CN115588022B - 基于工序指标数据的锂电池隔离膜质量检测系统 - Google Patents

基于工序指标数据的锂电池隔离膜质量检测系统 Download PDF

Info

Publication number
CN115588022B
CN115588022B CN202211402805.XA CN202211402805A CN115588022B CN 115588022 B CN115588022 B CN 115588022B CN 202211402805 A CN202211402805 A CN 202211402805A CN 115588022 B CN115588022 B CN 115588022B
Authority
CN
China
Prior art keywords
noise
run
region
skeleton
matrix
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.)
Active
Application number
CN202211402805.XA
Other languages
English (en)
Other versions
CN115588022A (zh
Inventor
王红兵
王宜
陈虎
谢红园
刘显军
徐凯
陈红
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.)
Henan Huiqiang New Energy Material Technology Co ltd
Huiqiang Wuhan New Energy Material Technology Co ltd
Xiangyang Huiqiang New Energy Material Technology Co ltd
Hefei Huiqiang New Energy Material Technology Co ltd
Original Assignee
Henan Huiqiang New Energy Material Technology Co ltd
Huiqiang Wuhan New Energy Material Technology Co ltd
Xiangyang Huiqiang New Energy Material Technology Co ltd
Hefei Huiqiang New Energy Material 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 Henan Huiqiang New Energy Material Technology Co ltd, Huiqiang Wuhan New Energy Material Technology Co ltd, Xiangyang Huiqiang New Energy Material Technology Co ltd, Hefei Huiqiang New Energy Material Technology Co ltd filed Critical Henan Huiqiang New Energy Material Technology Co ltd
Priority to CN202211402805.XA priority Critical patent/CN115588022B/zh
Publication of CN115588022A publication Critical patent/CN115588022A/zh
Application granted granted Critical
Publication of CN115588022B publication Critical patent/CN115588022B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/08—Investigating permeability, pore-volume, or surface area of porous materials
    • G01N15/088—Investigating volume, surface area, size or distribution of pores; Porosimetry
    • 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
    • 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
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06T2207/20032—Median filtering
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Dispersion Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及基于工序指标数据的锂电池隔离膜质量检测系统。该系统分割锂电池隔膜的骨骼主干区域以及粘连区域，对主干区域进行常规滤波，并计算噪声分布密度，根据噪声分布一致性对粘连区域的灰度游程矩阵进行分析，获取粘连区域噪声和相似孔隙的互相影响程度，然后自适应滤波尺寸，通过自适应滤波对非主干区域进行滤波，对去噪后的图像进行孔隙边缘分割，计算孔隙的尺寸是否符合生产要求。本发明通过有效的图像滤波，提高了图像的质量，进一步提高了锂电池隔离膜质量检测的准确度。

