CN115063421B - 极片区域检测方法及***及装置及介质及缺陷检测方法 - Google Patents
极片区域检测方法及***及装置及介质及缺陷检测方法 Download PDFInfo
- Publication number
- CN115063421B CN115063421B CN202210981487.0A CN202210981487A CN115063421B CN 115063421 B CN115063421 B CN 115063421B CN 202210981487 A CN202210981487 A CN 202210981487A CN 115063421 B CN115063421 B CN 115063421B
- Authority
- CN
- China
- Prior art keywords
- image
- pole piece
- obtaining
- contour
- battery pole
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 69
- 230000007547 defect Effects 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 5
- 238000012216 screening Methods 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 18
- 238000013136 deep learning model Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 8
- 125000000205 L-threonino group Chemical group [H]OC(=O)[C@@]([H])(N([H])[*])[C@](C([H])([H])[H])([H])O[H] 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 10
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 abstract description 5
- 229910001416 lithium ion Inorganic materials 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 238000005286 illumination Methods 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000003628 erosive effect Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000007787 solid Substances 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
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/30—Noise filtering
-
- 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
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20004—Adaptive image processing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
- Y02P70/50—Manufacturing or production processes characterised by the final manufactured product
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了极片区域检测方法及***及装置及介质及缺陷检测方法，涉及锂离子电池领域，本发明采用机器视觉的方法，能够自适应的框选出不同待检测图片中的电池极片区域，并能够通过直方统计去除所述电池极片边缘上可能存在的毛刺对电池极片区域框选的影响；同时，本发明将深度学习对待检测图像进行检测所获得的检测结果与所述电池极片区域做交集运算，有效解决了深度学习中由于生产过程中的工业波动、机台差异和光照等因素将背景中的噪声识别为电池区域内的缺陷而导致的过检测现象。
Description
技术领域
本发明涉及锂离子电池领域，具体地，涉及极片区域检测方法及***及装置及介质及缺陷检测方法。
背景技术
