CN116523923B - 一种电池外壳缺陷识别方法 - Google Patents
一种电池外壳缺陷识别方法 Download PDFInfo
- Publication number
- CN116523923B CN116523923B CN202310814581.1A CN202310814581A CN116523923B CN 116523923 B CN116523923 B CN 116523923B CN 202310814581 A CN202310814581 A CN 202310814581A CN 116523923 B CN116523923 B CN 116523923B
- Authority
- CN
- China
- Prior art keywords
- gray
- region
- image
- determining
- connected domain
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 192
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012216 screening Methods 0.000 claims description 19
- 230000002950 deficient Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 16
- 238000004364 calculation method Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 230000011218 segmentation Effects 0.000 description 10
- 239000006185 dispersion Substances 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 4
- 229910052744 lithium Inorganic materials 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 241001270131 Agaricus moelleri Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000003792 electrolyte Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002985 plastic film Substances 0.000 description 1
- 229920006255 plastic film Polymers 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种电池外壳缺陷识别方法,该方法利用可见光图像识别设备对待检测的电池外壳的表面图像进行识别,并根据识别到的表面图像进行相应的数据处理,从而确定在表面图像中各个缺陷的缺陷类型。本发明通过图像识别的方式,通过进行相关的数据处理,可以准确识别出电池外壳表面的每处缺陷及其对应的缺陷类型,有效提高了电池外壳缺陷检测的准确性。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种电池外壳缺陷识别方法。
背景技术
软包锂电池的外壳采用的是铝塑膜,其质地很软,很容易出现表面受力变形,从而导致凹陷缺陷。另外,如果电池内部电解质变质,产生大量气体,就会导致外壳出现凸起,从而导致凸起缺陷。无论是电池表面受力变形,还是电池内部电解质变质产生大量气体,都会严重影响产品的质量,有时甚至会造成电池电路异常。因此,在生产过程中,通过识别软包锂电池外壳出现的缺陷类型,针对该类型缺陷产生的原因进行针对性处理,对保证电池生产质量具有非常重要的意义。
目前,在进行软包锂电池外壳的凹陷和凸起缺陷检测时,通常利用阈值分割法。在采用阈值分割法进行缺陷检测时,通常是人为确定分割阈值,或者是通过正常电池外壳图像的灰度来确定分割阈值。当确定的分割阈值与采集到的电池外壳的表面图像不匹配,或者是缺陷区域的灰度较正常区域变化较小时,就会存在部分凹陷和凸起缺陷无法被分割和识别出来的情况,最终导致缺陷检测结果不准确。
发明内容
本发明的目的在于提供一种电池外壳缺陷识别方法,用于解决现有电池外壳缺陷检测结果不准确的问题。
为解决上述技术问题,本发明提供了一种电池外壳缺陷识别方法,包括以下步骤:
识别得到待检测的电池外壳的表面图像,对表面图像进行相应的数据处理,获取表面图像的灰度图像;
对灰度图像进行相应的数据处理,得到灰度图像对应的各个比特分层图;
对每个比特分层图进行连通域检测,得到每个比特分层图中的各个连通域,根据各个连通域的位置,确定每个比特分层图中的各个嵌套连通域组和非嵌套连通域;
对各个比特分层图中的各个嵌套连通域组进行筛选,得到各个目标嵌套连通域组,根据每个目标嵌套连通域组和灰度图像,确定每个目标嵌套连通域组对应的灰度阈值;
根据非嵌套连通域和灰度图像,确定非缺陷灰度,将各个目标嵌套连通域组对应的灰度阈值分别与非缺陷灰度进行比较,确定各个灰度阈值中的阴影灰度阈值和光亮灰度阈值;
利用阴影灰度阈值和光亮灰度阈值分别对灰度图像进行分割,得到各个阴影区域图像和各个光亮区域图像,并将所有阴影区域图像和光亮区域图像进行合并,从而得到合并图像;
对合并图像中的各个阴影区域和各个光亮区域进行匹配,获得各个区域匹配对,根据各个区域匹配对中阴影区域和光亮区域以及合并图像中预设光源的位置,确定各个区域匹配对在表面图像中对应位置处的缺陷类型。
进一步的,确定每个比特分层图中的各个嵌套连通域组和非嵌套连通域,包括:
确定每个比特分层图中的各个连通域的质心位置,根据每个比特分层图中的每两个连通域的质心位置,确定每个比特分层图中的每两个连通域之间的嵌套关系指标值;
当任意两个连通域之间的嵌套关系指标值大于嵌套关系指标阈值时,则判定对应两个连通域属于同一个嵌套连通域组,当任意一个连通域与其他连通域之间的嵌套关系指标值均不大于嵌套关系指标阈值时,则判定该连通域属于非嵌套连通域,从而得到各个嵌套连通域组和非嵌套连通域。
进一步的,确定每个比特分层图中的每两个连通域之间的嵌套关系指标值,包括:
计算每两个连通域的质心之间的距离值,并根据所述距离值,确定对应两个连通域之间的嵌套关系指标值,所述嵌套关系指标值与所述距离值成负相关关系。
进一步的,对各个比特分层图中的各个嵌套连通域组进行筛选,得到各个目标嵌套连通域,包括:
根据各个比特分层图中的各个嵌套连通域组在对应的比特分层图中的位置,确定各个比特分层图中每个相同位置对应的各个嵌套连通域组;
根据各个比特分层图中每个相同位置对应的各个嵌套连通域组中每个嵌套连通域组所包含的连通域的数目以及每个嵌套连通域组所在的比特分层图对应的层数,确定各个比特分层图中每个相同位置对应的各个嵌套连通域组的筛选指标值;
将各个比特分层图中每个相同位置对应的所有筛选指标值中的最大值所对应的嵌套连通域组作为目标嵌套连通域,从而得到各个目标嵌套连通域。
进一步的,确定每个目标嵌套连通域组对应的灰度阈值,包括:
确定每个目标嵌套连通域组中的最外层嵌套连通域中的外侧的边缘像素点在灰度图像中的灰度值,并根据所述灰度值确定对应目标嵌套连通域对应的灰度阈值。
进一步的,确定非缺陷灰度,包括:
确定各个比特分层图中的非嵌套连通域的交集区域,并确定交集区域中的各个像素点在灰度图像中的灰度值,将各个像素点在灰度图像中的灰度值的平均值确定为非缺陷灰度。
进一步的,确定各个灰度阈值中的阴影灰度阈值和光亮灰度阈值,包括:
若目标嵌套连通域组对应的灰度阈值小于非缺陷灰度,则将对应灰度阈值确定为阴影灰度阈值,否则将对应灰度阈值确定为光亮灰度阈值。
进一步的,对合并图像中的各个阴影区域和各个光亮区域进行匹配,获得各个区域匹配对,包括:
将合并图像中阴影区域和光亮区域中的其中一种区域作为第一区域,并将另外一种区域作为第二区域;
根据每个第一区域及其相邻的每个第二区域彼此邻近一侧的边缘像素点,确定每个第一区域及其相邻的每个第二区域的边缘斜率;
根据每个第一区域及其相邻的每个第二区域的边缘斜率,确定每个第一区域与其相邻的每个第二区域之间的匹配指标值;
根据每个第一区域与其相邻的各个第二区域之间的匹配指标值,将每个第一区域对应的最大的匹配指标值所对应的第二区域确定为与该第一区域相匹配的第二区域,每个第一区域和与其相匹配的第二区域构成一个区域匹配对。
进一步的,确定各个区域匹配对在表面图像中对应位置处的缺陷类型,包括:
确定每个区域匹配对中阴影区域和光亮区域各自的质心,并确定每个区域匹配对中阴影区域和光亮区域各自的质心与合并图像中预设光源之间的距离;
若区域匹配对中阴影区域的质心与合并图像中预设光源之间的距离大于光亮区域的质心与合并图像中预设光源之间的距离,则确定对应区域匹配对在表面图像中对应位置处的缺陷类型为凸起缺陷,否则确定对应区域匹配对在表面图像中对应位置处的缺陷类型为凹陷缺陷。
进一步的,对灰度图像进行相应的数据处理,得到灰度图像对应的各个比特分层图之前,该方法还包括:
根据表面图像的灰度图像中像素点的灰度值,确定灰度图像的灰度直方图;
将灰度直方图中频率不为零的所有灰度值的标准差确定为灰度图像的灰度分布离散程度;
根据灰度图像的灰度分布离散程度,初步判断电池外壳是否存在缺陷,若存在缺陷,才对灰度图像进行相应的数据处理,得到灰度图像对应的各个比特分层图。
本发明具有如下有益效果:本发明通过利用可见光图像识别设备对待检测的电池外壳的表面图像进行识别,并根据识别到的表面图像进行相应的数据处理,从而确定在表面图像中各个缺陷的缺陷类型。本发明通过图像识别的方式,通过进行相关的数据处理,可以准确识别出电池外壳表面的每处缺陷及其对应的缺陷类型,有效提高了电池外壳缺陷检测的准确性。具体的,通过对灰度图像进行初步的数据处理,从而得到灰度图像,对灰度图像进行进一步的数据处理,获取灰度图像的比特分层图。由于比特分层图可以敏感地感知灰度图像中的灰度变化,且会因灰度图像中每个缺陷的阴影区域和光亮区域的灰度变化而出现连通域嵌套现象,因此可以确定各处缺陷的阴影区域和光亮区域所对应的各个嵌套连通域组。对各个比特分层图中每处缺陷对应的阴影区域和光亮区域所对应的各个嵌套连通域组进行筛选,从而确定最能够准确确定每处缺陷对应的阴影区域和光亮区域的灰度阈值的目标嵌套连通域。进而根据每处缺陷对应的阴影区域和光亮区域所对应的目标嵌套连通域,确定每个阴影区域和光亮区域对应的灰度阈值。基于每处缺陷对应的阴影区域和光亮区域对应的灰度阈值,对灰度图像进行数据处理,从而得到各个阴影区域图像和各个光亮区域图像,将所有阴影区域图像和光亮区域图像进行合并,可以得到包含每处缺陷对应的阴影区域和光亮区域的合并图像。确定合并图像中对应同一个缺陷的阴影区域和光亮区域,并根据对应同一个缺陷的阴影区域和光亮区域与预设光源的位置关系,最终实现每处缺陷的类型识别。由于本发明通过利用比特分层图,可以自适应确定每处缺陷对应的阴影区域和光亮区域的灰度阈值,因此可以准确识别出每处缺陷及其对应的缺陷类型,避免了现有人为确定分割阈值,当缺陷区域的灰度较正常区域变化较小时,部分缺陷区域无法被分割出来的情况,有效提高了电池外壳缺陷检测的准确性。
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为本发明实施例的电池外壳缺陷识别方法的流程图;
图2为本发明实施例的表面图像采集设备的简易结构图;
图3为本发明实施例的比特分层图中对应的比特值在0和1之间交替变化的示意图;
图4为本发明实施例的缺陷的阴影区域所服从的近似高斯分布示意图;
图5为本发明实施例的缺陷的光亮区域所服从的近似高斯分布示意图;
图6为本发明实施例的阴影区域与其邻近的光亮区域的示意图;
图7为本发明实施例的凹陷缺陷的阴影区域和光亮区域的分布示意图;
图8为本发明实施例的凸起缺陷的阴影区域和光亮区域的分布示意图;
其中:1为工业相机,2为光源,3为黑箱,4为软包电池,5为传送带。
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技术方案的具体实施方式、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。
本实施例提供了一种电池外壳缺陷识别方法,该方法基于电池外壳的表面图像的灰度图像,获取各个比特分层图,并基于各个比特分层图,自适应确定每处缺陷的凹陷区域和凸起区域所对应的灰度阈值,并基于该灰度阈值来准确识别出每处缺陷的缺陷类型,有效解决了现有电池外壳缺陷检测结果不准确的问题。
具体的,该电池外壳缺陷识别方法对应的流程图如图1所示,包括以下步骤:
步骤S1:识别得到待检测的电池外壳的表面图像,对表面图像进行相应的数据处理,获取表面图像的灰度图像。
为了对电池外壳的表面图像进行采集,本实施例提供了一套表面图像采集设备,该设备的简易结构图如图2所示,该设备包括工业相机1、光源2和黑箱3,其中黑箱3设置在运输软包电池4的传送带5的上方,工业相机1设置在黑箱3内部且位于传送带5的正上方,光源2设置在黑箱3内部且位于工业相机1的右侧。当需要对电池外壳的表面图像进行采集时,电池4经传送带5进入到黑箱3中,在黑箱3中光源2的光照条件下,当电池4位于工业相机1的正下方时,由工业相机1对电池外壳的上表面进行拍摄采集,从而可以得到电池的上表面图像。由于本实施例是对待检测的电池外壳的上表面进行缺陷检测,因此将采集得到电池的上表面图像作为待检测的电池外壳的表面图像。作为其他的实施方式,也可以对电池不同面的表面图像进行采集,并对采集到的不同面的表面图像进行拼接,并将拼接后的图像作为待检测的电池外壳的表面图像。
