进行修整,采用形态学操作填充所述第三感兴趣区域图像的内部区域,从而获取第四感兴趣区域图像;
通过轮廓检测技术,从所述第四感兴趣区域图像中识别出锂电池的电池正极区域轮廓,从而提取出电池正极区域轮廓;
将所述第四感兴趣区域图像与所述电池正极区域轮廓相叠加,从而获取冗余量区域图像。
5.根据权利要求4所述的锂电池电芯内部缺陷的自动检测方法,其特征在于,所述利用形态学操作筛选出所述冗余量区域图像中的目标线段,从而获取冗余量线段图像,具体为:
利用横向滤波算子对所述冗余区域图像进行过滤,从而获取横向线段图像;
采用LSD直线检测技术识别出所述横向线段图像里的多条横向线段,并从所述多条横向线段中筛选出目标线段,从而获取冗余线段图像。
6.根据权利要求5所述的锂电池电芯内部缺陷的自动检测方法,其特征在于,所述采用LSD直线检测技术识别出所述横向线段图像里的多条横向线段,并从所述多条横向线段中筛选出目标线段,从而获取冗余线段图像,具体为:
利用LSD直线检测技术识别出横向线段图像中的多条横向线段,并获取所述多条横向线段的各自第一线段端点的横坐标和纵坐标;所述第一线段端点包括横向线段的左端点和右端点;
根据所述多条横向线段的各自第一线段端点的纵坐标,将多个第一线段端点按照所述多个第一线段端点的纵坐标从上到下进行排序,以得到第一线段端点组;
以所述第一线段端点组中的首个第一线段端点的纵坐标为第一标准纵坐标,按顺序依次将所述第一线段端点组中剩余的第一线段端点的纵坐标与所述第一标准纵坐标进行比较,并判断所述纵坐标与所述第一标准纵坐标的差值是否小于预设的数量阈值;
如果是,则将所述第一线段端点分入第一线段组;所述第一线段组还包括所述首个第一线段端点;
如果不是,则将所述第一线段端点的纵坐标作为第二标准纵坐标,按顺序依次将所述第一线段端点组中剩余的第一线段端点的纵坐标与所述第二标准纵坐标进行比较,并判断所述纵坐标与所述第二标准纵坐标的差值是否大于预设的数量阈值;
若小于,则将所述第一线段端点分入第二线段组;所述第二线段组还包括所述第二标准纵坐标对应的第一线段端点;
取第一线段组中的所有点的横坐标的第一最小值和第一最大值以及与所述第一最小值对应的第一纵坐标和与所述第一最大值对应的第二纵坐标;并取第二线段组中的所有点的横坐标的第二最小值和第二最大值以及与所述第二最小值对应的第三纵坐标和与所述第二最大值对应的第四纵坐标;
根据所述第一最小值、所述第一最大值、所述第一纵坐标、所述第二纵坐标、所述第二最小值、所述第二最大值、所述第三纵坐标以及所述第四纵坐标,获取目标线段。
7.根据权利要求6所述的锂电池电芯内部缺陷的自动检测方法,其特征在于,所述通过预设的分类器,根据所述冗余量线段图像中的长度特征信息和角度特征信息,对所述冗余量线段图像进行分类以获取所述冗余量线段图像的缺陷类型,具体为:
提取所述冗余量线段图像中的目标线段的长度特征信息和角度特征信息,并根据所述长度特征信息和所述角度特征信息建立特征向量;
根据所述特征向量和预设的分类器对所述冗余量线段图像进行分类,确定所述冗余量线段图像的缺陷类型。
8.根据权利要求7所述的锂电池电芯内部缺陷的自动检测方法,其特征在于,所述提取所述冗余量线段图像中的目标线段的长度特征信息和角度特征信息,并根据所述长度特征信息和所述角度特征信息建立特征向量,具体为:
将所述目标线段数量设为n,第i(i∈[1,n])条目标线段的左右端点坐标分别为(xi1,yi1)、(xi2,yi2),最大目标线段长度为lmax,最小目标线段长度为lmin,将目标线段长度li作为所述目标线段的长度特征信息,其中:
lmax=max{li}
lmin=min{li}
将第i(i∈[1,n])条目标线段与水平线的夹角设为ai,最大弯折角度设为amax,平均角度设为amean,将角度标准差astdev作为所述目标线段的角度特征信息,其中:
amax=max{ai}
根据lmax、lmin、amax、astdev建立如下特征向量:
featvec=[lmax,lmin,amax,astdev]。
9.根据权利要求1-8所述的锂电池电芯内部缺陷的自动检测方法,其特征在于,所述冗余量线段图像的缺陷类型包括:无缺陷类别、冗余量过大类别、冗余量过小类别以及极片弯折类别。
10.一种锂电池电芯内部缺陷的自动检测装置,其特征在于,所述检测装置包括图像采集模块、分析处理模块、图像分类模块以及结果生成模块,其中,
所述图像采集模块用于采集锂电池电芯内部的内部图像;
所述分析处理模块用于通过预设的图像处理方法对所述内部图像进行降噪筛选处理,从而获得冗余量线段图像;其中,所述冗余量线段图像包括目标线段;
所述图像分类模块用于通过预设的分类器,根据所述冗余量线段图像中的长度特征信息和角度特征信息,对所述冗余量线段图像进行分类以获取所述冗余量线段图像的缺陷类型;