近年来，随着各类用电设备的不断发展，人们对于锂离子电池的需求不断增加，现有的锂离子电池通包括叠片电池和卷绕电池，无论是叠片电池还是卷绕电池，其电池极片的质量对制成后的锂离子电池质量有严重的影响。因此，在电池极片的制成过程中对电池极片缺陷的准确检测十分重要。现有对电池极片缺陷的检测通常通过深度学习实现，然而，在工业制造过程中因其工业波动、机台差异和光照等因素会导致拍摄出的图片中电池极片区域的颜色与背景差异较小，从而导致在使用深度学习对电池极片进行缺陷检测时会产生将背景区域的噪声检测成电池极片缺陷的过检问题，且电池极片不同于对于电子元器件的缺陷检测，其结构简单，无法通过修改训练数据的标签，将标注框扩大，通过电子元器件周围的结构信息或者扩大训练数据集的方式避免深度学习对于缺陷的过检测问题。
发明内容
为了准确获得电池极片的区域，将电池极片区域与其背景区分开，本发明提供了极片区域检测方法，所述极片区域检测方法包括以下步骤：
获得待检测图像，将所述待检测图像转化为灰度图像；
根据所述灰度图像计算二值化阈值，获得二值化图像；
对所述二值化图像进行滤波处理，获得去噪图像；
对所述去噪图像进行轮廓提取，获得若干轮廓区域，对所述若干轮廓区域进行筛选获得筛选结果；
根据所述筛选结果进行计算获得电池极片区域坐标。
其中，本发明所提供的极片区域检测方法原理为：获得待检测图像，对上述待检测图像进行灰度化处理，获得灰度图像，再根据所述灰度图像获得其对应的二值化阈值，根据上述二值化阈值将所述灰度图像中电池极片区域和背景区域分开，再对所述二值化图像依次进行滤波处理、轮廓提取和轮廓筛选，去除所述二值化图像中各类噪声的影响，获得电池极片区域对应的轮廓，最后对电池极片区域对应的轮廓进行计算，获得电池极片区域坐标。
其中，由于生产过程中可能产生的工业波动、机台差异和光照等因素对所述待检测图像的影响较为随机，因此需要根据不同的所述灰度图像自适应的计算不同的二值化阈值，所述根据所述灰度图像计算二值化阈值，获得二值化图像包括以下步骤：
对所述灰度图像进行裁剪，保留所述灰度图像中心部分，获得标准灰度图；
计算所述标准灰度图的灰度均值，所述灰度均值即为所述二值化阈值，具体计算方式为：
式中，thres表示二值化阈值，n表示所述标准灰度图中像素的个数，
表示所述标准灰度图中坐标为
的像素对应的灰度值；
根据所述二值化阈值对所述灰度图像的像素进行分割，获得二值化图像。
其中，由于对二值化图像进行轮廓提取所获得的若干轮廓均为若干点的集合，所述根据所述筛选结果进行计算获得电池极片区域坐标包括以下步骤：
获得所述筛选结果对应的第一轮廓点集；
获得所述第一轮廓点集中若干点的坐标极值，包括第一横坐标最大值、第一横坐标最小值、第一纵坐标最大值和第一纵坐标最小值；
根据所述坐标极值获得电池极片区域坐标。
进一步的，由于对所述二值化图像进行轮廓识别后所获得的识别结果可能包括电池极片区域对应的轮廓、电池极片上的缺陷对应的轮廓以及图像背景区域中噪声对应的轮廓，因此需要对轮廓识别所获得的识别结果进行筛选，且为了使筛选条件便于实现，并保证所述筛选条件能够准确的对轮廓识别所获得的识别结果进行区分，所述对所述若干轮廓区域进行筛选获得筛选结果，其筛选条件为所述若干轮廓区域的面积，所述若干轮廓区域中面积最大的轮廓区域即为所述筛选结果。
进一步的，由于所述若干轮廓区域为由若干个围成的不规则图形，为了准确的获得所述若干轮廓区域的面积从而根据面积对所述若干轮廓区域进行筛选获得筛选结果，所述极片区域检测方法通过格林公式计算所述若干轮廓区域的面积，具体计算方式为：
其中，S表示所述轮廓区域的面积，Q表示轮廓区域内轮廓对应的拟合函数，
表示函数Q在x方向上的偏导数，P表示轮廓区域外轮廓对应的拟合函数，
表示函数P在y方向上的偏导数，
表示
在x方向和y方向上的二重微分，
表示函数P在x方向的微分，
表示函数Q在y方向上的微分。
进一步的，由于电池极片边缘可能存在毛刺，为了消除毛刺对提取到的电池极片轮廓区域坐标的影响，所述根据所述坐标极值获得电池极片区域坐标还包括以下步骤：
获得所述二值化图像的图像尺寸数据，包括第一图像高度和第一图像宽度；
根据所述坐标极值获得所述第一轮廓点集的图像尺寸数据，包括第二图像高度和第二图像宽度；
判断所述第一图像高度和所述第二图像高度的大小，若所述第一图像高度大于所述第二图像高度，即所述待测图像中包含电池极片的上边缘和/或下边缘，需要消除电池极片上边缘和/或下边缘可能产生的毛刺对电池极片区域检测的影响，因此，通过直方统计对所述第一轮廓点集进行处理，获得第二纵坐标最大值和第二纵坐标最小值，并更新所述坐标极值；
判断所述第一图像宽度和所述第二图像宽度的大小，若所述第一图像宽度大于所述第二图像宽度，即所述待测图像中包含电池极片的左边缘和/或右边缘，需要消除电池极片左边缘和/或右边缘可能产生的毛刺对电池极片区域检测的影响，因此，通过直方统计对所述第一轮廓点集进行处理，获得第二横坐标最大值和第二横坐标最小值，并更新所述坐标极值；
根据更新后的所述坐标极值获得电池极片区域坐标。
其中，为了滤掉获得的图像中可能出现的噪声，提高图像处理的准确性，需要对二值化线路差异图进行滤波处理，获得去噪图像，所述滤波处理包括：对所述二值化图像进行腐蚀运算，获得第一图片，再对所述第一图片进行膨胀运算。所述腐蚀运算能够去除图像中的毛刺、小点和小桥，所述膨胀运算能够使图像边界向外部扩张，先对图像进行腐蚀运算，再进行膨胀运算能够消除小物体、在纤细点处分离物体、平滑较大物体的边界的同时并不明显改变图像的面积，得到清晰的去噪图像。
