基于漫水填充與環(huán)形校正結(jié)合的極耳缺陷檢測

毛 曉，李林升，王慶秋，桂久琪

(上海電機(jī)學(xué)院電氣學(xué)院，上海 201306)

鋰離子電池具有自放電低、能量密度高、無記憶效應(yīng)、綠色環(huán)保和循環(huán)使用壽命長等優(yōu)點(diǎn)[1]。但鋰電池極耳在生產(chǎn)加工過程中很容易受到極耳切割機(jī)的影響，出現(xiàn)極耳缺失、極耳褶皺、極耳接帶等多種缺陷。目前，許多鋰電池生產(chǎn)廠存在檢測效率低、人工勞動(dòng)強(qiáng)度大、對(duì)一些細(xì)小的缺陷容易出現(xiàn)漏檢等情況[2]。

機(jī)器視覺檢測是一種無觸式、無損傷檢測的自動(dòng)檢測技術(shù)[3]。國內(nèi)外一些專家學(xué)者提出了許多基于機(jī)器視覺的鋰電池極片缺陷檢測方法。胡玥紅[1]提出使用Sobel 邊緣檢測算法結(jié)合圖像二值化檢測極片缺陷，并運(yùn)用Tucker 機(jī)進(jìn)行極網(wǎng)氣泡缺陷分類。李俊男[2]提出基于形態(tài)學(xué)重建與OTSU 算法分割極耳焊縫缺陷，并采用決策樹進(jìn)行極耳焊縫缺陷分類。陳功等[4]提出采用最大熵閾值算法分割鋰電池極片缺陷，并利用GMM 算法實(shí)現(xiàn)缺陷目標(biāo)的識(shí)別分類。MA L Y 等[5]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的檢測方法，檢測鋰電池極片上的水泡缺陷。但目前對(duì)極耳切割機(jī)切割后的鋰電池極耳缺陷檢測研究較少，沒有發(fā)現(xiàn)關(guān)于檢測極耳缺陷關(guān)鍵參數(shù)以及對(duì)極耳缺陷進(jìn)行定位的相關(guān)文獻(xiàn)。

本文提出環(huán)形校正方法并引入機(jī)器視覺檢測，結(jié)合漫水填充算法與圖像梯度計(jì)算進(jìn)行鋰電池極耳缺陷檢測和關(guān)鍵參數(shù)計(jì)算。

1 鋰電池極耳缺陷種類

鋰電池極耳正常圖像包括涂布和極耳兩個(gè)部分，如圖1(a)所示；鋰電池極耳缺陷檢測種類主要有極耳缺失、極耳褶皺和極耳接帶，分別如圖1(b)、(c)、(d)所示。

圖1 鋰電池極耳檢測的種類

2 鋰電池極耳缺陷檢測流程

鋰電池極耳圖像采集系統(tǒng)如圖2 所示，包括計(jì)算機(jī)、DALSA 線陣相機(jī)、OSE 線陣光源和檢測輥，DALSA 線陣相機(jī)獲取極耳圖像，并傳輸至計(jì)算機(jī)的檢測算法中，最后輸出檢測結(jié)果。鋰電池極耳缺陷檢測算法的開發(fā)平臺(tái)為Microsoft Visual Studio Community 2019，版本16.8.1，開發(fā)語言為C++，PC 主機(jī)為AMD Ryzen 5 3500U with Radeon Vega Mobile Gfx 2.10 GHz，內(nèi)存8 GB，操作系統(tǒng)為Window 10。

圖2 鋰電池極耳圖像采集系統(tǒng)示意圖

鋰電池極耳缺陷檢測算法流程如圖3 所示，包括圖像預(yù)處理、極耳分割、圖像形態(tài)學(xué)處理、極耳邊緣檢測、極耳關(guān)鍵參數(shù)計(jì)算、環(huán)形校正法修正極耳參數(shù)。

圖3 鋰電池極耳檢測算法流程

2.1 圖像預(yù)處理

鋰電池極耳圖像背景區(qū)域?qū)罄m(xù)極耳缺陷分割產(chǎn)生干擾，因此需要對(duì)背景區(qū)域進(jìn)行抑制。極耳褶皺時(shí)可能會(huì)有像素值很低的暗影存在，因此需要對(duì)缺陷區(qū)域進(jìn)行增強(qiáng)。本文利用分段線性變換并結(jié)合三維立體圖像確定像素節(jié)點(diǎn)的方法，實(shí)現(xiàn)圖像的涂布區(qū)域不變、缺陷區(qū)域增強(qiáng)、背景區(qū)域抑制[6]，以提升檢測算法的魯棒性和準(zhǔn)確率。分段線性變換的公式[7]如下：

