锂电池薄膜缺陷图像特征提取技术研究
圆柱形锂电池圆周面缺陷在线检测方法研究
圆柱形锂电池圆周面缺陷在线检测方法研究圆柱形锂电池是锂电池的一种,其工艺成熟、自动化程度高、产品品质稳定、成本相对较低,因此市场占有率非常高、应用范围比较广泛。
而在生产过程中,电池表面不可避免地会出现各种缺陷,影响产品的质量以及电池组的装配。
目前电池的表面缺陷主要依靠人工检测,而人工检测效率低、漏检率高,难以满足自动化生产的需求。
因此根据合作企业的要求,本文设计了锂电池圆周面缺陷检测系统,实现了条形码、二维码的定位以及凹坑缺陷的检测。
本文介绍了圆周面缺陷种类,并对缺陷的形成原因进行分析,同时分析系统的检测重点和难点,并对检测系统的总体设计方案进行介绍。
根据检测设备的要求设计硬件成像系统,根据具体检测需求选择合适的相机、镜头和光源,通过实验确定了成像设备参数,根据浅凹坑成像实验效果对光源空间位置进行设计,根据二维码的识别结果确定相机的最佳拍照次数,根据拍照方案对触发装置和相机外触发电路进行设计。
根据现场需求,本文设计了锂电池表面缺陷检测系统的人机交互界面:通过多线程架构实现了图像采集模块、算法检测模块的设计,通过Socket网络通信实现了缺陷检测系统与运动控制系统的数据交互,完成了多工位的结果汇总及发送。
图像预处理部分介绍了灰度图像的获取方法、锂电池的定位以及字符的提取方法。
通过自定义结构元的形态学方法实现了条形码和二维码定位。
提出了基于密度检测的凹坑缺陷检测方法、基于高斯梯度卷积和灰度特征的凹坑检测方法。
通过对比和分析以上两种方法的检测效果,实现凹坑缺陷的检测。
本文设计的系统已经在工业现场调试过,单个电池的检测时间在300ms以内,基本能够满足现场的需求。
条形码和二维码的检出率分别为98.08%和97.97%,漏检原因主要为条形码和二维码不同程度的磨损和破损。
凹坑缺陷的漏检率为10.47%,漏检原因主要有两点:一是,凹坑非常浅导致的特征不明显;二是,凹坑位于底部边缘导致特征信息缺失。
凹坑误检率为11.04%,误检原因主要是图像灰度分布不均匀或者区域边缘鼓包。
机器视觉在锂电池极片瑕疵检测中的应用
机器视觉在锂电池极片瑕疵检测中的应用摘要：电池极片表面存在瑕疵导致电流阻力增大，导致电池温度急剧升高，进而发生起火、爆炸。
锂电池极片作为锂电池的关键组成部分，直接决定其电化学性能及安全性。
目前，由于锂电池极片生产过程中可形成缺陷的环节较多，导致缺陷表现形式多样，亟待研究一种针对低对比微小缺陷的高效、精确的检测方法。
本文提出的缺陷检测方案主要由硬件平台和软件算法两大部分组成。
其中硬件平台部分主要是对由图像采集系统、电极片传送系统和控制系统三部分组成的硬件平台的设计与搭建以及图像采集系统中相应设备的选型。
而软件算法部分主要由图像预处理、缺陷检测和缺陷分类三部分组成。
关键词：图像采集；预处理；缺陷检测0 引言随着锂电池相关技术的发展和多类高性能锂电池产品的深入应用，锂电池也逐渐暴露出一些安全隐患，如电池发热起火、电池爆炸等问题将对公众的生命安全造成直接威胁。
因此，锂电池生产企业在追求锂电池产品极致性能的同时，也对其安全性能提出了更高的要求。
机器视觉技术是一种通过光学仪器获取目标图像，并利用图像处理技术从图像上获取关键信息，从而实现目标检测或设备操控的技术，其具有检测准确、效率高、无损伤、低成本等优势，因此，机器视觉技术为锂电池极片表面缺陷的快速、准确检测提供了新的途径。