为了实现上述目的，本发明提供了极片区域检测***，所述***包括：
图像采集单元，用于获得待检测图像，并将所述待检测图像转化为灰度图像；
图像处理单元，用于根据所述灰度图像计算二值化阈值，获得二值化图像，并对所述二值化图像进行滤波处理，获得去噪图像；
区域计算单元，对所述去噪图像进行轮廓提取，获得若干轮廓区域，对所述若干轮廓区域进行筛选获得筛选结果，并根据所述筛选结果进行计算获得电池极片区域坐标。
为了实现上述目的，本发明提供了极片区域检测装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一种极片区域检测方法的步骤。
为了实现上述目的，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一种极片区域检测方法的步骤。
为了准确获得电池极片的区域，将电池极片区域与其背景区分开，并通过获得的电池极片区域对通过深度学习对电池极片图像的检测结果进行筛选，从而避免深度学习对电池极片进行缺陷检测时可能产生的过检测问题，本发明还提供了极片缺陷检测方法，所述极片缺陷检测方法包括以下步骤：
建立深度学习模型，获得用于训练深度学习模型的训练集，包括若干带有缺陷的电池极片图像及对应的缺陷标记；
通过所述训练集训练所述深度学习模型，获得第二深度学习模型；
根据上述任意一个所述的极片区域检测方法获得电池极片区域坐标；
根据所述第二深度学习模型对所述待检测图像进行缺陷检测，获得若干缺陷坐标；
判断所述若干缺陷坐标是否在所述电池极片区域坐标内，若在则电池极片在所述缺陷坐标对应的位置存在缺陷。
其中，本发明所提供的极片缺陷检测原理为：根据上述的任意一个极片区域检测方法通过传统机器视觉对图像进行自适应的阈值分割，准确的找出电池极片区域坐标，在此基础上，对于通过深度学习检测出的极片区域缺陷与所述电池极片区域坐标进行交集计算，能够过滤掉背景中的缺陷检测框，从而实现减少***Ａ/Ｄ转换***对于电池极片缺陷检测时常出现的过检问题，提高电池极片缺陷识别的准确率。
本发明提供的一个或多个技术方案，至少具有以下技术效果或优点：本发明提供的极片区域检测方法能够自适应的框选出不同待检测图片中的电池极片区域，并能够通过直方统计去除所述电池极片边缘上可能存在的毛刺对电池极片区域框选的影响；同时，本发明提出的极片缺陷检测方法能够通过所述极片区域检测方法框选出电池极片区域，并将深度学习对待检测图像进行检测所获得的检测结果与所述电池极片区域做交集运算，避免深度学习中由于生产过程中的工业波动、机台差异和光照等因素将背景中的噪声识别为电池区域内的缺陷而导致的过检测现象。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本发明的一部分，并不构成对本发明实施例的限定；
图1是本发明中极片区域检测流程示意图；
图2是本发明中极片缺陷检测流程示意图；
图3是本发明中极片区域检测***示意图；
图4是本发明中极片边缘毛刺局部示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在相互不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述范围内的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
实施例一
请参考图1，本发明实施例一提供了极片区域检测方法，所述极片区域检测方法包括以下步骤：
获得待检测图像，将所述待检测图像转化为灰度图像；
根据所述灰度图像计算二值化阈值，获得二值化图像；
对所述二值化图像进行滤波处理，获得去噪图像；
对所述去噪图像进行轮廓提取，获得若干轮廓区域，对所述若干轮廓区域进行筛选获得筛选结果；
根据所述筛选结果进行计算获得电池极片区域坐标。
其中，对图像进行轮廓提取是为了找到图像中的形状边界信息，所述对上述去噪图像进行轮廓提取可以通过Canny轮廓提取算法、阈值分割轮廓提取算法、连通区域算法或蚁群算法等方式实现，其具体算法本实施例在此不做具体限定。
其中，为了滤掉获得的图像中可能出现的噪声，提高图像处理的准确性，需要对二值化线路差异图进行滤波处理，获得去噪图像，滤波去噪的具体方法可以是中值滤波、均值滤波、高斯滤波或双边滤波等，在本实施例中，所述滤波处理包括：对所述二值化图像进行腐蚀运算，获得第一图片，再对所述第一图片进行膨胀运算。所述腐蚀运算能够去除图像中的毛刺、小点和小桥，所述膨胀运算能够使图像边界向外部扩张，先对图像进行腐蚀运算，再进行膨胀运算能够消除小物体、在纤细点处分离物体、平滑较大物体的边界的同时并不明显改变图像的面积，得到清晰的去噪图像。
其中，在本实施例中，所述待检测图像可以通过CCD相机或CMOS相机获得，由于CCD相机获得的图像像素结构简单，能够满足工业条件下图像的采集清晰度要求，优选CCD相机采集所述待检测图像。
其中，在本实施例中，所述根据所述灰度图像计算二值化阈值，获得二值化图像包括以下步骤：
