CN113592845A - 一种电池涂布的缺陷检测方法及装置、存储介质 - Google Patents

一种电池涂布的缺陷检测方法及装置、存储介质 Download PDF

Info

Publication number
CN113592845A
CN113592845A CN202110911738.3A CN202110911738A CN113592845A CN 113592845 A CN113592845 A CN 113592845A CN 202110911738 A CN202110911738 A CN 202110911738A CN 113592845 A CN113592845 A CN 113592845A
Authority
CN
China
Prior art keywords
defect
image
area
region
coating
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.)
Pending
Application number
CN202110911738.3A
Other languages
English (en)
Inventor
杨洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Huahan Weiye Technology Co ltd
Original Assignee
Shenzhen Huahan Weiye Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Huahan Weiye Technology Co ltd filed Critical Shenzhen Huahan Weiye Technology Co ltd
Priority to CN202110911738.3A priority Critical patent/CN113592845A/zh
Publication of CN113592845A publication Critical patent/CN113592845A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Abstract

本申请涉及一种电池涂布的缺陷检测方法及装置、存储介质，其中缺陷检测方法包括：获取电池涂布的待检测图像，区域定位得到至少一个涂覆区域和/或至少一个基板区域；检测涂覆区域的图像特征以分析得到涂覆区域内存在的第一缺陷，和/或，检测基板区域的图像特征以分析得到基板区域内存在的第二缺陷；特征分类处理分别得到对应的缺陷分类结果。技术方案通过区分图像中的涂覆区域和/或基板区域来分析不同区域内存在的缺陷，从而提升电池涂布缺陷检测的稳定性和鲁棒性；此外，在第一缺陷和/或第二缺陷的特征分类中，根据缺陷呈现的灰度和纹理特征得到缺陷的分类结果，既能够强化针对电池涂布的缺陷识别性能，也能够提高缺陷分类的准确性。

