CN111210421A - 锂电池表面缺陷图像批量生成方法及系统 - Google Patents
锂电池表面缺陷图像批量生成方法及系统 Download PDFInfo
- Publication number
- CN111210421A CN111210421A CN202010024629.5A CN202010024629A CN111210421A CN 111210421 A CN111210421 A CN 111210421A CN 202010024629 A CN202010024629 A CN 202010024629A CN 111210421 A CN111210421 A CN 111210421A
- Authority
- CN
- China
- Prior art keywords
- image
- defect
- images
- lithium battery
- source
- 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.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 149
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 50
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000009466 transformation Effects 0.000 claims abstract description 59
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000009499 grossing Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000002156 mixing Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000002950 deficient Effects 0.000 claims description 5
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 3
- 229910001416 lithium ion Inorganic materials 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007373 indentation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 238000012549 training Methods 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
- G06T7/0004—Industrial image inspection
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/02—Affine transformations
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种锂电池表面缺陷图像批量生成方法及系统,包括：采集锂电池图像，包括带有不同缺陷的源图像和不带缺陷的目标图像；获取所述源图像中缺陷所在的感兴趣区域；根据所述感兴趣区域将所述源图像转换成二值图像，并对所述源图像和所述二值图像进行仿射变换；根据所述二值图像进行仿射变换后的图像提取所述源图像仿射变换后的缺陷图像域，将缺陷图像域重绘到所述目标图像的对应位置，并去除图像重绘时产生的图像拼接感，完成一次图像缺陷样本的生成；接着返回所述步骤S3开始循环进入下一个图像缺陷样本的生成。本发明有利于快速、批量地生成高质量的锂电池缺陷样本图像。
Description
技术领域
本发明涉及锂电池表面图像处理的技术领域，尤其是指一种锂电池表面缺陷图像批量生成方法及系统。
背景技术
由于锂离子电池具有能量密度高、充放电速度快等优点，使其在便捷式电子通信设备市场占据主导地位，并且逐渐扩展到电动工具领域。目前移动电话、笔记本电脑、微型摄像机等需要便携式电源的用电器已经成为人们生活中不可缺少的一部分，在其电源方面，无一例外地选择锂离子电池作为市场的主流。
锂电池在生产过程中，由于加工工艺的原因，会导致锂电池表面存在划痕、凸包、压痕、漏液、破损等表面缺陷，如果未在缺陷检测工站将不良品筛选出来，则在使用过程中容易引起起火、爆炸等安全隐患。
由于锂电池存在表面缺陷特征不明显的特征，传统的图像缺陷检测算法容易出现“漏检”或“过杀”等误判现象，造成产品合格率较低。基于深度学习模型的缺陷检测算法具有较快的计算速度和准确性，而一个好的学习模型需要大量的图像样本进行训练，在锂电池正常的生产过程中，很难收集到所需的缺陷图像样本数量。