对所述灰度图像进行裁剪，保留所述灰度图像中心部分，获得标准灰度图；
计算所述标准灰度图的灰度均值，所述灰度均值即为所述二值化阈值，具体计算方式为：
式中，thres表示二值化阈值，n表示所述标准灰度图中像素的个数，
表示所述标准灰度图中坐标为
的像素对应的灰度值；
根据所述二值化阈值对所述灰度图像的像素进行分割，获得二值化图像。
具体的，所述根据所述二值化阈值对所述灰度图像的像素进行分割方法为将灰度图像中极片区域置白，其他区域置黑；将灰度图像中每个像素点的灰度值记为
，使用以下公式根据所述二值化阈值对每个像素点进行处理，获得二值化图像：
其中，
表示所述二值化图像，thres表示二值化阈值，
表示灰度图像中每个像素点对应的灰度值，x和y代表灰度图像中每个像素点对应的坐标。
其中，在本实施例中，由于对二值化图像进行轮廓提取所获得的若干轮廓均为若干点的集合，所述根据所述筛选结果进行计算获得电池极片区域坐标包括以下步骤：
获得所述筛选结果对应的第一轮廓点集；
获得所述第一轮廓点集中若干点的坐标极值，包括第一横坐标最大值
、第一横坐标最小值
、第一纵坐标最大值
和第一纵坐标最小值
；
根据所述坐标极值获得电池极片区域坐标，具体的，所述电池极片区域四个角坐标分别为
、
、
、
。其中，由于所述若干轮廓区域包括电池极片对应的轮廓区域、电池极片内可能存在的缺陷对应的轮廓区域以及背景图像中可能存在的轮廓区域，因此需要对所述若干轮廓区域进行筛选，筛选依据可以是面积、坐标、若干轮廓区域之间的位置关系等，由于所述筛选依据需要便于计算，且保证筛选结果是可靠的，因此在本实施例中，所述对所述若干轮廓区域进行筛选获得筛选结果，其筛选依据为所述若干轮廓区域的面积，所述若干轮廓区域中面积最大的轮廓区域即为所述筛选结果；由于所述若干轮廓区域为由若干个围成的不规则图形，为了准确的获得所述若干轮廓区域的面积从而根据面积对所述若干轮廓区域进行筛选获得筛选结果，所述极片区域检测方法通过格林公式计算所述若干轮廓区域的面积，具体计算方式为：
其中，S表示所述轮廓区域的面积，Q表示轮廓区域内轮廓对应的拟合函数，
表示函数Q在x方向上的偏导数，P表示轮廓区域外轮廓对应的拟合函数，
表示函数P在y方向上的偏导数，
表示
在x方向和y方向上的二重微分，
表示函数P在x方向的微分，
表示函数Q在y方向上的微分。
其中，如图4所示，图中白色区域为电池极片区域，可以观察到电池极片边缘可能存在毛刺，因此，所述根据所述坐标极值获得电池极片区域坐标还包括以下步骤：
获得所述二值化图像的图像尺寸数据，包括第一图像高度和第一图像宽度；
根据所述坐标极值获得所述第一轮廓点集的图像尺寸数据，包括第二图像高度和第二图像宽度；
判断所述第一图像高度和所述第二图像高度的大小，若所述第一图像高度大于所述第二图像高度，则通过直方统计对所述第一轮廓点集进行处理，获得第二纵坐标最大值和第二纵坐标最小值，并更新所述坐标极值；
判断所述第一图像宽度和所述第二图像宽度的大小，若所述第一图像宽度大于所述第二图像宽度，则通过直方统计对所述第一轮廓点集进行处理，获得第二横坐标最大值和第二横坐标最小值，并更新所述坐标极值；
根据更新后的所述坐标极值获得电池极片区域坐标。
具体的，所述通过直方统计对所述第一轮廓点集进行处理，获得第二纵坐标最大值和第二纵坐标最小值包括以下步骤：
获得第一纵坐标最大值
和第一纵坐标最小值
；
计算获得纵坐标中间线
；
根据所述纵坐标中间线将所述第一轮廓点集划分为第二轮廓点集和第三轮廓点集；
分别对所述第二轮廓点集和所述第三轮廓点集中若干点的纵坐标进行直方统计，分别获得统计值中最大值对应的纵坐标，即第二纵坐标最大值
和第二纵坐标最小值
；
具体的，所述通过直方统计对所述第一轮廓点集进行处理，获得第二横坐标最大值和第二横坐标最小值包括以下步骤：
获得第一横坐标最大值
和第一横坐标最小值
；
计算获得横坐标中间线
；
根据所述横坐标中间线将所述第一轮廓点集划分为第四轮廓点集和第五轮廓点集；
分别对所述第四轮廓点集和所述第五轮廓点集中若干点的横坐标进行直方统计，并分别获得统计值中最大值对应的横坐标，即第二横坐标最大值
和第二横坐标最小值
。
可以理解，当所述第一图像高度大于所述第二图像高度，但所述第一图像宽度小于或等于所述第二图像宽度时，所述电池极片区域四个角坐标分别为
、
、
、
；
可以理解，当所述第一图像高度小于或等于所述第二图像高度，但所述第一图像宽度大于所述第二图像宽度时，所述电池极片区域四个角坐标分别为
、
、
、
；
可以理解，当所述第一图像高度大于所述第二图像高度，且所述第一图像宽度大于所述第二图像宽度时，所述电池极片区域四个角坐标分别为
、
、
、
；
可以理解，当所述第一图像高度小于或等于所述第二图像高度，且所述第一图像宽度小于或等于所述第二图像宽度时，所述电池极片区域四个角坐标分别为
、
、
、
。
实施例二
请参考图2，本发明实施例二提供了极片缺陷检测方法，在实施例一的基础上实现，所述极片缺陷检测方法包括以下步骤：
建立深度学习模型，获得用于训练深度学习模型的训练集，包括若干带有缺陷的电池极片图像及对应的缺陷标记；
