CN114022418A - 一种锂电池极片缺陷检测方法及系统 - Google Patents
一种锂电池极片缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN114022418A CN114022418A CN202111214904.0A CN202111214904A CN114022418A CN 114022418 A CN114022418 A CN 114022418A CN 202111214904 A CN202111214904 A CN 202111214904A CN 114022418 A CN114022418 A CN 114022418A
- Authority
- CN
- China
- Prior art keywords
- image
- pole piece
- lithium battery
- algorithm
- battery pole
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 102
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 90
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 90
- 238000001514 detection method Methods 0.000 title claims description 23
- 230000011218 segmentation Effects 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 230000000877 morphologic effect Effects 0.000 claims abstract description 18
- 238000003708 edge detection Methods 0.000 claims abstract description 17
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 230000002146 bilateral effect Effects 0.000 claims abstract description 9
- 230000002708 enhancing effect Effects 0.000 claims abstract description 8
- 238000003709 image segmentation Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 abstract description 14
- 230000006835 compression Effects 0.000 description 15
- 238000007906 compression Methods 0.000 description 15
- 229910052751 metal Inorganic materials 0.000 description 9
- 239000002184 metal Substances 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000001965 increasing effect Effects 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 230000001629 suppression Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000126 substance Substances 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种锂电池极片缺陷检测方法及系统,方法包括以下步骤:1)根据含极片缺陷的锂电池图像,通过图像ROI提取算法获取锂电池极片图像;2)利用双边滤波算法对锂电池极片图像进行去噪;3)利用多尺度MSR算法对锂电池极片图像进行增强;4)利用GrabCut算法对锂电池极片图像进行分割,获得分割图像;5)通过形态学处理对分割图像进行优化;6)根据分割图像,通过边缘检测算法提取锂电池极片区域的缺陷边缘;7)根据缺陷边缘,采用最小外接矩形法标定缺陷轮廓。与现有技术相比,本发明具有计算速度快、准确性高和分割效果好等优点。