发明内容
为此，本发明所要解决的技术问题在于克服现有技术中很难批量收集到所需的缺陷图像样本的问题，从而提供一种可大批量生成高质量的锂电池表面缺陷图像样本的锂电池表面缺陷图像批量生成方法及系统。
为解决上述技术问题，本发明的一种锂电池表面缺陷图像批量生成方法，包括如下步骤：采集锂电池图像，包括带有不同缺陷的源图像和不带缺陷的目标图像；获取所述源图像中缺陷所在的感兴趣区域；根据所述感兴趣区域将所述源图像转换成二值图像，并对所述源图像和所述二值图像进行仿射变换；根据所述二值图像进行仿射变换后的图像提取所述源图像仿射变换后的缺陷图像域，将缺陷图像域重绘到所述目标图像的对应位置，并去除图像重绘时产生的图像拼接感，完成一次图像缺陷样本的生成；接着返回所述步骤S3开始循环进入下一个图像缺陷样本的生成。
在本发明的一个实施例中，对所述源图像和所述二值图像进行仿射变换的方法如下：先建立一个单位齐次变换矩阵，然后移动所述单位齐次变换矩阵，对所述单位齐次变换矩阵按照设定比例进行变换，最后，对所述变换后的单位齐次变换矩阵进行旋转变换。
在本发明的一个实施例中，将缺陷图像域重绘到所述目标图像的对应位置之前，对所述缺陷图像进行亮度调整。
在本发明的一个实施例中，对所述缺陷图像进行亮度调整的方法为：根据所述感兴趣区域的边界位置信息，获取所述目标图像在所述边界位置内的图像域，并与所述源图像中在所述边界位置内的图像域进行混合。
在本发明的一个实施例中，与所述源图像中在所述边界位置内的图像域进行混合时，混合系数的取值范围为0-0.8。
在本发明的一个实施例中，所述去除图像重绘时产生的图像拼接感的方法为：采用加权平滑算法去除图像拼接感。
在本发明的一个实施例中，所述加权平滑算法包括：首先，绘制将感兴趣区域包括在内的外接矩形，所述外接矩形的边与所述感兴趣区域的边界保持设定的距离；其次，分别提取源图像和重绘后带有拼接感目标图像的外接矩形内的图像域；然后以外接矩形的任意一个侧边开始分多个阶段建立动态加权平滑过程；最后，依次进行缺陷区域相对矩形区域剩余三条边的加权平滑，完成相对缺陷区域的动态加权平滑。
在本发明的一个实施例中，完成一次图像缺陷样本的生成后，判断样本是否符合评价指标，如符合，则进入下一步，否则舍弃所述样本。
在本发明的一个实施例中，所述判断样本是否符合评价指标的方法为：计算所述缺陷图像域在进行重绘前，对应区域的内外边界的均值m1、标准偏差d1和信息熵e1以及所述目标图像对应区域位置的内外边界的均值m2、标准偏差d2和信息熵e2。如果m1-m2的绝对值、d1-d2的绝对值和e1-e2的绝对值都在设定范围内，则保存生成的样本，否则说明缺陷重绘的目标区域不会出现该类型缺陷。
本发明还提供了一种锂电池表面缺陷图像批量生成系统，包括：采集模块，用于采集锂电池图像，其中包括带有不同缺陷的源图像和不带缺陷的目标图像；获取模块，获取所述源图像中缺陷所在的感兴趣区域；处理模块，根据所述感兴趣区域将所述源图像转换成二值图像，并对所述源图像和所述二值图像进行仿射变换；样本生成模块，用于根据所述二值图像进行仿射变换后的图像提取所述源图像仿射变换后的缺陷图像域，将缺陷图像域重绘到所述目标图像的对应位置，并去除图像重绘时产生的图像拼接感，完成一次图像缺陷样本的生成；接着返回所述处理模块开始循环进入下一个图像缺陷样本的生成。
本发明的上述技术方案相比现有技术具有以下优点：
本发明所述的锂电池表面缺陷图像批量生成方法及系统，采集锂电池图像，包括带有不同缺陷的源图像和不带缺陷的目标图像，从而有利于图像缺陷样本的收集；获取所述源图像中缺陷所在的感兴趣区域，有利于将带有缺陷的源图像与所述目标图像作对比；根据所述感兴趣区域将所述源图像转换成二值图像，并对所述源图像和所述二值图像进行仿射变换，从而有利于增加缺陷部分在所述目标图像中的特征属性；根据所述二值图像进行仿射变换后的图像提取所述源图像仿射变换后的缺陷图像域，将缺陷图像域重绘到所述目标图像的对应位置，并去除图像重绘时产生的图像拼接感，完成一次图像缺陷样本的生成，从而有利于保证样本的质量；接着返回所述步骤S3开始循环进入下一个图像缺陷样本的生成，从而有利于快速、批量地生成高质量的锂电池缺陷样本图像。
附图说明
为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中
图1是本发明锂电池表面缺陷图像批量生成方法的流程图；
图2是本发明建立动态加权平滑过程的示意图；
图3是本发明锂电池表面缺陷图像批量生成系统的示意图。
具体实施方式
实施例一
如图1所示，本实施例提供一种锂电池表面缺陷图像批量生成方法，包括：步骤S1:采集锂电池图像，包括带有不同缺陷的源图像和不带缺陷的目标图像；步骤S2：获取所述源图像中缺陷所在的感兴趣区域；步骤S3:根据所述感兴趣区域将所述源图像转换成二值图像，并对所述源图像和所述二值图像进行仿射变换；步骤S4：根据所述二值图像进行仿射变换后的图像提取所述源图像仿射变换后的缺陷图像域，将缺陷图像域重绘到所述目标图像的对应位置，并去除图像重绘时产生的图像拼接感，完成一次图像缺陷样本的生成；接着返回所述步骤S3开始循环进入下一个图像缺陷样本的生成。
