CN115035050A - 一种电池极片表面缺陷检测方法、装置、设备及产品 - Google Patents
一种电池极片表面缺陷检测方法、装置、设备及产品 Download PDFInfo
- Publication number
- CN115035050A CN115035050A CN202210568474.0A CN202210568474A CN115035050A CN 115035050 A CN115035050 A CN 115035050A CN 202210568474 A CN202210568474 A CN 202210568474A CN 115035050 A CN115035050 A CN 115035050A
- Authority
- CN
- China
- Prior art keywords
- image
- gradient
- edge
- point
- gray
- 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 111
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000012545 processing Methods 0.000 claims abstract description 66
- 238000001514 detection method Methods 0.000 claims abstract description 39
- 238000001914 filtration Methods 0.000 claims abstract description 22
- 230000001629 suppression Effects 0.000 claims abstract description 19
- 238000003709 image segmentation Methods 0.000 claims description 38
- 238000003708 edge detection Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 239000012535 impurity Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
-
- 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
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
- Y02P70/50—Manufacturing or production processes characterised by the final manufactured product
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种电池极片表面缺陷检测方法、装置、设备及产品,涉及工业缺陷检测技术领域,该方法包括以下步骤:获取包含电池极片的待检测图像,并将所述待检测图像转化为单通道的灰度图像;提取所述灰度图像的图像边缘,得到梯度图像;对所述梯度图像进行滤波去噪,去除所述梯度图像中的噪声点;对滤波去噪后的所述梯度图像进行非极大值抑制处理,得到二值化图像;根据每组类组的聚类中心以及与其邻近的边缘点的类距离,对所述二值化图像进行聚类缺陷检测,得到所述待检测图像的表面缺陷结果。本发明能够通过上位机等控制系统进行调整速率和各项参数的优化,实现形成一个高效而稳定的电池极片缺陷检测及处理方案。
Description
技术领域
本发明涉及工业缺陷检测技术领域,尤其涉及一种电池极片表面缺陷检测方法、装置、设备及产品。
背景技术
随着深度学习和人工智能的发展,深度学习用于工业生产领域也大为增加,能提高工业生产效率,增强识别的鲁棒性和准确率。以往的类似于电池极片表面缺陷检测等工业缺陷检测常用阈值分割和区域生长等方法进行对图像的各个区域进行分割然后进行对应位置的检测,然而,这些方法不能有效的利用现在的边缘设备进行加速运行,并且这些方法通过多次高斯迭代造成时间滞后,图像处理时间远远跟不上机械部分运行时间,生产效率会降低,以及存在当环境改变等条件下识别的准确率大幅下降的问题。
发明内容
本发明提供一种电池极片表面缺陷检测方法、装置、设备及产品,用以解决现有技术中生产效率低以及准确率低的缺陷,实现形成高效而稳定的电池极片缺陷检测方案。
本发明提供一种电池极片表面缺陷检测方法,包括以下步骤:
获取包含电池极片的待检测图像,并将所述待检测图像转化为单通道的灰度图像;
提取所述灰度图像的图像边缘,得到梯度图像;
对所述梯度图像进行滤波去噪,去除所述梯度图像中的噪声点;
对滤波去噪后的所述梯度图像进行非极大值抑制处理,得到二值化图像;其中,所述二值化图像中非边缘点为第一灰度值,边缘点为第二灰度值;
根据每组类组的聚类中心以及与其邻近的边缘点的类距离,对所述二值化图像进行聚类缺陷检测,得到所述待检测图像的表面缺陷结果。
根据本发明提供的一种电池极片表面缺陷检测方法,所述提取所述灰度图像的图像边缘,得到梯度图像,具体包括以下步骤:
对所述灰度图像作第一边缘检测处理,得到所述灰度图像的每个像素点对应的第一梯度幅值和第一梯度方向;其中,所述第一边缘检测处理为基于Scharr算子,采用第一预设尺寸邻域的一阶偏导的差分进行处理;
对经过所述第一边缘检测处理的所述灰度图像作第二边缘检测处理,得到所述灰度图像的每个像素点对应的第二梯度幅值和第二梯度方向,以及所述梯度图像;其中,所述第二边缘检测处理为基于Canny算子,采用二阶范数进行处理。
根据本发明提供的一种电池极片表面缺陷检测方法,所述对滤波去噪后的所述梯度图像进行非极大值抑制处理,得到二值化图像,具体包括以下步骤:
采用第二预设尺寸,在包含预设数量方向的邻域上对所述第二梯度幅值阵列的所有像素点沿所述第二梯度方向进行所述第二幅值梯度的插值;
判断邻域中心点的所述第二梯度幅值与所述第二梯度方向上的两个相邻插值的关系;
