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

徐晓诺，纪庆琳，崔世恒，屈克诚

（山东协和学院 计算机学院 山东 济南 250107）

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。子矩形灰度投影数组Ai的公式表示如下：

其中,ai,k表示第i个子矩形中第k列像素点的灰度投影值，即第k列像素点灰度值的平均值;len表示ROI区域图像gROI (x, y)的水平宽度。

（3）计算任意两个子矩形灰度投影数组 Ai , Aj 在相同位置上的元素的绝对误差AD，绝对误差AD的具体计算公式如下：

当绝对误差AD的均值AD小于设定的常数阈值T1并且当绝对误差AD的标准差AD小于设定的常数阈值T2 时，对应的两个子矩形灰度投影数组 Ai , Aj 就被选中到数组集合SA中，具体的公式表示如下：

其中，数组集合SA的初始值为空集；本文在实际进行课题研究时常数阈值T1 被设置为0.45，常数阈值T2被设置为0.4。

1.2 GHR-AT瑕疵快速检测模型

本文提出的缺陷粗检测算法主要包括简单双阈值分割和外接矩形变换两大步骤。其中，简单的双阈值分割算法主要用来定位或检测出背景标准化之后的 ROI 区域图像gbn (x, y)中可能的缺陷区域，而外接矩形变换操作则是将包含检测出的可能的缺陷区域的矩形区域提取出来。图像缺陷粗检测流程示意图如图2 所示。

简单双阈值分割           外接矩形变换

图 2 缺陷粗检测流程示意图

为了更精确地检测出缺陷，将填充后的缺陷图像用DOG算子进行边缘检测。DOG算子对噪声、尺度等外部因素有较强的鲁棒性，可提供丰富的局部特征信息。DOG算子也称为高斯差分算子，其在某一尺度下的边缘检测，是通过对两个不同参数下的高斯滤波结果相减，其函数表达式如下：

其中(x,y)为图像中任意像素点位置；为空间常数。空间常数σ取１，卷积核大小取5,边缘检测效果如图3(a)所示，为了对比实际锂电池极片缺陷检测的效果，在图像中找出最大轮廓，并用最小包围矩形框对缺陷轮廓进行绘制，如图3(b)所示。

边缘检测算法则是利用待检测图像中前景区域和背景区域边缘像素点灰度值的突变这一特性来检测出图像中前景区域的边缘，从而确定待检测图像中的前景区域。

   （a）DOG算子          （b）轮廓绘制图

图3 边缘检测效果

1.3 MFF-SVM瑕疵精准分类模型

HOG 特征是一种描述局部特征的算子，通过计算和统计图像局部区域的梯度方向直方图来组成特征信息，进而表征图像局部区域的特征，其主要特点是对图像的光学形变能保持很好的不变性[5-6]。从锂电池极片表面缺陷图像上可以看到缺陷的外观形态差异较大，且整体对比度较低。因此本文选择HOG特征来描述锂电池极片表面缺陷的局部特征。

锂电池极片表面缺陷识别流程如图4所示。在缺陷识别过程中，数据集至关重要，其整体数据量大小和数据的种类丰富度将直接影响PSO-SVM算法的识别精度。因此，本文首先采用数据扩展的方式对锂电池极片表面缺陷图像进行扩充，以增大图像的整体数据量，提高数据种类的多样性。其次通过分析缺陷的外观特征和各类缺陷间的差异，选择采用灰度共生矩阵、Sobel 算法和HOG算法分别提取锂电池极片表面缺陷图像的纹理、边缘和HOG特征。最后利用训练好的PSO-SVM分类器以实现锂电池极片表面缺陷识别的目的。

参考文献：

[1]刘斌斌，杜晓钟，闫时建，等制片工艺对动力锂离子电池性能的影响 ［Ｊ］．电源技术，2018，42(6)：788-791,894。

[2]MOHANTY D , HOCKADAY E , LI J , et al . Effect of electrode manufacturing defects on electrochemical performance of lithium - ion batteries : Cognizance of the battery failure sources [ J ]. Journal of Power Sources ,2016,312:70-79.

[3]BOCKHOLT H , INDRIKOVA M , NETZ A , et al . The interaction of consecutive process steps in the manufacturing of lithiummion battery electrodes with regard to structural and electrochemical properties [ J ]. Journal of Power Sources ,2016,325:140-151.