Description

基于工序指标数据的锂电池隔离膜质量检测系统
技术领域
本发明涉及图像处理技术领域，具体涉及基于工序指标数据的锂电池隔离膜质量检测系统。
背景技术
为保证锂电池中低的电阻和高的离子电导率对锂离子有较好的透过性，必须保证锂电池隔膜有一定的孔隙和孔隙率，为了检验隔膜的这种能力，一般利用压力穿透实验来评估隔膜的透过率指标，但通过实验仅能检测出整片隔离膜存在缺陷，却无法得到准确的透过性异常区域，进而无法对隔离膜拉伸工序的拉伸参数进行调校。
因此需要用到扫描电镜来进行微观观测，进一步检测局部隔膜的孔隙大小尺寸范围以及孔隙是否均一，常规利用机器视觉检测微观视角下的隔膜孔隙是基于阈值分割将所有孔隙单独进行分割，然后识别各孔隙的尺寸大小，但图像传感器在采集隔膜图像，以及传输至图像分析模块时，总会受到电信号的干扰导致产生椒盐噪声干扰，进而无法分割出完整的隔膜孔隙图像，造成锂电池隔膜质量检测结果失准。而由于隔膜图像复杂的纹理以及密集的孔隙，常规去噪算法大概率会丢失原图像信息。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于工序指标数据的锂电池隔离膜质量检测系统，所采用的技术方案具体如下：
本发明提出了一种基于工序指标数据的锂电池隔离膜质量检测系统，所述系统包括：
图像采集模块，用于采集基于干式单向拉伸法工序进行横向拉伸的隔膜图像；
隔膜图像分割模块，用于根据隔膜图像中的边缘获取骨骼区域；获得骨骼区域中的多个角点，角点将骨骼区域分割为至少两个线段；根据每条线段中相邻点之间的偏移角度获得每条线段的趋势指标；根据趋势指标判断线段的线段类型，线段类型包括横向边缘和纵向边缘；根据横向边缘和纵向边缘分割出骨骼区域中的骨骼主干区域；
图像滤波模块，用于对骨骼主干区域中噪声点进行滤波；获得非骨骼主干区域的0°方向灰度游程矩阵和90°方向灰度游程矩阵；获得0°方向灰度游程矩阵中的局部极值形成的局部极值邻域簇；根据0°方向灰度游程矩阵和90°方向灰度游程矩阵中的局部极值邻域簇对应位置的元素差异获得每个局部极值邻域簇的噪声概率，选择噪声概率的局部极值邻域簇作为噪声簇；根据噪声簇在0°方向灰度游程矩阵中的游程信息和骨骼主干区域中的噪声密度获得噪声影响程度；根据噪声影响程度调整非骨骼主干区域中的滤波窗口尺寸，根据调整后的滤波窗口对非骨骼主干区域进行滤波，获得去噪图像；
质量检测模块，用于根据去噪图像中的孔隙边缘判断电池隔离膜的质量。
进一步地，所述根据每条线段中相邻点之间的偏移角度获得每条线段的趋势指标包括：
Figure SMS_1
；
Figure SMS_2
代表第i个边缘像素点与邻点的斜率，
Figure SMS_3
代表第d条线段的总长，
Figure SMS_4
则是利用反三角函数得到第d条线段的角度趋势方向，
Figure SMS_5
为第d条线段的角度趋势方向，
Figure SMS_6
为趋势指标。
进一步地，所述根据趋势指标判断线段的线段类型包括：
当趋势指标小于预设趋势阈值时，则认为对应线段为横向边缘；反之则为纵向边缘。
进一步地，所述根据横向边缘和纵向边缘分割出骨骼区域中的骨骼主干区域包括：
将纵向边缘与横向边缘夹角的角点作为A类角点，其余则为B类角点；将相邻A类角点连接，得到拟合边缘线；拟合边缘线将骨骼区域分割出纵向的骨骼主干区域。
进一步地，所述噪声概率的获取方法包括：
Figure SMS_7
；
其中，
Figure SMS_9
为第
Figure SMS_11
个局部极值邻域簇的噪声概率，i代表灰度游程矩阵上的任意一个横坐标游程长度，
Figure SMS_13
代表该游程矩阵上第
Figure SMS_15
个局部极值邻域簇能划出的最小游程长度，
Figure SMS_17
代表该游程矩阵上第
Figure SMS_19
个局部极值邻域簇能划出的最大游程长度；j代表灰度游程矩阵上的任意一个纵坐标灰阶值，
Figure SMS_20
代表该游程矩阵上第
Figure SMS_8
个局部极值邻域簇能划出的最小灰阶，
Figure SMS_10
代表该游程矩阵上第
Figure SMS_12
个局部极值邻域簇能划出的最大灰阶，
Figure SMS_14
代表0°方向灰度游程矩阵中第
Figure SMS_16
个局部极值邻域簇内坐标为（i，j）时的元素值，
Figure SMS_18
代表90°方向灰度游程矩阵中坐标为（i，j）时的元素值，exp（）为以自然常数为底的指数函数。