通过所述训练集训练所述深度学习模型，获得第二深度学习模型；
获得待检测图像，根据实施例一所提供的极片区域检测方法对所述待测图像进行处理，获得电池极片区域坐标；
根据所述第二深度学习模型对所述待检测图像进行缺陷检测，获得若干缺陷坐标；
判断所述若干缺陷坐标是否在所述电池极片区域坐标内，若在则电池极片在所述缺陷坐标对应的位置存在缺陷。
其中，在本实施例中，所述深度学习模型可以是卷积神经网络模型（ConvolutionalNeuralNetworks，CNN）、递归神经网络模型（RecurrentNeuralNetworks，RNN）、堆叠自动编码器（StackedAutoEncoders，SAE）或深度信念网络模型（DeepBeliefNetworks，DBN）以及由上述深度学习模型衍生而来的各类深度学习模型，本实施例在此不做具体限定。
实施例三
本发明实施例三提供了一种极片区域检测装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述极片区域检测方法的步骤。
实施例四
本发明实施例四提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述极片区域检测方法的步骤。
其中，所述处理器可以是中央处理器（CPU，Central Processing Unit），还可以是其他通用处理器、数字信号处理器（digital signal processor）、专用集成电路（Application Specific Integrated Circuit）、现成可编程门阵列（Field programmablegate array）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的数据，实现发明中极片区域检测装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等。此外，存储器可以包括高速随机存取存储器、还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡，安全数字卡，闪存卡、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述极片区域检测装置如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序可存储于计算机可读存介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码、对象代码形式、可执行文件或某些中间形式等。所述计算机可读取介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存储器、点载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
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 (9)
1.极片区域检测方法，其特征在于，所述极片区域检测方法包括以下步骤：
获得待检测图像，将所述待检测图像转化为灰度图像；
根据所述灰度图像计算二值化阈值，获得二值化图像；
对所述二值化图像进行滤波处理，获得去噪图像；
对所述去噪图像进行轮廓提取，获得若干轮廓区域，对所述若干轮廓区域进行筛选获得筛选结果；
根据所述筛选结果进行计算获得电池极片区域坐标；
其中，所述根据所述筛选结果进行计算获得电池极片区域坐标包括以下步骤：
获得所述筛选结果对应的第一轮廓点集；
获得所述第一轮廓点集中若干点的坐标极值，包括第一横坐标最大值、第一横坐标最小值、第一纵坐标最大值和第一纵坐标最小值；
根据所述坐标极值获得电池极片区域坐标；
所述根据所述坐标极值获得电池极片区域坐标还包括以下步骤：获得所述二值化图像的图像尺寸数据，包括第一图像高度和第一图像宽度；
根据所述坐标极值获得所述第一轮廓点集的图像尺寸数据，包括第二图像高度和第二图像宽度；
判断所述第一图像高度和所述第二图像高度的大小，若所述第一图像高度大于所述第二图像高度，则通过直方统计对所述第一轮廓点集进行处理，获得第二纵坐标最大值和第二纵坐标最小值，并更新所述坐标极值；
判断所述第一图像宽度和所述第二图像宽度的大小，若所述第一图像宽度大于所述第二图像宽度，则通过直方统计对所述第一轮廓点集进行处理，获得第二横坐标最大值和第二横坐标最小值，并更新所述坐标极值；
根据更新后的所述坐标极值获得电池极片区域坐标。
2.根据权利要求1所述的极片区域检测方法，其特征在于，所述根据所述灰度图像计算二值化阈值，获得二值化图像包括以下步骤：
对所述灰度图像进行裁剪，保留所述灰度图像中心部分，获得标准灰度图；
计算所述标准灰度图的灰度均值，所述灰度均值即为所述二值化阈值，具体计算方式为：
式中，thres表示二值化阈值，n表示所述标准灰度图中像素的个数，
表示所述标准灰度图中坐标为
的像素对应的灰度值；
根据所述二值化阈值对所述灰度图像的像素进行分割，获得二值化图像。