在得到待检测的电池外壳的表面图像后,对该表面图像进行预处理,预处理过程包括对表面图像的滤波降噪、增强、灰度化等操作,从而得到灰度图像。由于预处理过程中的滤波降噪、增强、灰度化等操作均属于常规技术,此处对其具体实现过程不再做赘述。
步骤S2:对灰度图像进行相应的数据处理,得到灰度图像对应的各个比特分层图。
在通过步骤S1获取待检测的电池外壳的表面图像的灰度图像之后,首先根据该灰度图像中像素点的灰度分布情况,确定灰度图像的灰度分布离散程度,后续可基于该灰度分布离散程度,初步判断电池外壳是否存在缺陷。在初步判断电池外壳存在缺陷的情况下,才对灰度图像进行相应的数据处理,得到灰度图像对应的各个比特分层图,也就是:
根据表面图像的灰度图像中像素点的灰度值,确定灰度图像的灰度直方图;
将灰度直方图中频率不为零的所有灰度值的标准差确定为灰度图像的灰度分布离散程度;
根据灰度图像的灰度分布离散程度,初步判断电池外壳是否存在缺陷,若存在缺陷,才对灰度图像进行相应的数据处理,得到灰度图像对应的各个比特分层图。
具体的,合格的软包电池表面平整,灰度分布均匀,其灰度在对应的灰度直方图中集中分布。而当软包电池表面出现凹陷或凸起缺陷时,因为缺陷的存在,电池表面会因为光源而出现相较于正常部分灰度的较暗和较亮区域,从而导致灰度在对应的灰度直方图中不再集中。基于这一特点,对灰度图像中像素点的灰度值进行统计,确定灰度图像的灰度直方图,并根据该灰度直方图确定灰度分布离散程度,对应的计算公式为:
其中,L为灰度图像的灰度分布离散程度,为灰度直方图中频率不为零的第V个灰度值,/>为灰度直方图中频率不为零的所有灰度值的数学期望,/>为灰度直方图中频率不为零的灰度值的总数目。
根据上述的灰度分布离散程度L的计算公式可知,灰度分布离散程度L反映了灰度图像中灰度分布的离散程度,离散程度越高,表明灰度图像中的灰度值大小越不均等,此时电池表面越可能存在缺陷;反之,离散程度越低,表明灰度图像中的灰度分布越均匀,此时电池表面越不可能存在缺陷。在获取灰度图像的灰度分布离散程度之后,基于该灰度分布离散程度来确定电池外壳是否存在缺陷。即将该灰度分布离散程度与设定离散程度阈值进行比较,若该灰度分布离散程度大于设定离散程度阈值,则初步判断电池外壳表面存在缺陷,后续需要根据灰度图像进行具体缺陷类型的判断,而若该灰度分布离散程度不大于设定离散程度阈值,则直接判定电池外壳表面不存在缺陷,此时无需后续的进一步判断。其中,设定离散程度阈值可以预先根据不存在缺陷的灰度图像所对应的最大的灰度分布离散程度来确定。
利用灰度分布离散程度虽然可以初步判断出电池外壳表面是否存在缺陷,但是在存在缺陷的情况下不能准确地定位出来缺陷,且由于当缺陷处的灰度变化范围较小时,会不能很好的将缺陷分割出来。因此,在初步判断出电池外壳表面存在缺陷时,为了可以准确确定所有的缺陷,并确定缺陷的具体类型,本实施例对灰度图像进行比特平面分层,从而获取各个比特分层图,后续基于各个比特分层图进行缺陷分割和识别。
图像中的像素是比特组成的数字,一幅8比特图像,可以认为是8个1比特的平面组成,其中平面1包含图像中所有像素的最低阶比特,而平面8包含图像中所有像素的最高阶比特。具体的,在对灰度图像进行比特平面分层,从而获取各个比特分层图的过程中,将灰度图像中像素点的灰度值由十进制转换为八位的二进制。按照所得的各像素点的八位二进制灰度值,将每一位的数值分离出来形成共8幅二值图像,这8幅二值图像即为灰度图像对应的各个比特分层图。例如,在一个灰度图像中,某个像素点的灰度值为173,则对应的二进制转换结果为10101101,该像素点在比特平面分层后的二值图像中的同一位置处,比特分层图1中的灰度值为1,比特分层图2中的灰度值为0,比特分层图3中的灰度值为1,比特分层图4中的灰度值为1,…,依次类推。
在获取灰度图像对应的各个比特分层图的过程中,因为在将十进制灰度值转二进制的计算中,二进制中低位的数值0和1会因为灰度值的奇偶变化而变化,受到影响较大,而二进制中高位的数值0和1不会因灰度值发生小幅度变化而变化,受到影响较小。具体的,在灰度图像对应的各个比特分层图中所携带的灰度信息为:
在比特平面1也就是层数为1的比特分层图中,比特值为0时,对应的灰度值有0,2,4,…,254;比特值为1时,对应的灰度值有1,3,5,…,255。在比特平面2也就是层数为2的比特分层图中,比特值为0时,对应的灰度值有[0,1],[4,5],[8,9]…,[252,253];比特值为1时,对应的灰度值有[2,3],[6,7],[10,11],…,[254,255]。在比特平面3也就是层数为3的比特分层图中,比特值为0时,对应的灰度值有[0,3],[8,11],[16,19],…,[248,251];比特值为1时,对应的灰度值有[4,7],[12,15],[20,23],…,[252,255]。在比特平面4也就是层数为4的比特分层图中,比特值为0时,对应的灰度值有[0,7],[16,23],[32,39],…,[239,247];比特值为1时,对应的灰度值有[8,15],[24,31],[40,47],…,[248,255]。在比特平面5也就是层数为5的比特分层图中,比特值为0时,对应的灰度值有[0,15],[32,47],[64,79],[96,111],[128,143],[160,175],[192,207],[224,239];比特值为1时,对应的灰度值有对应的灰度值有[16,31],[48,63],[80,95],[110,127],[144,159],[176,191],[208,221],[240,255]。在比特平面6也就是层数为6的比特分层图中,比特值为0时,对应的灰度值有[0,31],[64,95],[128,159],[192,233];比特值为1时,对应的灰度值有[32,63],[96,127],[160,191],[224,255]。在比特平面7也就是层数为7的比特分层图中,比特值为0时,对应的灰度值有[0,63],[128,191];比特值为1时,对应的灰度值有[64,127],[192,255]。在比特平面8也就是层数为8的比特分层图中,比特值为0时,对应的灰度值为[0,127];比特值为1时,对应的灰度值为[128,255]。
根据上述灰度图像对应的各个比特分层图中所携带的灰度信息可知,比特平面对应的比特位越低,其对应的灰度区间越多,当灰度出现变化时,位于不同灰度区间的灰度值对应的比特值就会出现更加频繁的变化,在越低的比特平面中灰度分布越复杂,越容易因为灰度值的变化而出现对应比特值的变化,在图像中表现为黑白交错变化的纹理。因此,后续利用灰度图像对应的各个比特分层图进行缺陷分割和识别时,即使缺陷的阴影和明亮区域的灰度变化较小,也可以准确地识别出各个缺陷区域,从而避免了现有阈值分割法检测缺陷时,无法识别出此类缺陷区域的情况。
步骤S3:对每个比特分层图进行连通域检测,得到每个比特分层图中的各个连通域,根据各个连通域的位置,确定每个比特分层图中的各个嵌套连通域组和非嵌套连通域。
在通过上述步骤S2获得灰度图像对应的各个比特分层图之后,对于每个比特分层图,在该比特分层图进行连通域检测,从而获得该比特分层图中的各个连通域。根据各个连通域的位置,确定是否出现连通域之间的嵌套关系,即一个连通域中包含另一个连通域,从而确定各个嵌套连通域组和非嵌套连通域,实现过程包括:
确定每个比特分层图中的各个连通域的质心位置,根据每个比特分层图中的每两个连通域的质心位置,确定每个比特分层图中的每两个连通域之间的嵌套关系指标值;
当任意两个连通域之间的嵌套关系指标值大于嵌套关系指标阈值时,则判定对应两个连通域属于同一个嵌套连通域组,当任意一个连通域与其他连通域之间的嵌套关系指标值均不大于嵌套关系指标阈值时,则判定该连通域属于非嵌套连通域,从而得到各个嵌套连通域组和非嵌套连通域。
具体的,当电池外壳的表面图像中存在凸起或凹陷缺陷时,就会出现灰度图像中的灰度分布发生变化情况,当灰度图像中的灰度发生变化时,如图3所示,就会导致比特分层图中对应的比特值在0和1之间交替变化,从而出现质心位置相近的连通域交替的情况,这种称为连通域嵌套。当出现连通域嵌套时,说明灰度图像对应位置的灰度发生了变化,也就出现了阴影或者光亮区域,表明此处出现了缺陷。因此,为了确定灰度图像中的各个缺陷,需要对连通域嵌套情况进行分析。
对于每个比特分层图,获取每个连通域的质心位置,该质心位置的坐标为连通域中所有像素点的位置坐标的均值。由于存在嵌套的连通域的质心位置相差较近,因此可以根据每两个连通域的质心位置,确定每两个连通域之间的嵌套关系指标值,实现过程包括:计算每两个连通域的质心之间的距离值,并根据所述距离值,确定对应两个连通域之间的嵌套关系指标值,所述嵌套关系指标值与所述距离值成负相关关系,对应的计算公式为:
其中,为每个比特分层图中的每两个连通域之间的嵌套关系指标值,/>和/>分别为每两个连通域中其中一个连通域的质心位置的横坐标和纵坐标,/>和/>分别为每两个连通域中另外一个连通域的质心位置的横坐标和纵坐标,/>为每两个连通域的质心之间的距离值。
根据上述的每两个连通域之间的嵌套关系指标值的计算公式可知,当每两个连通域的质心之间的距离值/>越小时,说明这两个连通域的质心位置越相近,对应嵌套关系指标值/>就越大,此时说明这两个连通域越可能存在嵌套关系。