若所述邻域中心点的所述第二梯度幅值大于所述第二梯度方向上的两个相邻插值,则将所述邻域中心点作为候选边缘点;
若所述邻域中心点的所述第二梯度幅值不大于所述第二梯度方向上的两个相邻插值,为所述邻域中心点的灰度值赋予第一灰度值;
获取所述候选边缘点的所述第二梯度幅值与第一阈值、第二阈值的关系;其中,所述第一阈值大于所述第二阈值;
若所述候选边缘点的所述第二梯度幅值大于所述第一阈值,则将所述候选边缘点作为边缘点,并为所述边缘点的灰度值赋予第二灰度值;
若所述候选边缘点的所述第二梯度幅值小于所述第二阈值,为所述候选边缘点的灰度值赋予第一灰度值;
若所述候选边缘点的所述第二梯度幅值介于所述第一阈值和所述第二阈值之间,判断所述候选边缘点的邻接像素点的所述第二梯度幅值与所述第一阈值、所述第二阈值的关系;
若存在所述邻接像素点的所述第二梯度幅值大于所述第一阈值,则将该邻接像素点作为所述边缘点,并为所述边缘点的灰度值赋予第二灰度值。
根据本发明提供的一种电池极片表面缺陷检测方法,所述根据每组类组的聚类中心以及与其邻近的边缘点的类距离,对所述二值化图像进行聚类缺陷检测,得到所述待检测图像的表面缺陷结果,具体包括以下步骤:
将所述边缘点的离散边缘点三元组组成边缘点结构体;其中,所述离散边缘点三元组包括所述边缘点、所述边缘点的所述第二梯度幅值和所述边缘点的所述第二梯度方向;
将所述边缘点结构体等分为若干所述类组,并在每组所述类组中随机抽取一个所述边缘点作为所述聚类中心;其中,所述类组初始状态下的聚类点集合为空集;
判断所述聚类中心与所述聚类中心邻近的所述边缘点的类距离是否在预设距离内;
若在所述预设距离内,则将邻近的所述边缘点纳入所述聚类中心所属的所述类组内;
若不在所述预设距离内,则判断所述聚类中心所属的所述类组内是否存在一个所述边缘点,使得该所述边缘点与该所述类组纳入的所有所述边缘点的所述类距离均在所述预设距离内;
若存在所述边缘点,则将所述边缘点更新为该类组的所述聚类中心,并将邻近的所述边缘点纳入所述聚类中心所属的所述类组内;
若不存在所述边缘点,则删除该所述类组以及所述类组纳入的所有所述边缘点;
删除不满足预设面积的所述类组,得到所述待检测图像的表面缺陷结果。
根据本发明提供的一种电池极片表面缺陷检测方法,所述获取包含电池极耳的待检测图像,并将所述待检测图像转化为单通道的灰度图像,具体包括以下步骤:
获取包含电池的原始图像;
将所述原始图像输入至图像分割模型中,得到所述图像分割模型输出的图像分割结果;其中,所述图像分割模型是基于包含有电池的样本图像训练得到的,所述图像分割结果包括电池的极片区域图像、极耳区域图像以及背景区域图像;
对所述图像分割结果进行细化处理,得到所述待检测图像;其中,所述细化处理为对所述图像分割结果通过图像形态学进行扩张和腐蚀;
将所述待检测图像转化为单通道的所述灰度图像。
根据本发明提供的一种电池极片表面缺陷检测方法,该方法在所述将所述原始图像输入至图像分割模型中,得到所述图像分割模型输出的图像分割结果步骤之前,还包括以下步骤:
对所述原始图像进行预处理;其中,所述预处理为标准化所述原始图像,将所述原始图像中每个像素点存到缓冲器中。
本发明还提供一种电池极片表面缺陷检测装置,包括:
获取模块,用于获取包含电池极片的待检测图像,并将所述待检测图像转化为单通道的灰度图像;
提取边缘模块,用于提取所述灰度图像的图像边缘,得到梯度图像;
滤波去噪模块,用于对所述梯度图像进行滤波去噪,去除所述梯度图像中的噪声点;
二值化模块,用于对滤波去噪后的所述梯度图像进行非极大值抑制处理,得到二值化图像;其中,所述二值化图像中非边缘点为第一灰度值,边缘点为第二灰度值;
类组处理模块,用于根据每组类组的聚类中心以及与其邻近的边缘点的类距离,对所述二值化图像进行聚类缺陷检测,得到所述待检测图像的表面缺陷结果。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述电池极片表面缺陷检测方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述电池极片表面缺陷检测方法的步骤。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述电池极片表面缺陷检测方法的步骤。
本发明提供的电池极片表面缺陷检测方法、装置、设备及产品,通过将获取到的含有电池极片部分的待检测图像作通道转换处理,得到待检测图像的灰度图像,之后提取并梯度凸出灰度图像的边缘点,不仅能够检测到更为准确的图像边缘,还能够使得检测出的杂质信息较少,利于之后的聚类缺陷检测,最后基于聚类算法,得到待检测图像的表面缺陷结果,进而设计出高效与无损的计算结构,能够在高速的运行中依然进行对电池极片的识别以及根据表面缺陷结果判断极片的好坏,辅助相关设备对电池进行分拣,并能够通过上位机等控制系统进行调整速率和各项参数的优化,实现形成一个高效而稳定的电池极片缺陷检测及处理方案。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的电池极片表面缺陷检测方法的流程示意图;
图2是本发明提供的电池极片表面缺陷检测方法中提取边缘模块具体的流程示意图;
图3是本发明提供的电池极片表面缺陷检测方法中步骤S400具体的流程示意图;
图4是本发明提供的电池极片表面缺陷检测方法中步骤S500具体的流程示意图;
图5是本发明提供的电池极片表面缺陷检测方法中步骤S100具体的流程示意图之一;
图6是本发明提供的电池极片表面缺陷检测方法中步骤S100具体的流程示意图之二;
图7是本发明提供的电池极片表面缺陷检测装置的结构示意图;
图8是本发明提供的电池极片表面缺陷检测装置中提取边缘模块具体的结构示意图;
图9是本发明提供的电池极片表面缺陷检测装置中二值化模块具体的结构示意图;
图10是本发明提供的电池极片表面缺陷检测装置中类组处理模块具体的结构示意图;
图11是本发明提供的电池极片表面缺陷检测装置中获取模块具体的结构示意图之一;
图12是本发明提供的电池极片表面缺陷检测装置中获取模块具体的结构示意图之二;