Description

一种电池涂布的缺陷检测方法及装置、存储介质
技术领域
本申请涉及图像处理技术领域，具体涉及一种电池涂布的缺陷检测方法及装置、存储介质。
背景技术
随着科技的持续发展和人民生活水平的不断提高，电池走进了工作生活等各个领域。目前，为了适应电池需求量的急剧增长，大部分电池生产厂对电池极板的生产越来越宽幅化、快速化，电池极板生产时需要进行涂布操作，对其涂布表面缺陷的检测是保证极板质量的一个重要环节。
目前，对于涂布缺陷的检测工作，常用方式还是通过人工观察来实现，当查看到有较大缺陷存在时，则停止涂布流水线，人工标记出缺陷的位置，以便后续处理；这种传统的人工检测方法不但效率低下，而且提高了劳动成本，此外，人容易出现视觉疲劳，不能够及时发现所有的涂布缺陷，或者较小的缺陷容易被忽略掉。因此，电池涂布缺陷的人工检测方法已经无法适应电池极板的大规模生产需求，也无法保证电池极板的涂布质量。
发明内容
本申请主要解决的技术问题是：如何提高电池涂布缺陷检测的效率和准确度。为解决上述技术问题，本申请提出一种锂电池涂布的缺陷检测方法及装置、存储介质。
根据第一方面，一种实施例中提供一种电池涂布的缺陷检测方法，包括：获取电池涂布的待检测图像；对所述待检测图像进行区域定位，得到至少一个涂覆区域和/或至少一个基板区域；检测所述涂覆区域的图像特征，分析得到所述涂覆区域内存在的第一缺陷；和/或，检测所述基板区域的图像特征，分析得到所述基板区域内存在的第二缺陷；对所述第一缺陷和/或所述第二缺陷进行特征分类处理，分别得到对应的缺陷分类结果。
所述对所述待检测图像进行区域定位，得到至少一个涂覆区域和/或至少一个基板区域，包括：对所述待检测图像进行二值化处理，得到二值化图像；对所述二值化图像进行形态学图像处理和区域轮廓分割处理，分割出至少一个涂覆区域和/或至少一个基板区域。
所述对所述二值化图像进行形态学图像处理和区域轮廓分割处理，得到至少一个涂覆区域和/或至少一个基板区域，包括：对所述二值化图像进行形态学变换，以及通过连通性分析和特征筛选得到若干个第一区域以及分别对应的轮廓数据；所述形态学变换包括膨胀、腐蚀、开运算、闭运算和梯度运算中的一者或多者；计算所述第一区域对应的轮廓数据中每个像素点的角度变化值，且表示为
αi＝arctan(yi+1-yi,xi+1-xi)；
其中，(xi,yi)(i＝1,2,…,N1)为第i个像素点的坐标，N1为所述轮廓数据中的像素数目；计算关于角度变化的角度变化阈值和像素平滑范围，且分别表示为
Figure BDA0003203954810000021
其中，κ为权重参数，lsum为所述第一区域的轮廓长度，σ为预设平滑系数；
对于所述第一区域对应的轮廓数据中的任意像素点p，判断像素点p的角度变化值与基准角度变化值的差值大于所述角度变化阈值，则确定像素点p为分割数据点；所述基准角度变化值为像素点p前后的像素平滑范围内各像素点通过直线拟合得到的像素点的角度变化值；根据确定的多个分割数据点形成近似多边形并对所述第一区域进行分割，得到若干段的区域边缘；计算每个所述区域边缘对应的平均角度，若判断邻近两个区域边缘对应的平均角度的差值小于或等于第一预设阈值，则将这两个区域边缘进行合并以得到新的区域边缘，以及计算新的区域边缘对应的平均角度；继续进行区域边缘的合并，直至所述第一区域能够用四边形轮廓进行表示；根据各个所述第一区域的四边形轮廓表示和区域内像素点的灰度值确定至少一个涂覆区域和/或至少一个基板区域。
所述检测所述涂覆区域的图像特征，分析得到所述涂覆区域内存在的第一缺陷，包括：对所述涂覆区域进行连续多次的下采样处理，得到多幅不同尺度的金字塔图像；计算每幅所述金字塔图像中各像素点的特征值，形成每幅所述金字塔图像对应的特征图，对每幅所述金字塔图像对应的特征图进行上采样处理，得到对应的上采样图像；所述上采样图像与所述涂覆区域具有相同的尺度；对于各幅所述金字塔图像分别对应的上采样图像，将各幅所述上采样图像中相同像素位置的特征值进行通道拼接，构成特征向量的集合；根据预设的神经网络对每个所述特征向量进行缺陷估计，得到属于缺陷的像素点；对所述涂覆区域中属于缺陷的像素点进行膨胀运算，得到膨胀区域并作为所述第一缺陷。
所述计算每幅所述金字塔图像中各像素点的特征值，形成每幅所述金字塔图像对应的特征图，包括：对于每幅所述金字塔图像中的任意一个像素点(i,j)，构建该像素点在预设像素范围内的灰度值集合，所述灰度值集合表示为
Figure BDA0003203954810000031
N2为所述预设像素范围内的像素数目；计算关于像素点(i,j)的中间参量，所述中间参量表示为
Figure BDA0003203954810000032
根据所述中间参量计算像素点(i,j)的特征值，且表示为
Figure BDA0003203954810000033
其中，μ为各像素点灰度集合的灰度均值，ε为促使Σij能够进行可逆运算的偏移量，Q为单位矩阵，M为马氏距离的运算函数；根据每幅所述金字塔图像中各个像素点的特征值形成对应的特征图。
所述检测所述基板区域的图像特征，分析得到所述基板区域内存在的第二缺陷，包括：对所述基板区域进行背景估计处理，通过噪声过滤得到背景估计图像；通过图像差分运算处理所述估计图像中的各像素点，得到差分图像；将所述差分图像中各像素点的差值分别与第二预设阈值进行比较，得到多个候选像素点；利用多个候选像素点得到候选区域并进行特征筛选，将筛选后的候选区域作为所述第二缺陷。
所述对所述基板区域进行背景估计处理，通过噪声过滤得到背景估计图像，包括：对于所述基板区域内的任意一个像素点(i,j)，计算像素点(i,j)与滤波模板中心点(k,l)的空间距离和灰度距离，且分别表示为
Figure BDA0003203954810000034
根据所述空间距离和所述灰度距离计算滤波核系数，且表示为
Figure BDA0003203954810000035
其中，σd、σr均预设的标准差，I(i,j)、I(k,l)均为像素灰度，exp为以自然常数e为底的指数函数；
根据所述滤波核系数计算背景估计图像，且表示为
Figure BDA0003203954810000036
所述对所述第一缺陷和/或所述第二缺陷进行特征分类，分别得到对应的缺陷分类结果，包括：对于所述第一缺陷和/或所述第二缺陷，计算每个缺陷的特征向量，将特征向量输入到至预设的MLP网络，由所述MLP网络进行缺陷特征的分析并输出缺陷类型；所述特征向量包含灰度值、归一化灰度值、梯度方向特征、水平投影、垂直投影、针状度、灰度共生矩阵特征中的一者或多者；所述缺陷类型包括漏洞、胶带、划痕、干裂、褶皱、破损、拖尾、脱碳、鼓泡、气泡、接带、亮点中的一者或多者；根据所述缺陷类型得到对应的缺陷分类结果。
根据第二方面，一种实施例中提供一种缺陷检测装置，包括：相机，用于对电池涂布进行取像以形成待检测图像；处理器，用于通过上述第一方面中所述的缺陷检测方法处理得到所述待检测图像中的缺陷和缺陷分类结果；显示器，用于对所述的待检测图像和/或所述缺陷分类结果进行显示。
所述处理器包括：获取模块，用于从所述相机获取电池涂布的待检测图像；定位模块，用于对所述待检测图像进行区域定位，得到至少一个涂覆区域和/或至少一个基板区域；分析模块，用于检测所述涂覆区域的图像特征，分析得到所述涂覆区域内存在的第一缺陷；和/或，用于检测所述基板区域的图像特征，分析得到所述基板区域内存在的第二缺陷；分类模块，用于对所述第一缺陷和/或所述第二缺陷进行特征分类处理，分别得到对应的缺陷分类结果。
根据第三方面，一种实施例中提供一种计算机可读存储介质，所述介质上存储有程序，所述程序能够被处理器执行以实现上述第一方面中所述的方法。
本申请的有益效果是：
依据上述实施例的一种电池涂布的缺陷检测方法及装置、存储介质，其中缺陷检测方法包括：获取电池涂布的待检测图像，对待检测图像进行区域定位，得到至少一个涂覆区域和/或至少一个基板区域；检测涂覆区域的图像特征以分析得到涂覆区域内存在的第一缺陷，和/或，检测基板区域的图像特征以分析得到基板区域内存在的第二缺陷；对第一缺陷和/或第二缺陷进行特征分类处理，分别得到对应的缺陷分类结果。一方面，对电池涂布的待检测图像进行区域定位处理，通过区分图像中的涂覆区域和/或基板区域来分析不同区域内存在的缺陷，从而提升电池涂布缺陷检测的稳定性和鲁棒性；另一方面，针对第一缺陷和/或第二缺陷进行了特征分类处理，根据缺陷呈现的灰度和纹理特征得到缺陷的分类结果，既能够强化针对电池涂布的缺陷识别性能，也能够提高缺陷分类的准确性。
附图说明
图1为本申请一种实施例中的缺陷检测装置的结构图；
图2为关于电池涂布的取像示意图；
图3为本申请一种实施例中电池涂布的缺陷检测方法的流程图；
图4为区域定位得到涂覆区域和/或基板区域的流程图；
图5为分析得到涂覆区域内存在的第一缺陷的流程图；
图6为分析得到基板区域内存在的第二缺陷的流程图；
图7为输出缺陷类型的原理示意图；
图8为空间距离和灰度距离的原理示意图；
图9为缺陷类型的示意图之一；
图10为缺陷类型的示意图之二；
图11为本申请另一种实施例中缺陷检测装置的结构图；
图12为处理器的机构示意图；
图13为本申请一种实施例中图像处理装置的结构结构图。
具体实施方式
下面通过具体实施方式结合附图对本申请作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本申请能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。在某些情况下，本申请相关的一些操作并没有在说明书中显示或者描述，这是为了避免本申请的核心部分被过多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
另外，说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时，方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此，说明书和附图中的各种顺序只是为了清楚描述某一个实施例，并不意味着是必须的顺序，除非另有说明其中某个顺序是必须遵循的。