进一步地，所述噪声影响程度的获取方法包括：
Figure SMS_21
；
其中，
Figure SMS_22
为噪声影响程度，exp（）为以自然常数为底的指数函数，
Figure SMS_23
骨骼主干区域中的噪声密度，
Figure SMS_24
代表0°方向灰度游程矩阵中第
Figure SMS_25
个簇内所有元素值与其对应游程长度相乘然后累加得到该簇内的所有游程长度之和，
Figure SMS_26
中，m、n分别代表0°方向灰度游程矩阵中的最大游程值、最大灰阶值。
进一步地，所述根据噪声影响程度调整非骨骼主干区域中的滤波窗口尺寸包括：
Figure SMS_27
其中，
Figure SMS_28
为调整后的滤波窗口尺寸，
Figure SMS_29
为对骨骼主干区域中噪声点进行滤波过程中的窗口尺寸，
Figure SMS_30
为噪声影响程度。
进一步地，所述根据去噪图像中的孔隙边缘判断电池隔离膜的质量包括：
根据每个孔隙边缘形成区域的面积尺寸与标准尺寸进行对比，对电池隔离膜的质量进行判断。
本发明具有如下有益效果：
对于扫描电镜下的锂电池隔膜图像，其孔隙极为密集，一旦受到椒盐噪声影响，无法通过常规去噪滤波进行噪声去噪，会大概率破坏原本的孔隙图像，本发明通过分割不同图像区域，将隔膜骨骼主干区域内的噪声进行滤波去除，并以该区域的噪声分布密度，结合灰度游程矩阵，获取粘连区域噪声和相似孔隙的互相影响程度，然后自适应滤波尺寸。本发明相对于现有去噪算法，对孔隙密集、纹理复杂的锂电池隔膜图像去噪更加精准，对非噪声图像信息的破坏较小，大幅提高了智能检测锂电池隔膜孔隙异常的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅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它附图。
图1为本发明一个实施例所提供的一种基于工序指标数据的锂电池隔离膜质量检测系统框图；
图2为本发明一个实施例所提供的一种根据横向边缘和纵向边缘分割出骨骼主干区域的示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于工序指标数据的锂电池隔离膜质量检测系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明所针对的情景为：
需要用到扫描电镜来进行微观观测，进一步检测局部隔膜的孔隙大小尺寸范围以及孔隙是否均一，常规利用机器视觉检测微观视角下的隔膜孔隙是基于阈值分割将所有孔隙单独进行分割，然后识别各孔隙的尺寸大小，但图像传感器在采集隔膜图像，以及传输至图像分析模块时，总会受到电信号的干扰导致产生椒盐噪声干扰，进而无法分割出完整的隔膜孔隙图像，造成锂电池隔膜质量检测结果失准。而由于隔膜图像复杂的纹理以及密集的孔隙，常规去噪算法大概率会丢失原图像信息。
下面结合附图具体的说明本发明所提供的一种基于工序指标数据的锂电池隔离膜质量检测系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于工序指标数据的锂电池隔离膜质量检测系统框图，该系统包括：图像采集模块、隔膜图像分割模块、图像滤波模块和质量检测模块。
图像采集模块，用于采集基于干式单向拉伸法工序进行横向拉伸的隔膜图像。干法隔膜工艺是隔膜制备过程中最常采用的方法，该工艺是将高分子聚合物、添加剂等原料混合形成均匀熔体，挤出时在拉伸应力下形成片晶结构，热处理片晶结构获得硬弹性的聚合物薄膜，之后在一定的温度下拉伸形成狭缝状微孔，热定型后制得微孔膜。在拉伸时分为纵向拉伸和横向拉伸。
在锂电池隔膜拉伸工序中，若隔膜的拉伸程度不足，会对锂电池性能产生影响，膜的孔隙大小都是在10-100nm之间，比较均匀，若局部存在大量较小的孔隙，则代表该部分存在拉伸不足。原有穿透性实验无法获取隔膜准确的孔隙数据，现有利用显微电镜检测隔膜质量，可以更准确的检测、定位、调节拉伸工序中的参数异常。电池隔膜在拉伸工序完成后，通过输送带传送至检测点，利用台式扫瞄镜对锂电池隔膜图像进行采集。
在本发明实施例中，为了节省运算占用，对隔膜图像进行灰度化处理，将图像的灰度级限制在0-255。
隔膜图像分割模块，用于根据隔膜图像中的边缘获取骨骼区域；获得骨骼区域中的多个角点，角点将骨骼区域分割为至少两个线段；根据每条线段中相邻点之间的偏移角度获得每条线段的趋势指标；根据趋势指标判断线段的线段类型，线段类型包括横向边缘和纵向边缘；根据横向边缘和纵向边缘分割出骨骼区域中的骨骼主干区域。