Description
技术领域
本发明涉及机器视觉技术领域,尤其是涉及一种锂电池极片缺陷检测方法及系统。
背景技术
基于机器视觉的缺陷检测方法是一种新颖的、自动化程度与准确度较高的工业检测方法。在利用机器视觉技术进行缺陷检测时,主要有图像获取、图像预处理、特征识别及提取、缺陷检测分类等步骤,其中关键步骤为图像预处理和特征识别及提取,包含图像去噪、图像增强、图像分割与轮廓检测。图像去噪阶段主要使用高斯滤波、均值滤波和中值滤波和等方法,图像增强阶段主要使用直方图均衡化、幂律(伽马)变换、灰度线性变换等方法。图像分割阶段主要使用基于阈值的分割方法和基于区域的分割方法等。
在锂电池的生产过程中,极片作为锂电池的重要组成成分,其质量的好坏直接影响锂电池的化学性能和使用寿命,而当锂电池极片出现缺陷时也会带来一定的安全隐患,所以,对锂电池极片的缺陷检测非常重要。目前在进行锂电池极片缺陷检测时,在图像预处理阶段采用高斯滤波、均值滤波和中值滤波进行去噪时,会导致丢失缺陷的边缘信息。在图像分割阶段,阈值分割算法对噪声敏感,对灰度差异不明显以及不同目标灰度值有重叠时分割不明显,所以需要与其他方法进行结合,合适的阈值较难查找。区域分割算法容易造成图像的过度分割,较难得到良好的分割效果。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种锂电池极片缺陷检测方法及系统,计算速度快,准确性高,分割效果好。
本发明的目的可以通过以下技术方案来实现:
一种锂电池极片缺陷检测方法,包括以下步骤:
1)根据含极片缺陷的锂电池图像,通过图像ROI提取算法获取锂电池极片图像;
2)利用双边滤波算法对锂电池极片图像进行去噪;
3)利用多尺度MSR算法对锂电池极片图像进行增强;
4)利用GrabCut算法对锂电池极片图像进行分割,获得分割图像;
5)通过形态学处理对分割图像进行优化;
6)根据分割图像,通过边缘检测算法提取锂电池极片区域的缺陷边缘;
7)根据缺陷边缘,采用最小外接矩形法标定缺陷轮廓;
采用图像ROI提取算法提取锂电池极片图像,消除锂电池图像中极耳区域和底部背景区域的影响;
利用多尺度MSR算法增强图像,在保持图像高保真度与对图像的动态范围进行压缩的同时,实现色彩增强、颜色恒常性、局部动态范围压缩、全局动态范围压缩,增大锂电池极片的缺陷区域与极片区域的灰度差异,提高分割效果;
采用GrabCut算法对图像进行分割,再利用形态学方法优化分割结果,所述的GrabCut算法在进行图像分割时,可以对前景和背景实现较好的分割,所述的GrabCut算法主要利用图像中的纹理信息和边界信息,只要少量的用户交互操作即可得到较好的分割结果,与阈值分割算法相比,计算速度较快,得到的结果也比较精确。
进一步地,所述的步骤5)包括:
对分割图像进行腐蚀;
对经过GrabCut算法分割后的图像进行腐蚀处理,可以有效去除与缺陷区域无关的微小噪声,有利于准确的提取缺陷的边缘信息。
进一步地,所述的边缘检测算法为Canny算法,所述的Canny算子采用一阶偏导的有限差分来计算梯度幅值和方向,对梯度幅值进行非极大值抑制,并采用双阈值算法处理和连接边缘,能够准确地提取漏金属与划痕缺陷的边缘信息。
进一步地,所述的多尺度MSR算法的计算公式为:
∫∫F(x,y)dxdy=1
其中,S(x,y)为原始图像,输出图像为r(x,y),F(x,y)为中心环绕函数,ci为高斯环绕尺度,K是高斯中心环绕函数,wk为权重。
一种锂电池极片缺陷检测系统,包括图像提取模块、图像去噪模块、图像增强模块、图像分割模块、图像优化模块、缺陷检测模块和轮廓标定模块;
所述的图像提取模块用于根据含极片缺陷的锂电池图像,通过图像ROI提取算法获取锂电池极片图像;
所述的图像去噪模块用于利用双边滤波算法对锂电池极片图像进行去噪;
所述的图像增强模块用于利用多尺度MSR算法对锂电池极片图像进行增强;
所述的图像分割模块用于利用GrabCut算法对锂电池极片图像进行分割,获得分割图像;
所述的图像优化模块用于通过形态学处理对分割图像进行优化;
所述的缺陷检测模块用于根据分割图像,通过边缘检测算法提取锂电池极片区域的缺陷边缘;
所述的轮廓标定模块,用于根据缺陷边缘,采用最小外接矩形法标定缺陷轮廓;
利用多尺度MSR算法增强图像,在保持图像高保真度与对图像的动态范围进行压缩的同时,实现色彩增强、颜色恒常性、局部动态范围压缩、全局动态范围压缩,增大锂电池极片的缺陷区域与极片区域的灰度差异,提高分割效果;