本文中为部件所编序号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有任何顺序或技术含义。而本申请所说“连接”、“联接”，如无特别说明，均包括直接和间接连接(联接)。
电池极板的涂布缺陷检测工作是从已涂布的电池极板中查找出存在的缺陷位置和缺陷类型，不同的电池极板生产厂家在涂布过程中会产生不同类型的涂布缺陷，即使是同一涂布设备在不同的生产条件下，利用喷枪或者是其他涂布仪将涂布材料喷射在电池极板上以后也会产生不同的缺陷，所以涂布缺陷具有复杂且多样的特点。在一般的电池极板涂布流水线中，电池极板是分段涂布的加工方式，极板表面主要被分成涂覆区域和基板区域两部分，两段涂布区域之间存在较短的基板区域作为间隔，其中涂覆区域可采用电池上常用的隔膜材料，基板区域可以采用铝箔、铜箔等材料。需要说明的是，这里的电池极板可以是锂电池上使用的极板，也可以是其它干电池上使用的极板，只要涉及电池涂布就行，而不对电池涂布在哪种电池上的应用进行限制。
为了实现电池涂布缺陷检测的目的，在一些方案中，可以对关于电池涂布的输入图像进行预处理(比如均值滤波、中值滤波、高斯滤波等方法)，获取预处理后的图像；对预处理后的图像进行二值化处理，获取缺陷区域信息；对缺陷区域信息进行Blob分析，根据Blob分析后得到的图像区域特征进行筛选，并且判断是否属于缺陷；这种方式仅仅对能够实现缺陷检测，未能够对缺陷进行分类，也就无法进行缺陷类别的统计和管控。在一些方案中，可以基于卷积神经网络对缺陷类别进行语义分割和分类处理，从而获取缺陷的位置和类别；由于电池涂布的线扫描图像分辨率比较大，基本达到8000至12000像素，则利用卷积神经网络进行检测时会面临运算时间长的问题，从而无法满足在线和实时性的检测要求。不论是哪种方式，都需要预先设置检测区域信息，然而却没有对检测区域信息进行自动搜索，这必然会增加设备调试的难度和产品换型的效率，那么如何自动完成缺陷检测区域的搜索和检测已成为急需解决的关键技术。
本申请技术方案的目的是提供一种电池涂布的缺陷检测方法，能够实现对电池极板涂布缺陷的实时在线检测及分类，从而解决锂电池涂布在卷绕、模切、叠片等工艺中的缺陷检测和分类问题，然而一些简单的检测任务中只完成了缺陷的检测，对于缺陷的类别并没有进行分析。缺陷类别的分析和把控，可以对锂电池的工艺和生产质量进行改进提升，指导设备参数的调整；同时也可以将缺陷进行分级管理，做到追踪和溯源。
实施例一、
请参考图1，本实施例公开一种电池涂布的缺陷检测装置，其主要包括转动机构和检测机构。
其中，转动机构包括多个辊子(如附图标记101～110)，电池涂布L缠绕在这多个辊子上，并且随着辊子的转动作用，对接触于辊子的电池涂布L不断地进行传递。其中，辊子101、102、103、104、105、106构成电池涂布L的方向调节机构，能够引导电池涂布L沿着预设的行进方向进行传递；辊子107、108、109、110构成电池涂布L的纠偏调节机构，能够纠正电池涂布L在传递过程中的位置偏差。
其中，检测机构包括光源121和相机122，光源121和相机122设置在电池涂布L的一侧且靠近于A位置，由光源121对电池涂布L传递路径上的A位置进行照射，然后由相机122对经过A位置处电池涂布的一个侧面进行取像；比如A位置设置在辊子102的侧面，相机122采集的是电池涂布L上其中一侧面的图像。可以理解，由于电池涂布L连续不断地传递，所以需要触发相机122连续进行取像，从而使得相机122连续拍摄生成待检测图像，每一帧待检测图像是电池涂布L上一段涂布的成像结果，只要合理配置传递速度和取像频率就能够利用各帧的待检测图像完成电池涂布L的完整缺陷检测。
进一步地，检测机构还可以包括光源131和相机132，光源131和相机132设置在电池涂布L的另一侧且靠近于B位置，由光源131对电池涂布L传递路径上的B位置进行照射，然后由相机132对经过B位置处电池涂布的另一个侧面进行取像；比如，B位置设置在辊子105的侧面，相机122采集的是电池涂布L上另一侧面的图像，也能够连续拍摄生成待检测图像。可以理解，由于相机122、相机132分设在电池涂布L的两侧，所以能够实现对电池涂布L的两个侧面的实时取像，为检测电池涂布L的两个侧面上的缺陷提供了硬件基础。
优选地，图1中的相机121和相机122可以采用线阵相机，即采用线阵图像传感器的相机。线阵图像传感器主要分为单色和彩色两种，因此线阵相机也分为单色和彩色两种。线阵相机非常适用连续检测匀速运动状态的物体，利用一台或多台线阵相机对物体表面逐行连续扫描，取像速度快且具有高分辨率，能够达到对物体整个表面的均匀检测要求。
进一步地，检测机构还可以包括处理器14，处理器14与相机122、相机132信号连接。一方面，处理器14可以分别控制相机122、相机132的取像频率和取像参数；另一方面，处理器14可以分别接收相机122、相机132取像得到的待检测图像，以及通过一种电池涂布的缺陷检测方法对待检测图像进行处理，得到待检测图像中的缺陷和缺陷分类结果。
在一个具体实施例中，由相机122或相机132取像生成的一帧待检测图像可以参考图2，其包括涂覆区域21、23，以及基板区域22，且基板区域22正好作为涂覆区域21、23之间的间隔。在图2中，肉眼可发现在涂覆区域21上存在一个漏洞211，并且在基板区域22上存在一些划痕221。那么，使用处理器14的目的就是准确地检测出待检测图像中出现的涂布缺陷(如漏洞211、划痕221)，而且，处理器14中涉及执行的电池涂布的缺陷检测方法将在下文的实施例二中进行具体说明。
实施例二、
请参考图3，本实施例中公开一种电池涂布的缺陷检测方法，主要包括步骤100-400，下面分别说明。
步骤100，获取电池涂布的待检测图像。比如图1中处理器14从相机122和相机132接收相机自身取像生成的待检测图像。
步骤200，对待检测图像进行区域定位，得到至少一个涂覆区域和/或至少一个基板区域。
由于电池涂布的涂覆区域之间存在较短的基板区域作为间隔，而涂覆区域和基板区域又具有明显不同的成像特征，所以有必要对待检测图像进行区域定位，目的是找到待检测图像中的涂覆区域和/或基板区域，从而对不同的区域进行不同的图像特征分析。
可以理解，待检测图像是电池涂布上一段涂布的成像结果，在这一段涂布上涂覆区和铝箔区的大小、数量并不固定，则在待检测图像中区域定位的结果也并不唯一，那么可以得到至少一个涂覆区域和/或至少一个基板区域。
步骤300，检测涂覆区域的图像特征，分析得到涂覆区域内存在的第一缺陷；和/或，检测基板区域的图像特征，分析得到基板区域内存在的第二缺陷。
需要说明的是，涂覆和基板对光的反射性能不同，所以涂覆区域和基板区域具有不同的图像特征，需要分别分析才能够检测出相应区域内存在的缺陷。这里提及的第一缺陷主要是指涂覆区域内检测出的缺陷，第一缺陷的类型和数量不做限制，比如可能存在0个、1个或多个相同类型，甚至是不同类型的第一缺陷。而且，这里提及的第二缺陷主要是指基板区域内检测出的缺陷，第二缺陷的类型和数量也不做限制，比如可能存在0个、1个或多个相同类型，甚至是不同类型的第二缺陷。此外，无论是第一缺陷，还是第二缺陷，缺陷类型可以包括漏洞、胶带、划痕、干裂、褶皱、破损、拖尾、脱碳、鼓泡、气泡、接带、亮点中的一者或多者。
步骤400，对第一缺陷和/或第二缺陷进行特征分类处理，分别得到对应的缺陷分类结果。
需要说明的是，由于第一缺陷和第二缺陷的数量和类型不唯一，所以这里只要得到有第一缺陷和/或第二缺陷，那么就对其进行特征分类，得到其中每个缺陷对应的缺陷分类结果。
在本实施例中，上面的步骤200主要涉及待检测图像区域定位的过程，那么可参考图4，该步骤200可具体包括步骤210-230，分别说明如下。
步骤210，对待检测图像进行二值化处理，得到二值化图像。
需要说明的是，待检测图像的二值化处理就是将待检测图像上像素点的灰度值设置为0或255，从而使整个图像呈现出明显的黑白效果，即将256个亮度等级的灰度图像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像。
在数字图像处理中，二值化图像占有非常重要的地位，首先要把灰度图像二值化，然后才能对得到的二值化图像进行处理和分析，此时图像的集合性质只与像素值为0或255的像素点的位置有关，不再涉及像素的多级值，使处理过程变得简单。为了得到理想的二值化图像，所有灰度大于或等于某个阈值的像素被判定为属于特定物体，其灰度值用255表示，否则这些像素点被排除在物体区域以外，灰度值用0表示。
步骤220，对二值化图像进行形态学图像处理、连通性分析和特征筛选，得到若干个第一区域和分别对应的轮廓数据。
在一个具体实施例中，可以对二值化图像进行形态学变换，比如使用的形态学变换包括膨胀、腐蚀、开运算、闭运算和梯度运算中的一者或多者，目的是去除二值化图像中的空洞和小面积的干扰像素，从而得到一些去干扰的像素集合。对这些像素集合进行连通性分析就可得到一些连通区域，进一步地对这些连通区域进行特征筛选，即能够得到若干个第一区域。由于每个第一区域具有明显的边缘轮廓，所以提取每个第一区域的边缘轮廓上的像素点即可得到对应的轮廓数据。
需要说明的是，连通性分析是指分析多个相邻像素点之间的连通性，找出像素灰度符合相似性条件且连成一片的像素区域，并对像素区域进行唯一性标记。特征筛选是指利用连通区域的灰度平均值、面积、圆度、外接矩形、外包矩形、长度、宽度等参数作为筛选对象，保留符合要求的连通区域；比如对连通区域的面积进行筛选，大于或等于预设面积阈值的连通区域被认为是符合面积筛选条件的区域，从而将符合面积筛选条件的区域作为第一区域。
步骤230，对各个第一区域分别进行区域轮廓分割处理，分割出至少一个涂覆区域和/或至少一个基板区域。