由于隔膜图像上孔隙的分布极为密集，若采用常规的去噪算法对图像整体进行处理，极可能导致部分较小的孔隙被误认为噪声一并去除，椒盐噪声在图像上随机分布，分布的位置不同，对孔隙分割、质量检测结果的影响程度不同，根据隔膜图像的结构特征，将其分为骨骼区域、孔隙区域两个部分。
由于干法单向隔膜拉伸工艺的拉伸方向已知，可以观察到拉伸后的隔膜图像骨骼区域分为纵向主干区域、以及横向粘连区域，噪声在骨骼的主干区域内时，由于拉伸工序本质上是通过拉力对原锂电池隔膜结构进行破坏，而骨骼主干区域是未被破坏的部分，因此不可能存在孔隙，椒盐噪声分布在主干区域内时，对我们后续获取孔隙不会造成影响，因此该区域的噪声可以用任意尺寸、强度的滤波进行去除均不会影响检测结果，但是噪声若分布在结构被破坏横向粘连区域，由于椒盐噪声为黑白噪声点，其黑色噪点则可能会与孔隙混淆，严重干扰检测精度。
因此首先需要将不同的骨骼区域在含噪声图像上进行初分割。由于骨骼主干区域和粘连区域的灰度值几乎相同，难以通过设置阈值来进行分割。
本发明实施例利用Canny算子获取含噪声隔膜图像中的骨骼区域边缘图像，由于噪声影响，骨骼区域的边缘图像比较粗糙，但其边缘整体延伸趋势不会被改变，骨骼纵向主干区域的边缘延伸方向与拉伸方向近似垂直，而横向粘连区域边缘则与拉伸方向水平。
在本发明实施例中，对骨骼边缘进行Harris角点检测，其基本原理为：利用一个滑动窗口沿着边缘进行遍历，当窗口停留在边缘上任意一处时，如果在各个方向上移动这个特征的小窗口，窗口内区域的灰度发生了较大的变化，那么就认为在窗口内遇到了角点。角点检测模块中需要设置非极大值抑制，避免角点堆积。
非极大值抑制后的隔膜骨骼边缘会被多个角点分为若干较小线段，每条线段两端为所检测角点，因此可以说明每条线段的方向趋势单调，根据每条线段中相邻点之间的偏移角度获得每条线段的趋势指标，具体包括：
Figure SMS_31
；
其中，
Figure SMS_32
代表第i个边缘像素点与邻点的斜率，
Figure SMS_33
代表第d条线段的总长，
Figure SMS_34
则是利用反三角函数得到第d条线段的角度趋势方向，
Figure SMS_35
为第d条线段的角度趋势方向，
Figure SMS_36
为趋势指标。
在该公式中，
Figure SMS_37
代表第d条线段的相邻像素点斜率加和求均，
Figure SMS_38
则是利用反三角函数得到第d条线段的角度趋势方向，即
Figure SMS_39
，那么
Figure SMS_40
就代表第d条线段的角度趋势和纵向竖直90°的相似度，
Figure SMS_41
越接近1，则该条边缘越趋向竖直方向。
根据趋势指标判断线段的线段类型包括：
当趋势指标小于预设趋势阈值时，则认为对应线段为横向边缘；反之则为纵向边缘。在本发明实施例中，将趋势阈值设置为
Figure SMS_42
将当
Figure SMS_43
时，将第d条边缘段标记为横向边缘，当
Figure SMS_44
时，将其标记为纵向边缘。
请参阅图2，其示出了本发明一个实施例所提供的一种根据横向边缘和纵向边缘分割出骨骼主干区域的示意图。将纵向边缘与横向边缘夹角的角点作为A类角点，其余则为B类角点；将相邻A类角点连接，得到拟合边缘线；拟合边缘线将骨骼区域分割出纵向的骨骼主干区域。在图2中灰色为A类角点，黑色为B类角点，虚线为沿着纵向边缘延伸趋势连接相邻A类角点后的拟合边缘线，该步骤的目的为，将骨骼区域图像，进一步分割为纵向的骨骼主干部分，以及横向的粘连部分。
图像滤波模块，用于对骨骼主干区域中噪声点进行滤波；获得非骨骼主干区域的0°方向灰度游程矩阵和90°方向灰度游程矩阵；获得0°方向灰度游程矩阵中的局部极值形成的局部极值邻域簇；根据0°方向灰度游程矩阵和90°方向灰度游程矩阵中的局部极值邻域簇对应位置的元素差异获得每个局部极值邻域簇的噪声概率，选择噪声概率的局部极值邻域簇作为噪声簇；根据噪声簇在0°方向灰度游程矩阵中的游程信息和骨骼主干区域中的噪声密度获得噪声影响程度；根据噪声影响程度调整非骨骼主干区域中的滤波窗口尺寸，根据调整后的滤波窗口对非骨骼主干区域进行滤波，获得去噪图像。