本实施例所述锂电池表面缺陷图像批量生成方法，所述步骤S1中，采集锂电池图像，包括带有不同缺陷的源图像和不带缺陷的目标图像，从而有利于图像缺陷样本的收集；所述步骤S2中，获取所述源图像中缺陷所在的感兴趣区域，有利于将带有缺陷的源图像与所述目标图像作对比；所述步骤S3中，根据所述感兴趣区域将所述源图像转换成二值图像，并对所述源图像和所述二值图像进行仿射变换，从而有利于增加缺陷部分在所述目标图像中的特征属性；所述步骤S4中，根据所述二值图像进行仿射变换后的图像提取所述源图像仿射变换后的缺陷图像域，将缺陷图像域重绘到所述目标图像的对应位置，并去除图像重绘时产生的图像拼接感，使缺陷部分无拼接感，边缘灰度值过度平滑，完成一次图像缺陷样本的生成，从而有利于保证样本的质量；接着返回所述步骤S3开始循环进入下一个图像缺陷样本的生成，从而有利于快速、批量地生成高质量的锂电池缺陷样本图像。
所述步骤S1中，采集所述锂电池图像时，采集的是同等规格的锂电池图像。
所述步骤S2中，获取所述源图像中缺陷所在的感兴趣区域的方法为：借助计算机和图像处理软件，调用鼠标控制命令，从而就可以获取所述源图像中缺陷所在的感兴趣区域。
所述步骤S3中，根据所述感兴趣区域将所述源图像转换成二值图像，即将所述感兴趣区域内的像素值设为255，区域外的像素值设为0，从而有利于后期能够准确提取仿射变换后所述源图像内的缺陷部分。
为了后续增加缺陷部分在所述目标图像中的特征属性，例如：缺陷在图像中的位置、角度、大小、亮度等，对所述源图像和所述二值图像进行仿射变换，且对所述源图像和所述二值图像进行仿射变换的方法如下：先建立一个单位齐次变换矩阵，然后移动所述单位齐次变换矩阵，对所述单位齐次变换矩阵按照设定比例进行变换，最后，对所述变换后的单位齐次变换矩阵进行旋转变换。具体地，先建立一个单位齐次变换矩阵Identity：
然后进行移动变换：设定水平移动距离Tx和垂直移动距离Ty，则移动所述单位齐次变换矩阵Translate：
接着进行比例变换：设定比例变换的参考点(Px,Py)，保证所要变换的图像区域以该点进行比例变换；再设定水平和垂直比例变换的系数为Sx和Sy，则以具体参考点进行比例变换的齐次矩阵Scale：
最后进行旋转变换：首先设定旋转变换的参考点(Px,Py)，再设定旋转角度Phi，则以具体参考点进行旋转变换的齐次矩阵Rotate:
为了增加所述源图像中的缺陷部分的亮度范围在一个合理的范围内，将缺陷图像域重绘到所述目标图像的对应位置之前，对所述缺陷图像进行亮度调整。对所述缺陷图像进行亮度调整的方法为：根据所述感兴趣区域的边界位置信息，获取所述目标图像在所述边界位置内的图像域，并与所述源图像中在所述边界位置内的图像域进行混合。具体地，根据所述感兴趣区域的边界位置信息，获取所述目标图像在所述边界位置内的图像域DstRegion，并与所述源图像中的所述边界位置内的图像域SrcRegion进行Alpa混合，得到目标缺陷域DstDefect，其中与所述源图像中在所述边界位置内的图像域进行混合时，混合系数Alpa的取值范围为0-0.8：
DstDefect＝Alpa*SrcRegion+(1-Alpa)*DstRegion
所述步骤S4中，根据所述感兴趣区域的边缘位置信息，可以提取所述源图像中缺陷部分的图像域。将所述目标缺陷域内的图像重绘到所述目标图像内，即将所述目标缺陷域内的像素代替目标图像相应位置的像素。
为了去除图像重绘所产生的图像拼接感，保证样本的质量，所述去除图像重绘时产生的图像拼接感的方法为：采用动态加权平滑算法去除图像拼接感。具体地，所述动态加权平滑算法包括：首先，绘制将感兴趣区域包括在内的外接矩形，为了提高加权融合的效果，所述外接矩形的边与所述感兴趣区域的边界保持设定的距离；其次，分别提取源图像和重绘后带有拼接感目标图像的外接矩形内的图像域；然后，以外接矩形的任意一个侧边开始分多个阶段建立动态加权平滑过程，以外接矩形的左侧边为例，分三个阶段建立动态加权平滑过程，如图2所示：(1)计算h1段感兴趣区域的顶部最左侧边缘位置信息(x0,y0)，设加权平滑系数为σ，则σ＝i/(x0-x11)，其中i＝1每次增加一个像素距离直到等于(x-x11)；设I1(x,y)和I2(x,y)分别为源图像和目标图像所对应的外接矩形内的像素值，则加权平滑后图像域所对应的像素值为：I(x,y)＝I1(x,y)*(1-σ)+I2(x,y)*σ，表示越靠近缺陷区域，源图像的像素值所占比例越大，依次遍历整个h1区域；(2)计算h2段缺陷区域的边缘位置信息(xi,yi)，令σ＝j/(x-xi)，其中j＝1每次增加一个像素距离直到等于(x-xi)，则加权平滑后图像域所对应的像素值为：I(x,y)＝I1(x,y)*(1-σ)+I2(x,y)*σ，依次遍历整个h2区域；(3)计算h3段缺陷区域的底部最左侧边缘位置信息(x1,y1)，令σ＝z/(x1-x11)，其中z＝1每次增加一个像素距离直到等于(x1-x11)，则加权平滑后图像域所对应的像素值为：I(x,y)＝I1(x,y)*(1-σ)+I2(x,y)*σ，依次遍历整个h3区域，最后即可得到缺陷区域相对矩形的左侧边的平滑；最后，依次进行缺陷区域相对矩形区域剩余三条边的加权平滑，即可完成相对缺陷区域的动态加权平滑，提高样本的质量。