采用GrabCut算法对图像进行分割,再利用形态学方法优化分割结果,所述的GrabCut算法在进行图像分割时,可以对前景和背景实现较好的分割,所述的GrabCut算法主要利用图像中的纹理信息和边界信息,只要少量的用户交互操作即可得到较好的分割结果,与阈值分割算法相比,计算速度较快,得到的结果也比较精确。
进一步地,所述的形态学处理过程包括:
所述的图像优化模块对分割图像进行腐蚀;
对经过GrabCut算法分割后的图像进行腐蚀处理,可以有效去除与缺陷区域无关的微小噪声,有利于准确的提取缺陷的边缘信息。
进一步地,所述的边缘检测算法为Canny算法,所述的Canny算子采用一阶偏导的有限差分来计算梯度幅值和方向,对梯度幅值进行非极大值抑制,并采用双阈值算法处理和连接边缘,能够准确地提取漏金属与划痕缺陷的边缘信息。
进一步地,所述的多尺度MSR算法的计算公式为:
∫∫F(x,y)dxdy=1
其中,S(x,y)为原始图像,输出图像为r(x,y),F(x,y)为中心环绕函数,ci为高斯环绕尺度,K是高斯中心环绕函数,wk为权重。
与现有技术相比,本发明具有以如下有益效果:
(1)本发明首先对锂电池图像进行图像预处理,考虑到采集的锂电池图像包含极片、极耳以及底部背景,采用ROI方法提取锂电池极片区域,再利用双边滤波算法和多尺度MSR算法进行图像的去噪、增强,然后进行极片缺陷检测,采用GrabCut算法对图像进行分割,并对分割后的图像进行形态学处理,优化分割结果;最后利用Canny算法提取缺陷的边缘特征并采用最小外接矩形法绘制缺陷轮廓、计算缺陷几何信息,多尺度MSR算法能够在保持图像高保真度与对图像的动态范围进行压缩的同时,实现色彩增强、颜色恒常性、局部动态范围压缩、全局动态范围压缩,增大锂电池极片的缺陷区域与极片区域的灰度差异,提高分割效果,有利于提高缺陷检测的准确度,GrabCut算法主要利用图像中的纹理信息和边界信息,只要少量的用户交互操作即可得到较好的分割结果,与阈值分割算法相比,计算速度更快,准确性高;
(2)本发明对经过GrabCut算法分割后的图像进行腐蚀处理,可以有效去除与缺陷区域无关的微小噪声,有利于准确的提取缺陷的边缘信息;
(3)本发明边缘检测算法为Canny算法,Canny算子采用一阶偏导的有限差分来计算梯度幅值和方向,对梯度幅值进行非极大值抑制,并采用双阈值算法处理和连接边缘,能够准确地提取漏金属与划痕缺陷的边缘信息;
附图说明
图1为本发明的方法流程示意图;
图2为极片存在漏金属缺陷的锂电池图像;
图3为由图2获得的锂电池极片图像;
图4为对图3去噪后获得的锂电池极片图像;
图5为对图4增强后获得的锂电池极片图像;
图6为对图5分割后获得的分割图像;
图7为对图6进行形态学处理后获得的分割图像;
图8为对图7进行边缘检测后获得的缺陷边缘图像;
图9为对图8进行标定后获得的缺陷轮廓图像;
图10为极片存在划痕缺陷的锂电池图像;
图11为由图10获得的锂电池极片图像;
图12为对图11去噪后获得的锂电池极片图像;
图13为对图12增强后获得的锂电池极片图像;
图14为对图13分割后获得的分割图像;
图15为对图14进行形态学处理后获得的分割图像;
图16为对图15进行边缘检测后获得的缺陷边缘图像;
图17为对图16进行标定后获得的缺陷轮廓图像。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例1
一种锂电池极片缺陷检测方法,包括以下步骤:
1)根据含极片缺陷的锂电池图像,通过图像ROI提取算法获取锂电池极片图像;
2)利用双边滤波算法对锂电池极片图像进行去噪;
3)利用多尺度MSR算法对锂电池极片图像进行增强;
4)利用GrabCut算法对锂电池极片图像进行分割,获得分割图像;
5)通过形态学处理对分割图像进行优化;
6)根据分割图像,通过边缘检测算法提取锂电池极片区域的缺陷边缘;
7)根据缺陷边缘,采用最小外接矩形法标定缺陷轮廓;
如图2和图10,本实施例通过工业相机获得含两张含极片缺陷的锂电池图像,其中,图2中极片存在漏金属缺陷,图9中极片存在划痕缺陷;
根据图2和图10,采用图像ROI提取算法提取锂电池极片图像,消除含极片缺陷的锂电池图像中极耳区域和底部背景区域的影响,对应获得图3和图11。
根据图3和图11,经步骤2)处理后对应获得图4和图12。
常见的锂电池极片缺陷有划痕和漏金属缺陷,划痕形状多为线形且深度长短不一,多为生产过程中操作不当或异物摩擦所致。漏金属缺陷多为块状但也有部分连续区域,多为生产过程中磨损程度过大或极片受力不均所致。