需要说明的是，在这里可将每个第一区域的轮廓数据采用游程形式进行表示，包含(ri,cb,i,ce,i)，ri为区域中游程的行坐标，cb,i为游程的开始列，ce,i为游程的结束列，并且i表示游程索引的下标，b表示游程的开始，e表示游程的结束。那么，根据输入的游程集合可将第一区域转换为边缘像素表示的轮廓数据，轮廓数据表示为一系列的数据点的集合，由横纵坐标构成，(xi,yi)(i＝1,2,…,N)。为了达到区域轮廓分割的目的，需要对每个第一区域对应的轮廓数据进行分割，以便完成矩形拟合，分割过程中可以根据相邻点集的角度变化和相应的平滑获取到分割数据点。
在一个具体实施例中，计算每个第一区域对应的轮廓数据中每个像素点的角度变化值，且表示为
αi＝arctan(yi+1-yi,xi+1-xi)；
其中，(xi,yi)(i＝1,2,…,N1)为第i个像素点的坐标，N1为轮廓数据中的像素数目。
而且，计算关于角度变化的角度变化阈值和像素平滑范围，且分别表示为
Figure BDA0003203954810000101
其中，κ为权重参数，lsum为第一区域的轮廓长度，σ为平滑系数。
那么，对于第一区域对应的轮廓数据中的任意像素点p，判断该像素点p的角度变化值与基准角度变化值的差值大于角度变化阈值，则确定该像素点p为分割数据点。基准角度变化值为像素点p前后的像素平滑范围内各像素点通过直线拟合得到的像素点的角度变化值，比如，使用最小二乘法对像素点p前后各L0个像素点进行直线拟合处理，得到拟合后直线上的各像素坐标或者直线的归一化系数，进而计算得到关于直线的角度变化值，也就得到了像素点p对应的基准角度变化值。可以理解，在判断某个像素点的角度变化值与对应的基准角度变化值的差值大于αt＝2κπ/lsum(比如角度阈值
Figure BDA0003203954810000102
)时，则表明该像素点与前后的像素点之间存在较大的角度变化差异，就能够确定该像素点为分割数据点。此时，可根据确定的多个分割数据点形成近似多边形，并对第一区域进行分割，得到若干段的区域边缘；每段的区域轮廓包含若干个像素点且能够形成为一个直线段，每段的区域轮廓可以用Ci进行表示。接下来，计算每个区域边缘的平均角度(平均角度即为区域边缘中各像素点相对坐标轴的角度平均计算结果)，若判断邻近两个区域边缘对应的平均角度的差值小于或等于第一预设阈值(比如角度阈值
Figure BDA0003203954810000103
)，则将这两个区域边缘进行合并以得到新的区域边缘，以及计算新的区域边缘对应的平均角度。然后以此类推，继续进行区域边缘的合并，直至合并后的各区域边缘表示为Ci′(i＝1,2,3,4)，通过对每段区域边缘进行直线拟合可得到四边形(比如矩形)的四个交点，从而使得第一区域能够用四边形轮廓进行表示，这里的四边形轮廓表示的区域就是候选区域。
由于能够得到各个第一区域分别对应的四边形轮廓表示(即候选区域)，则根据各个四边形轮廓表示和区域内像素点的灰度值可确定至少一个涂覆区域和/或至少一个基板区域。可以理解，在二值化图像中，涂覆区域和基板区域的像素存在明显的灰度差异(比如涂覆区域的像素灰度范围是50-100，基板区域的像素灰度范围为225-250)，那么只要在得到每个四边形轮廓表示的区域的情况下，就能够依据区域内的像素灰度判断该候选区域是属于涂覆区域，还是属于基板区域。
在本实施例中，上面的步骤300主要涉及涂覆区域的图像特征分析过程和基板区域的图像特征分析过程。那么，对于涂覆区域的图像特征分析过程可以可参考图5，具体包括步骤311-314，分别说明如下。
步骤311，对涂覆区域进行连续多次的下采样处理，得到多幅不同尺度的金字塔图像。
需要说明的是，通过连续多次的下采样处理可将原始图(如涂覆区域表示的图像)生成为多个层级的图像金字塔，其包含有多幅不同分辨率的金字塔图像，是涂覆区域多尺度表达的一种方式。可以理解，图像金字塔实际上是一系列以金字塔形状(自下而上)逐步降低，且来源于同一张原始图，通过梯次向下采样获得，直到达到某个终止条件才停止采样的图像处理过程，因此将一层一层构成的图像比喻成图像金字塔，层级越高，则金字塔图像越小且分辨率越低；也就是说，图像金字塔的底部是涂覆区域的高分辨率表示，而顶部是低分辨率的近似，当向金字塔的上层移动时，尺寸和分辨率就会降低。
需要说明的是，对于涂覆区域表示的图像，且尺寸可以表示为M×N，则对其进行2倍下采样即得到
Figure BDA0003203954810000111
尺寸的金字塔图像。
步骤312，计算每幅金字塔图像中各像素点的特征值，形成每幅金字塔图像对应的特征图，对每幅金字塔图像对应的特征图进行上采样处理，得到对应的上采样图像。在这里，上采样图像与涂覆区域具有相同的尺度。
在一个具体实施例中，为了得到每幅金字塔图像对应的特征图，则对于每幅金字塔图像中的任意一个像素点(i,j)，构建该像素点在预设像素范围(比如5×5、1×11、11×1、7×7、1×15、15×1中任一个对应图像块patch)内的灰度值集合，而且灰度值集合表示为
Figure BDA0003203954810000112
N2为预设像素范围内的像素数目。
那么，能够计算关于像素点(i,j)的中间参量，该中间参量表示为
Figure BDA0003203954810000113
根据中间参量计算像素点(i,j)的特征值，且表示为
Figure BDA0003203954810000114
其中，μ为各像素点灰度值集合的灰度均值，ε为促使Σij能够进行可逆运算的偏移量，Q为单位矩阵，M为马氏距离的运算函数。
由于计算得到了各像素点的特征值，那么根据每幅金字塔图像中各个像素点的特征值形成对应的特征图。
在得到每幅金字塔图像对应的特征图的情况下，可以对特征图进行上采样处理，得到与涂覆区域等尺度大小的上采样图像。
需要说明的是，上采样处理可以用来进行特征图的放大，多采用内插方法，即在原有图像像素的基础上在像素点之间采用合适的插值算法插入新的元素，例如基于边缘的图像插值算法和基于区域的图像插值算法。
步骤313，对于各幅金字塔图像分别对应的上采样图像，将各幅上采样图像中相同像素位置的特征值进行通道拼接，构成特征向量的集合；根据预设的神经网络对每个特征向量进行缺陷估计，得到属于缺陷的像素点。
需要说明的是，对于各幅上采样图像，每个像素的特征值可以通过步骤312中的方式计算得到，那么只需要在相同像素位置对各像素的特征值进行拼接组合即可得到对应的特征向量；得到的所有特征向量能够构成特征向量的集合。
对于特征向量集合中的每个特征向量，在对每个特向向量进行缺陷估计时，可将每个特征向量输入到MLP网络或者利用SVM进行训练和判断，根据softmax函数输出的概率进行缺陷判断。需要说明的是，MLP(Multi-Layer Perceptron)是一种前向结构的人工神经网络，映射一组输入向量到一组输出向量。MLP可以被看做是一个有向图，由多个节点层组成，每一层全连接到下一层，除了输入节点，每个节点都是一个带有非线性激活函数的神经元。由于MLP是常规的人工神经网络，所以这里不再对其结构和原理进行详细说明。
需要说明的是，支持向量机(Support Vector Machine，简称SVM)是一类按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面。可将SVM视为一种二分类模型，它将实例的特征向量映射为空间中的一些点，目的就是想要画出一条线，以“最好地”区分这两类点，以至如果以后有了新的点，这条线也能做出很好的分类。由于SVM是常见的分类模型，所以这里不再对其机构和原理进行详细说明。
步骤314，对涂覆区域中属于缺陷的像素点进行膨胀运算，得到膨胀区域并作为第一缺陷。膨胀运算是图像形态学变换的一种方式，这里不再详细说明。
在本实施例中，上面的步骤300主要涉及涂覆区域的图像特征分析过程和基板区域的图像特征分析过程。那么，对于基板区域的图像特征分析过程可以可参考图6，具体包括步骤321-324，分别说明如下。
步骤321，对基板区域进行背景估计处理，通过噪声过滤得到背景估计图像。
在一个具体实施例中，对于基板区域内的任意一个像素点(i,j)，计算像素点(i,j)与滤波模板中心点(k,l)的空间距离和灰度距离，且分别表示为
Figure BDA0003203954810000131
在背景估计处理过程中，主要考虑空间区域和像素范围域，对于滤波点越近的像素点，其引力应该越大，影响也就越大，临近的灰度值应该也变化比较小。因此，在背景估计的时候需要综合考虑空间距离和灰度距离，图8中就分别示意了空间距离和灰度距离，其中空间距离是指当前点距离滤波模板中心点的欧式距离，灰度距离是指当前点距离滤波模板中心点的灰度的差值的绝对值。
对于像素点(i,j)与滤波模板中心点(k,l)，根据空间距离和灰度距离能够计算滤波核系数，且表示为
Figure BDA0003203954810000132
其中，σd、σr均预设的标准差，I(i,j)、I(k,l)均为像素灰度，exp为以自然常数e为底的指数函数。
需要说明的是，核函数是空间域核与像素范围域核的综合结果。1)在图像的平坦区域，像素值变化很小，那么像素差值接近于0，对应的像素范围域权重接近于1，此时空间域权重起主要作用，相当于进行高斯模糊；2)在图像的边缘区域，像素值变化很大，那么像素差值大，对应的像素范围域权重变大，即使距离远空间域权重小，加上像素域权重总的系数也较大，从而保护了边缘的信息。
接下来，根据滤波核系数能够计算背景估计图像，且表示为
Figure BDA0003203954810000133
步骤322，通过图像差分运算处理估计图像中的各像素点，得到差分图像。
需要说明的是，图像差分运算就是把两幅图像的对应像素值相减，以削弱图像的相似部分，突出显示图像的变化部分。例如，差分图像往往能够检测出目标物体的轮廓，能够提取出轮廓信息。
需要说明的是，背景估计的目的是将背景的中的噪声消除掉，同时保留缺陷，通过差值的方式能够将背景几乎变为0，缺陷的差值比较大，然后通过二值化即可进行判断和分析。比如，背景估计采用低通滤波的方式进行，距离该像素比较近的坐标，可以认为它的引力场更强，则希望权重更大，距离远的权重更小。在局部范围内如果是认为低频区域是一个均匀分布的形式，则两者灰度差应该比较小，权重应该比较大；如果是高频区域，则希望继续保持这种高频成分，权重应该对该像素的灰度值影响比较小。因此，这里是结合两个方面的考虑，形成了双权重系数设计的方式。