通过采用机器视觉技术，设计锂电池极片表面缺陷检测与识别系统，能够克服人工方式的缺点，实现锂电池极片表面多类缺陷的自动化检测，进而提高锂电池企业极片生产的质量和效率。
1 基于机器视觉的锂电池极片缺陷检测算法1.1 基于ROI区域背景标准化算法为了更清晰地展现缺陷检测效果，同时也为了避免除缺陷外区域（极耳区域）对检测精度造成影响，采用ROI对缺陷所在的涂布区域进行提取。
（1）将ROI 区域均分成10个子矩形，其效果图如图1所示。
图1 ROI 区域子矩形化图像（2）计算每个子矩形在垂直方向上的灰度值投影，并分别保存在对应的子矩形灰度投影数组Ai中。
基于拓扑滤波与改进Canny算子的锂离子电池电极缺陷检测
摘要电极作为锂离子电池的重要组成部分，其质量直接关系到电池的电化学性能、安全性能及使用寿命。
锂离子电池电极的生产环境复杂且缺陷形态多变，针对电极图像拍摄过程中易出现的亮度不均以及缺陷对比度低等问题，提出一种基于拓扑滤波与改进Canny算子的电极缺陷检测算法。
首先采用基于拓扑学原理的滤波模板抑制图像背景噪声，针对图像整体灰度值过高的问题，应用灰度变换矫正图像灰度分布，增强图像对比度；其次考虑到背景细小纹理较多且边缘信息较弱，提出一种改进Canny算子，采用双边滤波降低图像噪声的同时有效避免边缘模糊，多尺度增强算法改善光照不均增强图像细节；应用四方向的Sobel算子计算梯度幅值和方向以获取更多的边缘信息，提升边缘定位的精确度；基于最大熵算法自适应确定高低阈值，避免边缘点判定的局限性，提高边缘连接的效果。
实验研究结果证明相对于其他算法，该算法可以较好地保护边缘细节，精确完整地提取出缺陷轮廓，表现出更优越的准确率和抗噪性，具有一定的实用价值。
关键词外观视觉检测；锂离子电池；拓扑滤波；改进Canny算子在需要大容量储能设备的应用环境中锂离子电池展现出了巨大的价值，其被广泛应用在新能源汽车、电子通信、航空航天等领域。
如何保证锂离子电池的安全性已经成为了工业界与学术界较为关注的课题。
电极作为锂离子电池的关键组成部分，直接影响锂离子电池的性能、使用寿命和安全性。
因此，锂离子电池电极缺陷检测是保障产品可靠性的关键。
电极的生产环境复杂，缺陷形态多变且对比度微小，亟待准确、高效、高速的电极外观缺陷检测算法。
随着视觉检测技术的发展，越来越多的学者将研究方向聚焦在缺陷检测方面。
Li等提出了一种基于机器视觉的电池表面缺陷检测算法，基于传统Canny算子对划痕缺陷进行检测，但该算法未对其他类型的缺陷检测进行研究；将传统Canny算子与特征融合及支持向量机算法结合起来，可有效检测锂离子电池电极表面的多种缺陷，但该算法需人为选取Canny算子的高低阈值，缺陷检测的鲁棒性较差；对传统Canny算子进行了改进，增加了45°和135°的梯度模板并通过迭代的方式来确定最佳的高低阈值，但该算法难以满足低对比度且背景细小、纹理较多的电极缺陷检测需求。
基于深度学习的锂电池表面字符识别和缺陷检测
基于深度学习的锂电池表面字符识别和缺陷检测
刘明尧;索广飞
【期刊名称】《自动化与仪表》
【年(卷),期】2024(39)6
【摘要】该文针对在锂电池的生产过程中,软包锂电池表面喷码字符识别和缺陷检测,由于人工检测耗时长、成本高等缺点,提出了基于CnOCR的字符识别方法和基于改进YOLOv8模型的字符缺陷检测方法。
该方法首先利用CnStd算法对字符区域进行了定位,利用YOLOv8模型对字符进行训练,检测出有缺陷的字符。