式中：f(x,y)為原始圖像的像素值；g(x,y)為分段線性變換后的圖像像素值；a、b為原始圖像的像素節(jié)點(diǎn)；c、d為分段線性變換后圖像的像素節(jié)點(diǎn)。

原始圖像的像素節(jié)點(diǎn)a、b，通過鋰電池極耳的三維立體與正面確定，如圖4(a)、(b)所示，圖(a)中的豎軸坐標(biāo)以及圖(b)中的縱軸坐標(biāo)表示圖像的像素值。背景區(qū)域像素值一般都很低，因此像素節(jié)點(diǎn)a設(shè)置為50 可以實(shí)現(xiàn)背景區(qū)域抑制。缺陷區(qū)域可能會(huì)有暗影存在，因此像素節(jié)點(diǎn)b設(shè)置為150 可以達(dá)到缺陷區(qū)域增強(qiáng)的目的。分段線性變換后圖像的像素節(jié)點(diǎn)c設(shè)置為50，像素節(jié)點(diǎn)d設(shè)置為150，以實(shí)現(xiàn)涂布區(qū)域保持不變。

圖4 鋰電池極耳分段線性變換

相對(duì)于采用閾值二值化[8]并結(jié)合直方圖確定閾值的傳統(tǒng)方法凸顯缺陷特征，本文設(shè)置像素節(jié)點(diǎn)值的方法簡單和高效。鋰電池極耳接帶輸入圖像經(jīng)式(1)分段線性變換后，結(jié)果如圖4(c)所示，對(duì)比鋰電池極耳接帶[圖1(d)]，可知缺陷區(qū)域明顯增強(qiáng)。

2.2 極耳分割

漫水填充算法[9-10]主要適用于圖像內(nèi)填充區(qū)域像素灰度值相近而其與非填充區(qū)像素灰度值相差較大的區(qū)域。因?yàn)闃O耳缺陷區(qū)域與涂布區(qū)域存在很明顯的分界線，所以采用漫水填充算法進(jìn)行分割。漫水填充法涉及到三個(gè)參數(shù)：初始種子點(diǎn)、目標(biāo)顏色判定規(guī)則和替換顏色[11]?？紤]到鋰電池極耳缺陷檢測圖像的外形和規(guī)格通常是制式化的，因此本算法的種子點(diǎn)選在圖像的中心位置，目標(biāo)顏色判定規(guī)則的公式如式(2)所示，替換顏色為背景顏色。

式中：(r,g,b)為種子點(diǎn)的顏色；(R,G,B)為當(dāng)前點(diǎn)的顏色；Threshold 為設(shè)定的閾值，算法中設(shè)置為10。

漫水填充處理后的效果如圖5 所示，漫水填充可以快速將極耳與涂布進(jìn)行分割，涂布則變成背景，使極耳可以凸顯出來。為說明漫水填充算法的圖像分割效果，本文采用OTSU 算法[12-13]和區(qū)域生長算法[14]進(jìn)行對(duì)比，結(jié)果如圖6、圖7所示。圖6(b)中極耳缺失時(shí)，涂布區(qū)域被分割，不符合檢測目的。圖7(d)中極耳接帶時(shí)，缺陷區(qū)域右側(cè)邊緣受區(qū)域生長停止條件影響，其邊緣細(xì)節(jié)特征保留不完整。

圖5 漫水填充算法

圖6 OTSU算法

圖7 區(qū)域生長算法

2.3 形態(tài)學(xué)處理

經(jīng)漫水填充算法處理后的圖像，由于涂布區(qū)域一些像素值高的點(diǎn)沒有被填充掉，會(huì)出現(xiàn)許多雪花噪聲干擾。本文選擇形態(tài)學(xué)處理中的開算子[15]去除雪花干擾。形態(tài)學(xué)處理的極耳接帶對(duì)比如圖8 所示。為便于觀察對(duì)雪花干擾的處理效果，對(duì)漫水填充算法處理后的雪花噪聲進(jìn)行增強(qiáng)，如圖8(a)所示。形態(tài)學(xué)開算子處理后的效果如圖8(b)所示，可以看出雪花噪聲干擾被去除。