图像滤波模块在对骨骼主干区域滤波时，将所有纵向边缘相邻断口处进行连接拟合，得到一个封闭的骨骼主干区域，暂时将非主干骨骼的区域进行掩膜遮盖，仅对骨骼主干区域进行去噪处理，正如上文所述，骨骼主干区域不存在孔隙，因此所有检测出的像素突变点基本都为噪声点，然后我们可以沿着骨骼主干区域进行纵向中值滤波，对中值滤波尺寸设置为L，L的尺寸在滤波沿着骨骼主干区域进行纵向滤波时，不得超出骨骼主干区域的边界宽度，进行自设即可。然而在滤波之前，我们对骨骼主干区域的噪声密度进行评估，因为同一幅图像上不同区域的噪声分布密度均具有一致性，且骨骼主干区域内不存在孔隙，因此其内所有突变点均为噪声点，我们通过突变点检测，即如果一个孤立的点（此点的灰度级与其背景的差异相当大并且它所在的位置是一个均匀或近似均匀的区域）与它周围的点很不同，设置如下卷积核，当核内卷积结果大于等于T时，即|R|
Figure SMS_45
T，本发明设置经验阈值T=20，则获得骨骼主干区域内的突变噪声点。以突变噪声点数量与骨骼主干区域的总面积的比值作为骨骼主干区域中的噪声密度。
由于骨骼主干区域出现突变点必然为噪声，而其他粘连区域则难以区分突变部分是噪声还是较小的孔隙。去掉非主干骨骼的区域掩膜，将滤波后的纵向骨骼主干区域进行遮盖，对剩余部分横向粘连的骨骼区域进行滤波。
将256个灰度级均匀分割为64个灰阶，如像素值0-3变为灰阶1，4-8变为灰阶2，以此类推。利用灰度游程矩阵沿着将骨骼主干区域遮盖后的图像0°竖直、90°水平方向进行游程，分别得到各自的灰度游程矩阵。椒盐噪声点大小均匀，因此在任意角度所得游程矩阵中的分布特征几乎相同，均呈现集中聚集，而干式拉伸工序中，隔膜的孔隙横向、纵向的孔径不同，在0°、90°的游程矩阵中的游程结果并不相同。获得0°方向灰度游程矩阵中的局部极值形成的局部极值邻域簇，在本发明实施例中，选择8邻域范围作为局部极值的局部极值邻域簇，即灰度游程矩阵中某一处的元素值相比其8邻域方向上的元素值最大，即可获得多个局部元素值聚集的簇。
矩阵中每一个簇都为灰阶相近、游程长度相近的元素集中区域，都符合“椒盐噪声点大小均匀，因此在任意角度所得游程矩阵中的分布特征几乎相同，均呈现集中聚集”的描述，那么需要在所以簇中找到最贴合噪声特征的一个，我们将已经分好的簇，与90°方向的游程矩阵进行同位置相差，差值结果最小，则矩阵中该局部簇为噪声点游程的概率越大。因此根据0°方向灰度游程矩阵和90°方向灰度游程矩阵中的局部极值邻域簇对应位置的元素差异获得每个局部极值邻域簇的噪声概率包括：
Figure SMS_46
；
其中，
Figure SMS_48
为第
Figure SMS_49
个局部极值邻域簇的噪声概率，i代表灰度游程矩阵上的任意一个横坐标游程长度，
Figure SMS_51
代表该游程矩阵上第
Figure SMS_53
个局部极值邻域簇能划出的最小游程长度，
Figure SMS_54
代表该游程矩阵上第
Figure SMS_56
个局部极值邻域簇能划出的最大游程长度；j代表灰度游程矩阵上的任意一个纵坐标灰阶值，
Figure SMS_58
代表该游程矩阵上第
Figure SMS_47
个局部极值邻域簇能划出的最小灰阶，
Figure SMS_50
代表该游程矩阵上第
Figure SMS_52
个局部极值邻域簇能划出的最大灰阶，
Figure SMS_55
代表0°方向灰度游程矩阵中第
Figure SMS_57
个局部极值邻域簇内坐标为（i，j）时的元素值，
Figure SMS_59
代表90°方向灰度游程矩阵中坐标为（i，j）时的元素值，exp（）为以自然常数为底的指数函数。
在该式中，
Figure SMS_60
代表第
Figure SMS_61
个簇内所有元素值与90°方向灰度游程矩阵上相同位置的元素值的差值绝对值之和，该值越小，则越符合噪声点不同方向游程结果几乎相同的特征。利用指数函数进行归一化，所述差值绝对值之和越小，则
Figure SMS_62
的取值在0-1之间越大，当所有簇中
Figure SMS_63
值最大的一个簇则为噪声所在簇的概率最大。即选择噪声概率的局部极值邻域簇作为噪声簇。
确定了游程矩阵中是噪声概率最大的一个簇，进一步获取该簇对粘连区域中，噪声和相似孔隙互相影响的概率值，当该簇内元素乘以其各自游程长度的总和，与矩阵元素乘以各自游程长度的总和之比，与上述
Figure SMS_64
越相近，则代表粘连区域孔隙和噪声互相干扰的可能性越低，若越偏离，代表粘连区域中存在较多与噪声相似灰度、尺寸的孔隙，那么孔隙和噪声互相干扰的可能性越高。因此噪声影响程度的获取方法包括：
Figure SMS_65
；
其中，
Figure SMS_66
为噪声影响程度，exp（）为以自然常数为底的指数函数，
