CN103345632B - 一种电池尾端表面划痕缺陷检测方法 - Google Patents

Abstract

本发明涉及一种电池尾端表面划痕缺陷检测方法，根据合格电池尾端图片由背景、噪声和目标图像三部分组成，带有划痕缺陷的电池尾端图片由背景、噪声、目标图像和划痕缺陷特征四部分组成，通过将待测电池尾端图片与合格电池尾端图片进行差分运算，来突出待测电池尾端图片的划痕缺陷特征，通过计算连通区域的周长与矩形度来判定划痕缺陷；其优点是待测图片不必与电池尾端图片倾斜1°至360°的360幅全角度模板集进行计算整体相似度；本发明只涉及一次图像的差分操作，简单的形态学处理以及简单的求和运算、除法运算等，可以准确的检测电池尾端划痕缺陷，降低划痕缺陷检测的误检率。

Description

一种电池尾端表面划痕缺陷检测方法

技术领域

本发明涉及一种划痕检测方法，尤其是涉及一种电池尾端表面划痕缺陷检测方法。

背景技术

为提升产品质量和产品的商业价值，越来越多的企业提出“精益生产”的口号，提出“零缺陷”的目标。因此，在产品成品或半成品出厂前，需要对产品表面质量（主要针对表面缺陷）进行严格检测。表面缺陷是外在缺陷，其表现为与正常的产品表面形式存在“差异”的地方。这种“差异”往往人眼可见，因此，产品表面缺陷的传统检测方法为人工检测法。但人工检测法在实际使用时存在很大的局限性，主要表现在：人眼的空间分辨率有限；人眼的时间分辨率有限；人具有主观意识，因此人工检测受人的情绪、思维等主观因素影响较多，使检测结果具有极大的不可靠性；人工劳动强度大，检测成本高。正因为人工检测存在上述不足，用“机器”来取代人眼，进行表面缺陷检测，已成为现代工业发展的一个重要趋势。电池是一种需求量很大的商品，电池尾端表面质量高低在生产环节中具有重要意义。电池在生产过程中，因生产工艺不足或其他偶然因素会产生一些次品。这些次品主要表现在存在划痕、反肚、底盖破等表面缺陷。目前，电池尾端表面缺陷的检测多使用人眼检测，传统的人工视觉检测既耗时又效率低，且易造成人为误差。在电池制造行业，对电池尾端表面缺陷的检测采用机器视觉检测将大大的提高产品质量与生产效率。

现在对电池尾端划痕缺陷检测的方法主要是通过研究待测电池尾端图像与合格电池尾端图像的整体相似度，将其作为电池缺陷判别模式识别特征量，这个特征量从整体上度量了待测电池尾端图像与标准合格电池尾端图像的图像距离，即反映了待测电池尾端与标准合格电池尾端的差异，差异值越小，则合格程度越高。采用这种方法的缺点是，在电池尾端图像获取或传输过程中，因外界环境条件和传感元器件自身的影响，电池尾端图像中含有图像噪声，若电池尾端表面划痕缺陷不够明显，造成划痕缺陷特征与图像噪声差异不明显，从而导致待判别电池图像从整体上与标准模板图像相似度依然较大，误将次品检测成合格品，误检率高。仅从整体特征量难以进行对划痕缺陷进行准确判断。在电池尾端表面划痕检测中，如何增加划痕特征与图像噪声的差别，突出划痕特征是难点所在。

发明内容

本发明所要解决的技术问题是提供一种操作简单、判断准确的电池尾端表面划痕缺陷检测方法。

本发明解决上述技术问题所采用的技术方案为：一种电池尾端表面划痕缺陷检测方法，具体步骤如下：

S1：定义如下参数：

二值图像的连通区域为在由“0”值像素和“1”值像素组成的所有点阵图像中相互邻接的“1”值像素点集合，电池尾端没有划痕缺陷的电池尾端图片为合格图片I_s，结构元素e为对待处理的电池尾端图片进行形态学操作的椭圆形的像素集；