所述结果生成模块用于根据所述冗余量线段图像的缺陷类型,生成所述锂电池电芯的检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110262994.4A CN113129260B (zh) | 2021-03-11 | 2021-03-11 | 一种锂电池电芯内部缺陷的自动检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110262994.4A CN113129260B (zh) | 2021-03-11 | 2021-03-11 | 一种锂电池电芯内部缺陷的自动检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113129260A true CN113129260A (zh) | 2021-07-16 |
CN113129260B CN113129260B (zh) | 2023-07-21 |
Family
ID=76773020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110262994.4A Active CN113129260B (zh) | 2021-03-11 | 2021-03-11 | 一种锂电池电芯内部缺陷的自动检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113129260B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113654493A (zh) * | 2021-08-13 | 2021-11-16 | 苏州市比特优影像科技有限公司 | 一种叠片软包锂电池质量检测方法及*** |
CN113744273A (zh) * | 2021-11-08 | 2021-12-03 | 武汉逸飞激光股份有限公司 | 软包电芯折边检测方法、装置、电子设备及存储介质 |
Citations (5)
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 |
CN105388162A (zh) * | 2015-10-28 | 2016-03-09 | 镇江苏仪德科技有限公司 | 基于机器视觉的原料硅片表面划痕检测方法 |
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 |
CN111141755A (zh) * | 2019-12-31 | 2020-05-12 | 国联汽车动力电池研究院有限责任公司 | 一种电池电芯内部缺陷的检测方法 |
CN111612751A (zh) * | 2020-05-13 | 2020-09-01 | 河北工业大学 | 基于嵌入分组注意力模块的Tiny-yolov3网络的锂电池缺陷检测方法 |
-
2021
- 2021-03-11 CN CN202110262994.4A patent/CN113129260B/zh active Active
Patent Citations (5)
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 |
CN105388162A (zh) * | 2015-10-28 | 2016-03-09 | 镇江苏仪德科技有限公司 | 基于机器视觉的原料硅片表面划痕检测方法 |
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 |
CN111141755A (zh) * | 2019-12-31 | 2020-05-12 | 国联汽车动力电池研究院有限责任公司 | 一种电池电芯内部缺陷的检测方法 |
CN111612751A (zh) * | 2020-05-13 | 2020-09-01 | 河北工业大学 | 基于嵌入分组注意力模块的Tiny-yolov3网络的锂电池缺陷检测方法 |
Non-Patent Citations (11)
Title |
---|
JAMES B. ROBINSON等: "Detection of Internal Defects in Lithium-Ion Batteries Using Lock-in Thermography", 《ECS ELECTROCHEMISTRY LETTERS》 * |
JAMES B. ROBINSON等: "Detection of Internal Defects in Lithium-Ion Batteries Using Lock-in Thermography", 《ECS ELECTROCHEMISTRY LETTERS》, vol. 4, no. 9, 15 July 2015 (2015-07-15), pages 106 * |
周佳禾 等: "利用卷积神经网络检测锂电池电极缺陷", 《电子测量技术》 * |
周佳禾 等: "利用卷积神经网络检测锂电池电极缺陷", 《电子测量技术》, vol. 42, no. 19, 31 October 2019 (2019-10-31), pages 182 - 186 * |