Figure SMS_67
骨骼主干区域中的噪声密度，
Figure SMS_68
代表0°方向灰度游程矩阵中第
Figure SMS_69
个簇内所有元素值与其对应游程长度相乘然后累加得到该簇内的所有游程长度之和，
Figure SMS_70
中，m、n分别代表0°方向灰度游程矩阵中的最大游程值、最大灰阶值。
在该式中
Figure SMS_71
代表第
Figure SMS_72
个簇内的所有游程长度之和除以该游程矩阵所有游程长度之和，即所述同一幅图像上不同区域的噪声分布密度均具有一致性，那么我们用每个簇内所有游程长度之和除以该游程矩阵所有游程长度之和作为该簇内元素在灰度游程矩阵上的分布密度，
Figure SMS_73
代表利用隔膜骨骼主干区域的噪声密度，与每个簇内元素在灰度游程矩阵上的分布密度计算差值绝对值，差值绝对值越小，则代表两个密度越相近，那么代表粘连区域的噪声分布与骨干区域具有一致性，与噪声相似的孔隙较少；差值绝对值越大，则代表粘连区域的噪声分布被与其相似的孔隙干扰较大，与噪声相似的孔隙较多。利用指数函数进行归一化后得到
Figure SMS_74
，
Figure SMS_75
则为粘连区域噪声与较小孔隙的互相影响程度。
Figure SMS_76
越大，代表相互影响程度低，
Figure SMS_77
越小，则代表两者相互影响程度高。
滤波越大，则平滑程度越高，当噪声和孔隙并存，且两者相似时，需要根据
Figure SMS_78
值自适应滤波尺寸，因此根据噪声影响程度调整非骨骼主干区域中的滤波窗口尺寸，包括：
Figure SMS_79
其中，
Figure SMS_80
为调整后的滤波窗口尺寸，
Figure SMS_81
为对骨骼主干区域中噪声点进行滤波过程中的窗口尺寸，
Figure SMS_82
为噪声影响程度。当
Figure SMS_83
越小，代表两者互相影响程度越高，因此滤波尺寸需要调至更小。
根据调整后的滤波窗口对非骨骼主干区域进行滤波，获得去噪图像。至于孔隙部分，本发明将骨干区域、粘连区域均进行了去噪，而孔隙本身就是与该两个区域并用同一边缘，因此孔隙的边缘也同样去除了噪声影响，孔隙内部较小，因此本发明认为通过孔隙边缘一样可以获取其尺寸大小，无需对其内部进行去噪处理，以免造成破坏。
质量检测模块，用于根据去噪图像中的孔隙边缘判断电池隔离膜的质量。经过其他三个模块的处理在不影响隔膜孔隙的前提下，对隔膜骨骼主干区域、粘连区域分别进行降噪处理，前者内不存在孔隙，因此对其进行常规中值滤波处理，后者为孔隙、噪声混杂，本发明通过灰度游程矩阵获取孔隙和噪声的互相影响程度，并自适应中值滤波尺寸去噪，实现去噪的同时尽可能保证孔隙的图像信息的完整性。因此质量检测模块在去噪图像中对图像中的孔隙进行Canny边缘检测，得到每个孔隙的面积尺寸，根据每个孔隙边缘形成区域的面积尺寸与标准尺寸进行对比，对电池隔离膜的质量进行判断。根据先验知识可知，标准生产要求为10-100nm，对于不符合标准尺寸的孔隙标记不符合要求的孔隙，并根据其数量、分布位置判断锂电池隔膜的质量是否达标，并调节辊轮拉力，调节过程为正反馈调节，即孔隙小则调大拉力，为常规调整，不再阐述。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于工序指标数据的锂电池隔离膜质量检测系统，其特征在于，所述系统包括：
图像采集模块，用于采集基于干式单向拉伸法工序进行横向拉伸的隔膜图像；
隔膜图像分割模块，用于根据隔膜图像中的边缘获取骨骼区域；获得骨骼区域中的多个角点，角点将骨骼区域分割为至少两个线段；根据每条线段中相邻点之间的偏移角度获得每条线段的趋势指标；根据趋势指标判断线段的线段类型，线段类型包括横向边缘和纵向边缘；根据横向边缘和纵向边缘分割出骨骼区域中的骨骼主干区域；
图像滤波模块，用于对骨骼主干区域中噪声点进行滤波；获得非骨骼主干区域的0°方向灰度游程矩阵和90°方向灰度游程矩阵；获得0°方向灰度游程矩阵中的局部极值形成的局部极值邻域簇；根据0°方向灰度游程矩阵和90°方向灰度游程矩阵中的局部极值邻域簇对应位置的元素差异获得每个局部极值邻域簇的噪声概率，选择噪声概率的局部极值邻域簇作为噪声簇；根据噪声簇在0°方向灰度游程矩阵中的游程信息和骨骼主干区域中的噪声密度获得噪声影响程度；根据噪声影响程度调整非骨骼主干区域中的滤波窗口尺寸，根据调整后的滤波窗口对非骨骼主干区域进行滤波，获得去噪图像；