图13是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合图1描述本发明的电池极片表面缺陷检测方法,该方法包括以下步骤:
S100、获取包含电池极片的待检测图像,为了提高后续进行聚类缺陷检测的准确性,将三通道的光学三原色(RGB)待检测图像转化为单通道的灰度(Gray)图像,灰度图像可以进行图像二值化处理,能够更好地凸显出图像的边缘点,即更好地进行边缘检测。
S200、提取灰度图像的图像边缘,得到梯度图像。
S300、对梯度图像进行滤波去噪,去除梯度图像中的噪声点。步骤S300用于对图像平滑降噪。
在本实施例中,采用公式(1)的高斯函数,并利用该二维高斯函数的任意方向上的一阶方向导数为噪声滤波器,通过与步骤S200得到的梯度图像进行卷积,以进行滤波去噪,公式(1)为:
其中,x和y分别为梯度图像某像素的邻域相对坐标,σ为高斯函数的噪声滤波器参数,σ控制着该高斯函数进行平滑的程度,σ越大图像越尖锐越能保留图像边缘,但是去噪效果不佳,σ越小图像越不能保留边缘信息,去噪效果越好。
因此,利用公式(1)按行与列对梯度图像f(x,y)进行卷积,会获得平滑的图像I(i,j),具体的:
I(i,j)=G(x,y)*f(x,y)
S400、对滤波去噪后的梯度图像进行非极大值抑制处理,得到二值化图像,图像二值化(Image Binarization)就是将图像上的像素点的灰度值设置为0(黑色)或255(白色),也就是将整个图像呈现出明显的黑白效果的过程。在数字图像处理中,二值化图像占有非常重要的地位,图像的二值化使图像中数据量大为减少,从而能凸显出目标的轮廓以及边缘点。在本实施例中,步骤S400得到的二值化图像中非边缘点为第一灰度值,边缘点为第二灰度值。步骤S400用于对得到的梯度图像以及梯度幅值进行非极大值抑制,以保留局部梯度最大值。
S500、根据每组类组的聚类中心以及与其邻近的边缘点的类距离,对二值化图像进行聚类缺陷检测,得到待检测图像的表面缺陷结果,根据表面缺陷结果能够获取缺陷类型,进而得到电池级片的好坏结果,并通过串口等接口反馈给可编程逻辑控制器(Programmable Logic Controller,PLC)系统等控制系统,再由控制系统生成并传输相应的控制指令给相关的分拣设备,进行对应的分拣操作。
本发明的电池极片表面缺陷检测方法,通过将获取到的含有电池极片部分的待检测图像作通道转换处理,得到待检测图像的灰度图像,之后提取并梯度凸出灰度图像的边缘点,不仅能够检测到更为准确的图像边缘,还能够使得检测出的杂质信息较少,利于之后的聚类缺陷检测,最后基于聚类算法,得到待检测图像的表面缺陷结果,进而设计出高效与无损的计算结构,能够高速的运行中依然进行对电池极片的识别以及根据表面缺陷结果判断极片的好坏,辅助相关设备对电池进行分拣,并能够通过上位机等控制系统进行调整速率和各项参数的优化,实现形成一个高效而稳定的电池极片缺陷检测及处理方案。
下面结合图2描述本发明的电池极片表面缺陷检测方法,步骤S200具体包括以下步骤:
S210、对灰度图像作第一边缘检测处理,得到灰度图像的每个像素点对应的第一梯度幅值和第一梯度方向。在本实施例中,第一边缘检测处理为基于Scharr算子,采用第一预设尺寸邻域的一阶偏导的差分进行处理,优选的,第一预设尺寸为5×5的尺寸。
具体的,基于Scharr算子,采用5×5尺寸邻域的核算子,在像素15邻域内通过计算x方向、y方向、45°方向以及135°方向的一阶偏导的差分来计算并获取第一梯度幅值M(i,j)和第一梯度方向α(i,j),第一梯度幅值M(i,j)的计算公式为(2),第一梯度方向α(i,j)的计算公式为(3),公式(2)和公式(3)分别为:
其中,Ex(i,j)为基于Scharr算子,点(i,j)处在x方向上的偏导数;Ey(i,j)为基于Scharr算子,点(i,j)处在y方向上的偏导数。
S220、对经过第一边缘检测处理的灰度图像作第二边缘检测处理,得到灰度图像的每个像素点对应的第二梯度幅值和第二梯度方向,以及梯度图像。在本实施例中,第二边缘检测处理为基于Canny算子,采用二阶范数进行处理。
具体的,第二梯度幅值G(i,j)的计算公式为(4),第二梯度方向θ(i,j)的计算公式为(5),公式(4)和公式(5)分别为:
其中,Gx(i,j)为基于Canny算子,点(i,j)处在x方向上的偏导数;Gy(i,j)为基于Canny算子,点(i,j)处在y方向上的偏导数。
下面结合图3描述本发明的电池极片表面缺陷检测方法,步骤S400具体包括以下步骤:
S410、采用第二预设尺寸,在包含预设数量方向的邻域上对第二梯度幅值阵列的所有像素点沿第二梯度方向θ(i,j)进行第二幅值梯度G(i,j)的插值。优选的,预设数量为8个。
经过步骤S200至步骤S300的处理后,在提取单像素宽边缘的梯度图像中,公式(4)中G(i,j)的极值位置附近形成了多点现象,因此必须经过细化才能以单像素点确定边缘的位置,即只保留幅值局部变化最大的点,也就是非极大值抑制处理。优选的,第二预设尺寸为3×3的尺寸。
S420、判断邻域中心点的第二梯度幅值G(i,j)与第二梯度方向θ(i,j)上的两个相邻插值的关系。
S430、若邻域中心点的第二梯度幅值G(i,j)大于第二梯度方向θ(i,j)上的两个相邻插值,则将该邻域中心点作为候选边缘点。
S440、若邻域中心点的第二梯度幅值G(i,j)不大于第二梯度方向θ(i,j)上的两个相邻插值,则该邻域中心点为非边缘点,同时为该邻域中心点的灰度值赋予第一灰度值,第一灰度值为255。
在进行非极大值抑制处理之后,Canny算子还会采用双阈值法对非极大值抑制处理后得到的图像进行分割,得到到两个阈值边缘图像Th和Tl,其中,Th表示高阈值即第一阈值,Tl表示低阈值即第二阈值。通过双阈值法进行进一步的边缘检测和连接边缘。
S450、获取候选边缘点的第二梯度幅值G(i,j)与第一阈值Th、第二阈值Tl的关系。
S460、若候选边缘点的第二梯度幅值G(i,j)大于第一阈值Th,则将该缘候选点作为边缘点,并为边缘点的灰度值赋予第二灰度值,第一灰度值为0。
S470、若候选边缘点的第二梯度幅值G(i,j)小于第二阈值Tl,则该邻域中心点为非边缘点,并为候选边缘点的灰度值赋予第一灰度值。
