CN113706495A - 一种在传送带上自动检测锂电池参数的机器视觉检测*** - Google Patents

一种在传送带上自动检测锂电池参数的机器视觉检测*** Download PDF

Info

Publication number
CN113706495A
CN113706495A CN202110967897.5A CN202110967897A CN113706495A CN 113706495 A CN113706495 A CN 113706495A CN 202110967897 A CN202110967897 A CN 202110967897A CN 113706495 A CN113706495 A CN 113706495A
Authority
CN
China
Prior art keywords
image
module
lithium battery
preset
value
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
CN202110967897.5A
Other languages
English (en)
Other versions
CN113706495B (zh
Inventor
卢盛林
贺珍真
谷宏亮
何仕龙
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.)
Guangdong OPT Machine Vision Co Ltd
Original Assignee
Guangdong OPT Machine Vision Co Ltd
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 Guangdong OPT Machine Vision Co Ltd filed Critical Guangdong OPT Machine Vision Co Ltd
Priority to CN202110967897.5A priority Critical patent/CN113706495B/zh
Publication of CN113706495A publication Critical patent/CN113706495A/zh
Application granted granted Critical
Publication of CN113706495B publication Critical patent/CN113706495B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G06T7/11—Region-based segmentation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种在传送带上自动检测锂电池参数的机器视觉检测***，包括：图像采集模块，用于按照预设周期连续采集在预设位置处移动的目标锂电池的图像，获得一组目标图像；图像处理模块，用于预处理所述目标图像后合成获得所述目标锂电池的待测图像；图像解析模块，用于解析所述待测图像，获得解析结果；参数获取模块，用于基于所述解析结果获得所述目标锂电池的待测参数；用以采用线扫相机可以对运动的物体拍照成像，可以在锂电池不停止运动的情况下准确定位锂电池的的位置、形态、尺寸等特征，大大提高了检测效率。