圖8 形態(tài)學(xué)處理的極耳接帶對(duì)比

2.4 極耳邊緣檢測

Canny 算子具有很強(qiáng)的抗噪能力，并且定位精確[16]。本文采用3×3 鄰域計(jì)算梯度幅值，Canny 邊緣檢測的梯度幅值M(i,j)與梯度方向θ(i,j)計(jì)算公式[17]為：

式中：fx(i,j)為水平方向的差分；fy(i,j)為垂直方向的差分。

Canny 邊緣檢測如圖9 所示，對(duì)比形態(tài)學(xué)處理后的極耳圖片，Canny 算子可以準(zhǔn)確檢測其邊緣。

圖9 Canny邊緣檢測

2.5 極耳關(guān)鍵參數(shù)計(jì)算

鋰電池極耳輪廓的關(guān)鍵參數(shù)包括極耳缺陷區(qū)域面積S和周長C、極耳缺陷區(qū)域最大的寬度W和最大的高度H、極耳缺陷區(qū)域最小橫軸值與最小縱軸值組合TL、極耳缺陷區(qū)域最大橫軸值與最大縱軸值組合BR，參數(shù)TL與BR實(shí)現(xiàn)極耳缺陷區(qū)域定位。

鋰電池極耳缺陷多為形狀不規(guī)則的多邊形，計(jì)算出絕對(duì)面積和周長很難，因此計(jì)算出相對(duì)面積和相對(duì)周長即可[18]。基于圖像梯度計(jì)算極耳缺陷輪廓面積與周長，其實(shí)質(zhì)是對(duì)像素的累加，數(shù)學(xué)表達(dá)式[15]如式(4)、式(5)所示，計(jì)算單位是像素。

式中：S為缺陷的面積；A為缺陷區(qū)域；C為缺陷的周長；P為缺陷邊緣。

為了便于觀察極耳缺陷檢測的效果，采用多邊擬合的方式在原圖上繪制缺陷輪廓，同時(shí)繪制缺陷輪廓的外接矩形實(shí)現(xiàn)缺陷輪廓的定位。極耳缺陷檢測效果如圖10 所示，以極耳缺陷圖像的左上角為坐標(biāo)原點(diǎn)，沿圖像上邊緣和左邊緣分別繪制X軸與Y軸。由圖10 可知，極耳缺陷區(qū)域被整體檢測出來，由于算法中有形態(tài)學(xué)處理和Canny 邊緣檢測影響S和C大小，外接矩形的線寬影響極耳缺陷區(qū)域的TL、BR、W、H等相關(guān)參數(shù)，檢測精度未能達(dá)到實(shí)際應(yīng)用要求，需要進(jìn)一步修正相關(guān)參數(shù)。

圖10 極耳接帶檢測效果圖

2.6 環(huán)形校正法修正極耳參數(shù)

針對(duì)算法處理過程中形態(tài)學(xué)處理、Canny 邊緣檢測和外接矩形等影響極耳關(guān)鍵參數(shù)的大小，本文提出了一種環(huán)形校正的方法提高極耳缺陷的檢測精度。

極耳缺陷區(qū)域參數(shù)S和C修正原理如圖11(a)所示，極耳缺陷區(qū)域檢測邊緣與實(shí)際的邊緣是平行關(guān)系，其間隔的環(huán)形寬度α是固定值，因此極耳缺陷區(qū)域的實(shí)際周長C'可以通過檢測周長C與固定值δ 的差值得到修正。極耳缺陷區(qū)域?qū)嶋H面積S'則可以通過極耳缺陷區(qū)域檢測面積S減去環(huán)形寬度α 與極耳缺陷區(qū)域檢測周長C的乘積并加上隨機(jī)參數(shù)β得到修正。

極耳缺陷區(qū)域參數(shù)TL、BR、W和H修正原理如圖11(b)所示，極耳缺陷區(qū)域?qū)嶋H邊緣與外接矩形邊緣是平行關(guān)系，因此寬度參數(shù)ε 為外接矩形線寬和環(huán)形寬度之和，極耳缺陷區(qū)域參數(shù)TL、BR、W和H均可通過參數(shù)ε得到修正。

圖11 環(huán)形校正方法基本原理

綜上所述，可得出鋰電池極耳缺陷區(qū)域參數(shù)修正公式：

式中：S'、C'、W'、H'、(TLx',TLy')、(BRx',BRy')為修正后極耳缺陷區(qū)域的相關(guān)參數(shù)；α 為環(huán)形寬度；β 為隨機(jī)參數(shù)；δ 為固定值；ε為外接矩形線寬與環(huán)形寬度之和。