S2：待处理的电池尾端图片I大小为M×N，对I进行与自身图片的图像加法运算得到图片I_a，对I_a与I_s进行图像差分运算得到图片I_b；

S3：采用大津法对I_b进行二值化处理后得到图片I_o；

S4：提取I_o中的连通区域，连通区域的个数为n，每个连通区域的面积为S_i,i=1,2…n，面积阈值为s_o，将满足条件S_i≤s_o的连通区域标记为s_o'，对I_o执行去除s_o'的操作后得到图片I_o'；

S5：对I_o'进行形态学膨胀操作，膨胀操作的结构元素为e，膨胀操作次数为n，经膨胀操作后得到图片I₁，对I₁进行形态学腐蚀操作，腐蚀操作的结构元素为e，腐蚀操作次数为n，经腐蚀操作后得到图片I₂；

S7：以I₂的中心为圆心，以r为半径的圆为感兴趣区域A，提取A的连通区域，连通区域的个数为m，每个连通区域的周长为L_i,i=1,2…m，最大周长为L_max，周长阈值为M_L，每个连通区域的矩形度为P_i,i=1,2…m，最大矩形度为P_max，矩形度阈值为M_P；

S8：提取划痕缺陷几何特征，判断划痕缺陷：根据公式（1）求取各个连通区域的周长L；根据公式（2）求取各个连通区域的矩形度P；

$L=\underset{(x,y)\∈R_b}{\mathrm{\Σ}}1\·\·\·\left(1\right)$

$P=\frac{L_l}{L_s}\·\·\·\left(2\right)$

设f(x,y)表示图片数据，其中x，y表示图片像素点的横、纵坐标，R_b为连通区域的外界点集合，设区域的最小外接矩形的长边用L_l表示，短边用L_s表示；当最大周长L_max满足条件L_max≥M_L，并且最大矩形度P_max满足条件P_max>M_p时，判定该连通区域表现出来的几何特征为电池尾端划痕缺陷

与现有技术相比，本发明的优点是根据合格电池尾端图片由背景、噪声和目标图像三部分组成，带有划痕缺陷的电池尾端图片由背景、噪声、目标图像和划痕缺陷特征四部分组成，通过将待测电池尾端图片与合格电池尾端图片进行差分运算，来突出待测电池尾端图片的划痕缺陷特征，通过计算连通区域的周长与矩形度来判定划痕缺陷；其优点是待测图片不必与电池尾端图片倾斜1°至360°的360幅全角度模板集进行计算整体相似度；本发明只涉及一次图像的差分操作，简单的形态学处理以及简单的求和运算、除法运算等，可以准确的检测电池尾端划痕缺陷，降低划痕缺陷检测的误检率。

附图说明

图1是本发明实施例的对电池尾端表面划痕检测的逻辑结构框图。

具体实施方式

以下结合附图实施例对本发明作进一步详细描述。

实施例一：一种电池尾端表面划痕缺陷检测方法，具体包括如下步骤：

S1：定义如下参数：

二值图像的连通区域为在由“0”值像素和“1”值像素组成的所有点阵图像中相互邻接的“1”值像素点集合，电池尾端没有划痕缺陷的电池尾端图片为合格图片I_s，结构元素e为对待处理的电池尾端图片进行形态学操作的椭圆形的像素集；

S2：待处理的电池尾端图片I大小为600×600，对I进行与自身图像的图像加法运算得到图片I_a，对I_a与I_s进行图像差分运算得到图片I_b；

S3：采用大津法对I_b进行二值化处理后得到图片I_o；

S4：提取I_o中的连通区域，连通区域的个数为n=1023，每个连通区域的面积为S_i,i=1,2…n，面积阈值为s_o=5，将满足条件S_i≤5的连通区域的标记为s_o'，对I_o执行去除s_o'的操作后得到图片I_o'；