步骤323，将差分图像中各像素点的差值分别与第二预设阈值进行比较，得到多个候选像素点。第二预设阈值可由用户进行设定，具体的阈值大小不做限定。
步骤324，利用多个候选像素点得到候选区域并进行特征筛选，将筛选后的候选区域作为第二缺陷。
需要说明的是，可根据得到的多个候选像素点进行连通性分析，得到一些连通区域，比如将那些相邻的且符合相似性条件的候选像素点标记为一个连通区域；然后，对各个连通区域进行特征筛选，比如利用连通区域的灰度平均值、面积、圆度、外接矩形、外包矩形、长度、宽度等参数作为筛选对象，保留下来的即为候选区域。
在本实施例中，步骤400中主要涉及特征分类得到缺陷分类结果的过程，那么其中对第一缺陷和/或第二缺陷进行特征分类的原理可以参见图7。
在图7中，对于第一缺陷和/或第二缺陷，计算每个缺陷的特征向量，将特征向量分别输入至预设的MLP网络，由MLP网络进行缺陷特征的分析并输出缺陷类型。
需要说明的是，第一缺陷(或第二缺陷)对应的特征向量可以由特征值组合构成，比如灰度值、归一化灰度值、梯度方向特征、水平投影、垂直投影、针状度、灰度共生矩阵特征中的一者或多者。下面将对特征值的各种表示形式进行简要说明。
灰度值：设区域图像(即上采样图像)的大小为w×h，灰度特征表示为每个像素灰度值的集合，一共是w×h个元素的向量。
归一化灰度值：归一化灰度表示为区域范围内的灰度值与区域灰度值最大值的比值构成的向量，共w×h个元素。
梯度方向特征：将区域图像划分为5×5的网格结构，统计每个网格的梯度方向的数量(梯度方向划分为8个)，因此一共有200个元素维度。
水平投影：获取区域图像的每一行灰度值平均值，将平均值构成一个向量，向量维度为区域的行数。
垂直投影：获取区域图像的每一列灰度值平均值，将平均值构成一个向量，向量维度为区域的列数。
针状度：
Figure BDA0003203954810000151
其中r0、c0分别表示区域的重心，因此可以获得一些过程参数，比如
Figure BDA0003203954810000152
Figure BDA0003203954810000153
则针状度可以表示为Ra/Rb。
灰度共生矩阵特征：设灰度共生矩阵的元素值表示为cij，那么共生矩阵的能量可以表示为
Figure BDA0003203954810000154
相关性可以表示为
Figure BDA0003203954810000155
其中，
Figure BDA0003203954810000156
width表示灰度共生矩阵的宽度。
一致性可以表示为
Figure BDA0003203954810000157
对比度可以表示为
Figure BDA0003203954810000158
在一个具体实施例中，每个缺陷对应的特征向量可以是由上面的若干种特征值构成的一个一维向量，比如表示为n×1维或者1×n维。那么进行特征分类时，只需要将每个特向向量输入到MLP网络，即可根据softmax函数输出的概率进行缺陷类别的估计。
需要说明的是，MLP(Multi-Layer Perceptron)网络主要包含输入层、隐藏层、输出层三个部分，每个层由若干个神经元构成，神经元之间采用全连接的方式进行连接，各个连接之间通过权重和偏置进行参数传递，参数优化过程通过反向传播算法进行优化。这里不再对MLP网络的结构和原理进行详细说明。
在这里，MLP网络输出的缺陷类型包括漏洞、胶带、划痕、干裂、褶皱、破损、拖尾、脱碳、鼓泡、气泡、接带、亮点中的一者或多者。
比如，在图9和图10中展示了各种缺陷类型的实物形式。在图9中，六个图片分别展示了漏洞、胶带、划痕、破损、干裂、褶皱情况下的缺陷类型；而在图10中，六个图片分别展示了拖尾、脱碳、鼓泡、气泡、接带、亮点情况下的缺陷类型。可以理解，针对图9和图10中展示的电池涂布上存在的这些缺陷，只要使用本实施例中公开的缺陷检测方法对电池涂布的待检测图像进行处理，即可得知电池涂布上哪个位置处具有什么类型的缺陷，为用户了解电池涂布的产品质量以及修补缺陷提供了便利。
本领域的技术人员可以理解，在得到第一缺陷、第二缺陷分别对应的缺陷类型的情况下，容易根据缺陷类型形成对应的缺陷分类结果。比如，如果第一缺陷的类型是漏洞，则第一缺陷对应的缺陷分类结果就是漏洞。
本领域的技术人员可以理解，本实施例中公开的技术方案能够通过缺陷检测获取缺陷的区域定位信息，然后根据区域定位信息进行特征的筛选和计算，进而根据特征向量进行分类处理。技术方案实质是采用决策树形式进行，结合模糊控制和机器学习方法，降低特征选择的复杂度，从而提升检测效率。
实施例三、
请参考图11，在实施例二中公开的电池涂布的缺陷检测方法基础上，本实施例公开缺陷检测装置，其主要包括相机51、处理器52和显示器53，下面分别说明。
相机51用于通过取像得到电池涂布的待检测图像。这里的相机51可以是图1中的相机122或相机132，能够实现对电池涂布的表面进行实时取像，由取像形成的每一帧图像作为待检测图像。
处理器52与相机51连接，用于通过实施例一中公开的缺陷检测方法对待检测图像进行检测，得到待检测图像中的缺陷和缺陷分类结果。可以理解，处理器52可以是具有数据处理功能的CPU、GPU、FPGA、微控制器或数字集成电路，只要能够依据自身逻辑指令实现上文实施例二中步骤100-400实现的缺陷检测方法即可。
显示器53与处理器52连接，用于对待检测图像和/或缺陷分类结果进行显示。可以理解，显示器53可以是具有图像显示功能的屏幕，能够对待检测图像和缺陷分类结果进行单独显示或共同显示即可，具体的屏幕类型和显示布局方式不做限制。
在一个具体实施例中，参见图12，处理器52可包括获取模块52-1、定位模块52-2、分析模块52-3和分类模块52-4，分别说明如下。
获取模块52-1与图11中的51相机通信连接，主要用于从相机51获取电池涂布的待检测图像。
定位模块52-2与获取模块52-1连接，主要用于对待检测图像进行区域定位，得到至少一个涂覆区域和/或至少一个基板区域。比如，定位模块52-2对待检测图像进行二值化处理，得到二值化图像；然后，对二值化图像进行形态学图像处理和区域轮廓分割处理，分割出至少一个涂覆区域和/或至少一个基板区域。关于定位模块52-2的功能可具体参考实施例二中的步骤210-230，这里不再赘述。
分析模块52-3与定位模块52-2连接，主要用于检测涂覆区域的图像特征，分析得到涂覆区域内存在的第一缺陷；和/或，用于检测基板区域的图像特征，分析得到基板区域内存在的第二缺陷。比如，对于涂覆区域，分析模块52-3对涂覆区域进行连续多次的下采样处理，得到多幅不同尺度的金字塔图像；计算每幅金字塔图像中各像素点的特征值，形成每幅金字塔图像对应的特征图，对每幅金字塔图像对应的特征图进行上采样处理，得到对应的上采样图像；对于各幅金字塔图像分别对应的上采样图像，将各幅上采样图像中相同像素位置的特征值进行通道拼接，构成特征向量的集合；根据预设的神经网络对每个特征向量进行缺陷估计，得到属于缺陷的像素点；对涂覆区域中属于缺陷的像素点进行膨胀运算，得到膨胀区域并作为第一缺陷。关于分析模块52-3对涂覆区域的处理过程可具体参考实施例二中的步骤311-314，这里不再赘述。
再比如，对于基板区域，分析模块52-3对基板区域进行背景估计处理，通过噪声过滤得到背景估计图像；通过图像差分运算处理估计图像中的各像素点，得到差分图像；将差分图像中各像素点的差值分别与第二预设阈值进行比较，得到多个候选像素点；利用多个候选像素点得到候选区域并进行特征筛选，将筛选后的候选区域作为第二缺陷。关于分析模块52-3对基板区域的处理过程可具体参考实施例二中的步骤321-324，这里不再赘述。
分类模块52-4与分析模块52-3，主要用于对第一缺陷和/或第二缺陷进行特征分类处理，分别得到对应的缺陷分类结果。关于分类模块52-4的功能可具体参考实施例二中的步骤400，这里不再赘述。
本领域的技术人员可以理解，处理器52在执行实施例二中的缺陷检测方法时，能够对电池涂布的待检测图像进行区域定位处理，通过区分图像中的涂覆区域和/或基板区域来分析不同区域内存在的缺陷，从而提升电池涂布缺陷检测的稳定性和鲁棒性。此外，处理器52针对第一缺陷和/或第二缺陷进行了特征分类处理时，能够根据缺陷呈现的灰度和纹理特征得到缺陷的分类结果，既能够强化针对电池涂布的缺陷识别性能，也能够提高缺陷分类的准确性。
实施例四、
请参考图13，本实施例公开一种图像处理装置，该图像处理装置6主要包括存储器61和处理器42。
图像处理装置6的主要部件为存储器61和处理器62。其中，存储器61作为计算机可读存储介质，主要用于存储程序，该程序可以是实施例二中缺陷检测方法对应的程序代码。
其中，处理器62与存储器61连接，用于执行存储器61中存储的程序以实现缺陷检测方法。处理器62实现的功能可以参考实施例三中的处理器52，这里不再进行详细说明。
本领域技术人员可以理解，上述实施方式中各种方法的全部或部分功能可以通过硬件的方式实现，也可以通过计算机程序的方式实现。当上述实施方式中全部或部分功能通过计算机程序的方式实现时，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器、随机存储器、磁盘、光盘、硬盘等，通过计算机执行该程序以实现上述功能。例如，将程序存储在设备的存储器中，当通过处理器执行存储器中程序，即可实现上述全部或部分功能。另外，当上述实施方式中全部或部分功能通过计算机程序的方式实现时，该程序也可以存储在服务器、另一计算机、磁盘、光盘、闪存盘或移动硬盘等存储介质中，通过下载或复制保存到本地设备的存储器中，或对本地设备的系统进行版本更新，当通过处理器执行存储器中的程序时，即可实现上述实施方式中全部或部分功能。
以上应用了具体个例对本申请进行阐述，只是用于帮助理解本申请技术方案，并不用以限制本申请。对于所属技术领域的技术人员，依据本申请的思想，还可以做出若干简单推演、变形或替换。