由于極耳缺陷的面積與周長無法確定，所以調(diào)用矩形函數(shù)繪制標(biāo)準(zhǔn)圖像模擬極耳缺陷，其相關(guān)參數(shù)如表1 所示。無環(huán)形校正的算法檢測標(biāo)準(zhǔn)圖像，輸出標(biāo)準(zhǔn)圖像檢測結(jié)果如表2 所示。對(duì)比表1 與表2 可以設(shè)置環(huán)形校正公式(6)中的參數(shù)，本文算法設(shè)置α=1、β=4.57、δ=5.071 和ε=1.5。參數(shù)TL和BR必須為整數(shù)，因此TL的橫縱坐標(biāo)實(shí)際加2 實(shí)現(xiàn)修正，BR的橫縱坐標(biāo)實(shí)際減1 實(shí)現(xiàn)修正。有環(huán)形校正的算法檢測標(biāo)準(zhǔn)圖像，輸出標(biāo)準(zhǔn)圖像檢測結(jié)果如表3 所示。對(duì)比表3 和表1 可知經(jīng)環(huán)形校正后檢測標(biāo)準(zhǔn)圖像的結(jié)果與實(shí)際標(biāo)準(zhǔn)圖像差異非常小，但在實(shí)際應(yīng)用過程中極耳缺陷的邊緣是不規(guī)則的，會(huì)影響隨機(jī)參數(shù)β 值大小，因此本文的環(huán)形校正方法只能相對(duì)提高極耳缺陷檢測精度。

表1 繪制標(biāo)準(zhǔn)圖像相關(guān)參數(shù)

表2 無環(huán)形校正的算法檢測標(biāo)準(zhǔn)圖像相關(guān)參數(shù)

表3 有環(huán)形校正的算法檢測標(biāo)準(zhǔn)圖像相關(guān)參數(shù)

鋰電池極耳接帶經(jīng)過含有環(huán)形校正算法的檢測結(jié)果如圖12 所示，對(duì)比圖10 可知其鋰電池極耳缺陷區(qū)域的關(guān)鍵參數(shù)均得到修正，相對(duì)提高了鋰電池極耳缺陷區(qū)域的檢測精度。

圖12 有環(huán)形校正的極耳接帶檢測

3 實(shí)驗(yàn)結(jié)果與分析

以2 000 個(gè)實(shí)驗(yàn)樣本測試本文算法的準(zhǔn)確性。因?yàn)楸疚臉O耳分割部分用區(qū)域生長算法與漫水填充算法均可以實(shí)現(xiàn)極耳分割，所以在本文算法基礎(chǔ)上保持其他步驟不變，對(duì)比兩種算法檢測極耳缺陷的準(zhǔn)確率。

兩種算法的極耳檢測實(shí)驗(yàn)結(jié)果對(duì)比如表4 所示，可以看出：(1)區(qū)域生長算法的極耳檢測準(zhǔn)確率平均值為75.60%，遠(yuǎn)低于本文漫水填充算法的極耳檢測準(zhǔn)確率平均值99.45%；(2)本文算法適用于多種極耳缺陷檢測。

表4 兩種算法的極耳檢測實(shí)驗(yàn)結(jié)果對(duì)比

本文算法檢測多種極耳缺陷的效果如圖13 所示，(a)、(b)為極耳缺失檢測結(jié)果，檢測極耳缺陷數(shù)目為0，表示極耳缺失；(c)、(d)為極耳褶皺檢測結(jié)果，可以看出暗影不影響極耳缺陷的多邊擬合；(e)、(f)為極耳接帶檢測結(jié)果，定位參數(shù)TL沒有出現(xiàn)負(fù)值，說明引入環(huán)形校正方法后，檢測缺陷的精度得到了提高。

圖13 本文算法檢測多種極耳缺陷效果展示

4 總結(jié)

為了實(shí)現(xiàn)鋰電池極耳缺陷的自動(dòng)化檢測，本文設(shè)計(jì)了一種基于漫水填充與環(huán)形校正結(jié)合的鋰電池極耳缺陷檢測算法。通過對(duì)標(biāo)準(zhǔn)圖像的檢測實(shí)驗(yàn)證明，環(huán)形校正方法相對(duì)提高了鋰電池極耳缺陷關(guān)鍵參數(shù)的檢測精度。通過對(duì)2 000 個(gè)樣本的檢測實(shí)驗(yàn)證明，本文算法適用于多種極耳缺陷檢測，且能獲得較高的準(zhǔn)確率。