S5：对I_o'进行形态学膨胀操作，膨胀的结构元素为e，膨胀次数为n=1，经膨胀操作后得到图片I₁，对I₁进行形态学腐蚀操作，腐蚀的结构元素为e，腐蚀次数为n=1，经腐蚀操作后得到图片I₂；

S7：以I₂的中心为圆心，以r=180为半径的圆为感兴趣区域A，提取A的连通区域，连通区域的个数为m=18，每个连通区域的周长为L_i,i=1,2…m，最大周长为L_max=264，周长阈值为M_L=200，每个连通区域的矩形度为P_i,i=1,2…m，最大矩形度为P_max=7，矩形度阈值为M_P=4；

S8：根据公式（1）求取各个连通区域的周长L_i；根据公式（2）求取各个连通区域的矩形度P_i；

$L=\underset{(x,y)\∈R_b}{\mathrm{\Σ}}1\·\·\·\left(1\right)$

$P=\frac{L_l}{L_s}\·\·\·\left(2\right)$

最大周长L_max=264满足条件L_max=264>M_L=200，并且最大矩形度P_max=7满足条件P_max=7>M_p=4，故判定该连通区域表现出来的几何特征为电池尾端划痕缺陷；

实施例二：一种电池尾端表面划痕缺陷检测方法，具体包括如下步骤：

S1：定义如下参数：

二值图像的连通区域为在由“0”值像素和“1”值像素组成的所有点阵图像中相互邻接的“1”值像素点集合，电池尾端没有划痕缺陷的电池尾端图片为合格图片I_s，结构元素e为对待处理的电池尾端图片进行形态学操作的椭圆形的像素集；

S2：待处理的电池尾端图片I大小为600×600，对I进行与自身图片的图像加法运算得到图片I_a，对I_a与I_s进行图像差分运算得到图片I_b；

S3：采用大津法对I_b进行二值化处理后得到图片I_o；

S4：提取I_o中的连通区域，连通区域的个数为n=1829，每个连通区域的面积为S_i,i=1,2…n，面积阈值为s_o=5，将满足条件S_i≤5的连通区域的标记为s_o'，对I_o执行去除s_o'的操作后得到图片I_o'；

S5：对I_o'进行形态学膨胀操作，膨胀的结构元素为e，膨胀次数为n=1，经膨胀操作后得到图片I₁，对I₁进行形态学腐蚀操作，腐蚀的结构元素为e，腐蚀次数为n=1，经腐蚀操作后得到图片I₂；

S7：以I₂的中心为圆心，以r=180为半径的圆为感兴趣区域A，提取A的连通区域，连通区域的个数为m=9，每个连通区域的周长为L_i,i=1,2…m，最大周长为L_max=258，周长阈值为M_L=200，每个连通区域的矩形度为P_i,i=1,2…m，最大矩形度为P_max=9，矩形度阈值为M_P=4；

S8：根据公式（1）求取各个连通区域的周长L_i；根据公式（2）求取各个连通区域的矩形度P_i；

$L=\underset{(x,y)\∈R_b}{\mathrm{\Σ}}1\·\·\·\left(1\right)$

$P=\frac{L_l}{L_s}\·\·\·\left(2\right)$

最大周长L_max=258满足条件L_max=258>M_L=200，并且最大矩形度P_max=9满足条件P_max=9>M_p=4，故判定该连通区域表现出来的几何特征为电池尾端划痕缺陷；

实施例三：一种电池尾端表面划痕缺陷检测方法，具体包括如下步骤：

S1：定义如下参数：

二值图像的连通区域为在由“0”值像素和“1”值像素组成的所有点阵图像中相互邻接的“1”值像素点集合，电池尾端没有划痕缺陷的电池尾端图片为合格图片I_s，结构元素e为对待处理的电池尾端图片进行形态学操作的椭圆形的像素集；