质量检测模块，用于根据去噪图像中的孔隙边缘判断电池隔离膜的质量；
所述噪声概率的获取方法包括：
Figure QLYQS_1
；
其中，
Figure QLYQS_4
为第
Figure QLYQS_7
个局部极值邻域簇的噪声概率，i代表灰度游程矩阵上的任意一个横坐标游程长度，
Figure QLYQS_11
代表该游程矩阵上第
Figure QLYQS_5
个局部极值邻域簇能划出的最小游程长度，
Figure QLYQS_8
代表该游程矩阵上第
Figure QLYQS_12
个局部极值邻域簇能划出的最大游程长度；j代表灰度游程矩阵上的任意一个纵坐标灰阶值，
Figure QLYQS_14
代表该游程矩阵上第
Figure QLYQS_2
个局部极值邻域簇能划出的最小灰阶，
Figure QLYQS_6
代表该游程矩阵上第
Figure QLYQS_10
个局部极值邻域簇能划出的最大灰阶，
Figure QLYQS_13
代表0°方向灰度游程矩阵中第
Figure QLYQS_3
个局部极值邻域簇内坐标为（i，j）时的元素值，
Figure QLYQS_9
代表90°方向灰度游程矩阵中坐标为（i，j）时的元素值，exp（）为以自然常数为底的指数函数；
所述噪声影响程度的获取方法包括：
Figure QLYQS_15
；
其中，
Figure QLYQS_16
为噪声影响程度，exp（）为以自然常数为底的指数函数，
Figure QLYQS_17
骨骼主干区域中的噪声密度，
Figure QLYQS_18
代表0°方向灰度游程矩阵中第
Figure QLYQS_19
个簇内所有元素值与其对应游程长度相乘然后累加得到该簇内的所有游程长度之和，
Figure QLYQS_20
中，m、n分别代表0°方向灰度游程矩阵中的最大游程值、最大灰阶值。
2.根据权利要求1所述的一种基于工序指标数据的锂电池隔离膜质量检测系统，其特征在于，所述根据每条线段中相邻点之间的偏移角度获得每条线段的趋势指标包括：
Figure QLYQS_21
；
其中，
Figure QLYQS_22
代表第i个边缘像素点与邻点的斜率，
Figure QLYQS_23
代表第d条线段的总长，
Figure QLYQS_24
则是利用反三角函数得到第d条线段的角度趋势方向，
Figure QLYQS_25
为第d条线段的角度趋势方向，
Figure QLYQS_26
为趋势指标。
3.根据权利要求2所述的一种基于工序指标数据的锂电池隔离膜质量检测系统，其特征在于，所述根据趋势指标判断线段的线段类型包括：
当趋势指标小于预设趋势阈值时，则认为对应线段为横向边缘；反之则为纵向边缘。
4.根据权利要求1所述的一种基于工序指标数据的锂电池隔离膜质量检测系统，其特征在于，所述根据横向边缘和纵向边缘分割出骨骼区域中的骨骼主干区域包括：
将纵向边缘与横向边缘夹角的角点作为A类角点，其余则为B类角点；将相邻A类角点连接，得到拟合边缘线；拟合边缘线将骨骼区域分割出纵向的骨骼主干区域。
5.根据权利要求1所述的一种基于工序指标数据的锂电池隔离膜质量检测系统，其特征在于，所述根据噪声影响程度调整非骨骼主干区域中的滤波窗口尺寸包括：
Figure QLYQS_27
其中，
Figure QLYQS_28
为调整后的滤波窗口尺寸，
Figure QLYQS_29
为对骨骼主干区域中噪声点进行滤波过程中的窗口尺寸，
Figure QLYQS_30
为噪声影响程度。
6.根据权利要求1所述的一种基于工序指标数据的锂电池隔离膜质量检测系统，其特征在于，所述根据去噪图像中的孔隙边缘判断电池隔离膜的质量包括：
根据每个孔隙边缘形成区域的面积尺寸与标准尺寸进行对比，对电池隔离膜的质量进行判断。
CN202211402805.XA 2022-11-10 2022-11-10 基于工序指标数据的锂电池隔离膜质量检测系统 Active CN115588022B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211402805.XA CN115588022B (zh) 2022-11-10 2022-11-10 基于工序指标数据的锂电池隔离膜质量检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211402805.XA CN115588022B (zh) 2022-11-10 2022-11-10 基于工序指标数据的锂电池隔离膜质量检测系统