对于每个比特分层图,在获得每两个连通域之间的嵌套关系指标值之后,将该嵌套关系指标值与嵌套关系指标阈值进行比较,若该嵌套关系指标值大于嵌套关系指标阈值,则说明这两个连通域存在嵌套关系,否则说明这两个连通域不存在嵌套关系。其中,嵌套关系指标阈值可以通过经验或者实验来设定,例如,可以通过获取大量存在缺陷的电池表面图像,并按照上述获取嵌套关系指标值的方式,获取这些电池表面图像对应的嵌套关系指标值,然后利用阈值法来获取将两个连通域判定为嵌套关系的嵌套关系指标阈值。将彼此存在嵌套关系的连通域作为一个嵌套连通域组,从而可以得到各个嵌套连通域组,并记录各个嵌套连通域组所在的比特分层图的层数。在每个嵌套连通域组中,任意两个连通域之间的嵌套关系指标值均大于嵌套关系指标阈值。由于灰度图像中必然存在没有发生缺陷的区域,因此每个比特分层图中均含有与其他连通域均不存在嵌套关系的连通域,本实施例将这类连通域称为非嵌套连通域。
步骤S4:对各个比特分层图中的各个嵌套连通域组进行筛选,得到各个目标嵌套连通域组,根据每个目标嵌套连通域组和灰度图像,确定每个目标嵌套连通域组对应的灰度阈值。
由于灰度图像中每个缺陷的同一个阴影或光亮区域会引起各个比特分层图在同一位置出现嵌套连通域组,为了准确确定阴影或光亮区域的边缘,需要对表征同一个阴影或光亮区域的在各个比特分层图的嵌套连通域组进行筛选,从而筛选出这些嵌套连通域组中的目标嵌套连通域组,实现过程包括:
根据各个比特分层图中的各个嵌套连通域组在对应的比特分层图中的位置,确定各个比特分层图中每个相同位置对应的各个嵌套连通域组;
根据各个比特分层图中每个相同位置对应的各个嵌套连通域组中每个嵌套连通域组所包含的连通域的数目以及每个嵌套连通域组所在的比特分层图对应的层数,确定各个比特分层图中每个相同位置对应的各个嵌套连通域组的筛选指标值;
将各个比特分层图中每个相同位置对应的所有筛选指标值中的最大值所对应的嵌套连通域组作为目标嵌套连通域,从而得到各个目标嵌套连通域。
具体的,由于灰度图像中缺陷的同一个阴影或光亮区域,在各个比特分层图中形成的嵌套连通域组的位置彼此接近,因此可以根据各个嵌套连通域组在对应的比特分层图中的位置,确定在各个比特分层图中每个相同位置对应的各个嵌套连通域组,这些嵌套连通域组对应灰度图像中同一个阴影或光亮区域。其中,确定每个比特分层图中每个嵌套连通域组中所有嵌套连通域的质心位置,该质心位置的坐标为该嵌套连通域组中所有嵌套连通域的像素点的位置坐标的平均值,并将不同比特分层图中质心位置相近的各个嵌套连通域组,确定为各个比特分层图中每个相同位置对应的各个嵌套连通域组。
由于缺陷的阴影和光亮区域的边界是其对应区域的最外侧边缘线,因此其分割阈值对应于存在嵌套关系的嵌套连通域组中最外层连通域的外侧边缘线的灰度值。另外,根据各层比特平面也就是各个比特分层图的比特值与灰度图像中灰度值之间的对应关系可知,比特平面的层数越小,比特值所对应的灰度值区间越小,对灰度值划分的越细密,则为了获取到更准确的分割阈值,以便于后续通过阈值分割来得到灰度图像中的阴影和光亮区域,故需要存在嵌套关系的嵌套连通域组所在比特层数越小。
因此,基于上述分析,根据各个比特分层图中每个相同位置对应的各个嵌套连通域组中每个嵌套连通域组所包含的连通域的数目以及每个嵌套连通域组所在的比特分层图对应的层数,确定每个嵌套连通域组的筛选指标值,对应的计算公式为:
其中,为各个比特分层图中每个相同位置对应的各个嵌套连通域组中每个嵌套连通域组的筛选指标值,/>为各个比特分层图中每个相同位置对应的各个嵌套连通域组中每个嵌套连通域组的所包含的连通域的数目,/>为各个比特分层图中每个相同位置对应的各个嵌套连通域组中每个嵌套连通域组所在的比特分层图对应的层数。
在上述的各个比特分层图中每个相同位置对应的各个嵌套连通域组中每个嵌套连通域组的筛选指标值的计算公式中,当某个嵌套连通域组所包含的连通域的数目/>越大,即该嵌套连通域组中最外层连通域的外侧边缘线距离嵌套连通域组的质心位置越远时,该嵌套连通域组所在比特分层图的比特层数越小,即该嵌套连通域组所在比特分层图对灰度值划分的越细密,对灰度变化越敏感时,对应的筛选指标值/>就越大,越应该将该嵌套连通域组作为目标嵌套连通域组,以便于更准确地确定对应阴影或光亮区域的分割阈值。
在获取各个比特分层图中每个相同位置对应的各个嵌套连通域组的筛选指标值之后,将每个相同位置对应的所有筛选指标值中的最大值所对应的嵌套连通域组作为目标嵌套连通域,从而得到各个目标嵌套连通域。