Description

一种在传送带上自动检测锂电池参数的机器视觉检测***
技术领域
本发明涉及移动中的工件检测技术领域，特别涉及一种在传送带上自动检测锂电池参数的机器视觉检测***。
背景技术
目前，在工业生产中多采用人工检测锂电池参数，但由于人工检测传送带上的锂电池易产生视觉疲劳，可靠性低，且换型需要人工花费较长时间熟悉产品，成本高，无法满足生产需求；
而现在的传送带检测装置采用机器视觉检测***的传送带装置，但因为图像采集装置是固定且不可调节的，导致采集的图像模糊不能准确检测出锂电池参数，或者不能采集锂电池的全部参数，导致检测不准确，不能完全检测锂电池的所有参数，且后续也需要人工的调整或者对图像进行检测获得锂电池参数，还是无法改善检测准确率低、检测效率低下的问题。
基于机器视觉的检测方法已成为自动化检测***的主要研究方向之一。
因此，本发明提出一种在传送带上自动检测锂电池参数的机器视觉检测***。
发明内容
本发明提供一种在传送带上自动检测锂电池参数的机器视觉检测***，采用线扫相机对运动的物体拍照成像，可以在锂电池不停止运动的情况下准确定位锂电池的的位置、形态、尺寸等特征，大大提高了检测效率。在此基础上，设计了测量锂电池相关参数的算法。
本发明提供一种在传送带上自动检测锂电池参数的机器视觉检测***，包括：
图像采集模块，用于按照预设周期连续采集在预设位置处移动的目标锂电池的图像，获得一组目标图像；
图像处理模块，用于预处理所述目标图像后进行合成获得所述目标锂电池的待测图像；
图像解析模块，用于解析所述待测图像，获得解析结果；
参数获取模块，用于基于所述解析结果获得所述目标锂电池的待测参数。
优选的，所述的一种在传送带上自动检测锂电池参数的机器视觉检测***，所述图像采集模块，包括：
第一采集模块，用于当所述目标锂电池到达预设位置处，控制每个图像采集设备同时对所述目标锂电池进行图像采集，获得一组第一图像；
调取模块，用于调取每个图像采集设备的设备标识以及预设的样本图像；
第一获取模块，用于获取所述第一图像的第一图像参数和所述样本图像的第二图像参数；
调取关联模块，用于基于所述设备标识将所述样本图像与所述第一图像进行关联；
设置模块，用于基于关联结果，将所述第一图像参数和所述第二图像参数进行对比，获得对比结果，基于每个图像采集设备对应的对比结果，设置每个图像采集设备的拍摄参数；
第二采集模块，用于控制预设位置处的图像采集设备按照拍摄参数进行旋转采集目标锂电池的图像，获得一组目标图像；
其中，图像参数包括：明暗面积比、明区域对应的第一平均亮度和暗区域对应的第二平均亮度；
其中，所述拍摄参数包括：曝光范围、曝光亮度。
优选的，所述的一种在传送带上自动检测锂电池参数的机器视觉检测***，所述第一获取模块，包括：
矩阵获取模块，用于获取所述第一图像中所有像素点的像素值，在所述第一图像中选取一非边缘像素点，并获取所述第一图像以所述非边缘像素点为中心的灰阶矩阵，基于所有像素点的像素值和所述灰阶矩阵计算出所述第一图像以所述非边缘像素点为中心的第一亮度值矩阵；
第一筛选模块，用于基于所述第一亮度值矩阵和预设的第一同阶转换矩阵，计算出边缘点判断值，当所述边缘点判断值满足第一预设范围时，则将对应的非边缘像素点确定为第一边缘点，并筛选所述第一图像中所有第一边缘像素点；
第二筛选模块，用于获取每个第一边缘像素点与剩余第一边缘像素点之间的最小距离，当所述最小距离大于第一预设阈值时，则将对应的第一边缘点进行删除；
轮廓提取模块，用于基于所述目标锂电池的几何特征将保留的第一边缘像素点相连，获得所述第一图像中所述目标锂电池的轮廓；
区域划分模块，用于将所述目标锂电池的轮廓中包围的第一区域划分为明区域和暗区域；
第二获取模块，用于基于所述明区域中包含的所有第一像素点的亮度值获得第一平均亮度，基于所述暗区域中包含的所有第二像素点的亮度值获得第二平均亮度，基于所述第一像素点的总个数和所述第二像素点的总个数获得所述目标锂电池在所述第一图像中的明暗面积比；
其中，所述第一平均亮度、第二平均亮度、明暗面积比为所述第一图像的第一图像参数。
优选的，所述的一种在传送带上自动检测锂电池参数的机器视觉检测***，所述轮廓提取模块，包括：
连接模块，用于基于所述目标锂电池的几何特征将保留的第一边缘像素点相连，获得所述第一图像中所述目标锂电池的第一轮廓；
第一判断模块，用于基于保留的所有第一边缘像素点的像素值获得第一像素判断值，基于所述第一轮廓所围成的区域内的所有第三像素点的像素值获得第二像素判断值，基于所述第一轮廓外区域的所有第四像素点的像素值获得第三像素判断值，当所述第一像素判断值和所述第二像素判断值之间的第一差值、所述第一像素判断值和所述第三像素判断值之间的第二差值都大于第二预设阈值时，则将所述第一轮廓作为所述第一图像中所述目标锂电池的轮廓；
否则，判定所述第一轮廓不合格，并基于第二预设范围重新筛选第一边缘像素点，直至获得的第一轮廓被判定合格；
补正模块，用于采用预设补正算法对合格的第一轮廓进行填补和平滑处理，获得所述第一图像中所述目标锂电池的轮廓。
优选的，所述的一种在传送带上自动检测锂电池参数的机器视觉检测***，所述区域划分模块，包括：
第一确定模块，用于将所述第一图像中的第一区域转换为对应的多通道图像，基于所述多通道图像中每个第五像素点的灰度值和亮度值进行高通滤波，获得第一频域图和第二频域图，将所述第一频域图和所述第二频域图进行反向拟合获得拟合频域图，并确定所述频域图中的骤变区域，基于所述骤变区域将所述频域图划分为低值频域图和高值频域图，将高值频域图对应的第五像素点作为明区域包含的第六像素点，将低值频域图对应的第五像素点作为暗区域包含的第七像素点；
第二确定模块，用于获取所述第一图像中第一区域除所述第六像素点和所述第七像素点以外剩余的第五像素点对应的第二亮度值矩阵，基于所述第二亮度值矩阵和预设的第二同阶转换矩阵，计算出第一判断值，当所述第一判断值在第三预设范围内时，则将对应的第五像素点作为明区域包含的第八像素点，当所述第一判断值在第四预设范围内时，则将对应的第五像素点作为暗区域包含的第九像素点；
第三确定模块，用于基于灰度值对所述第一图像中第一区域除所述第六像素点、所述第七像素点、第八像素点、第九像素点以外剩余的第五像素点进行拍排序获得灰度值序列，将所述灰度值序列按照预设划分规则划分为多个灰度值子序列，并计算每个灰度值子序列的第一平均灰度值，同时，计算出已确定的明区域包含的所有像素点的第二平均灰度值和已确定的暗区域包含的所有像素点的第三平均灰度值，计算出所述第一平均灰度值和所述第二平均灰度值的第三差值、所述第一平均灰度值和所述第三平均灰度值的第四差值，当所述第三差值小于第四差值时，将所述灰度值子序列对应的所有像素点作为明区域包含的第十像素点，否则，将所述灰度值子序列对应的所有像素点作为明区域包含的第十一像素点；
划分子模块，用于将所述第六像素点、所述第八像素点、所述第十像素点组成的区域划分为所述明区域，将所述第七像素点、所述第九像素点、所述第十一像素点组成的区域划分为所述暗区域。
优选的，所述的一种在传送带上自动检测锂电池参数的机器视觉检测***，所述设置模块，包括：
对比模块，用于基于所述关联结果，获得每个图像采集设备对应的第一平均亮度和第一预设平均亮度的第一比值、第二平均亮度和第二预设平均亮度的第二比值，明暗面积比和预设明暗面积比的第五差值；
设置子模块，基于每个图像采集设备对应的第一比值和第二比值以及预设的曝光亮度对应关系，获得每个图像采集设备的曝光亮度设置参数，并生成对应的第一设置指令，基于每个图像采集设备对应的第五差值和预设的曝光范围对应关系，获得每个图像采集设备的曝光范围设置参数，并生成对应的第二设置指令；