根据字符区域特点进行图像增强、二值化和字符分割等处理,采用CnOCR模型进行字符的识别。
深度学习方法提高了字符识别和缺陷检测的准确率,并且保证了整个检测系统的识别和检测速度。
实验结果表明,字符识别率在96%以上,字符缺陷检测率在94%以上,符合锂电池自动化生产线的生产需要。
【总页数】6页(P91-95)
【作者】刘明尧;索广飞
【作者单位】武汉理工大学机电工程学院
【正文语种】中文
【中图分类】TP274
【相关文献】
1.基于Halcon的锂电池标签表面缺陷检测
2.基于深度学习的两阶段目标检测方法及其在表面缺陷检测中的应用
3.基于LO-RANSAC的锂电池极片表面痕类缺陷检
测4.基于改进Unet网络的锂电池极片表面缺陷检测5.基于“机器视觉+深度学习”目标检测的皮革表面缺陷检测系统研究
因版权原因，仅展示原文概要，查看原文内容请购买。
基于ROI区域背景标准化算法的设计与实现
基于ROI区域背景标准化算法的设计与实现摘要：随着新能源行业的迅猛发展，对锂电池的需求大幅度增加。
锂电池电极片作为锂电池的核心部件，表面若存在缺陷，会引发如火灾、爆炸等安全事故，故在锂电池实际工业生产过程中对电极片表面进行缺陷检测是十分重要的。
本文采用图像预处理首先对采集的电极片表面原始图像进行特征区域提取，进行预处理，提出了一种背景标准化算法来抑制提取出的特征区域图像中背景区域像素点灰度值的波动，消除图像中垂直方向上的明暗条纹。
关键词机器视觉、极片瑕疵检测、图像预处理1 引言当前，动力电池厂商加速产能扩张，巨额锂电设备重大招标和采购订单接连落地，锂电设备企业订单激增，业绩同比大幅增长。
根据《新能源汽车产业发展规划》（2021-2035）规定，到2025年新能源汽车新车销售量要达到汽车新车销售总量的20%左右。
高工产研电动车研究所（GGII）预计称，仅在 2021 上半年，国内动力电池新增规划产能达745 GWh，投资总额超 2587 亿元，相应的锂电设备投资金额达1490亿元。
目前，检测锂电池壳表面质量的方法主要为人工目测法，不仅检测效率低，劳动强度大，而且易受检测人员主观因素的影响造成误检和漏检。
如果在检测中操作不慎，还会对锂电池壳表面造成二次损伤。
而接触式测量，如三坐标测量机，每次只能获取表面一个点的坐标，测量费时费力，而且测头容易对一些精密表面造成损伤。
显微镜检测的靶面则太小，每次只能获取小范围内的表面质量图像，很难实现大面积表面质量的快速检测。
为了满足实际生产实时在线精确检测的需求，本文采用机器视觉检测，不仅可以排除人的主观因素的干扰，而且还能够对这些指标进行定量描述，避免因人而异的检测结果，减小检测分级误差，提高生产率和分级精度。
机器视觉就是用机器来代替人眼做测量和判断的系统，它通过光学装置和非接触传感器自动获取目标对象的图像，并由图像处理设备根据所得图像的像素分布、亮度和颜色等信息进行各种运算处理和判别分析，以提取所需的特征信息或根据判别分析结果对某些现场设备进行运动控制。
基于图像处理的表面缺陷检测关键技术研究
背景知识
图像处理是一种利用计算机技术对图像进行分析、处理和解释的方法。它包 括了图像采集、图像预处理、特征提取和模式识别等多个环节。表面缺陷检测是 图像处理的一个重要应用领域，它涉及对产品表面缺陷的自动识别和分类。常见 的表面缺陷包括划痕、凹坑、斑点等，这些缺陷可能影响产品的外观和性能。
关键技术
实验结果
1、表面缺陷检测效果评估