Publications (2)

Publication Number Publication Date
CN115588022A CN115588022A (zh) 2023-01-10
CN115588022B true CN115588022B (zh) 2023-04-11

Family

ID=84781296

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211402805.XA Active CN115588022B (zh) 2022-11-10 2022-11-10 基于工序指标数据的锂电池隔离膜质量检测系统

Country Status (1)

Country Link
CN (1) CN115588022B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116703894B (zh) * 2023-08-02 2023-11-17 深圳市邦胜能源科技有限公司 一种锂电池隔膜质量检测系统
CN116758064B (zh) * 2023-08-14 2024-04-19 深圳天眼新能源科技有限公司 基于电子扫描显微镜的锂电池隔膜质量检测方法
CN116735612B (zh) * 2023-08-15 2023-11-07 山东精亿机械制造有限公司 一种精密电子元器件焊接缺陷检测方法
CN117934459B (zh) * 2024-03-21 2024-06-28 锦诚实业科技(深圳)有限公司 一种食品料包封口缺陷检测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017219343A (ja) * 2016-06-03 2017-12-14 住友化学株式会社 欠陥検査装置、欠陥検査方法、フィルム製造装置及びフィルム製造方法
CN109444169B (zh) * 2019-01-17 2021-06-15 南昌航空大学 一种轴承缺陷检测方法及系统
CN111650210B (zh) * 2020-06-11 2021-10-22 深圳市信宇人科技股份有限公司 高速高精度锂离子电池极片的毛刺检测方法及检测系统
CN114170140A (zh) * 2021-11-10 2022-03-11 佛山科学技术学院 一种基于Yolov4的隔膜缺陷识别方法
CN114973007A (zh) * 2022-08-03 2022-08-30 启东市恒瑞电源科技有限公司 基于灰度游程矩阵的高压线断落监测方法

Also Published As

Publication number Publication date
CN115588022A (zh) 2023-01-10

Similar Documents

Publication Publication Date Title
CN115588022B (zh) 基于工序指标数据的锂电池隔离膜质量检测系统
CN109410230B (zh) 一种可抗噪声的改进Canny图像边缘检测方法
CN106780486B (zh) 一种钢板表面缺陷图像提取方法
CN115330767B (zh) 一种腐蚀箔生产异常识别方法
CN109632808B (zh) 棱边缺陷检测方法、装置、电子设备及存储介质
US8712114B2 (en) Elegant solutions for fingerprint image enhancement
CN115272321B (zh) 一种基于机器视觉的纺织品缺陷检测方法
CN116012357A (zh) 基于机器视觉的汽车圆形拖车孔气纹缺陷检测方法
CN112669265B (zh) 基于傅里叶变换和图像梯度特征实现表面缺陷检测的方法
CN117853493B (zh) 一种基于图像处理的墙板生产质量检测方法
CN115330784A (zh) 一种布匹表面缺陷检测方法
CN109781737B (zh) 一种软管表面缺陷的检测方法及其检测系统
CN116630813B (zh) 一种公路路面施工质量智能检测系统
CN105447489B (zh) 一种图片ocr识别系统的字符与背景粘连噪声消除方法
CN115018765A (zh) 基于灰度梯度共生矩阵的粉末冶金零件成品检测方法
CN110530883A (zh) 一种缺陷检测方法
CN114127784A (zh) 用于生成相机流的掩模的方法、计算机程序产品和计算机可读介质
CN115994870B (zh) 一种用于增强去噪的图像处理方法
CN116152115A (zh) 基于计算机视觉的垃圾图像去噪处理方法
CN115511907A (zh) 一种用于led屏幕的划痕检测方法
CN114758159A (zh) 一种液压制动器切削工艺的切削控制方法
CN116681696B (zh) 一种用于自动化生产设备的模具质量监测方法
Lin et al. Improved Decision Based Adaptive Threshold Median Filter for Fingerprint Image Salt and Pepper Noise Denoising
CN109547777B (zh) 一种复杂场景的视频噪声快速检测方法
CN114862786A (zh) 基于Retinex图像增强和Ostu阈值分割的隔离带检测方法及系统

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