创建模块，用于创建所述参数计算模块和每个图像采集设备之间的通信链路；
第一判断模块，用于判断所述通讯链路是否创建成功，若是，则判断每个图像采集设备是否获得所述设置子模块的通信授权，若是，则向所述图像采集设备发送对应的第一设置指令和第二设置指令；
否则，向监控中心终端发出通信失败提示信息，并重新创建通信链路；
第二判断模块，还用于当所述通讯链路未创建成功时，则制对应的图像采集设备向所述设置子模块发送通信授权请求指令，并接收所述设置子模块基于所述通信授权请求指令的反馈指令，基于所述反馈指令获得所述设置子模块的通信授权，并所述图像采集设备发送对应的第一设置指令和第二设置指令；
第三判断模块，用于当存在图像采集设备重新创建通信链路的次数超过预设次数时，则停止重新创建通信链路，并向监控中心终端发出无法创建所述参数计算模块和对应图像采集设备之间的通信链路的提示信息。
优选的，所述的一种在传送带上自动检测锂电池参数的机器视觉检测***，所述图像处理模块，包括：
第一处理模块，用于增强所述目标图像的对比度、清晰度；
图像合成模块，用于基于预设算法提取所有目标图像的第一边缘特征和第二边缘特征，基于所述边缘特征生成对应的第一边缘特征向量和第二边缘特征向量，选取任一目标图像作为基准图像，将剩余的目标图像的边缘特征向量与所述第一边缘特征向量进行匹配获得对应的第一匹配系数，并将所述目标图像的第一边缘和第一匹配系数最高对应的剩余目标图像边缘进行衔接，将剩余的目标图像的边缘特征向量与所述第二边缘特征向量进行匹配获得对应的第二匹配系数，并将所述目标图像的第二边缘和第二匹配系数最高对应的剩余目标图像边缘进行衔接，获得新的基准图像，基于新的基准图像进行筛选衔接直至将所有目标图像合成一幅待处理图像；
第二处理模块，用于基于预设的融合处理算法对所述待处理图像进行细节融合，获得所述目标锂电池的待测图像。
优选的，所述的一种在传送带上自动检测锂电池参数的机器视觉检测***，所述图像解析模块，包括：
第三处理模块，用于基于预设的比例梯度将所述待测图像进行灰度值转换，获得预设数量帧的待测灰度图像，基于所述目标锂电池在所述目标图像中的面积占比范围设置分辨率范围，基于所述分辨率范围和预设的分辨率梯度间隔生成分辨率梯度，并将所述待测灰度图像按照所述分辨率梯度生成待测灰度图像集合；
特征提取模块，用于基于所述特征分类神经网络提取所述待测灰度图像集合中每张图像对应的锂电池特征数据，并基于述待测灰度图像集合中每张图像的分辨率和原始分辨率的比值将所述锂电池特征数据转换成所述待测图像的图像格式对应的锂电池标准特征数据，构成标准特征数据集合。
优选的，所述的一种在传送带上自动检测锂电池参数的机器视觉检测***，所述参数获取模块，包括：
数据筛选模块，用于基于预设的特征数据筛选神经网络对所述标准特征数据集合进行筛选，获得所述目标锂电池的待测参数；
检测子模块，用于将所述目标锂电池的待测参数与预设参数范围比较，若所述待测参数在所述预设参数范围内时，则判定所述锂电池合格，并将判定结果和所述待测参数发送至监控中心终端；
否则，判定所述锂电池不合格，并将判定结果和所述待测参数发送至监控中心终端。
优选的，所述的一种在传送带上自动检测锂电池参数的机器视觉检测***，所述数据筛选模块，包括：
差值获取模块，用于获取所述待测参数和标准特征数据集合中对应的特征数据的最大差值；
精度设置模块，用于基于所述最大差值和预设的精度设置列表，设置特征分类神经网络的特征提取精度。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种在传送带上自动检测锂电池参数的机器视觉检测***；
图2为本发明实施例中图像采集模块结构图；
图3为本发明实施例中第一获取模块结构图；
图4为本发明实施例中轮廓提取模块结构图；
图5为本发明实施例中区域划分模块结构图；
图6为本发明实施例中设置模块结构图；
图7为本发明实施例中设置模块结构图；
图8为本发明实施例中图像解析模块结构图；
图9为本发明实施例中参数获取模块结构图；
图10为本发明实施例中数据筛选模块结构图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例1：
本发明提供一种在传送带上自动检测锂电池参数的机器视觉检测***，如图1所示，包括：
图像采集模块，用于按照预设周期连续采集在预设位置处移动的目标锂电池的图像，获得一组目标图像；
图像处理模块，用于预处理所述目标图像后进行合成获得所述目标锂电池的待测图像；
图像解析模块，用于解析所述待测图像，获得解析结果；
参数获取模块，用于基于所述解析结果获得所述目标锂电池的待测参数。
该实施例中，图像采集模块通过各个图像采集设备实现，图像采集设备为线阵相机。
该实施例中，预设位置为传送带上在各个图像采集设备的拍摄范围内的位置。
该实施例中，目标图像即为设置好拍摄参数后的各个图像采集设备以预设周期连续采集在预设位置处旋转的目标锂电池的图像。
该实施例中，目标锂电池即为为待测锂电池。
该实施例中，待测图像用于获取目标锂电池的待测参数。
该实施例中，解析结果即为目标锂电池的特征数据集合，所述特征数据集合包含目标锂电池的待测参数，例如：目标锂电池的位置、形态、尺寸。
该实施例中，一种在传送带上自动检测锂电池参数的机器视觉检测***即通过一种SCI视觉软件实现。
上述技术方案的有益效果是：基于机器视觉的工业尺寸检测方法与人工尺寸检测方法相比,不会产生视觉疲劳，准确率高，可靠性高，换型无需先熟悉产品，且无需人工成本，可以满足生产需求，不仅节约了人力成本还具有很强的准确性、高效性和灵活性，采用图像采集设备可以对运动的物体拍照成像，可以在锂电池不停止运动的情况下准确定位锂电池的的位置、形态、尺寸等特征，大大提高了检测效率。
实施例2：
基于实施例1的基础上，所述图像采集模块，如图2所示，包括：
第一采集模块，用于当所述目标锂电池到达预设位置处，控制每个图像采集设备同时对所述目标锂电池进行图像采集，获得一组第一图像；
调取模块，用于调取每个图像采集设备的设备标识以及预设的样本图像；
第一获取模块，用于获取所述第一图像的第一图像参数和所述样本图像的第二图像参数；
调取关联模块，用于基于所述设备标识将所述样本图像与所述第一图像进行关联；
设置模块，用于基于关联结果，将所述第一图像参数和所述第二图像参数进行对比，获得对比结果，基于每个图像采集设备对应的对比结果，设置每个图像采集设备的拍摄参数；
第二采集模块，用于控制预设位置处的图像采集设备按照拍摄参数进行旋转采集目标锂电池的图像，获得一组目标图像；
其中，图像参数包括：明暗面积比、明区域对应的第一平均亮度和暗区域对应的第二平均亮度；
其中，所述拍摄参数包括：曝光范围、曝光亮度。
该实施例中，第一图像是由每个图像采集设备直接拍摄获得的。
该实施例中，设备标识即为每个图像采集设备的编号标识。
该实施例中，样本图像即为对应的图像采集设备采集预设位置处的样本锂电池时获得的图像。
该实施例中，拍摄参数对应关系即为每个图像采集设备对应的第一平均亮度和第一预设平均亮度的第一比值、第二平均亮度和第二预设平均亮度的第二比值与曝光亮度之间的对应关系，每个图像采集设备对应的明暗面积比和预设明暗面积比的第五差值和曝光范围之间的对应关系。
该实施例中，明区域为所述第一图像中按照要求选出的亮度高的区域，暗区域为所述第一图像中按照要求选出的亮度低的区域。