3.根据权利要求1所述的极片区域检测方法，其特征在于，所述对所述若干轮廓区域进行筛选获得筛选结果中，其筛选条件为所述若干轮廓区域的面积，所述若干轮廓区域中面积最大的轮廓区域即为所述筛选结果。
4.根据权利要求3所述的极片区域检测方法，其特征在于，所述极片区域检测方法通过格林公式计算所述若干轮廓区域的面积，具体计算方式为：
其中，S表示所述轮廓区域的面积，Q表示轮廓区域内轮廓对应的拟合函数，
表示函数Q在x方向上的偏导数，P表示轮廓区域外轮廓对应的拟合函数，
表示函数P在y方向上的偏导数，
表示
在x方向和y方向上的二重微分，
表示函数P在x方向的微分，
表示函数Q在y方向上的微分。
5.根据权利要求1所述的极片区域检测方法，其特征在于，所述滤波处理包括：对所述二值化图像进行腐蚀运算，获得第一图片，再对所述第一图片进行膨胀运算，获得所述去噪图像。
6.极片缺陷检测方法，其特征在于，所述极片缺陷检测方法包括以下步骤：
建立深度学习模型，获得用于训练深度学习模型的训练集，包括若干带有缺陷的电池极片图像及对应的缺陷标记；
通过所述训练集训练所述深度学习模型，获得第二深度学习模型；
获得待检测图像，根据权利要求1-5中任意一个所述的极片区域检测方法对所述待检测图像进行处理，获得电池极片区域坐标；
根据所述第二深度学习模型对所述待检测图像进行缺陷检测，获得若干缺陷坐标；
判断所述若干缺陷坐标是否在所述电池极片区域坐标内，若在则电池极片在所述缺陷坐标对应的位置存在缺陷。
7.极片区域检测***，其特征在于，所述***包括：
图像采集单元，用于获得待检测图像，并将所述待检测图像转化为灰度图像；
图像处理单元，用于根据所述灰度图像计算二值化阈值，获得二值化图像，并对所述二值化图像进行滤波处理，获得去噪图像；
区域计算单元，对所述去噪图像进行轮廓提取，获得若干轮廓区域，对所述若干轮廓区域进行筛选获得筛选结果，并根据所述筛选结果进行计算获得电池极片区域坐标；
其中，所述区域计算单元根据所述筛选结果进行计算获得电池极片区域坐标包括以下步骤：
获得所述筛选结果对应的第一轮廓点集以及所述第一轮廓点集中若干点的坐标极值，包括第一横坐标最大值、第一横坐标最小值、第一纵坐标最大值和第一纵坐标最小值，并根据所述坐标极值获得电池极片区域坐标；
所述根据所述坐标极值获得电池极片区域坐标还包括以下步骤：获得所述二值化图像的图像尺寸数据，包括第一图像高度和第一图像宽度；
根据所述坐标极值获得所述第一轮廓点集的图像尺寸数据，包括第二图像高度和第二图像宽度；
判断所述第一图像高度和所述第二图像高度的大小，若所述第一图像高度大于所述第二图像高度，则通过直方统计对所述第一轮廓点集进行处理，获得第二纵坐标最大值和第二纵坐标最小值，并更新所述坐标极值；
判断所述第一图像宽度和所述第二图像宽度的大小，若所述第一图像宽度大于所述第二图像宽度，则通过直方统计对所述第一轮廓点集进行处理，获得第二横坐标最大值和第二横坐标最小值，并更新所述坐标极值；
根据更新后的所述坐标极值获得电池极片区域坐标。
8.极片区域检测装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-5中任意一个所述极片区域检测方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5中任意一个所述极片区域检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210981487.0A CN115063421B (zh) | 2022-08-16 | 2022-08-16 | 极片区域检测方法及***及装置及介质及缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210981487.0A CN115063421B (zh) | 2022-08-16 | 2022-08-16 | 极片区域检测方法及***及装置及介质及缺陷检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115063421A CN115063421A (zh) | 2022-09-16 |
| CN115063421B true CN115063421B (zh) | 2022-10-28 |
Family
ID=83207646
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210981487.0A Active CN115063421B (zh) | 2022-08-16 | 2022-08-16 | 极片区域检测方法及***及装置及介质及缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115063421B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115829922B (zh) * | 2022-09-23 | 2024-06-04 | 正泰新能科技股份有限公司 | 一种检测电池片的间距的方法、装置、设备及介质 |