S480、若候选边缘点的第二梯度幅值G(i,j)介于第一阈值Th和第二阈值Tl之间即不小于第二阈值Tl且不大于第一阈值Th,判断候选边缘点的邻接像素点的第二梯度幅值G(i,j)与第一阈值Th、第二阈值Tl的关系
S490、若存在邻接像素点的第二梯度幅值大于第一阈值Th,则将该邻接像素点作为边缘点,同样的,为边缘点的灰度值赋予第二灰度值。
下面结合图4描述本发明的电池极片表面缺陷检测方法,步骤S500具体包括以下步骤:
S510、将边缘点的离散边缘点三元组组成边缘点结构体,离散边缘点三元组包括边缘点、边缘点的第二梯度幅值和边缘点的第二梯度方向,即<(i,j),G(i,j),θ(i,j)>。
S520、将边缘点结构体等分为若干类组,得到M组类组,例如按照x轴等分成M段,将边缘点结构体等分为M组的类组,将边缘点也分为M组,相同编号的被划分的类组与被划分的边缘点一一对应,同时在每组类组中随机抽取一个边缘点作为类组生长的聚类中心类组初始状态下的聚类点集合为空集,因此步骤S520需要初始化类组的聚类点集合为空集。
S530、判断聚类中心与该聚类中心邻近的边缘点qi的类距离是否在预设距离v内,具体的是通过公式(6)计算并获取聚类中心与该聚类中心邻近的边缘点qi的梯度方向差来判断的,最后将公式(6)的计算结果与预设距离v进行比较,公式(6)为:
α*abs(θp-θq)+β*abs(Gp-Gq) (6)
S570、若不存在这样的边缘点,则该类组的类组工作完成,删除该类组以及类组纳入的所有边缘点。
重复上述的步骤S530至步骤S570,聚类当前类组剩余的边缘点,直至当前类组内的边缘点为空集。
S580、在所有组的类组均完成上述的聚类算法后,迭代结束,删除即过滤掉不满足预设面积的类组,得到待检测图像的表面缺陷结果。优选的,预设面积为大于等于10且小于等于10000,因此需要过滤掉面积小于10或者面积大于10000的类组(框)。
下面结合图5描述本发明的电池极片表面缺陷检测方法,步骤S100具体包括以下步骤:
S110、获取包含电池的原始图像,例如,通过红外传感器的对射作用,能检测到特定位置的极片是否存在从而判断是否有料(电池),极片完全覆盖红外对射会发出电池超过出托盘高度,表示电池放置过多。相应的程序启动,传送带根据伺服电机发出脉冲个数,准备到达工业相机视野范围内,在程序启动的同时,工业相机进行初始化;工业相机接收到PLC控制器的串口信号,触发工业相机拍照,从缓存流里获取包含电池的原始图像并保存到TX2设备的内存。
S130、将原始图像输入至训练好的图像分割模型中,得到图像分割模型输出的图像分割结果,进而将原始图像分割成三个组成部分,图像分割模型是基于包含有电池的样本图像训练得到的,图像分割结果包括电池的极片区域图像、极耳区域图像以及背景区域图像。
S140、为了细化图像边缘,对图像分割结果进行细化处理,得到待检测图像,在本实施例中,细化处理为对图像分割结果通过图像形态学进行扩张和腐蚀,得到三个组成部分更加精准的独立区域。在本实施例中,还可以再采用强角点等方法精细极耳区域图像。最终得到的待检测图像为其中的极片区域图像。
S150、将待检测图像转化为单通道的灰度图像。
下面结合图6描述本发明的电池极片表面缺陷检测方法,该方法在步骤S130之前,还包括以下步骤:
S120、对原始图像进行预处理,在本实施例中,预处理为标准化原始图像,将原始图像中每个像素点存到缓冲器(buffer)中。可以理解的是,在步骤S130将原始图像输入至训练好的图像分割模型之前,也可以通过对原始图像进行缩放,缩放可以在深度学习前的计算节省时间。
下面对本发明提供的电池极片表面缺陷检测装置进行描述,下文描述的电池极片表面缺陷检测装置与上文描述的电池极片表面缺陷检测方法可相互对应参照。
下面结合图7描述本发明的电池极片表面缺陷检测装置,该装置包括:
获取模块100,用于获取包含电池极片的待检测图像,为了提高后续进行聚类缺陷检测的准确性,将三通道的光学三原色(RGB)待检测图像转化为单通道的灰度(Gray)图像,灰度图像可以进行图像二值化处理,能够更好地凸显出图像的边缘点,即更好地进行边缘检测。
提取边缘模块200,用于提取灰度图像的图像边缘,得到梯度图像。
滤波去噪模块300,用于对梯度图像进行滤波去噪,去除梯度图像中的噪声点。滤波去噪模块300用于对图像平滑降噪。
二值化模块400,用于对滤波去噪后的梯度图像进行非极大值抑制处理,得到二值化图像,图像二值化(Image Binarization)就是将图像上的像素点的灰度值设置为0(黑色)或255(白色),也就是将整个图像呈现出明显的黑白效果的过程。在数字图像处理中,二值化图像占有非常重要的地位,图像的二值化使图像中数据量大为减少,从而能凸显出目标的轮廓以及边缘点。在本实施例中,二值化模块400得到的二值化图像中非边缘点为第一灰度值,边缘点为第二灰度值。二值化模块400用于对得到的梯度图像以及梯度幅值进行非极大值抑制,以保留局部梯度最大值。
类组处理模块500,用于根据每组类组的聚类中心以及与其邻近的边缘点的类距离,对二值化图像进行聚类缺陷检测,得到待检测图像的表面缺陷结果,根据表面缺陷结果能够获取缺陷类型,进而得到电池级片的好坏结果,并通过串口等接口反馈给PLC系统等控制系统,再由控制系统生成并传输相应的控制指令给相关的分拣设备,进行对应的分拣操作。
本发明的电池极片表面缺陷检测装置,通过将获取到的含有电池极片部分的待检测图像作通道转换处理,得到待检测图像的灰度图像,之后提取并梯度凸出灰度图像的边缘点,不仅能够检测到更为准确的图像边缘,还能够使得检测出的杂质信息较少,利于之后的聚类缺陷检测,最后基于聚类算法,得到待检测图像的表面缺陷结果,进而设计出高效与无损的计算结构,能够高速的运行中依然进行对电池极片的识别以及根据表面缺陷结果判断极片的好坏,辅助相关设备对电池进行分拣,并能够通过上位机等控制系统进行调整速率和各项参数的优化,实现形成一个高效而稳定的电池极片缺陷检测及处理方案。
下面结合图8描述本发明的电池极片表面缺陷检测装置,提取边缘模块200具体包括:
第一提取单元210,用于对灰度图像作第一边缘检测处理,得到灰度图像的每个像素点对应的第一梯度幅值和第一梯度方向。在本实施例中,第一边缘检测处理为基于Scharr算子,采用第一预设尺寸邻域的一阶偏导的差分进行处理,优选的,第一预设尺寸为5×5的尺寸。
第二提取单元220,用于对经过第一边缘检测处理的灰度图像作第二边缘检测处理,得到灰度图像的每个像素点对应的第二梯度幅值和第二梯度方向,以及梯度图像。在本实施例中,第二边缘检测处理为基于Canny算子,采用二阶范数进行处理。
下面结合图9描述本发明的电池极片表面缺陷检测装置,二值化模块400具体包括:
第一处理单元410,用于采用第二预设尺寸,在包含预设数量方向的邻域上对第二梯度幅值阵列的所有像素点沿第二梯度方向θ(i,j)进行第二幅值梯度G(i,j)的插值。
优选的,第二预设尺寸为3×3的尺寸,预设数量为8个。
第二处理单元420,用于判断邻域中心点的第二梯度幅值G(i,j)与第二梯度方向θ(i,j)上的两个相邻插值的关系。
第三处理单元430,用于若邻域中心点的第二梯度幅值G(i,j)大于第二梯度方向θ(i,j)上的两个相邻插值,则将该邻域中心点作为候选边缘点。
第四处理单元440,用于若邻域中心点的第二梯度幅值G(i,j)不大于第二梯度方向θ(i,j)上的两个相邻插值,则该邻域中心点为非边缘点,同时为该邻域中心点的灰度值赋予第一灰度值,第一灰度值为255。
在进行非极大值抑制处理之后,Canny算子还会采用双阈值法对非极大值抑制处理后得到的图像进行分割,得到到两个阈值边缘图像Th和Tl,其中,Th表示高阈值即第一阈值,Tl表示低阈值即第二阈值。通过双阈值法进行进一步的边缘检测和连接边缘。
第五处理单元450,用于获取候选边缘点的第二梯度幅值G(i,j)与第一阈值Th、第二阈值Tl的关系。
第六处理单元460,用于若候选边缘点的第二梯度幅值G(i,j)大于第一阈值Th,则将该缘候选点作为边缘点,并为边缘点的灰度值赋予第二灰度值,第一灰度值为0。
第七处理单元470,用于若候选边缘点的第二梯度幅值G(i,j)小于第二阈值Tl,则该邻域中心点为非边缘点,并为候选边缘点的灰度值赋予第一灰度值。
第八处理单元480,用于若候选边缘点的第二梯度幅值G(i,j)介于第一阈值Th和第二阈值Tl之间即不小于第二阈值Tl且不大于第一阈值Th,判断候选边缘点的邻接像素点的第二梯度幅值G(i,j)与第一阈值Th、第二阈值Tl的关系
第九处理单元490,用于若存在邻接像素点的第二梯度幅值大于第一阈值Th,则将该邻接像素点作为边缘点,同样的,为边缘点的灰度值赋予第二灰度值。
下面结合图10描述本发明的电池极片表面缺陷检测装置,类组处理模块500具体包括:
创建单元510,用于将边缘点的离散边缘点三元组组成边缘点结构体,离散边缘点三元组包括边缘点、边缘点的第二梯度幅值和边缘点的第二梯度方向,即<(i,j),G(i,j),θ(i,j)>。
划分单元520,用于将边缘点结构体等分为若干类组,得到M组类组,例如按照x轴等分成M段,将边缘点结构体等分为M组的类组,将边缘点也分为M组,相同编号的被划分的类组与被划分的边缘点一一对应,同时在每组类组中随机抽取一个边缘点作为类组生长的聚类中心类组初始状态下的聚类点集合为空集,因此步骤S520需要初始化类组的聚类点集合为空集。
第五类组单元570,用于若不存在这样的边缘点,则该类组的类组工作完成,删除该类组以及类组纳入的所有边缘点。
重复上述的第一类组单元530至第五类组单元570,聚类当前类组剩余的边缘点,直至当前类组内的边缘点为空集。
过滤单元580,用于在所有组的类组均完成上述的聚类算法后,迭代结束,删除即过滤掉不满足预设面积的类组,得到待检测图像的表面缺陷结果。优选的,预设面积为大于等于10且小于等于10000,因此需要过滤掉面积小于10或者面积大于10000的类组(框)。
下面结合图11描述本发明的电池极片表面缺陷检测装置,获取模块100具体包括:
采集单元110,用于获取包含电池的原始图像,例如,通过红外传感器的对射作用,能检测到特定位置的极片是否存在从而判断是否有料(电池),极片完全覆盖红外对射会发出电池超过出托盘高度,表示电池放置过多。相应的程序启动,传送带根据伺服电机发出脉冲个数,准备到达工业相机视野范围内,在程序启动的同时,工业相机进行初始化;工业相机接收到PLC控制器的串口信号,触发工业相机拍照,从缓存流里获取包含电池的原始图像并保存到TX2设备的内存。
图像分割单元130,用于将原始图像输入至训练好的图像分割模型中,得到图像分割模型输出的图像分割结果,进而将原始图像分割成三个组成部分,图像分割模型是基于包含有电池的样本图像训练得到的,图像分割结果包括电池的极片区域图像、极耳区域图像以及背景区域图像。
细化单元140,用于为了细化图像边缘,对图像分割结果进行细化处理,得到待检测图像,在本实施例中,细化处理为对图像分割结果通过图像形态学进行扩张和腐蚀,得到三个组成部分更加精准的独立区域。在本实施例中,还可以再采用强角点等方法精细极耳区域图像。最终得到的待检测图像为其中的极片区域图像。
转换单元150,用于将待检测图像转化为单通道的灰度图像。
下面结合图12描述本发明的电池极片表面缺陷检测装置,该装置在图像分割单元130之前,还包括:
预处理单元120,用于对原始图像进行预处理,在本实施例中,预处理为标准化原始图像,将原始图像中每个像素点存到缓冲器(buffer)中。可以理解的是,在步骤S130将原始图像输入至训练好的图像分割模型之前,也可以通过对原始图像进行缩放,缩放可以在深度学习前的计算节省时间。
图13示例了一种电子设备的实体结构示意图,如图13所示,该电子设备可以包括:处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令,以执行电池极片表面缺陷检测方法,该方法包括以下步骤:
S100、获取包含电池极片的待检测图像,并将所述待检测图像转化为单通道的灰度图像;
S200、提取所述灰度图像的图像边缘,得到梯度图像;
S300、对所述梯度图像进行滤波去噪,去除所述梯度图像中的噪声点;