上述技术方案的有益效果是：通过对目标锂电池进行图像采集获得的第一图像，将所述第一图像的第一图像参数和对应的图像采集设备采集预设位置处的样本锂电池时获得的样本图像的第二图像参数进行比较，获得对应图像采集设备的拍摄参数，有利于在获得目标锂电池的待测图像之前根据实际环境条件设置好图像采集设备的拍摄参数，实现了根据环境条件自动调节设置每个图像采集设备的拍摄参数，省去了人工调试图像采集设备的步骤，避免出现采集的待测图像不清晰无法获得待测参数的情况。
实施例3：
基于实施例2的基础上，所述第一获取模块，如图3所示，包括：
矩阵获取模块，用于获取所述第一图像中所有像素点的像素值，在所述第一图像中选取一非边缘像素点，并获取所述第一图像以所述非边缘像素点为中心的灰阶矩阵，基于所有像素点的像素值和所述灰阶矩阵计算出所述第一图像以所述非边缘像素点为中心的第一亮度值矩阵；
第一筛选模块，用于基于所述第一亮度值矩阵和预设的第一同阶转换矩阵，计算出边缘点判断值，当所述边缘点判断值满足第一预设范围时，则将对应的非边缘像素点确定为第一边缘点，并筛选所述第一图像中所有第一边缘像素点；
第二筛选模块，用于获取每个第一边缘像素点与剩余第一边缘像素点之间的最小距离，当所述最小距离大于第一预设阈值时，则将对应的第一边缘点进行删除；
轮廓提取模块，用于基于所述目标锂电池的几何特征将保留的第一边缘像素点相连，获得所述第一图像中所述目标锂电池的轮廓；
区域划分模块，用于将所述目标锂电池的轮廓中包围的第一区域划分为明区域和暗区域；
第二获取模块，用于基于所述明区域中包含的所有第一像素点的亮度值获得第一平均亮度，基于所述暗区域中包含的所有第二像素点的亮度值获得第二平均亮度，基于所述第一像素点的总个数和所述第二像素点的总个数获得所述目标锂电池在所述第一图像中的明暗面积比；
其中，所述第一平均亮度、第二平均亮度、明暗面积比为所述第一图像的第一图像参数。
该实施例中，非边缘像素点即为所述第一图像中除边缘像素点之外的像素点，边缘像素点即为所述第一图像最***的像素点。
该实施例中，灰阶矩阵即为在对应像素点位置上的值是以所述非边缘像素点为中心的其他像素点的灰阶，非边缘像素点处对应的值为0。
该实施例中，第一亮度值矩阵即为在对应像素点位置上的值是灰阶矩阵中对应位置的值乘以对应像素点的像素值。
该实施例中，第一同阶转换矩阵即为预设的与所述第一亮度值矩阵同阶的矩阵，且将所述第一同阶转换矩阵与对应像素点的所述第一亮度值矩阵相乘可获得对应像素点的边缘点判断值。
该实施例中，第一预设范围即为预设的目标锂电池的边缘像素点对应的边缘点判断值范围。
该实施例中，第一预设阈值即为目标锂电池轮廓线上相邻像素点之间的最大距离，若每个第一边缘像素点与剩余第一边缘像素点之间的最小距离都大于目标锂电池轮廓线上相邻像素点之间的最大距离，则对应的第一边缘像素点不是目标锂电池轮廓线上的像素点，所以进行删除。
该实施例中，目标锂电池的几何特征即为预先存储的锂电池的轮廓特征形状。
该实施例中，第一像素点即为所述明区域中包含的像素点。
该实施例中，第二像素点即为所述暗区域中包含的像素点。
上述技术方案的有益效果是：基于所述第一图像上每个像素点的像素值、灰阶、亮度值求得对应像素点的边缘点判断值，进而确定出所述第一图像中目标锂电池的轮廓线上可能的像素点，筛选目标锂电池的轮廓线上的像素点考虑到了像素点的像素值、灰阶、亮度值，实现了更准确地筛选，之后经过每个第一边缘像素点与剩余第一边缘像素点之间的最小距离与第一预设阈值的比较，可以更精准地删除离轮廓线较远的第一边缘像素点，方便之后更加准确地构建目标锂电池的轮廓。
实施例4：
基于实施例3的基础上，所述轮廓提取模块，如图4所示，包括：
连接模块，用于基于所述目标锂电池的几何特征将保留的第一边缘像素点相连，获得所述第一图像中所述目标锂电池的第一轮廓；
第一判断模块，用于基于保留的所有第一边缘像素点的像素值获得第一像素判断值，基于所述第一轮廓所围成的区域内的所有第三像素点的像素值获得第二像素判断值，基于所述第一轮廓外区域的所有第四像素点的像素值获得第三像素判断值，当所述第一像素判断值和所述第二像素判断值之间的第一差值、所述第一像素判断值和所述第三像素判断值之间的第二差值都大于第二预设阈值时，则将所述第一轮廓作为所述第一图像中所述目标锂电池的轮廓；
否则，判定所述第一轮廓不合格，并基于第二预设范围重新筛选第一边缘像素点，直至获得的第一轮廓被判定合格；
补正模块，用于采用预设补正算法对合格的第一轮廓进行填补和平滑处理，获得所述第一图像中所述目标锂电池的轮廓。
该实施例中，第一轮廓为基于保留的第一边缘像素点和目标锂电池的几何特征连接初步获得的目标锂电池轮廓线。
该实施例中，第三像素点即为所述第一轮廓所围成的区域内的像素点。
该实施例中，第四像素点即为所述第一轮廓外区域内包含的像素点。
该实施例中，第一像素判断值即为所有第一边缘像素点的像素平均值。
该实施例中，第二像素判断值即为所有第三像素点的像素平均值。
该实施例中，第三像素判断值即为所有第四像素点的像素平均值。
该实施例中，第二预设范围即为比第一预设范围更小的预设的目标锂电池的边缘像素点对应的边缘点判断值范围。
上述技术方案的有益效果是：通过将所述轮廓线上的第一边缘像素点的像素平均值和第一轮廓包含区域内的所有第三像素点的像素平均值、第一轮廓外区域的所有第四像素点的像素平均值的差值比较，在所述第一图像的区域像素值的方面进一步验证了第一轮廓是否合格，可以进一步确保第一轮廓是合格的。
实施例5：
基于实施例3的基础上，所述区域划分模块，如图5所示，包括：
第一确定模块，用于将所述第一图像中的第一区域转换为对应的多通道图像，基于所述多通道图像中每个第五像素点的灰度值和亮度值进行高通滤波，获得第一频域图和第二频域图，将所述第一频域图和所述第二频域图进行反向拟合获得拟合频域图，并确定所述频域图中的骤变区域，基于所述骤变区域将所述频域图划分为低值频域图和高值频域图，将高值频域图对应的第五像素点作为明区域包含的第六像素点，将低值频域图对应的第五像素点作为暗区域包含的第七像素点；
第二确定模块，用于获取所述第一图像中第一区域除所述第六像素点和所述第七像素点以外剩余的第五像素点对应的第二亮度值矩阵，基于所述第二亮度值矩阵和预设的第二同阶转换矩阵，计算出第一判断值，当所述第一判断值在第三预设范围内时，则将对应的第五像素点作为明区域包含的第八像素点，当所述第一判断值在第四预设范围内时，则将对应的第五像素点作为暗区域包含的第九像素点；
第三确定模块，用于基于灰度值对所述第一图像中第一区域除所述第六像素点、所述第七像素点、第八像素点、第九像素点以外剩余的第五像素点进行拍排序获得灰度值序列，将所述灰度值序列按照预设划分规则划分为多个灰度值子序列，并计算每个灰度值子序列的第一平均灰度值，同时，计算出已确定的明区域包含的所有像素点的第二平均灰度值和已确定的暗区域包含的所有像素点的第三平均灰度值，计算出所述第一平均灰度值和所述第二平均灰度值的第三差值、所述第一平均灰度值和所述第三平均灰度值的第四差值，当所述第三差值小于第四差值时，将所述灰度值子序列对应的所有像素点作为明区域包含的第十像素点，否则，将所述灰度值子序列对应的所有像素点作为明区域包含的第十一像素点；
划分子模块，用于将所述第六像素点、所述第八像素点、所述第十像素点组成的区域划分为所述明区域，将所述第七像素点、所述第九像素点、所述第十一像素点组成的区域划分为所述暗区域。
该实施例中，将所述第一图像中的第一区域转换为对应的多通道图像即为：将所述第一图像转换成多个单通道图像，再融合成一个多通道图像。
该实施例中，第五像素点即为多通道图像中的所有像素点。
该实施例中，第一频域图即为对多通道图像的灰度值进行高通滤波后获得的频域图。
该实施例中，第二频域图即为对多通道图像的亮度值进行高通滤波后获得的频域图。
该实施例中，拟合频域图即为将第一频域图进行正负转换获得的频域图上对应第五像素点的值加在第二频域图上对应第五像素点对应的值后获得的频域图。