S2：待处理的电池尾端图片I大小为600×600，对I进行与自身图片的图像加法运算得到图片I_a，对I_a与I_s进行图像差分运算得到图片I_b；

S3：采用大津法对I_b进行二值化处理后得到图片I_o；

S4：提取I_o中的连通区域，连通区域的个数为n=1563，每个连通区域的面积为S_i,i=1,2…n，面积阈值为s_o=5，将满足条件S_i≤5的连通区域的标记为s_o'，对I_o执行去除s_o'的操作后得到图片I_o'；

S5：对I_o'进行形态学膨胀操作，膨胀的结构元素为e，膨胀次数为n=1，经膨胀操作后得到图片I₁，对I₁进行形态学腐蚀操作，腐蚀的结构元素为e，腐蚀次数为n=1，经腐蚀操作后得到图片I₂；

S7：以I₂的中心为圆心，以r=180为半径的圆为感兴趣区域A，提取A的连通区域，连通区域的个数为m=56，每个连通区域的周长为L_i,i=1,2…m，最大周长为L_max=462，周长阈值为M_L=200，每个连通区域的矩形度为P_i,i=1,2…m，最大矩形度为P_max=5，矩形度阈值为M_P=4；

S8：根据公式（1）求取各个连通区域的周长L_i；根据公式（2）求取各个连通区域的矩形度P_i；

$L=\underset{(x,y)\∈R_b}{\mathrm{\Σ}}1\·\·\·\left(1\right)$

$P=\frac{L_l}{L_s}\·\·\·\left(2\right)$

最大周长L_max=462满足条件L_max=462>M_L=200，并且最大矩形度P_max=5满足条件P_max=5>M_p=4，故判定该连通区域表现出来的几何特征为电池尾端划痕缺陷。

Claims (1)

1.一种电池尾端表面划痕缺陷检测方法，其特征在于具体步骤如下：

S1：定义如下参数：

二值图像的连通区域为在由“0”值像素和“1”值像素组成的所有点阵图像中相互邻接的“1”值像素点集合，电池尾端没有划痕缺陷的电池尾端图片为合格图片I_s，结构元素e为对待处理的电池尾端图片进行形态学操作的椭圆形的像素集；

S2：待处理的电池尾端图片I大小为M×N，对I进行与自身图片的图像加法运算得到图片I_a，对I_a与I_s进行图像差分运算得到图片I_b；

S3：采用大津法对I_b进行二值化处理后得到图片I_o；

S4：提取I_o中的连通区域，连通区域的个数为n，每个连通区域的面积为S_i,i=1,2…n，面积阈值为s_o，将满足条件S_i≤s_o的连通区域标记为s_o'，对I_o执行去除s_o'的操作后得到图片I_o'；

S5：对I_o'进行形态学膨胀操作，膨胀操作的结构元素为e，膨胀操作次数为n，经膨胀操作后得到图片I₁，对I₁进行形态学腐蚀操作，腐蚀操作的结构元素为e，腐蚀操作次数为n，经腐蚀操作后得到图片I₂；

S7：以I₂的中心为圆心，以r为半径的圆为感兴趣区域A，提取A的连通区域，连通区域的个数为m，每个连通区域的周长为L_i,i=1,2…m，最大周长为L_max，周长阈值为M_L，每个连通区域的矩形度为P_i,i=1,2…m，最大矩形度为P_max，矩形度阈值为M_P；

S8：提取划痕缺陷几何特征，判断划痕缺陷：根据公式（1）求取各个连通区域的周长L；根据公式（2）求取各个连通区域的矩形度P；

$L=\underset{(x,y)\∈R_b}{\mathrm{\Σ}}1\·\·\·\left(1\right)$

$P=\frac{L_l}{L_s}\·\·\·\left(2\right)$

设f(x,y)表示图片数据，其中x，y表示图片像素点的横、纵坐标，R_b为连通区域的外界点集合，设区域的最小外接矩形的长边用L_l表示，短边用L_s表示；当最大周长L_max满足条件L_max≥M_L，并且最大矩形度P_max满足条件P_max>M_p时，判定该连通区域表现出来的几何特征为电池尾端划痕缺陷。