完成一次图像缺陷样本的生成后，判断样本是否符合评价指标，如符合，则进入下一步：返回所述步骤S3开始循环进入下一个图像缺陷样本的生成；否则舍弃所述样本，从而有利于保证样本的质量。
为了确保生成样本的质量，判断样本是否符合评价指标的方法为：计算所述缺陷图像域在进行重绘前，对应区域的内外边界的均值m1、标准偏差d1和信息熵e1以及所述目标图像对应区域位置的内外边界的均值m2、标准偏差d2和信息熵e2。如果m1-m2的绝对值、d1-d2的绝对值和e1-e2的绝对值都在设定范围内，则保存生成的样本，否则说明缺陷重绘的目标区域不会出现该类型缺陷，从而有利于客观的评价所述样本图像的质量。
进入下一个图像缺陷样本的生成时，由于所述单位齐次变换矩阵经过一次变换后就成为了仿射矩阵，因此通过改变所述仿射矩阵所对应的变换矩阵系数、矩阵相乘的先后顺序以及亮度变换的混合系数，即可大批量生成高质量的锂电池表面缺陷图像样本。
实施例二
如图3所示，基于同一发明构思，本实施例提供一种锂电池表面缺陷图像批量生成系统，其解决问题的原理与所述锂电池表面缺陷图像批量生成方法类似，重复之处不再赘述。
本实施例所述锂电池表面缺陷图像批量生成系统，包括：
采集模块，用于采集锂电池图像，其中包括带有不同缺陷的源图像和不带缺陷的目标图像；
获取模块，获取所述源图像中缺陷所在的感兴趣区域；
处理模块，根据所述感兴趣区域将所述源图像转换成二值图像，并对所述源图像和所述二值图像进行仿射变换；
样本生成模块，用于根据所述二值图像进行仿射变换后的图像提取所述源图像仿射变换后的缺陷图像域，将缺陷图像域重绘到所述目标图像的对应位置，并去除图像重绘时产生的图像拼接感，完成一次图像缺陷样本的生成；接着返回所述处理模块开始循环进入下一个图像缺陷样本的生成。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种锂电池表面缺陷图像批量生成方法，其特征在于，包括如下步骤：
步骤S1：采集锂电池图像，包括带有不同缺陷的源图像和不带缺陷的目标图像；
步骤S2：获取所述源图像中缺陷所在的感兴趣区域；
步骤S3：根据所述感兴趣区域将所述源图像转换成二值图像，并对所述源图像和所述二值图像进行仿射变换；
步骤S4：根据所述二值图像进行仿射变换后的图像提取所述源图像仿射变换后的缺陷图像域，将缺陷图像域重绘到所述目标图像的对应位置，并去除图像重绘时产生的图像拼接感，完成一次图像缺陷样本的生成；接着返回所述步骤S3开始循环进入下一个图像缺陷样本的生成。
2.根据权利要求1所述的锂电池表面缺陷图像批量生成方法，其特征在于：对所述源图像和所述二值图像进行仿射变换的方法如下：先建立一个单位齐次变换矩阵，然后移动所述单位齐次变换矩阵，对所述单位齐次变换矩阵按照设定比例进行变换，最后，对所述变换后的单位齐次变换矩阵进行旋转变换。
3.根据权利要求1所述的锂电池表面缺陷图像批量生成方法，其特征在于：将缺陷图像域重绘到所述目标图像的对应位置之前，对所述缺陷图像进行亮度调整。
4.根据权利要求3所述的锂电池表面缺陷图像批量生成方法，其特征在于：对所述缺陷图像进行亮度调整的方法为：根据所述感兴趣区域的边界位置信息，获取所述目标图像在所述边界位置内的图像域，并与所述源图像中在所述边界位置内的图像域进行混合。
5.根据权利要求3所述的锂电池表面缺陷图像批量生成方法，其特征在于：与所述源图像中在所述边界位置内的图像域进行混合时，混合系数的取值范围为0-0.8。
6.根据权利要求1所述的锂电池表面缺陷图像批量生成方法，其特征在于：所述去除图像重绘时产生的图像拼接感的方法为：采用加权平滑算法去除图像拼接感。
7.根据权利要求6所述的锂电池表面缺陷图像批量生成方法，其特征在于：所述加权平滑算法包括：首先，绘制将感兴趣区域包括在内的外接矩形，所述外接矩形的边与所述感兴趣区域的边界保持设定的距离；其次，分别提取源图像和重绘后带有拼接感目标图像的外接矩形内的图像域；然后，以外接矩形的任意一个侧边开始分多个阶段建立动态加权平滑过程；最后，依次进行缺陷区域相对矩形区域剩余三条边的加权平滑，完成相对缺陷区域的动态加权平滑。
8.根据权利要求1所述的锂电池表面缺陷图像批量生成方法，其特征在于：完成一次图像缺陷样本的生成后，判断样本是否符合评价指标，如符合，则进入下一步，否则舍弃所述样本。
9.根据权利要求8所述的锂电池表面缺陷图像批量生成方法，其特征在于：所述判断样本是否符合评价指标的方法为：计算所述缺陷图像域在进行重绘前，对应区域的内外边界的均值m1、标准偏差d1和信息熵e1以及所述目标图像对应区域位置的内外边界的均值m2、标准偏差d2和信息熵e2。如果m1-m2的绝对值、d1-d2的绝对值和e1-e2的绝对值都在设定范围内，则保存生成的样本，否则说明缺陷重绘的目标区域不会出现该类型缺陷。