该实施例中，骤变区域即为拟合频域图中急剧变化的区域。
该实施例中，低值频域图即为拟合频域图中除骤变区域频域值较低的部分频域图。
该实施例中，高值频域图即为拟合频域图中除骤变区域频域值较高的部分频域图。
该实施例中，第二同阶转换矩阵即为与第二亮度值矩阵同阶的矩阵，且将所述第二同阶转换矩阵与对应第五像素点的所述第二亮度值矩阵相乘可获得对应第五像素点的第一判断值。
该实施例中，第一判断值即为判断第五像素点属于明区域还是暗区域的判断值。
该实施例中，第三预设范围即为第五像素点属于明区域时对应的第一判断值范围。
该实施例中，第六像素点即为根据频域图判断出的明区域包含的像素点；
第七像素点即为根据频域图判断出的暗区域包含的像素点。
该实施例中，第八像素点即为根据判断值判断出的明区域包含的像素点；
第九像素点即为根据判断值判断出的暗区域包含的像素点。
该实施例中，灰度值序列即为将所述第一图像中第一区域除所述第六像素点、所述第七像素点、第八像素点、第九像素点以外剩余的第五像素点灰度值从小到大排列获得的。
该实施例中，灰度值子序列即为根据预设的灰度值间隔将所述灰度值序列划分而成的。
该实施例中，第十像素点即为根据平均灰度值差值确定出的明区域包含的像素点；
第十一像素点即为根据平均灰度值差值确定出的暗区域包含的像素点。
上述技术方案的有益效果是：通过对亮度值、灰度值高通滤波获得的频域图、计算出的判断值、灰度平均值比较三种方法可以准确地确定出所述第一图像中目标锂电池区域中的明区域和暗区域，避免使用一种方法筛选像素点考虑不够周全，有利于后续准确计算第一平均亮度、第二平均亮度、明暗面积比，进一步地，有利于更加准确地设置拍摄参数。
实施例6：
基于实施例2的基础上，所述设置模块，如图6所示，包括：
对比模块，用于基于所述关联结果，获得每个图像采集设备对应的第一平均亮度和第一预设平均亮度的第一比值、第二平均亮度和第二预设平均亮度的第二比值，明暗面积比和预设明暗面积比的第五差值；
设置子模块，基于每个图像采集设备对应的第一比值和第二比值以及预设的曝光亮度对应关系，获得每个图像采集设备的曝光亮度设置参数，并生成对应的第一设置指令，基于每个图像采集设备对应的第五差值和预设的曝光范围对应关系，获得每个图像采集设备的曝光范围设置参数，并生成对应的第二设置指令；
创建模块，用于创建所述参数计算模块和每个图像采集设备之间的通信链路；
第一判断模块，用于判断所述通讯链路是否创建成功，若是，则判断每个图像采集设备是否获得所述设置子模块的通信授权，若是，则向所述图像采集设备发送对应的第一设置指令和第二设置指令；
否则，向监控中心终端发出通信失败提示信息，并重新创建通信链路；
第二判断模块，还用于当所述通讯链路未创建成功时，则制对应的图像采集设备向所述设置子模块发送通信授权请求指令，并接收所述设置子模块基于所述通信授权请求指令的反馈指令，基于所述反馈指令获得所述设置子模块的通信授权，并所述图像采集设备发送对应的第一设置指令和第二设置指令；
第三判断模块，用于当存在图像采集设备重新创建通信链路的次数超过预设次数时，则停止重新创建通信链路，并向监控中心终端发出无法创建所述参数计算模块和对应图像采集设备之间的通信链路的提示信息。
该实施例中，预设的曝光亮度对应关系即为第一比值、第二比值与对应图像采集设备的曝光亮度之间的对应关系。
该实施例中，第一设置指令用于指示对应的图像采集设备设置对应的曝光亮度。
该实施例中，曝光范围对应关系即为第五差值与对应图像采集设备的曝光范围之间的对应关系。
该实施例中，第二设置指令用于指示对应的图像采集设备设置对应的曝光范围。
上述技术方案的有益效果是：通过计算获得第一图像和样本图像之间的图像参数对比结果，基于对比结果设置对应图像采集设备的拍摄参数，实现根据实地情况设置每个图像采集设备的拍摄参数，并基于设置好的拍摄参数生成对应的参数设置指令，并检测通信链路和通信授权保证参数设置指令可以安全完整地传送。
实施例7：
基于实施例1的基础上，所述图像处理模块，如图7所示，包括：
第一处理模块，用于增强所述目标图像的对比度、清晰度；
图像合成模块，用于基于预设算法提取所有目标图像的第一边缘特征和第二边缘特征，基于所述边缘特征生成对应的第一边缘特征向量和第二边缘特征向量，选取任一目标图像作为基准图像，将剩余的目标图像的边缘特征向量与所述第一边缘特征向量进行匹配获得对应的第一匹配系数，并将所述目标图像的第一边缘和第一匹配系数最高对应的剩余目标图像边缘进行衔接，将剩余的目标图像的边缘特征向量与所述第二边缘特征向量进行匹配获得对应的第二匹配系数，并将所述目标图像的第二边缘和第二匹配系数最高对应的剩余目标图像边缘进行衔接，获得新的基准图像，基于新的基准图像进行筛选衔接直至将所有目标图像合成一幅待处理图像；
第二处理模块，用于基于预设的融合处理算法对所述待处理图像进行细节融合，获得所述目标锂电池的待测图像。
该实施例中，第一边缘特征和第二边缘特征即为所有目标图像的第一边缘对应的图像特征参数和第二边缘的图像特征参数，第一边缘和第二边缘即为所述目标图像需与其他目标图像衔接的两条边缘。
该实施例中，第一边缘特征向量即为第一边缘特征对应的特征向量参数；
第二边缘特征向量即为第二边缘特征对应的特征向量参数。
该实施例中，匹配系数求取过程即为：用一组特征向量之间的差值除以所述特征向量获得的比值，一减去所述比值获得的差值即为匹配系数。
该实施例中，融合处理算法即为预设的用于平滑填补待处理图像的图像处理算法。
上述技术方案的有益效果是：对目标图像提取边缘特征，基于图像边缘特征将所有目标图像的边缘进行匹配并衔接再进行融合处理获得目标锂电池的待测图像，即可获得体现目标锂电池全貌的图像，为进一步提取目标锂电池的待测图像提供数据材料。
实施例8：
基于实施例1的基础上，所述图像解析模块，如图8所示，包括：
第三处理模块，用于基于预设的比例梯度将所述待测图像进行灰度值转换，获得预设数量帧的待测灰度图像，基于所述目标锂电池在所述目标图像中的面积占比范围设置分辨率范围，基于所述分辨率范围和预设的分辨率梯度间隔生成分辨率梯度，并将所述待测灰度图像按照所述分辨率梯度生成待测灰度图像集合；
特征提取模块，用于基于所述特征分类神经网络提取所述待测灰度图像集合中每张图像对应的锂电池特征数据，并基于述待测灰度图像集合中每张图像的分辨率和原始分辨率的比值将所述锂电池特征数据转换成所述待测图像的图像格式对应的锂电池标准特征数据，构成标准特征数据集合。
该实施例中，预设的比例梯度即为预设的比值，例如：1/5、2/5、3/5、4/5、5/5。
该实施例中，待测灰度图像为将所述待测图像分别转换成原始灰度值乘以预设的比例梯度后的灰度值获得的图像。
该实施例中，基于所述目标锂电池在所述目标图像中的面积占比范围设置分辨率范围即根据面积占比和分辨率范围对应的关系确定所述目标图像对应的分辨率范围。
该实施例中，特征分类神经网络即为预设的用于提取待测灰度图像中锂电池的特征数据的神经网络。
该实施例中，锂电池特征数据包括：锂电池的位置特征数据、形态特征数据、尺寸特征数据。
该实施例中，待测灰度图像集合即为根据分辨率梯度设置每个待测灰度图像的分辨率获得的图像。
该实施例中，标准特征数据集合即为由标准特征数据组成的集合，标砖特征数据是将待测灰度图像集合中每张图像对应的锂电池特征数据基于述待测灰度图像集合中每张图像的分辨率和原始分辨率的比值转换成所述待测图像的图像格式对应的特征数据。
上述技术方案的有益效果是：将待测图像进行灰度值转换获得待测灰度图像集合，基于特征分类神经网络提取所述待测灰度图像集合中每张图像对应的锂电池特征数据并进行转换，实现更加准确全面地提取目标锂电池的特征数据。