S400、对滤波去噪后的所述梯度图像进行非极大值抑制处理,得到二值化图像;其中,所述二值化图像中非边缘点为第一灰度值,边缘点为第二灰度值;
S500、根据每组类组的聚类中心以及与其邻近的边缘点的类距离,对所述二值化图像进行聚类缺陷检测,得到所述待检测图像的表面缺陷结果。
此外,上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的电池极片表面缺陷检测方法,该方法包括以下步骤:
S100、获取包含电池极片的待检测图像,并将所述待检测图像转化为单通道的灰度图像;
S200、提取所述灰度图像的图像边缘,得到梯度图像;
S300、对所述梯度图像进行滤波去噪,去除所述梯度图像中的噪声点;
S400、对滤波去噪后的所述梯度图像进行非极大值抑制处理,得到二值化图像;其中,所述二值化图像中非边缘点为第一灰度值,边缘点为第二灰度值;
S500、根据每组类组的聚类中心以及与其邻近的边缘点的类距离,对所述二值化图像进行聚类缺陷检测,得到所述待检测图像的表面缺陷结果。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的电池极片表面缺陷检测方法,该方法包括以下步骤:
S100、获取包含电池极片的待检测图像,并将所述待检测图像转化为单通道的灰度图像;
S200、提取所述灰度图像的图像边缘,得到梯度图像;
S300、对所述梯度图像进行滤波去噪,去除所述梯度图像中的噪声点;
S400、对滤波去噪后的所述梯度图像进行非极大值抑制处理,得到二值化图像;其中,所述二值化图像中非边缘点为第一灰度值,边缘点为第二灰度值;
S500、根据每组类组的聚类中心以及与其邻近的边缘点的类距离,对所述二值化图像进行聚类缺陷检测,得到所述待检测图像的表面缺陷结果。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种电池极片表面缺陷检测方法,其特征在于,包括以下步骤:
获取包含电池极片的待检测图像,并将所述待检测图像转化为单通道的灰度图像;
提取所述灰度图像的图像边缘,得到梯度图像;
对所述梯度图像进行滤波去噪,去除所述梯度图像中的噪声点;
对滤波去噪后的所述梯度图像进行非极大值抑制处理,得到二值化图像;其中,所述二值化图像中非边缘点的灰度值为第一灰度值,边缘点的灰度值为第二灰度值;
根据每组类组的聚类中心以及与其邻近的边缘点的类距离,对所述二值化图像进行聚类缺陷检测,得到所述待检测图像的表面缺陷结果。
2.根据权利要求1所述的电池极片表面缺陷检测方法,其特征在于,所述提取所述灰度图像的图像边缘,得到梯度图像,具体包括以下步骤:
对所述灰度图像作第一边缘检测处理,得到所述灰度图像的每个像素点对应的第一梯度幅值和第一梯度方向;其中,所述第一边缘检测处理为基于Scharr算子,采用第一预设尺寸邻域的一阶偏导的差分进行处理;
对经过所述第一边缘检测处理的所述灰度图像作第二边缘检测处理,得到所述灰度图像的每个像素点对应的第二梯度幅值和第二梯度方向,以及所述梯度图像;其中,所述第二边缘检测处理为基于Canny算子,采用二阶范数进行处理。
3.根据权利要求2所述的电池极片表面缺陷检测方法,其特征在于,所述对滤波去噪后的所述梯度图像进行非极大值抑制处理,得到二值化图像,具体包括以下步骤:
采用第二预设尺寸,在包含预设数量方向的邻域上对所述第二梯度幅值阵列的所有像素点沿所述第二梯度方向进行所述第二幅值梯度的插值;
判断邻域中心点的所述第二梯度幅值与所述第二梯度方向上的两个相邻插值的关系;
若所述邻域中心点的所述第二梯度幅值大于所述第二梯度方向上的两个相邻插值,则将所述邻域中心点作为候选边缘点;
若所述邻域中心点的所述第二梯度幅值不大于所述第二梯度方向上的两个相邻插值,为所述邻域中心点的灰度值赋予第一灰度值;
获取所述候选边缘点的所述第二梯度幅值与第一阈值、第二阈值的关系;其中,所述第一阈值大于所述第二阈值;
若所述候选边缘点的所述第二梯度幅值大于所述第一阈值,则将所述候选边缘点作为边缘点,并为所述边缘点的灰度值赋予第二灰度值;
若所述候选边缘点的所述第二梯度幅值小于所述第二阈值,为所述候选边缘点的灰度值赋予第一灰度值;
若所述候选边缘点的所述第二梯度幅值介于所述第一阈值和所述第二阈值之间,判断所述候选边缘点的邻接像素点的所述第二梯度幅值与所述第一阈值、所述第二阈值的关系;
若存在所述邻接像素点的所述第二梯度幅值大于所述第一阈值,则将该邻接像素点作为所述边缘点,并为所述边缘点的灰度值赋予第二灰度值。
4.根据权利要求3所述的电池极片表面缺陷检测方法,其特征在于,所述根据每组类组的聚类中心以及与其邻近的边缘点的类距离,对所述二值化图像进行聚类缺陷检测,得到所述待检测图像的表面缺陷结果,具体包括以下步骤:
将所述边缘点的离散边缘点三元组组成边缘点结构体;其中,所述离散边缘点三元组包括所述边缘点、所述边缘点的所述第二梯度幅值和所述边缘点的所述第二梯度方向;
将所述边缘点结构体等分为若干所述类组,并在每组所述类组中随机抽取一个所述边缘点作为所述聚类中心;其中,所述类组初始状态下的聚类点集合为空集;
判断所述聚类中心与所述聚类中心邻近的所述边缘点的类距离是否在预设距离内;
若在所述预设距离内,则将邻近的所述边缘点纳入所述聚类中心所属的所述类组内;
若不在所述预设距离内,则判断所述聚类中心所属的所述类组内是否存在一个所述边缘点,使得该所述边缘点与该所述类组纳入的所有所述边缘点的所述类距离均在所述预设距离内;
若存在所述边缘点,则将所述边缘点更新为该类组的所述聚类中心,并将邻近的所述边缘点纳入所述聚类中心所属的所述类组内;
若不存在所述边缘点,则删除该所述类组以及所述类组纳入的所有所述边缘点;
删除不满足预设面积的所述类组,得到所述待检测图像的表面缺陷结果。
5.根据权利要求1所述的电池极片表面缺陷检测方法,其特征在于,所述获取包含电池极耳的待检测图像,并将所述待检测图像转化为单通道的灰度图像,具体包括以下步骤:
获取包含电池的原始图像;
将所述原始图像输入至图像分割模型中,得到所述图像分割模型输出的图像分割结果;其中,所述图像分割模型是基于包含有电池的样本图像训练得到的,所述图像分割结果包括电池的极片区域图像、极耳区域图像以及背景区域图像;