| CN115797254B (zh) * | 2022-09-29 | 2023-11-10 | 宁德时代新能源科技股份有限公司 | 极片缺陷检测方法、装置、计算机设备和存储介质 |
| WO2024087179A1 (zh) * | 2022-10-28 | 2024-05-02 | 宁德时代新能源科技股份有限公司 | 极片检测方法、极片检测装置以及终端 |
| CN115797314B (zh) * | 2022-12-16 | 2024-04-12 | 哈尔滨耐是智能科技有限公司 | 零件表面缺陷检测方法、***、设备及存储介质 |
| 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 |
| CN117173156B (zh) * | 2023-10-23 | 2024-02-20 | 杭州百子尖科技股份有限公司 | 基于机器视觉的极片毛刺检测方法、装置、设备及介质 |
| CN117635615B (zh) * | 2024-01-26 | 2024-06-25 | 深圳市常丰激光刀模有限公司 | 基于深度学习实现冲孔模具的缺陷检测方法及*** |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103793712A (zh) * | 2014-02-19 | 2014-05-14 | 华中科技大学 | 一种基于边缘几何特征的图像识别方法及*** |
| CN107341473A (zh) * | 2017-07-04 | 2017-11-10 | 深圳市利众信息科技有限公司 | 手掌特征识别方法、手掌特征识别设备、及存储介质 |
| CN107895376A (zh) * | 2017-12-11 | 2018-04-10 | 福州大学 | 基于改进Canny算子和轮廓面积阈值的太阳能电池板识别方法 |
| CN109949261A (zh) * | 2017-12-15 | 2019-06-28 | 中科晶源微电子技术（北京）有限公司 | 处理图形的方法、图形处理装置和电子设备 |
| CN110020985A (zh) * | 2019-04-12 | 2019-07-16 | 广西师范大学 | 一种双目机器人的视频拼接***及方法 |
| CN110264445A (zh) * | 2019-05-30 | 2019-09-20 | 西安交通大学 | 分块模板匹配结合形态学处理的电池丝印质量检测方法 |
| CN110653525A (zh) * | 2019-08-23 | 2020-01-07 | 江苏理工学院 | 电池极片焊前定位检测***和方法 |
| CN111398287A (zh) * | 2019-11-29 | 2020-07-10 | 合肥国轩高科动力能源有限公司 | 一种电池极片划痕检测***及检测方法 |
| CN114519743A (zh) * | 2022-02-25 | 2022-05-20 | 成都数联云算科技有限公司 | 一种面板缺陷区域提取方法、装置、设备及存储介质 |
| CN114764804A (zh) * | 2022-06-16 | 2022-07-19 | 深圳新视智科技术有限公司 | 锂电池极片缺陷检测方法、装置、设备及存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110288511B (zh) * | 2019-05-10 | 2023-04-07 | 台州宏达电力建设有限公司台州经济开发区运检分公司 | 基于双相机图像的最小化误差拼接方法、装置、电子设备 |
| CN114862817A (zh) * | 2022-05-24 | 2022-08-05 | 成都数之联科技股份有限公司 | 一种电路板金手指区域缺陷检测方法及***及装置及介质 |
-
2022
- 2022-08-16 CN CN202210981487.0A patent/CN115063421B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103793712A (zh) * | 2014-02-19 | 2014-05-14 | 华中科技大学 | 一种基于边缘几何特征的图像识别方法及*** |
| CN107341473A (zh) * | 2017-07-04 | 2017-11-10 | 深圳市利众信息科技有限公司 | 手掌特征识别方法、手掌特征识别设备、及存储介质 |
| CN107895376A (zh) * | 2017-12-11 | 2018-04-10 | 福州大学 | 基于改进Canny算子和轮廓面积阈值的太阳能电池板识别方法 |
| CN109949261A (zh) * | 2017-12-15 | 2019-06-28 | 中科晶源微电子技术（北京）有限公司 | 处理图形的方法、图形处理装置和电子设备 |
| CN110020985A (zh) * | 2019-04-12 | 2019-07-16 | 广西师范大学 | 一种双目机器人的视频拼接***及方法 |