王东昆 等: "基于图像识别的锂离子电池正负极距离检测", 《制造业自动化》 * |
王东昆 等: "基于图像识别的锂离子电池正负极距离检测", 《制造业自动化》, vol. 41, no. 10, 31 October 2019 (2019-10-31), pages 10 - 16 * |
葛春平 等: "X射线检测在叠片式锂离子电池生产中的应用", 《电池》 * |
葛春平 等: "X射线检测在叠片式锂离子电池生产中的应用", 《电池》, vol. 44, no. 4, 31 August 2014 (2014-08-31), pages 232 - 234 * |
赵振博 等: "锂离子电池工艺缺陷及失效模式研究", 《电子产品可靠性与环境试验》 * |
赵振博 等: "锂离子电池工艺缺陷及失效模式研究", 《电子产品可靠性与环境试验》, vol. 37, no. 5, 31 October 2019 (2019-10-31), pages 55 - 58 * |
赵晓云 等: "锂电池极片表面缺陷特征提取方法研究", 《河南科技》, no. 03, pages 137 - 139 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113654493A (zh) * | 2021-08-13 | 2021-11-16 | 苏州市比特优影像科技有限公司 | 一种叠片软包锂电池质量检测方法及*** |
CN113744273A (zh) * | 2021-11-08 | 2021-12-03 | 武汉逸飞激光股份有限公司 | 软包电芯折边检测方法、装置、电子设备及存储介质 |
CN113744273B (zh) * | 2021-11-08 | 2022-02-18 | 武汉逸飞激光股份有限公司 | 软包电芯折边检测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113129260B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022042579A1 (zh) | 一种用于lcd屏幕的缺陷检测方法、装置 | |
CN106934803B (zh) | 电子器件表面缺陷的检测方法及装置 | |
CN108921176B (zh) | 一种基于机器视觉的指针式仪表定位与识别方法 | |
CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
CN105447512B (zh) | 一种精粗结合的光学表面缺陷的检测方法及装置 | |
CN109632808B (zh) | 棱边缺陷检测方法、装置、电子设备及存储介质 | |
CN110378313B (zh) | 细胞团识别方法、装置及电子设备 | |
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 | |
CN109949227A (zh) | 图像拼接方法、***及电子设备 | |
CN113129260A (zh) | 一种锂电池电芯内部缺陷的自动检测方法及装置 | |
CN113554649B (zh) | 一种缺陷检测方法、装置、计算机设备及存储介质 | |
CN113834816A (zh) | 基于机器视觉的光伏电池缺陷在线检测方法及*** | |
CN115908415B (zh) | 基于边缘的缺陷检测方法、装置、设备及存储介质 | |
CN112669295A (zh) | 一种基于二次阈值分割理论的锂电池极片缺陷检测方法 | |
CN110660072A (zh) | 一种直线边缘的识别方法、装置、存储介质及电子设备 | |
CN106780437B (zh) | 一种快速qfn芯片塑封图像获取与放大方法 | |
CN115953373B (zh) | 玻璃缺陷检测方法、装置、电子设备及存储介质 | |
CN114594114A (zh) | 一种锂电芯全自动在线无损检测方法 | |
CN111242899A (zh) | 基于图像的瑕疵检测方法及计算机可读存储介质 | |
CN115375629A (zh) | 一种lcd屏幕中线缺陷检测及缺陷信息提取方法 | |
CN111223078B (zh) | 瑕疵等级判定的方法及存储介质 | |
CN114821284A (zh) | 一种纺织品生产用码布机智能调节方法 | |
CN115587966A (zh) | 一种在光照不均匀条件下零件有无缺漏的检测方法及*** | |
CN114897881A (zh) | 一种基于边缘特征的晶粒缺陷检测方法 | |
CN113989196A (zh) | 一种基于视觉的耳机硅胶垫圈的外观缺陷检测方法 |
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 |