Claims (11)

1.一种电池涂布的缺陷检测方法，其特征在于，包括：
获取电池涂布的待检测图像；
对所述待检测图像进行区域定位，得到至少一个涂覆区域和/或至少一个基板区域；
检测所述涂覆区域的图像特征，分析得到所述涂覆区域内存在的第一缺陷；和/或，检测所述基板区域的图像特征，分析得到所述基板区域内存在的第二缺陷；
对所述第一缺陷和/或所述第二缺陷进行特征分类处理，分别得到对应的缺陷分类结果。
2.如权利要求1所述的缺陷检测方法，其特征在于，所述对所述待检测图像进行区域定位，得到至少一个涂覆区域和/或至少一个基板区域，包括：
对所述待检测图像进行二值化处理，得到二值化图像；
对所述二值化图像进行形态学图像处理和区域轮廓分割处理，分割出至少一个涂覆区域和/或至少一个基板区域。
3.如权利要求2所述的缺陷检测方法，其特征在于，所述对所述二值化图像进行形态学图像处理和区域轮廓分割处理，得到至少一个涂覆区域和/或至少一个基板区域，包括：
对所述二值化图像进行形态学变换，以及通过连通性分析和特征筛选得到若干个第一区域以及分别对应的轮廓数据；所述形态学变换包括膨胀、腐蚀、开运算、闭运算和梯度运算中的一者或多者；
计算所述第一区域对应的轮廓数据中每个像素点的角度变化值，且表示为
αi＝arctan(yi+1-yi,xi+1-xi)；
其中，(xi,yi)(i＝1,2,…,N1)为第i个像素点的坐标，N1为所述轮廓数据中的像素数目；
计算关于角度变化的角度变化阈值和像素平滑范围，且分别表示为
αt＝2κπ/lsum，
Figure FDA0003203954800000011
其中，κ为权重参数，lsum为所述第一区域的轮廓长度，σ为预设平滑系数；
对于所述第一区域对应的轮廓数据中的任意像素点p，判断像素点p的角度变化值与基准角度变化值的差值大于所述角度变化阈值，则确定像素点p为分割数据点；所述基准角度变化值为像素点p前后的像素平滑范围内各像素点通过直线拟合得到的像素点的角度变化值；
根据确定的多个分割数据点形成近似多边形并对所述第一区域的边缘轮廓进行分割，得到若干段的区域边缘；
计算每个所述区域边缘对应的平均角度，若判断邻近两个区域边缘对应的平均角度的差值小于或等于第一预设阈值，则将这两个区域边缘进行合并以得到新的区域边缘，以及计算新的区域边缘对应的平均角度；继续进行区域边缘的合并，直至所述第一区域能够用四边形轮廓进行表示；
根据各个所述第一区域的四边形轮廓表示和区域内像素点的灰度值确定至少一个涂覆区域和/或至少一个基板区域。
4.如权利要求1所述的缺陷检测方法，其特征在于，所述检测所述涂覆区域的图像特征，分析得到所述涂覆区域内存在的第一缺陷，包括：
对所述涂覆区域进行连续多次的下采样处理，得到多幅不同尺度的金字塔图像；
计算每幅所述金字塔图像中各像素点的特征值，形成每幅所述金字塔图像对应的特征图，对每幅所述金字塔图像对应的特征图进行上采样处理，得到对应的上采样图像；所述上采样图像与所述涂覆区域具有相同的尺度；
对于各幅所述金字塔图像分别对应的上采样图像，将各幅所述上采样图像中相同像素位置的特征值进行通道拼接，构成特征向量的集合；根据预设的神经网络对每个所述特征向量进行缺陷估计，得到属于缺陷的像素点；
对所述涂覆区域中属于缺陷的像素点进行膨胀运算，得到膨胀区域并作为所述第一缺陷。
5.如权利要求4所述的缺陷检测方法，其特征在于，所述计算每幅所述金字塔图像中各像素点的特征值，形成每幅所述金字塔图像对应的特征图，包括：
对于每幅所述金字塔图像中的任意一个像素点(i,j)，构建该像素点在预设像素范围内的灰度值集合，所述灰度值集合表示为
Figure FDA0003203954800000021
N2为所述预设像素范围内的像素数目；
计算关于像素点(i,j)的中间参量，所述中间参量表示为
Figure FDA0003203954800000022
根据所述中间参量计算像素点(i,j)的特征值，且表示为
Figure FDA0003203954800000023
其中，μ为各像素点灰度集合的灰度均值，ε为促使Σij能够进行可逆运算的偏移量，Q为单位矩阵，M为马氏距离的运算函数；
根据每幅所述金字塔图像中各个像素点的特征值形成对应的特征图。
6.如权利要求1所述的缺陷检测方法，其特征在于，所述检测所述基板区域的图像特征，分析得到所述基板区域内存在的第二缺陷，包括：
对所述基板区域进行背景估计处理，通过噪声过滤得到背景估计图像；
通过图像差分运算处理所述估计图像中的各像素点，得到差分图像；
将所述差分图像中各像素点的差值分别与第二预设阈值进行比较，得到多个候选像素点；
利用多个候选像素点得到候选区域并进行特征筛选，将筛选后的特征区域作为所述第二缺陷。
7.如权利要求6所述的缺陷检测方法，其特征在于，所述对所述基板区域进行背景估计处理，通过噪声过滤得到背景估计图像，包括：
对于所述基板区域内的任意一个像素点(i,j)，计算像素点(i,j)与滤波模板中心点(k,l)的空间距离和灰度距离，且分别表示为
Figure FDA0003203954800000031
根据所述空间距离和所述灰度距离计算滤波核系数，且表示为
Figure FDA0003203954800000032
其中，σd、σr均预设的标准差，I(i,j)、I(k,l)均为像素灰度，exp为以自然常数e为底的指数函数；
根据所述滤波核系数计算背景估计图像，且表示为
Figure FDA0003203954800000033
8.如权利要求1所述的缺陷检测方法，其特征在于，所述对所述第一缺陷和/或所述第二缺陷进行特征分类，分别得到对应的缺陷分类结果，包括：
对于所述第一缺陷和/或所述第二缺陷，计算每个缺陷的特征向量，将特征向量输入到至预设的MLP网络，由所述MLP网络进行缺陷特征的分析并输出缺陷类型；所述特征向量包含灰度值、归一化灰度值、梯度方向特征、水平投影、垂直投影、针状度、灰度共生矩阵特征中的一者或多者；所述缺陷类型包括漏洞、胶带、划痕、干裂、褶皱、破损、拖尾、脱碳、鼓泡、气泡、接带、亮点中的一者或多者；
根据所述缺陷类型得到对应的缺陷分类结果。
9.一种缺陷检测装置，其特征在于，包括：
相机，用于对电池涂布进行取像以形成待检测图像；
处理器，用于通过权利要求1-8中任一项所述的缺陷检测方法处理得到所述待检测图像中的缺陷和缺陷分类结果；
显示器，用于对所述的待检测图像和/或所述缺陷分类结果进行显示，以及通过伪彩色显示判定为缺陷的置信度。
10.如权利要求9所述的缺陷检测装置，其特征在于，所述处理器包括：
获取模块，用于从所述相机获取电池涂布的待检测图像；
定位模块，用于对所述待检测图像进行区域定位，得到至少一个涂覆区域和/或至少一个基板区域；
分析模块，用于检测所述涂覆区域的图像特征，分析得到所述涂覆区域内存在的第一缺陷；和/或，用于检测所述基板区域的图像特征，分析得到所述基板区域内存在的第二缺陷；
分类模块，用于对所述第一缺陷和/或所述第二缺陷进行特征分类处理，分别得到对应的缺陷分类结果。
11.一种计算机可读存储介质，其特征在于，所述介质上存储有程序，所述程序能够被处理器执行以实现如权利要求1-8中任一项所述的方法。
CN202110911738.3A 2021-08-10 2021-08-10 一种电池涂布的缺陷检测方法及装置、存储介质 Pending CN113592845A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110911738.3A CN113592845A (zh) 2021-08-10 2021-08-10 一种电池涂布的缺陷检测方法及装置、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110911738.3A CN113592845A (zh) 2021-08-10 2021-08-10 一种电池涂布的缺陷检测方法及装置、存储介质