利用多尺度MSR算法增强图4和图12,对应获得图5和图13,在保持图像高保真度与对图像的动态范围进行压缩的同时,实现色彩增强、颜色恒常性、局部动态范围压缩、全局动态范围压缩,增大锂电池极片的缺陷区域与极片区域的灰度差异,提高分割效果。
采用GrabCut算法对图5和图13图像进行分割,对应获得图6和图14,再利用形态学方法优化图6和图14,对应获得图7和图15,GrabCut算法在进行图像分割时,可以对前景和背景实现较好的分割,GrabCut算法主要利用图像中的纹理(颜色)信息和边界(反差)信息,只要少量的用户交互操作即可得到较好的分割结果,与阈值分割算法相比,计算速度较快,得到的结果也比较精确。
多尺度MSR算法的计算公式为:
∫∫F(x,y)dxdy=1
其中,S(x,y)为原始图像,输出图像为r(x,y),F(x,y)为中心环绕函数,ci为高斯环绕尺度,K是高斯中心环绕函数,wk为权重。
步骤5)包括:
对分割图像进行腐蚀,内核选定为2×2;
对经过GrabCut算法分割后的图像进行腐蚀处理,可以有效去除与缺陷区域无关的微小噪声,有利于准确的提取缺陷的边缘信息。
边缘检测算法为Canny算法,Canny算子采用一阶偏导的有限差分来计算梯度幅值和方向,对梯度幅值进行非极大值抑制,并采用双阈值算法处理和连接边缘,能够准确地提取漏金属与划痕缺陷的边缘信息,对根据图7和图15进行边缘检测,对应获得图8和图16;
再根据图8和图16,采用最小外接矩形法标定缺陷轮廓,对应获得图9和图17。
实施例2
一种锂电池极片缺陷检测系统,包括图像提取模块、图像去噪模块、图像增强模块、图像分割模块、图像优化模块和缺陷检测模块;
图像提取模块根据含极片缺陷的锂电池图像,通过图像ROI提取算法获取锂电池极片图像;
图像去噪模块利用双边滤波算法对锂电池极片图像进行去噪;
图像增强模块利用多尺度MSR算法对锂电池极片图像进行增强;
图像分割模块利用GrabCut算法对锂电池极片图像进行分割,获得分割图像;
图像优化模块通过形态学处理对分割图像进行优化;
缺陷检测模块用于根据分割图像,通过边缘检测算法提取锂电池极片区域的缺陷边缘;
轮廓标定模块,用于根据缺陷边缘,采用最小外接矩形法标定缺陷轮廓;
利用多尺度MSR算法增强图像,在保持图像高保真度与对图像的动态范围进行压缩的同时,实现色彩增强、颜色恒常性、局部动态范围压缩、全局动态范围压缩,增大锂电池极片的缺陷区域与极片区域的灰度差异,提高分割效果;采用GrabCut算法对图像进行分割,再利用形态学方法优化分割结果,GrabCut算法在进行图像分割时,可以对前景和背景实现较好的分割,GrabCut算法主要利用图像中的纹理(颜色)信息和边界(反差)信息,只要少量的用户交互操作即可得到较好的分割结果,与阈值分割算法相比,计算速度较快,得到的结果也比较精确。
形态学处理过程包括:
图像优化模块对分割图像进行腐蚀,内核选定为2×2;
对经过GrabCut算法分割后的图像进行腐蚀处理,可以有效去除与缺陷区域无关的微小噪声,有利于准确的提取缺陷的边缘信息。
边缘检测算法为Canny算法,Canny算子采用一阶偏导的有限差分来计算梯度幅值和方向,对梯度幅值进行非极大值抑制,并采用双阈值算法处理和连接边缘,能够准确地提取漏金属与划痕缺陷的边缘信息。
多尺度MSR算法的计算公式为:
∫∫F(x,y)dxdy=1
其中,S(x,y)为原始图像,输出图像为r(x,y),F(x,y)为中心环绕函数,ci为高斯环绕尺度,K是高斯中心环绕函数,wk为权重。
实施例1和实施例2提出了一种锂电池极片缺陷检测方法及系统,首先对锂电池图像进行图像预处理,考虑到采集的锂电池图像包含极片、极耳以及底部背景,采用ROI方法提取锂电池极片区域,再利用双边滤波算法和多尺度MSR算法进行图像的去噪、增强,然后进行极片缺陷检测,采用GrabCut算法对图像进行分割,并对分割后的图像进行形态学处理,优化分割结果;最后利用Canny算法提取缺陷的边缘特征并采用最小外接矩形法绘制缺陷轮廓、计算缺陷几何信息,多尺度MSR算法能够在保持图像高保真度与对图像的动态范围进行压缩的同时,实现色彩增强、颜色恒常性、局部动态范围压缩、全局动态范围压缩,增大锂电池极片的缺陷区域与极片区域的灰度差异,提高分割效果,有利于提高缺陷检测的准确度,GrabCut算法主要利用图像中的纹理信息和边界信息,只要少量的用户交互操作即可得到较好的分割结果,与阈值分割算法相比,计算速度更快,准确性高。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种锂电池极片缺陷检测方法,其特征在于,包括以下步骤:
1)根据含极片缺陷的锂电池图像,通过图像ROI提取算法获取锂电池极片图像;
2)利用双边滤波算法对锂电池极片图像进行去噪;
3)利用多尺度MSR算法对锂电池极片图像进行增强;
4)利用GrabCut算法对锂电池极片图像进行分割,获得分割图像;
5)通过形态学处理对分割图像进行优化;
6)根据分割图像,通过边缘检测算法提取锂电池极片区域的缺陷边缘;
7)根据缺陷边缘,采用最小外接矩形法标定缺陷轮廓。
2.根据权利要求1所述的一种锂电池极片缺陷检测方法,其特征在于,所述的步骤5)包括:
对分割图像进行腐蚀。
3.根据权利要求1所述的一种锂电池极片缺陷检测方法,其特征在于,所述的边缘检测算法为Canny算法。
6.一种锂电池极片缺陷检测系统,其特征在于,包括:
图像提取模块,用于根据含极片缺陷的锂电池图像,通过图像ROI提取算法获取锂电池极片图像;
图像去噪模块,用于利用双边滤波算法对锂电池极片图像进行去噪;
图像增强模块,用于利用多尺度MSR算法对锂电池极片图像进行增强;
图像分割模块,用于利用GrabCut算法对锂电池极片图像进行分割,获得分割图像;
图像优化模块,用于通过形态学处理对分割图像进行优化;
缺陷检测模块,用于根据分割图像,通过边缘检测算法提取锂电池极片区域的缺陷边缘;
轮廓标定模块,用于根据缺陷边缘,采用最小外接矩形法标定缺陷轮廓。
7.根据权利要求6所述的一种锂电池极片缺陷检测系统,其特征在于,所述的形态学处理过程包括:
所述的图像优化模块对分割图像进行腐蚀。
8.根据权利要求6所述的一种锂电池极片缺陷检测系统,其特征在于,所述的边缘检测算法为Canny算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111214904.0A CN114022418A (zh) | 2021-10-19 | 2021-10-19 | 一种锂电池极片缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111214904.0A CN114022418A (zh) | 2021-10-19 | 2021-10-19 | 一种锂电池极片缺陷检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114022418A true CN114022418A (zh) | 2022-02-08 |
Family
ID=80056408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111214904.0A Pending CN114022418A (zh) | 2021-10-19 | 2021-10-19 | 一种锂电池极片缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114022418A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114782429A (zh) * | 2022-06-17 | 2022-07-22 | 深圳市菲尼基科技有限公司 | 基于图像的锂电池缺陷检测方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020248439A1 (zh) * | 2019-06-11 | 2020-12-17 | 江苏农林职业技术学院 | 一种基于图像处理的皇冠盖表面缺陷在线检测方法 |
CN112669295A (zh) * | 2020-12-30 | 2021-04-16 | 上海电机学院 | 一种基于二次阈值分割理论的锂电池极片缺陷检测方法 |
CN113313677A (zh) * | 2021-05-17 | 2021-08-27 | 武汉工程大学 | 一种卷绕锂电池x光图像的质量检测方法 |
-
2021
- 2021-10-19 CN CN202111214904.0A patent/CN114022418A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020248439A1 (zh) * | 2019-06-11 | 2020-12-17 | 江苏农林职业技术学院 | 一种基于图像处理的皇冠盖表面缺陷在线检测方法 |