10.一种锂电池表面缺陷图像批量生成系统，其特征在于，包括：
采集模块，用于采集锂电池图像，其中包括带有不同缺陷的源图像和不带缺陷的目标图像；
获取模块，获取所述源图像中缺陷所在的感兴趣区域；
处理模块，根据所述感兴趣区域将所述源图像转换成二值图像，并对所述源图像和所述二值图像进行仿射变换；
样本生成模块，用于根据所述二值图像进行仿射变换后的图像提取所述源图像仿射变换后的缺陷图像域，将缺陷图像域重绘到所述目标图像的对应位置，并去除图像重绘时产生的图像拼接感，完成一次图像缺陷样本的生成；接着返回所述处理模块开始循环进入下一个图像缺陷样本的生成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010024629.5A CN111210421B (zh) | 2020-01-10 | 2020-01-10 | 锂电池表面缺陷图像批量生成方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010024629.5A CN111210421B (zh) | 2020-01-10 | 2020-01-10 | 锂电池表面缺陷图像批量生成方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111210421A true CN111210421A (zh) | 2020-05-29 |
| CN111210421B CN111210421B (zh) | 2023-12-01 |
Family
ID=70789989
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010024629.5A Active CN111210421B (zh) | 2020-01-10 | 2020-01-10 | 锂电池表面缺陷图像批量生成方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111210421B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150030219A1 (en) * | 2011-01-10 | 2015-01-29 | Rutgers, The State University Of New Jersey | Method and apparatus for shape based deformable segmentation of multiple overlapping objects |
| CN106971174A (zh) * | 2017-04-24 | 2017-07-21 | 华南理工大学 | 一种cnn模型、cnn训练方法以及基于cnn的静脉识别方法 |
| CN110060238A (zh) * | 2019-04-01 | 2019-07-26 | 桂林电子科技大学 | 基于深度学习的pcb板标注印刷质量检测方法 |
| CN110070548A (zh) * | 2019-04-22 | 2019-07-30 | 杨勇 | 一种深度学习训练样本优化方法 |
| CN110148130A (zh) * | 2019-05-27 | 2019-08-20 | 北京百度网讯科技有限公司 | 用于检测零件缺陷的方法和装置 |
-
2020
- 2020-01-10 CN CN202010024629.5A patent/CN111210421B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150030219A1 (en) * | 2011-01-10 | 2015-01-29 | Rutgers, The State University Of New Jersey | Method and apparatus for shape based deformable segmentation of multiple overlapping objects |
| CN106971174A (zh) * | 2017-04-24 | 2017-07-21 | 华南理工大学 | 一种cnn模型、cnn训练方法以及基于cnn的静脉识别方法 |
| CN110060238A (zh) * | 2019-04-01 | 2019-07-26 | 桂林电子科技大学 | 基于深度学习的pcb板标注印刷质量检测方法 |
| CN110070548A (zh) * | 2019-04-22 | 2019-07-30 | 杨勇 | 一种深度学习训练样本优化方法 |
| CN110148130A (zh) * | 2019-05-27 | 2019-08-20 | 北京百度网讯科技有限公司 | 用于检测零件缺陷的方法和装置 |