Publications (1)

Publication Number Publication Date
CN113592845A true CN113592845A (zh) 2021-11-02

Family

ID=78256824

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110911738.3A Pending CN113592845A (zh) 2021-08-10 2021-08-10 一种电池涂布的缺陷检测方法及装置、存储介质

Country Status (1)

Country Link
CN (1) CN113592845A (zh)

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113920117A (zh) * 2021-12-14 2022-01-11 成都数联云算科技有限公司 一种面板缺陷区域检测方法、装置、电子设备及存储介质
CN114226208A (zh) * 2021-12-28 2022-03-25 惠州深赛尔化工有限公司 一种水性建材彩钢底面合一涂料涂覆方法
CN114240920A (zh) * 2021-12-24 2022-03-25 苏州凌云视界智能设备有限责任公司 一种外观缺陷检测方法
CN114418963A (zh) * 2021-12-28 2022-04-29 淮阴工学院 一种基于机器视觉的电池极板缺陷检测方法
CN114581428A (zh) * 2022-03-13 2022-06-03 江苏涂博士新材料有限公司 一种基于光学手段的粉末涂料粘合度检测方法
CN114764804A (zh) * 2022-06-16 2022-07-19 深圳新视智科技术有限公司 锂电池极片缺陷检测方法、装置、设备及存储介质
CN114972353A (zh) * 2022-08-02 2022-08-30 山东汇通工业制造有限公司 一种金属高压特种管件质量评估方法及系统
CN114998344A (zh) * 2022-08-04 2022-09-02 南通金茂防爆电气有限公司 基于图像处理的离子交换膜表面缺陷评估方法及系统
CN115035081A (zh) * 2022-06-23 2022-09-09 西安交通大学 一种基于工业ct的金属内部缺陷危险源定位方法及系统
CN115106257A (zh) * 2022-06-22 2022-09-27 广东聚德机械有限公司 一种涂布机及相应的涂布方法
CN115115637A (zh) * 2022-08-30 2022-09-27 南通市昊逸阁纺织品有限公司 基于图像金字塔思想的布匹缺陷检测方法
CN115272322A (zh) * 2022-09-28 2022-11-01 南通先端精密机械有限公司 一种基于数据处理的合金缺陷定量检测方法
CN115290677A (zh) * 2022-08-03 2022-11-04 广东聚德机械有限公司 一种基材的留白检测方法及涂布系统
CN115829907A (zh) * 2022-04-18 2023-03-21 宁德时代新能源科技股份有限公司 对复合料带的隔膜进行缺陷检测的方法、装置、系统
CN115829906A (zh) * 2022-04-18 2023-03-21 宁德时代新能源科技股份有限公司 对复合料带的阴极极片进行缺陷检测的方法、装置、系统
CN115841445A (zh) * 2022-04-18 2023-03-24 宁德时代新能源科技股份有限公司 对复合料带的阴极极片进行检测的方法、装置和系统
CN116152234A (zh) * 2023-04-18 2023-05-23 山东阁林板建材科技有限公司 基于图像处理的模板端面缺陷识别方法
CN116523908A (zh) * 2023-06-30 2023-08-01 湖南隆深氢能科技有限公司 基于卷料涂布生产线的安全生产方法、系统、设备及介质
CN116563277A (zh) * 2023-07-05 2023-08-08 深圳市鑫典金光电科技有限公司 一种基于机器视觉的铜复铝表面缺陷检测方法及系统
CN117058130A (zh) * 2023-10-10 2023-11-14 威海威信光纤科技有限公司 一种光纤拉丝表面涂覆质量视觉检测方法
WO2024000514A1 (zh) * 2022-06-30 2024-01-04 宁德时代新能源科技股份有限公司 一种极片检测装置、方法及系统
CN117589063A (zh) * 2024-01-18 2024-02-23 宁德时代新能源科技股份有限公司 尺寸检测方法及尺寸检测系统