对所述图像分割结果进行细化处理,得到所述待检测图像;其中,所述细化处理为对所述图像分割结果通过图像形态学进行扩张和腐蚀;
将所述待检测图像转化为单通道的所述灰度图像。
6.根据权利要求5所述的电池极片表面缺陷检测方法,其特征在于,该方法在所述将所述原始图像输入至图像分割模型中,得到所述图像分割模型输出的图像分割结果步骤之前,还包括以下步骤:
对所述原始图像进行预处理;其中,所述预处理为标准化所述原始图像,将所述原始图像中每个像素点存到缓冲器中。
7.一种电池极片表面缺陷检测装置,其特征在于,包括:
获取模块,用于获取包含电池极片的待检测图像,并将所述待检测图像转化为单通道的灰度图像;
提取边缘模块,用于提取所述灰度图像的图像边缘,得到梯度图像;
滤波去噪模块,用于对所述梯度图像进行滤波去噪,去除所述梯度图像中的噪声点;
二值化模块,用于对滤波去噪后的所述梯度图像进行非极大值抑制处理,得到二值化图像;其中,所述二值化图像中非边缘点为第一灰度值,边缘点为第二灰度值;
类组处理模块,用于根据每组类组的聚类中心以及与其邻近的边缘点的类距离,对所述二值化图像进行聚类缺陷检测,得到所述待检测图像的表面缺陷结果。
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述电池极片表面缺陷检测方法的步骤。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述电池极片表面缺陷检测方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述电池极片表面缺陷检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210568474.0A CN115035050A (zh) | 2022-05-23 | 2022-05-23 | 一种电池极片表面缺陷检测方法、装置、设备及产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210568474.0A CN115035050A (zh) | 2022-05-23 | 2022-05-23 | 一种电池极片表面缺陷检测方法、装置、设备及产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115035050A true CN115035050A (zh) | 2022-09-09 |
Family
ID=83121909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210568474.0A Pending CN115035050A (zh) | 2022-05-23 | 2022-05-23 | 一种电池极片表面缺陷检测方法、装置、设备及产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115035050A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115272336A (zh) * | 2022-09-29 | 2022-11-01 | 加力卡塞阀门(江苏)有限公司 | 基于梯度向量的金属零件缺陷精准检测方法 |
CN115880285A (zh) * | 2023-02-07 | 2023-03-31 | 南通南铭电子有限公司 | 一种铝电解电容器引出线异常识别方法 |
CN115908415A (zh) * | 2023-01-06 | 2023-04-04 | 深圳新视智科技术有限公司 | 基于边缘的缺陷检测方法、装置、设备及存储介质 |
CN116309510A (zh) * | 2023-03-29 | 2023-06-23 | 清华大学 | 数控加工表面缺陷定位方法及装置 |
CN116958070A (zh) * | 2023-07-06 | 2023-10-27 | 钛玛科(北京)工业科技有限公司 | 一种基于锂电涂布工艺波浪边检测系统及方法 |
CN117541585A (zh) * | 2024-01-09 | 2024-02-09 | 浙江双元科技股份有限公司 | 一种锂电池极片露箔缺陷检测方法及装置 |
US11915410B2 (en) * | 2022-07-21 | 2024-02-27 | Contemporary Amperex Technology Co., Limited | Method and apparatus for inspecting tab appearance of cell assembly, and electronic device |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416789A (zh) * | 2018-06-04 | 2018-08-17 | 武汉斑马快跑科技有限公司 | 图像边缘检测方法及系统 |
CN113781482A (zh) * | 2021-11-11 | 2021-12-10 | 山东精良海纬机械有限公司 | 一种复杂环境下机械零件裂纹缺陷检测方法及系统 |
WO2021249233A1 (zh) * | 2020-06-10 | 2021-12-16 | 中铁四局集团有限公司 | 一种图像处理方法、目标识别模型训练方法和目标识别方法 |
CN114399522A (zh) * | 2022-01-14 | 2022-04-26 | 东南大学 | 一种基于高低阈值的Canny算子的边缘检测方法 |
-
2022
- 2022-05-23 CN CN202210568474.0A patent/CN115035050A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416789A (zh) * | 2018-06-04 | 2018-08-17 | 武汉斑马快跑科技有限公司 | 图像边缘检测方法及系统 |