在得到各个目标嵌套连通域组之后,由于每个目标嵌套连通域组对应一个缺陷的阴影或光亮区域,为了对灰度图像进行分割,以确定每个目标嵌套连通域组对应的阴影或光亮区域,需要确定每个目标嵌套连通域组对应的灰度阈值,实现过程包括:确定每个目标嵌套连通域组中的最外层嵌套连通域中的外侧的边缘像素点在灰度图像中的灰度值,并根据所述灰度值确定对应目标嵌套连通域对应的灰度阈值。在本实施例中,根据每个目标嵌套连通域组中最外侧的一个连通域组成其外侧边缘线的像素点的位置,获取该外侧边缘线的任意一个像素点在灰度图像中的灰度值,并将该灰度值作为对应目标嵌套连通域组对应的灰度阈值。当然,作为其他的实施方式,也可以获取该外侧边缘线的多个像素点在灰度图像中的灰度值,并将多个灰度值的平均值确定为对应目标嵌套连通域组对应的灰度阈值。
步骤S5:根据非嵌套连通域和灰度图像,确定非缺陷灰度,将各个目标嵌套连通域组对应的灰度阈值分别与非缺陷灰度进行比较,确定各个灰度阈值中的阴影灰度阈值和光亮灰度阈值。
为了确定各个目标嵌套连通域组的灰度阈值中的阴影灰度阈值和光亮灰度阈值,以便于后续对灰度图像中缺陷处的阴影和光亮区域进行分割,从而最终确定电池表面的各个缺陷的具体缺陷类型,需要确定灰度图像中的非缺陷灰度,也就是灰度图像中的正常像素点的灰度,实现步骤包括:确定各个比特分层图中的非嵌套连通域的交集区域,并确定交集区域中的各个像素点在灰度图像中的灰度值,将各个像素点在灰度图像中的灰度值的平均值确定为非缺陷灰度。也就是,对于各个比特分层图中的非嵌套连通域,获取这些非嵌套连通域的交集区域,也就是这些非嵌套连通域所共同包含的区域,该交集区域肯定是不存在缺陷的区域。然后获取该交集区域在灰度图像中的平均灰度值,该平均灰度值即为非缺陷灰度。
在获取到非缺陷灰度之后,将每个目标嵌套连通域组的灰度阈值与非缺陷灰度进行比较,从而确定各个灰度阈值中的阴影灰度阈值和光亮灰度阈值,其中:若目标嵌套连通域组对应的灰度阈值小于非缺陷灰度,则将对应灰度阈值确定为阴影灰度阈值,否则将对应灰度阈值确定为光亮灰度阈值。
当电池外壳表面出现凸起或凹陷缺陷时,在灰度图像中缺陷的阴影或光亮区域的灰度大小变化趋势近似服从高斯分布,对于缺陷的阴影区域,越靠近区域的边缘,则像素点的灰度值越大,越靠近区域的中心位置,则像素点的灰度值越小;对于缺陷的光亮区域,越靠近区域的边缘,则区域像素点的灰度值越小,越靠近区域的中心位置,则像素点的灰度值越大。将每个目标嵌套连通域组的灰度阈值与非缺陷灰度/>进行比较,若/>,则灰度阈值/>对应缺陷的阴影区域的灰度区间端点,此时缺陷的阴影区域的灰度区间为/>,则将灰度阈值/>确定为阴影灰度阈值;若/>,则灰度阈值H对应缺陷的光亮区域的灰度区间端点,此时缺陷的光亮区域的灰度区间为/>,则将灰度阈值/>确定为光亮灰度阈值,其中a对应灰度图像中缺陷处阴影区域对应的最小灰度值,b对应灰度图像中缺陷处光亮区域对应的最大灰度值。此时,缺陷的阴影区域和光亮区域的灰度所服从的近似高斯分布如图4和图5所示。
步骤S6:利用阴影灰度阈值和光亮灰度阈值分别对灰度图像进行分割,得到各个阴影连通域阴影区域图像和各个光亮连通域光亮区域图像,并将所有阴影连通域阴影区域图像和光亮连通域光亮区域图像进行合并,从而得到合并图像。
在通过上述步骤S5确定每个缺陷处的阴影区域对应的阴影灰度阈值和光亮区域对应的光亮灰度阈值之后,利用每个阴影灰度阈值分别对灰度图像进行分割,从而可以得到每次分割后的阴影区域图像,在该阴影区域图像中,缺陷处的阴影区域对应的灰度值为1,而其他区域对应的灰度值为0。同时,利用每个光亮灰度阈值分别对灰度图像进行分割,从而可以得到每次分割后的光亮区域图像,在该光亮区域图像中,缺陷处的光亮区域对应的灰度值为1,而其他区域对应的灰度值为0。
在每个阴影区域图像中,虽然是由一个缺陷处的阴影区域对应的阴影灰度阈值对灰度图像进行分割得到,但是在该阴影区域图像中,不仅包含有该缺陷处的阴影区域,同时还可能包括其他缺陷处的完整的阴影区域或者部分阴影区域。同理,在每个光亮区域中,存在相同的现象。因此,为了确定最终的每个缺陷处的阴影区域和光亮区域,且便于后续确定每个缺陷所对应的阴影区域和光亮区域,对所有阴影区域图像和光亮区域图像进行图像的基础运算,将所得到的所有阴影区域和光亮区域进行合并,从而可以得到一张包含各个阴影区域和各个光亮区域的合并图像。在得到合并图像的过程中,将所有阴影区域图像中的所有阴影区域以及所有光亮区域图像中的所有光亮区域投影到同一张图像中,该投影到的图像即为合并图像,在该合并图像中,投影得到的同一个缺陷的阴影区域为该缺陷在所有阴影区域图像中的对应位置的阴影区域的并集,投影得到的同一个缺陷的光亮区域为该缺陷在所有光亮区域图像中的对应位置的光亮区域的并集。
在该合并图像中,虽然最终得到的每个缺陷处对应的阴影区域和光亮区域对应的灰度值均为1,但是由于阴影区域是由阴影灰度阈值分割并投影合并得到,而光亮区域是由光亮灰度阈值分割并投影合并得到,因此可以区分出合并图像中的每个区域到底是阴影区域还是光亮区域。