实施例9：
基于实施例1的基础上，所述参数获取模块，如图9所示，包括：
数据筛选模块，用于基于预设的特征数据筛选神经网络对所述标准特征数据集合进行筛选，获得所述目标锂电池的待测参数；
检测子模块，用于将所述目标锂电池的待测参数与预设参数范围比较，若所述待测参数在所述预设参数范围内时，则判定所述锂电池合格，并将判定结果和所述待测参数发送至监控中心终端；
否则，判定所述锂电池不合格，并将判定结果和所述待测参数发送至监控中心终端。
该实施例中，待测参数包括目标锂电池的位置坐标数据、形态数据、尺寸数据。
上述技术方案的有益效果是：基于基于预设的特征数据筛选神经网络对所述标准特征数据集合进行筛选，获得所述目标锂电池的待测参数，进一步地，判断所述待测参数是否合格，并将其传送至监控中心终端，实现了获取目标锂电池的完全自动化，也可以实现远程监控和获取待测参数的功能。
实施例10：
基于实施例9的基础上，所述数据筛选模块，如图10所示，包括：
差值获取模块，用于获取所述待测参数和标准特征数据集合中对应的特征数据的最大差值；
精度设置模块，用于基于所述最大差值和预设的精度设置列表，设置特征分类神经网络的特征提取精度。
该实施例中，基于所述最大差值和预设的精度设置列表，设置特征分类神经网络的特征提取精度包括：
将所述标准特征数据集合划分成每个待测参数对应的标准特征数据子集合；
基于当前计算的标准特征数据子集合中的所有特征参数和对应的待测参数，计算出当前计算的标准特征数据子集合中归一化处理后的特征参数和对应的待测参数之间的最大差值：
Figure BDA0003224825850000221
式中，i为当前计算的标准特征数据子集合中的第i个特征参数，MAX为当前计算的标准特征数据子集合中归一化处理后的所有特征参数和对应的待测参数的最大差值，xi为当前计算的标准特征数据子集合中归一化处理前的第i个特征参数，(xi)min为当前计算的标准特征数据子集合中最小的特征参数，(xi)max为当前计算的标准特征数据子集合中最大的特征参数，x为所述标准特征数据子集合对应的待测参数，()max为取最大值；m表示标准特征数据子集合中的特征参数的总个数；
基于每个标准特征数据子集合中归一化处理后的特征参数和对应的待测参数之间的最大差值和特征提取精度之间的关系系数以及设置之前的特征提取精度，计算出将要设置的特征提取精度：
Figure BDA0003224825850000222
式中，M′为将要设置的特征提取精度，j为第j个标准特征数据子集合，n为所述标准特征数据子集合的总个数，αj为第j个标准特征数据子集合对应的最大差值和特征提取精度之间的关系系数，MAXj为第j个标准特征数据子集合中归一化处理后的所有特征参数和对应的待测参数的最大差值，M为设置之前的特征提取精度；
例如：第一个标准特征数据子集合包含的特征参数有：90、60、75，与所述标准特征数据子集合对应的待测参数为5预设的所述最大差值和特征提取精度之间的关系系数为0.3，第二个标准特征数据子集合包含的特征参数有：2、4、3，与所述标准特征数据子集合对应的待测参数为3，预设的所述最大差值和特征提取精度之间的关系系数为0.2，设置之前的特征提取精度M为0.1；
则第一个标准特征数据子集合包含的特征参数：90归一化处理后的结果为x′1＝1；60归一化处理后的结果为x′1＝0；75归一化处理后的结果为x′1＝0.5，且当前计算的标准特征数据子集合中归一化处理后的所有特征参数和对应的待测参数的最大差值为5；
第二个标准特征数据子集合包含的特征参数：2归一化处理后的结果为x′1＝0；4归一化处理后的结果为x′1＝1；3归一化处理后的结果为x′1＝0.5，且当前计算的标准特征数据子集合中归一化处理后的所有特征参数和对应的待测参数的最大差值为3；
则将要设置的特征提取精度约为0.10393。
该实施例中，预设的精度设置列表即为最大差值与提取精度的对应关系。
上述技术方案的有益效果是：根据获取的所述待测参数和所述标准特征数据集合中对应的特征数据的最大差值、预设的精度设置列表设置特征分类神经网络的特征提取精度，实现了特征数据筛选神经网络的自动训练学习，有利于在下一次筛选过程中对所述标准特征数据集合的筛选更加准确。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种在传送带上自动检测锂电池参数的机器视觉检测***，其特征在于，包括：
图像采集模块，用于按照预设周期连续采集在预设位置处移动的目标锂电池的图像，获得一组目标图像；
图像处理模块，用于预处理所述目标图像后合成获得所述目标锂电池的待测图像；
图像解析模块，用于解析所述待测图像，获得解析结果；
参数获取模块，用于基于所述解析结果获得所述目标锂电池的待测参数。
2.根据权利要求1所述的一种在传送带上自动检测锂电池参数的机器视觉检测***，其特征在于，所述图像采集模块，包括：
第一采集模块，用于当所述目标锂电池到达预设位置处，控制每个图像采集设备同时对所述目标锂电池进行图像采集，获得一组第一图像；
调取模块，用于调取每个图像采集设备的设备标识以及预设的样本图像；
第一获取模块，用于获取所述第一图像的第一图像参数和所述样本图像的第二图像参数；
调取关联模块，用于基于所述设备标识将所述样本图像与所述第一图像进行关联；
设置模块，用于基于关联结果，将所述第一图像参数和所述第二图像参数进行对比，获得对比结果，基于每个图像采集设备对应的对比结果，设置每个图像采集设备的拍摄参数；
第二采集模块，用于控制预设位置处的图像采集设备按照拍摄参数进行旋转采集目标锂电池的图像，获得一组目标图像；
其中，图像参数包括：明暗面积比、明区域对应的第一平均亮度和暗区域对应的第二平均亮度；
其中，所述拍摄参数包括：曝光范围、曝光亮度。
3.根据权利要求2所述的一种在传送带上自动检测锂电池参数的机器视觉检测***，其特征在于，所述第一获取模块，包括：
矩阵获取模块，用于获取所述第一图像中所有像素点的像素值，在所述第一图像中选取一非边缘像素点，并获取所述第一图像以所述非边缘像素点为中心的灰阶矩阵，基于所有像素点的像素值和所述灰阶矩阵计算出所述第一图像以所述非边缘像素点为中心的第一亮度值矩阵；
第一筛选模块，用于基于所述第一亮度值矩阵和预设的第一同阶转换矩阵，计算出边缘点判断值，当所述边缘点判断值满足第一预设范围时，则将对应的非边缘像素点确定为第一边缘点，并筛选所述第一图像中所有第一边缘像素点；
第二筛选模块，用于获取每个第一边缘像素点与剩余第一边缘像素点之间的最小距离，当所述最小距离大于第一预设阈值时，则将对应的第一边缘点进行删除；
轮廓提取模块，用于基于所述目标锂电池的几何特征将保留的第一边缘像素点相连，获得所述第一图像中所述目标锂电池的轮廓；
区域划分模块，用于将所述目标锂电池的轮廓中包围的第一区域划分为明区域和暗区域；
第二获取模块，用于基于所述明区域中包含的所有第一像素点的亮度值获得第一平均亮度，基于所述暗区域中包含的所有第二像素点的亮度值获得第二平均亮度，基于所述第一像素点的总个数和所述第二像素点的总个数获得所述目标锂电池在所述第一图像中的明暗面积比；
其中，所述第一平均亮度、第二平均亮度、明暗面积比为所述第一图像的第一图像参数。
4.根据权利要求3所述的一种在传送带上自动检测锂电池参数的机器视觉检测***，其特征在于，所述轮廓提取模块，包括：
连接模块，用于基于所述目标锂电池的几何特征将保留的第一边缘像素点相连，获得所述第一图像中所述目标锂电池的第一轮廓；