Non-Patent Citations (5)
| Title |
|---|
| GAO, Y, KONG, B, MOSALAM, KM: "Deep leaf-bootstrapping generative adversarial network for structural image data augmentation", vol. 34, pages 755 * |
| 毕佳晶;李敏;郑蕊蕊;许爽;贺建军;黄荻;: "面向满文字符识别的训练数据增广方法研究" * |
| 毕佳晶;李敏;郑蕊蕊;许爽;贺建军;黄荻;: "面向满文字符识别的训练数据增广方法研究", 大连民族大学学报, vol. 20, no. 01, pages 73 - 77 * |
| 陈文兵;管正雄;陈允杰;: "基于条件生成式对抗网络的数据增强方法" * |
| 陈文兵;管正雄;陈允杰;: "基于条件生成式对抗网络的数据增强方法", 计算机应用, vol. 38, no. 11, pages 3305 - 3310 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111210421B (zh) | 2023-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | A late fusion cnn for digital matting | |
| CN106875381B (zh) | 一种基于深度学习的手机外壳缺陷检测方法 | |
| Zhang et al. | Hierarchical feature fusion with mixed convolution attention for single image dehazing | |
| CN111739035B (zh) | 基于人工智能的图像处理方法、装置、设备及存储介质 | |
| CN107818554B (zh) | 信息处理设备和信息处理方法 | |
| CN111160269A (zh) | 一种人脸关键点检测方法及装置 | |
| Liang et al. | Objective quality prediction of image retargeting algorithms | |
| CN107516319A (zh) | 一种高精度简易交互式抠图方法、存储设备及终端 | |
| US20180322367A1 (en) | Image processing method, non-transitory computer readable storage medium and image processing system | |
| Huang et al. | RGB-D salient object detection by a CNN with multiple layers fusion | |
| CN111814620A (zh) | 人脸图像质量评价模型建立方法、优选方法、介质及装置 | |
| CN112465709B (zh) | 一种图像增强方法、装置、存储介质及设备 | |
| CN110689000A (zh) | 一种基于生成复杂环境下车牌样本的车辆车牌识别方法 | |
| CN111126347B (zh) | 人眼状态识别方法、装置、终端及可读存储介质 | |
| CN111079807B (zh) | 一种地物分类方法及装置 | |
| CN118154603B (zh) | 基于级联多层特征融合网络的显示屏缺陷检测方法及系统 | |
| CN110298829A (zh) | 一种舌诊方法、装置、系统、计算机设备和存储介质 | |
| CN113763415B (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
| CN113706562B (zh) | 图像分割方法、装置、系统及细胞分割方法 | |
| CN113792807B (zh) | 皮肤病分类模型训练方法、系统、介质和电子设备 | |
| CN111641822A (zh) | 一种重定位立体图像质量评价方法 | |
| CN113496148A (zh) | 一种多源数据融合方法及系统 | |
| Zong et al. | A cascaded refined rgb-d salient object detection network based on the attention mechanism | |
| CN110288026A (zh) | 一种基于度量关系图学习的图像分割方法及装置 | |
| CN103065302A (zh) | 一种基于离群数据挖掘的图像显著性检测方法 |
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 |