CN112669295A (zh) * | 2020-12-30 | 2021-04-16 | 上海电机学院 | 一种基于二次阈值分割理论的锂电池极片缺陷检测方法 |
CN113313677A (zh) * | 2021-05-17 | 2021-08-27 | 武汉工程大学 | 一种卷绕锂电池x光图像的质量检测方法 |
Non-Patent Citations (4)
Title |
---|
周良芬;何建农;: "基于GrabCut改进的图像分割算法", 计算机应用, no. 01, 1 January 2013 (2013-01-01) * |
宋宇宁: "基于图像处理的空调管内衬套表面缺陷检测研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, 15 January 2020 (2020-01-15), pages 1 - 6 * |
宋宇宁;郭天太;赵军;孔明;: "基于图像处理的内衬套表面缺陷检测", 中国计量大学学报, no. 03, 15 September 2017 (2017-09-15) * |
檀甫贵;邹复民;刘丽桑;李建兴;: "基于机器视觉的软包锂电池表面缺陷检测", 福建工程学院学报, no. 03, 12 June 2020 (2020-06-12) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114782429A (zh) * | 2022-06-17 | 2022-07-22 | 深圳市菲尼基科技有限公司 | 基于图像的锂电池缺陷检测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921176B (zh) | 一种基于机器视觉的指针式仪表定位与识别方法 | |
Yu et al. | A machine vision method for measurement of machining tool wear | |
CN102156996B (zh) | 一种图像边缘检测的方法 | |
CN107490582B (zh) | 一种流水线工件检测系统 | |
CN107478657A (zh) | 基于机器视觉的不锈钢表面缺陷检测方法 | |
CN115131359B (zh) | 一种金属加工件表面麻点缺陷检测方法 | |
CN114399522A (zh) | 一种基于高低阈值的Canny算子的边缘检测方法 | |
CN116597392B (zh) | 基于机器视觉的液压油杂质识别方法 | |
CN114792316B (zh) | 一种盘刹车轴底板点焊缺陷检测方法 | |
CN115063430B (zh) | 基于图像处理的电气管道裂纹检测方法 | |
CN111598801B (zh) | 一种用于微弱Mura缺陷的识别方法 | |
CN112734729B (zh) | 适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN114037691A (zh) | 一种基于图像处理的碳纤维板裂纹检测方法 | |
CN116993731A (zh) | 基于图像的盾构机刀头缺陷检测方法 | |
CN115601379A (zh) | 一种基于数字图像处理的表面裂纹精确检测技术 | |
CN114022418A (zh) | 一种锂电池极片缺陷检测方法及系统 | |
CN114494318A (zh) | 基于大津算法的角膜动态形变视频提取角膜轮廓的方法 | |
CN117078688B (zh) | 一种用于强磁钕铁硼磁体的表面缺陷识别方法 | |
CN108269264B (zh) | 豆籽粒图像的去噪及分形方法 | |
CN115661110B (zh) | 一种透明工件识别与定位的方法 | |
CN112651936B (zh) | 基于图像局部熵的钢板表面缺陷图像分割方法及系统 | |
CN115294119A (zh) | 基于机器视觉的梅花螺纹头部内槽污渍检测方法 | |
Wang et al. | Improved morphological band-pass filtering algorithm and its application in circle detection | |
CN114354631A (zh) | 一种基于视觉的阀门毛坯表面缺陷检测方法 |
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 |