第一判断模块，用于基于保留的所有第一边缘像素点的像素值获得第一像素判断值，基于所述第一轮廓所围成的区域内的所有第三像素点的像素值获得第二像素判断值，基于所述第一轮廓外区域的所有第四像素点的像素值获得第三像素判断值，当所述第一像素判断值和所述第二像素判断值之间的第一差值、所述第一像素判断值和所述第三像素判断值之间的第二差值都大于第二预设阈值时，则将所述第一轮廓作为所述第一图像中所述目标锂电池的轮廓；
否则，判定所述第一轮廓不合格，并基于第二预设范围重新筛选第一边缘像素点，直至获得的第一轮廓被判定合格；
补正模块，用于采用预设补正算法对合格的第一轮廓进行填补和平滑处理，获得所述第一图像中所述目标锂电池的轮廓。
5.根据权利要求3所述的一种在传送带上自动检测锂电池参数的机器视觉检测***，其特征在于，所述区域划分模块，包括：
第一确定模块，用于将所述第一图像中的第一区域转换为对应的多通道图像，基于所述多通道图像中每个第五像素点的灰度值和亮度值进行高通滤波，获得第一频域图和第二频域图，将所述第一频域图和所述第二频域图进行反向拟合获得拟合频域图，并确定所述频域图中的骤变区域，基于所述骤变区域将所述频域图划分为低值频域图和高值频域图，将高值频域图对应的第五像素点作为明区域包含的第六像素点，将低值频域图对应的第五像素点作为暗区域包含的第七像素点；
第二确定模块，用于获取所述第一图像中第一区域除所述第六像素点和所述第七像素点以外剩余的第五像素点对应的第二亮度值矩阵，基于所述第二亮度值矩阵和预设的第二同阶转换矩阵，计算出第一判断值，当所述第一判断值在第三预设范围内时，则将对应的第五像素点作为明区域包含的第八像素点，当所述第一判断值在第四预设范围内时，则将对应的第五像素点作为暗区域包含的第九像素点；
第三确定模块，用于基于灰度值对所述第一图像中第一区域除所述第六像素点、所述第七像素点、第八像素点、第九像素点以外剩余的第五像素点进行拍排序获得灰度值序列，将所述灰度值序列按照预设划分规则划分为多个灰度值子序列，并计算每个灰度值子序列的第一平均灰度值，同时，计算出已确定的明区域包含的所有像素点的第二平均灰度值和已确定的暗区域包含的所有像素点的第三平均灰度值，计算出所述第一平均灰度值和所述第二平均灰度值的第三差值、所述第一平均灰度值和所述第三平均灰度值的第四差值，当所述第三差值小于第四差值时，将所述灰度值子序列对应的所有像素点作为明区域包含的第十像素点，否则，将所述灰度值子序列对应的所有像素点作为明区域包含的第十一像素点；
划分子模块，用于将所述第六像素点、所述第八像素点、所述第十像素点组成的区域划分为所述明区域，将所述第七像素点、所述第九像素点、所述第十一像素点组成的区域划分为所述暗区域。
6.根据权利要求2所述的一种在传送带上自动检测锂电池参数的机器视觉检测***，其特征在于，所述设置模块，包括：
对比模块，用于基于所述关联结果，获得每个图像采集设备对应的第一平均亮度和第一预设平均亮度的第一比值、第二平均亮度和第二预设平均亮度的第二比值，明暗面积比和预设明暗面积比的第五差值；
设置子模块，基于每个图像采集设备对应的第一比值和第二比值以及预设的曝光亮度对应关系，获得每个图像采集设备的曝光亮度设置参数，并生成对应的第一设置指令，基于每个图像采集设备对应的第五差值和预设的曝光范围对应关系，获得每个图像采集设备的曝光范围设置参数，并生成对应的第二设置指令；
创建模块，用于创建所述参数计算模块和每个图像采集设备之间的通信链路；
第一判断模块，用于判断所述通讯链路是否创建成功，若是，则判断每个图像采集设备是否获得所述设置子模块的通信授权，若是，则向所述图像采集设备发送对应的第一设置指令和第二设置指令；
否则，向监控中心终端发出通信失败提示信息，并重新创建通信链路；
第二判断模块，还用于当所述通讯链路未创建成功时，则制对应的图像采集设备向所述设置子模块发送通信授权请求指令，并接收所述设置子模块基于所述通信授权请求指令的反馈指令，基于所述反馈指令获得所述设置子模块的通信授权，并所述图像采集设备发送对应的第一设置指令和第二设置指令；
第三判断模块，用于当存在图像采集设备重新创建通信链路的次数超过预设次数时，则停止重新创建通信链路，并向监控中心终端发出无法创建所述参数计算模块和对应图像采集设备之间的通信链路的提示信息。
7.根据权利要求1所述的一种在传送带上自动检测锂电池参数的机器视觉检测***，其特征在于，所述图像处理模块，包括：
第一处理模块，用于增强所述目标图像的对比度、清晰度；
图像合成模块，用于基于预设算法提取所有目标图像的第一边缘特征和第二边缘特征，基于所述边缘特征生成对应的第一边缘特征向量和第二边缘特征向量，选取任一目标图像作为基准图像，将剩余的目标图像的边缘特征向量与所述第一边缘特征向量进行匹配获得对应的第一匹配系数，并将所述目标图像的第一边缘和第一匹配系数最高对应的剩余目标图像边缘进行衔接，将剩余的目标图像的边缘特征向量与所述第二边缘特征向量进行匹配获得对应的第二匹配系数，并将所述目标图像的第二边缘和第二匹配系数最高对应的剩余目标图像边缘进行衔接，获得新的基准图像，基于新的基准图像进行筛选衔接直至将所有目标图像合成一幅待处理图像；
第二处理模块，用于基于预设的融合处理算法对所述待处理图像进行细节融合，获得所述目标锂电池的待测图像。
8.根据权利要求1所述的一种在传送带上自动检测锂电池参数的机器视觉检测***，其特征在于，所述图像解析模块，包括：
第三处理模块，用于基于预设的比例梯度将所述待测图像进行灰度值转换，获得预设数量帧的待测灰度图像，基于所述目标锂电池在所述目标图像中的面积占比范围设置分辨率范围，基于所述分辨率范围和预设的分辨率梯度间隔生成分辨率梯度，并将所述待测灰度图像按照所述分辨率梯度生成待测灰度图像集合；
特征提取模块，用于基于所述特征分类神经网络提取所述待测灰度图像集合中每张图像对应的锂电池特征数据，并基于述待测灰度图像集合中每张图像的分辨率和原始分辨率的比值将所述锂电池特征数据转换成所述待测图像的图像格式对应的锂电池标准特征数据，构成标准特征数据集合。
9.根据权利要求1所述的一种在传送带上自动检测锂电池参数的机器视觉检测***，其特征在于，所述参数获取模块，包括：
数据筛选模块，用于基于预设的特征数据筛选神经网络对所述标准特征数据集合进行筛选，获得所述目标锂电池的待测参数；
检测子模块，用于将所述目标锂电池的待测参数与预设参数范围比较，若所述待测参数在所述预设参数范围内时，则判定所述锂电池合格，并将判定结果和所述待测参数发送至监控中心终端；
否则，判定所述锂电池不合格，并将判定结果和所述待测参数发送至监控中心终端。
10.根据权利要求9所述的一种在传送带上自动检测锂电池参数的机器视觉检测***，其特征在于，所述数据筛选模块，包括：
差值获取模块，用于获取所述待测参数和标准特征数据集合中对应的特征数据的最大差值；
精度设置模块，用于基于所述最大差值和预设的精度设置列表，设置特征分类神经网络的特征提取精度。
CN202110967897.5A 2021-08-23 2021-08-23 一种在传送带上自动检测锂电池参数的机器视觉检测*** Active CN113706495B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110967897.5A CN113706495B (zh) 2021-08-23 2021-08-23 一种在传送带上自动检测锂电池参数的机器视觉检测***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110967897.5A CN113706495B (zh) 2021-08-23 2021-08-23 一种在传送带上自动检测锂电池参数的机器视觉检测***