实验结果显示，基于图像处理的表面缺陷检测方法在准确率、查全率和查准 率方面均取得了较好的效果。在测试数据集上，准确率达到了90%，查全率达到 了85%，查准率达到了92%。这表明该方法能够有效地检测出产品表面的缺陷。
2、关键技术性能评估
实验结果还显示，图像处理技术和特征提取方法对表面缺陷检测的效果有重 要影响。其中，二值化处理和边缘检测方法对凹坑和划痕的检测效果较好；色彩 分析和纹理分析方法对斑点和涂层缺陷的检测效果较好。此外，神经网络分类器 在缺陷分类方面表现出了较好的性能。
实验分析
通过实验结果的分析，我们发现基于图像处理的表面缺陷检测方法在工业应 用中具有以下优势：
1、自动化程度高：该方法可以自动对产品表面进行扫描和检测，减少了人 工检测的劳动强度和难度。
2、检测准确度高：该方法采用了先进的图像处理和特征提取技术，能够准 确地识别出表面缺陷的类型和位置。
3、可扩展性强：该方法可以通过不断学习和训练，提高检测准确性和效率。
基于图像处理的表面缺陷检测关键 技术研究
01 引言
03 关键技术
目录
02 背景知识 04 实验方法
05 实验结果
07 结论
目录
06 实验分析
引言
表面缺陷检测在工业生产中具有重要意义，它可以帮助企业及时发现产品质 量问题，提高生产效率。随着图像处理技术的不断发展，基于图像处理的表面缺 陷检测方法逐渐成为研究热点。本次演示旨在探讨基于图像处理的表面缺陷检测 关键技术，为实际工业应用提供理论支持。
基于Halcon的锂电池标签表面缺陷检测
基于Halcon的锂电池标签表面缺陷检测作者：熊继淙邢旭朋马军来源：《科技视界》2020年第03期摘要针对现有的工业上的标签表面质量检测过程中存在的速度慢，精度低的问题，提出一种基于Halcon的工业标签表面的印刷图案的缺陷检测。
其方法主要思想为差分思想即根据不同工业标签表面图案的区域特征进行Blob分析来定位，通过基于形状的模板匹配算法来快速查找目标区域，然后利用灰度值差影匹配算法进行缺陷检测。
最后通过图像配准的方法检测缺陷的特征值，该检测方法得到的检测结果与实际存在的缺陷基本一致，而且大大提高了检测的速度和精度，达到了生产线上的质量要求。
关键词机器视觉;标签缺陷检测;差分思想;模板匹配中图分类号： TP391.41 文献标识码： ADOI：10.19694/ki.issn2095-2457.2020.03.0150 引言工业标签能够对在生产过程中产生的大量数据进行自动化收集，而且实时准确的传递给管理系统。
大大提高了生产效率，改进了生产方式，节约了生产成本。
然而，工业标签在印刷的过程中存在大大的不确定性，致使标签的表面不可避免地随机出现各种缺陷，例如：印刷缺失、脏污、划痕等。
而目前对于工业标签的缺陷检测大多还是人通过肉眼来进行检测，这种检测方法不可避免地就大大浪费了人力劳动资源，而且随着时间的增长，人眼会感到疲惫，这样就会提高漏检和误检率。
因此，本文将机器视觉引入到工业标签表面质量的缺陷检测中，解决了人工检测的效率低，耗时长，漏检和误检等问题。
1 检测系统的实验平台搭建本文采用Halcon图像处理软件来搭建工业标签表面缺陷检测的检测系统，主要检测过程为：利用工业相机对传送带上待检的工业标签进行图像采集和预处理，最后通过模板配准检测出缺陷所在的区域。
该检测方案的硬件系统主要包括光源、相机、镜头、编码器和图像处理平台等。
由于工业上的标签种类和大小都不一样，本文选用工业上常用的一种锂电池的标签来进行试验，该标签的尺寸为400mmx200mm，检测精度为400μm。