WO2021249233A1 (zh) * | 2020-06-10 | 2021-12-16 | 中铁四局集团有限公司 | 一种图像处理方法、目标识别模型训练方法和目标识别方法 |
CN113781482A (zh) * | 2021-11-11 | 2021-12-10 | 山东精良海纬机械有限公司 | 一种复杂环境下机械零件裂纹缺陷检测方法及系统 |
CN114399522A (zh) * | 2022-01-14 | 2022-04-26 | 东南大学 | 一种基于高低阈值的Canny算子的边缘检测方法 |
Non-Patent Citations (1)
Title |
---|
郝利华;王明泉;: "改进的Canny算法在直焊缝图像缺陷边缘检测中的应用", 火力与指挥控制, no. 07, 15 July 2017 (2017-07-15) * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11915410B2 (en) * | 2022-07-21 | 2024-02-27 | Contemporary Amperex Technology Co., Limited | Method and apparatus for inspecting tab appearance of cell assembly, and electronic device |
CN115272336A (zh) * | 2022-09-29 | 2022-11-01 | 加力卡塞阀门(江苏)有限公司 | 基于梯度向量的金属零件缺陷精准检测方法 |
CN115908415A (zh) * | 2023-01-06 | 2023-04-04 | 深圳新视智科技术有限公司 | 基于边缘的缺陷检测方法、装置、设备及存储介质 |
CN115880285A (zh) * | 2023-02-07 | 2023-03-31 | 南通南铭电子有限公司 | 一种铝电解电容器引出线异常识别方法 |
CN116309510A (zh) * | 2023-03-29 | 2023-06-23 | 清华大学 | 数控加工表面缺陷定位方法及装置 |
CN116309510B (zh) * | 2023-03-29 | 2024-03-22 | 清华大学 | 数控加工表面缺陷定位方法及装置 |
CN116958070A (zh) * | 2023-07-06 | 2023-10-27 | 钛玛科(北京)工业科技有限公司 | 一种基于锂电涂布工艺波浪边检测系统及方法 |
CN117541585A (zh) * | 2024-01-09 | 2024-02-09 | 浙江双元科技股份有限公司 | 一种锂电池极片露箔缺陷检测方法及装置 |
CN117541585B (zh) * | 2024-01-09 | 2024-04-16 | 浙江双元科技股份有限公司 | 一种锂电池极片露箔缺陷检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115035050A (zh) | 一种电池极片表面缺陷检测方法、装置、设备及产品 | |
US10552705B2 (en) | Character segmentation method, apparatus and electronic device | |
CN108171104B (zh) | 一种文字检测方法及装置 | |
CN107330979B (zh) | 建筑户型的矢量图生成方法、装置及终端 | |
CN114910480B (zh) | 一种基于机器视觉的晶圆表面缺陷检测方法 | |
CN109781737B (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
CN108846844B (zh) | 一种基于海天线的海面目标检测方法 | |
CN110717896A (zh) | 基于显著性标签信息传播模型的板带钢表面缺陷检测方法 | |
CN110766016B (zh) | 一种基于概率神经网络的喷码字符识别方法 | |
CN110738631A (zh) | 一种基于图像的对虾外形信息检测方法和检测系统 | |
CN112614062A (zh) | 菌落计数方法、装置及计算机存储介质 | |
CN114331986A (zh) | 一种基于无人机视觉的坝体裂纹识别与测量方法 | |
CN113111878B (zh) | 一种复杂背景下的红外弱小目标检测方法 | |
CN112541889A (zh) | 一种多层级模型的复杂纹理对象表面缺陷检测方法 | |
CN113706566B (zh) | 一种基于边缘检测的加香喷雾性能检测方法 | |
CN115797813B (zh) | 基于航拍图像的水环境污染检测方法 | |
Mei et al. | A novel framework for container code-character recognition based on deep learning and template matching | |
CN115937552A (zh) | 一种基于融合手工特征与深度特征的图像匹配方法 | |
CN117635615B (zh) | 基于深度学习实现冲孔模具的缺陷检测方法及系统 | |
CN113421223B (zh) | 基于深度学习和高斯混合的工业产品表面缺陷检测方法 | |
CN111310754A (zh) | 一种分割车牌字符的方法 | |
CN110276260B (zh) | 一种基于深度摄像头的商品检测方法 | |
CN112489052A (zh) | 一种复杂环境下的线结构光中心线提取方法 | |
CN108898045B (zh) | 基于深度学习的手势识别的多标签图像预处理方法 | |
CN116433978A (zh) | 一种高质量瑕疵图像自动生成与自动标注方法及装置 |
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 |