Cited By (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113920117A (zh) * 2021-12-14 2022-01-11 成都数联云算科技有限公司 一种面板缺陷区域检测方法、装置、电子设备及存储介质
CN114240920A (zh) * 2021-12-24 2022-03-25 苏州凌云视界智能设备有限责任公司 一种外观缺陷检测方法
CN114226208A (zh) * 2021-12-28 2022-03-25 惠州深赛尔化工有限公司 一种水性建材彩钢底面合一涂料涂覆方法
CN114418963A (zh) * 2021-12-28 2022-04-29 淮阴工学院 一种基于机器视觉的电池极板缺陷检测方法
CN114418963B (zh) * 2021-12-28 2023-12-05 淮阴工学院 一种基于机器视觉的电池极板缺陷检测方法
CN114581428A (zh) * 2022-03-13 2022-06-03 江苏涂博士新材料有限公司 一种基于光学手段的粉末涂料粘合度检测方法
CN115829907B (zh) * 2022-04-18 2024-02-23 宁德时代新能源科技股份有限公司 对复合料带的隔膜进行缺陷检测的方法、装置、系统
CN115829906B (zh) * 2022-04-18 2024-01-30 宁德时代新能源科技股份有限公司 对复合料带的阴极极片进行缺陷检测的方法、装置、系统
CN115829907A (zh) * 2022-04-18 2023-03-21 宁德时代新能源科技股份有限公司 对复合料带的隔膜进行缺陷检测的方法、装置、系统
CN115841445A (zh) * 2022-04-18 2023-03-24 宁德时代新能源科技股份有限公司 对复合料带的阴极极片进行检测的方法、装置和系统
CN115829906A (zh) * 2022-04-18 2023-03-21 宁德时代新能源科技股份有限公司 对复合料带的阴极极片进行缺陷检测的方法、装置、系统
CN114764804B (zh) * 2022-06-16 2022-09-20 深圳新视智科技术有限公司 锂电池极片缺陷检测方法、装置、设备及存储介质
CN114764804A (zh) * 2022-06-16 2022-07-19 深圳新视智科技术有限公司 锂电池极片缺陷检测方法、装置、设备及存储介质
CN115106257A (zh) * 2022-06-22 2022-09-27 广东聚德机械有限公司 一种涂布机及相应的涂布方法
CN115035081A (zh) * 2022-06-23 2022-09-09 西安交通大学 一种基于工业ct的金属内部缺陷危险源定位方法及系统
CN115035081B (zh) * 2022-06-23 2024-03-01 西安交通大学 一种基于工业ct的金属内部缺陷危险源定位方法及系统
WO2024000514A1 (zh) * 2022-06-30 2024-01-04 宁德时代新能源科技股份有限公司 一种极片检测装置、方法及系统
CN114972353A (zh) * 2022-08-02 2022-08-30 山东汇通工业制造有限公司 一种金属高压特种管件质量评估方法及系统
CN115290677A (zh) * 2022-08-03 2022-11-04 广东聚德机械有限公司 一种基材的留白检测方法及涂布系统
CN115290677B (zh) * 2022-08-03 2023-08-22 广东聚德机械有限公司 一种基材的留白检测方法及涂布系统
CN114998344A (zh) * 2022-08-04 2022-09-02 南通金茂防爆电气有限公司 基于图像处理的离子交换膜表面缺陷评估方法及系统
CN115115637B (zh) * 2022-08-30 2022-12-06 南通市昊逸阁纺织品有限公司 基于图像金字塔思想的布匹缺陷检测方法
CN115115637A (zh) * 2022-08-30 2022-09-27 南通市昊逸阁纺织品有限公司 基于图像金字塔思想的布匹缺陷检测方法
CN115272322A (zh) * 2022-09-28 2022-11-01 南通先端精密机械有限公司 一种基于数据处理的合金缺陷定量检测方法
CN116152234A (zh) * 2023-04-18 2023-05-23 山东阁林板建材科技有限公司 基于图像处理的模板端面缺陷识别方法
CN116523908A (zh) * 2023-06-30 2023-08-01 湖南隆深氢能科技有限公司 基于卷料涂布生产线的安全生产方法、系统、设备及介质
CN116523908B (zh) * 2023-06-30 2023-09-12 湖南隆深氢能科技有限公司 基于卷料涂布生产线的安全生产方法、系统、设备及介质
CN116563277B (zh) * 2023-07-05 2023-10-13 深圳市鑫典金光电科技有限公司 一种基于机器视觉的铜复铝表面缺陷检测方法及系统
CN116563277A (zh) * 2023-07-05 2023-08-08 深圳市鑫典金光电科技有限公司 一种基于机器视觉的铜复铝表面缺陷检测方法及系统
CN117058130B (zh) * 2023-10-10 2024-01-09 威海威信光纤科技有限公司 一种光纤拉丝表面涂覆质量视觉检测方法
CN117058130A (zh) * 2023-10-10 2023-11-14 威海威信光纤科技有限公司 一种光纤拉丝表面涂覆质量视觉检测方法
CN117589063A (zh) * 2024-01-18 2024-02-23 宁德时代新能源科技股份有限公司 尺寸检测方法及尺寸检测系统

Similar Documents

Publication Publication Date Title
CN113592845A (zh) 一种电池涂布的缺陷检测方法及装置、存储介质
Ren et al. State of the art in defect detection based on machine vision
Zheng et al. Recent advances in surface defect inspection of industrial products using deep learning techniques
Wang et al. Surface defect detection via entity sparsity pursuit with intrinsic priors
CN113160192B (zh) 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置
CN106875381B (zh) 一种基于深度学习的手机外壳缺陷检测方法
CN110148130B (zh) 用于检测零件缺陷的方法和装置
Aslam et al. On the application of automated machine vision for leather defect inspection and grading: a survey
US20140341421A1 (en) Method for Detecting Persons Using 1D Depths and 2D Texture
CN113592911B (zh) 表观增强深度目标跟踪方法
CN116664559B (zh) 基于机器视觉的内存条损伤快速检测方法
AU2020272936B2 (en) Methods and systems for crack detection using a fully convolutional network
Liang et al. Automatic defect detection of texture surface with an efficient texture removal network
Li et al. Research on a product quality monitoring method based on multi scale PP-YOLO
Avola et al. Real-time deep learning method for automated detection and localization of structural defects in manufactured products
CN117333489B (zh) 一种薄膜破损检测装置及检测系统
CN116523916B (zh) 产品表面缺陷检测方法、装置、电子设备及存储介质
CN116664565A (zh) 一种光伏太阳能电池片的隐裂检测方法及系统
Dulecha et al. Crack detection in single-and multi-light images of painted surfaces using convolutional neural networks
Zhang et al. Artifact detection in endoscopic video with deep convolutional neural networks
CN108985294B (zh) 一种轮胎模具图片的定位方法、装置、设备及存储介质
CN115861226A (zh) 基于特征值梯度变化的深度神经网络智能识别表面缺陷方法
CN115984186A (zh) 基于多分辨率知识提取的精细产品图像异常检测方法
Bhardwaj et al. An imaging approach for the automatic thresholding of photo defects
Li et al. Brown rice germ integrity identification based on deep learning network

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