| CN110264445A (zh) * | 2019-05-30 | 2019-09-20 | 西安交通大学 | 分块模板匹配结合形态学处理的电池丝印质量检测方法 |
| CN110653525A (zh) * | 2019-08-23 | 2020-01-07 | 江苏理工学院 | 电池极片焊前定位检测***和方法 |
| CN111398287A (zh) * | 2019-11-29 | 2020-07-10 | 合肥国轩高科动力能源有限公司 | 一种电池极片划痕检测***及检测方法 |
| CN114519743A (zh) * | 2022-02-25 | 2022-05-20 | 成都数联云算科技有限公司 | 一种面板缺陷区域提取方法、装置、设备及存储介质 |
| CN114764804A (zh) * | 2022-06-16 | 2022-07-19 | 深圳新视智科技术有限公司 | 锂电池极片缺陷检测方法、装置、设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| Research on Defect Recognition of Lithium Battery Pole Piece Based on Deep Learning;Li Jiwei等;《2021 7th International Conference on Energy Materials and Environment Engineering (ICEMEE 2021)》;20210521;第261卷;1-5 * |
| 融合梯度信息和邻域点云分布的3D线特征提取与配准;缪永伟等;《中国科学：信息科学》;20211221;第51卷(第12期);第2069-2088页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115063421A (zh) | 2022-09-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115063421B (zh) | 极片区域检测方法及***及装置及介质及缺陷检测方法 | |
| CN111612781B (zh) | 一种屏幕缺陷检测方法、装置及头戴显示设备 | |
| CN110992329B (zh) | 一种产品表面缺陷检测方法、电子设备及可读存储介质 | |
| CN109961049B (zh) | 一种复杂场景下香烟品牌识别方法 | |
| CN108171104B (zh) | 一种文字检测方法及装置 | |
| WO2021109697A1 (zh) | 字符分割方法、装置以及计算机可读存储介质 | |
| CN111738342B (zh) | 一种受电弓异物检测方法、存储介质及计算机设备 | |
| CN107045634B (zh) | 一种基于最大稳定极值区域与笔画宽度的文本定位方法 | |
| CN111027546B (zh) | 一种字符分割方法、装置以及计算机可读存储介质 | |
| CN115063430B (zh) | 基于图像处理的电气管道裂纹检测方法 | |
| CN116542982B (zh) | 一种基于机器视觉的出发判断器缺陷检测方法及装置 | |
| CN115619775B (zh) | 基于图像识别的物料计数方法及装置 | |
| CN114495098B (zh) | 一种基于显微镜图像的盘星藻类细胞统计方法及*** | |
| CN111047556A (zh) | 一种带钢表面缺陷检测方法及装置 | |
| CN117152165B (zh) | 感光芯片缺陷的检测方法、装置、存储介质及电子设备 | |
| CN114926387A (zh) | 基于背景估计与边缘梯度抑制的焊缝缺陷检测方法及装置 | |
| CN112365450A (zh) | 基于图像识别的物品分类计数的方法、装置和存储介质 | |
| CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
| CN108205678B (zh) | 一种含有亮斑干扰的铭牌文字识别处理方法 | |
| CN112184619A (zh) | 一种基于深度学习的金属部件表面缺陷检测方法 | |
| CN114627113B (zh) | 一种印制电路板缺陷检测方法及***及装置及介质 | |
| CN116363097A (zh) | 一种光伏板的缺陷检测方法及*** | |
| CN114067122B (zh) | 一种两级式二值化图像处理方法 | |
| CN113538500B (zh) | 图像分割方法、装置、电子设备和存储介质 | |
| CN115578340A (zh) | 一种oled显示屏玻璃背板破损检测的方法及*** |
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 |