Publications (2)

Publication Number Publication Date
CN113706495A true CN113706495A (zh) 2021-11-26
CN113706495B CN113706495B (zh) 2022-11-22

Family

ID=78654008

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110967897.5A Active CN113706495B (zh) 2021-08-23 2021-08-23 一种在传送带上自动检测锂电池参数的机器视觉检测***

Country Status (1)

Country Link
CN (1) CN113706495B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114240943A (zh) * 2022-02-25 2022-03-25 武汉精立电子技术有限公司 一种像素亮度确定方法、装置、计算机设备及可读介质
CN115115622A (zh) * 2022-08-24 2022-09-27 苏州新实达精密电子科技有限公司 一种冲压端子视觉检测装置
CN115457004A (zh) * 2022-09-22 2022-12-09 山东华太新能源电池有限公司 基于计算机视觉的锌膏的智能检测方法
CN115456459A (zh) * 2022-09-30 2022-12-09 浙江中泽精密科技有限公司 一种新能源动力电池盖板片加工工艺方法及***
CN116416268B (zh) * 2023-06-09 2023-08-18 浙江双元科技股份有限公司 基于递归二分法的锂电池极片边缘位置检测方法及装置
CN117593550A (zh) * 2024-01-18 2024-02-23 宁德时代新能源科技股份有限公司 包膜***和包膜***的点检方法
CN117593550B (zh) * 2024-01-18 2024-05-31 宁德时代新能源科技股份有限公司 包膜***和包膜***的点检方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100272340A1 (en) * 2007-12-25 2010-10-28 Ezer Bar-Aviv Noise reduction of images
CN104038702A (zh) * 2013-03-06 2014-09-10 佳能株式会社 摄像设备及其控制方法
CN107770438A (zh) * 2017-09-27 2018-03-06 维沃移动通信有限公司 一种拍照方法及移动终端
CN108107051A (zh) * 2017-12-19 2018-06-01 无锡先导智能装备股份有限公司 基于机器视觉的锂电池缺陷检测***及方法
WO2019183813A1 (zh) * 2018-03-27 2019-10-03 华为技术有限公司 一种拍摄方法及设备
CN111951237A (zh) * 2020-08-04 2020-11-17 上海微亿智造科技有限公司 外观视觉检测方法
CN112468721A (zh) * 2020-11-19 2021-03-09 江汉大学 一种具有自动调焦功能的视觉采集方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100272340A1 (en) * 2007-12-25 2010-10-28 Ezer Bar-Aviv Noise reduction of images
CN104038702A (zh) * 2013-03-06 2014-09-10 佳能株式会社 摄像设备及其控制方法
CN107770438A (zh) * 2017-09-27 2018-03-06 维沃移动通信有限公司 一种拍照方法及移动终端
CN108107051A (zh) * 2017-12-19 2018-06-01 无锡先导智能装备股份有限公司 基于机器视觉的锂电池缺陷检测***及方法
WO2019183813A1 (zh) * 2018-03-27 2019-10-03 华为技术有限公司 一种拍摄方法及设备
CN111951237A (zh) * 2020-08-04 2020-11-17 上海微亿智造科技有限公司 外观视觉检测方法
CN112468721A (zh) * 2020-11-19 2021-03-09 江汉大学 一种具有自动调焦功能的视觉采集方法及装置

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114240943A (zh) * 2022-02-25 2022-03-25 武汉精立电子技术有限公司 一种像素亮度确定方法、装置、计算机设备及可读介质
CN114240943B (zh) * 2022-02-25 2022-04-29 武汉精立电子技术有限公司 一种像素亮度确定方法、装置、计算机设备及可读介质
CN115115622A (zh) * 2022-08-24 2022-09-27 苏州新实达精密电子科技有限公司 一种冲压端子视觉检测装置
CN115457004A (zh) * 2022-09-22 2022-12-09 山东华太新能源电池有限公司 基于计算机视觉的锌膏的智能检测方法
CN115457004B (zh) * 2022-09-22 2023-05-26 山东华太新能源电池有限公司 基于计算机视觉的锌膏的智能检测方法
CN115456459A (zh) * 2022-09-30 2022-12-09 浙江中泽精密科技有限公司 一种新能源动力电池盖板片加工工艺方法及***
CN115456459B (zh) * 2022-09-30 2023-05-05 浙江中泽精密科技有限公司 一种新能源动力电池盖板片加工工艺方法及***
CN116416268B (zh) * 2023-06-09 2023-08-18 浙江双元科技股份有限公司 基于递归二分法的锂电池极片边缘位置检测方法及装置
CN117593550A (zh) * 2024-01-18 2024-02-23 宁德时代新能源科技股份有限公司 包膜***和包膜***的点检方法
CN117593550B (zh) * 2024-01-18 2024-05-31 宁德时代新能源科技股份有限公司 包膜***和包膜***的点检方法

Also Published As

Publication number Publication date
CN113706495B (zh) 2022-11-22

Similar Documents

Publication Publication Date Title
CN113706495B (zh) 一种在传送带上自动检测锂电池参数的机器视觉检测***
CN110560376B (zh) 一种产品表面缺陷检测方法及装置
CN115184359A (zh) 一种自动调参的表面缺陷检测***与方法
CN109461156B (zh) 基于视觉的螺纹密封塞装配检测方法
CN113554004B (zh) 搅拌车溢料检测方法、检测***、电子设备及搅拌站
CN112345534B (zh) 一种基于视觉的泡罩板中颗粒的缺陷检测方法及***
CN113688817A (zh) 一种自动巡检的仪表识别方法及识别***
CN114845260B (zh) 一种基于物联网的水文监测数据采集***
CN113077416A (zh) 一种基于图像处理的焊点焊接缺陷检测方法与***
CN114529510B (zh) 一种阴极铜在线质量自动检测分类方法
CN111665249B (zh) 一种光强调整方法、***及光学检测设备
CN116797977A (zh) 巡检机器人动态目标识别与测温方法、装置和存储介质
CN117455917B (zh) 一种蚀刻引线框架误报库建立及误报在线判定筛选方法
CN107248151B (zh) 一种基于机器视觉的液晶片智能检测方法及***
CN111222360A (zh) 硅料熔化状态的检测方法、设备及存储介质
CN110446025B (zh) 应用于电子设备的摄像头模组检测***及方法
CN115601712B (zh) 适用于现场安全措施的图像数据处理方法及***
CN111524107B (zh) 缺陷检测方法、缺陷检测装置及计算机可读存储介质
CN112257514B (zh) 一种用于设备故障巡检的红外视觉智检的拍摄方法
KR20230063933A (ko) 조명자동셋팅이 가능한 머신 비전장치 및 이를 이용한 제품검사방법
CN113778091A (zh) 一种风电场升压站设备巡检方法
CN111649804A (zh) 油位监测方法、设备及具有存储功能的装置
CN112862711B (zh) 一种图像的灰度值校正方法及装置
CN114820543B (zh) 缺陷检测方法和装置
CN117689660B (zh) 基于机器视觉的保温杯温度质检方法

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