步骤S7:对合并图像中的各个阴影区域和各个光亮区域进行匹配,获得各个区域匹配对,根据各个区域匹配对中阴影区域和光亮区域以及合并图像中预设光源的位置,确定各个区域匹配对在表面图像中对应位置处的缺陷类型。
当软包电池表面出现多处缺陷时,又由于在光照的影响下,每处缺陷会对应一对阴影和光亮区域,因此需要对合并图像中的各个阴影区域和各个光亮区域进行匹配,从而确定组成同一个缺陷的阴影区域和光亮区域,也就是区域匹配对,实现过程包括:
将合并图像中阴影区域和光亮区域中的其中一种区域作为第一区域,并将另外一种区域作为第二区域;
根据每个第一区域及其相邻的每个第二区域彼此邻近一侧的边缘像素点,确定每个第一区域及其相邻的每个第二区域的边缘斜率;
根据每个第一区域及其相邻的每个第二区域的边缘斜率,确定每个第一区域与其相邻的每个第二区域之间的匹配指标值;
根据每个第一区域与其相邻的各个第二区域之间的匹配指标值,将每个第一区域对应的最大的匹配指标值所对应的第二区域确定为与该第一区域相匹配的第二区域,每个第一区域和与其相匹配的第二区域构成一个区域匹配对。
具体的,对合并图像进行边缘检测,从而可以得到各个阴影区域和光亮区域的边缘。将合并图像中阴影区域作为第一区域,并将光亮区域作为第二区域,对于合并图像中的每个阴影区域,也就是任意一个阴影区域,计算该阴影区域的边缘与其邻近的光亮区域的边缘的最近距离,并标记该最近距离所对应的两个边缘像素点,如图6所示,记该阴影区域F对应的边缘像素点为f,该阴影区域F的邻近的光亮区域E的边缘像素点为e,此时边缘像素点f、e之间没有其他边缘像素点。分别以边缘像素点f、e为起点,沿着阴影区域F的边缘和光亮区域E的边缘向同一个方向同步移动,直至移动后的边缘像素点之间出现两个区域的其他边缘像素点,则将最后一次移动前对应的边缘像素点进行标记,通过这种方法,阴影区域F会标记两个边缘像素点,分别记为a和b,光亮区域E会标记两个边缘像素点,分别记为A和B。在合并图像中构建坐标系,从而确定阴影区域F上的边缘像素点a、f和b的坐标,以及光亮区域E的上边缘像素点A、e和B的坐标。本实施例选择根据阴影区域F上的边缘像素点a、f的坐标,确定经过边缘像素点a、f的直线的斜率,并将该斜率确定阴影区域F的边缘斜率;同时,根据光亮区域E上的边缘像素点A、e的坐标,确定经过边缘像素点A、e的直线的斜率,并将该斜率确定阴影区域E的边缘斜率,对应的计算公式为:
其中,、/>分别为阴影区域F及其相邻的光亮区域E的边缘斜率,/>、/>分别为阴影区域F上的边缘像素点a的横坐标和纵坐标,/>、/>分别为阴影区域F上的边缘像素点f的横坐标和纵坐标,/>、/>分别为光亮区域E上的边缘像素点A的横坐标和纵坐标,/>、/>分别为光亮区域E上的边缘像素点e的横坐标和纵坐标。
通过上述边缘斜率计算公式,可以确定阴影区域F及其相邻的光亮区域E的边缘斜率,按照同样的方式,可以确定合并图像中每个阴影区域及其邻近的光亮区域的边缘斜率。另外,考虑到极小的概率下可能会存在边缘斜率的计算公式中分母为0的现象,当分母为0时,则直接将对应的边缘斜率设置为无穷大。由于边缘斜率反映了阴影区域及其相邻的光亮区域在其相邻的一侧边缘像素点的分布倾斜特征,而同一缺陷所对应的阴影区域和光亮区域在其相邻的一侧边缘具有相同的变化特征,因此其对应的边缘斜率应当比较接近,后续可根据每个阴影区域及其相邻的光亮区域的边缘斜率的接近情况,来筛选出同一缺陷处的阴影区域和光亮区域。
需要说明的是,上述仅仅是给出了一种确定合并图像中每个阴影区域及其邻近的光亮区域的边缘斜率的具体实施方式,该边缘斜率反映了阴影区域及其相邻的光亮区域在其相邻的一侧边缘像素点的分布变化特征,可选的,也可以采用其他的方式来确定每个阴影区域及其邻近的光亮区域的边缘斜率,例如,在已知每个阴影区域及其邻近的光亮区域的各自标记的两个边缘像素点的情况下,可以对各自标记的两个边缘像素点以及这两个边缘像素点之间的边缘像素点进行直线拟合,并将拟合的直线的斜率作为边缘斜率。
在确定合并图像中每个阴影区域的边缘与其邻近的光亮区域的边缘斜率之后,计算每个阴影区域的边缘斜率与其邻近的光亮区域的边缘斜率的差值绝对值,并将该差值绝对值作为每个阴影区域与其相邻的光亮区域之间的匹配指标值,对应的计算公式为:
其中,为合并图像中每个阴影区域与其相邻的光亮区域之间的匹配指标值,/>、分别为阴影区域F及其相邻的光亮区域E的边缘斜率。
通过上述的合并图像中每个阴影区域与其相邻的光亮区域之间的匹配指标值的确定公式可知,当每个阴影区域与其相邻的光亮区域的边缘斜率比较接近时,则对应的匹配指标值越接近于0,因此匹配指标值反映了每个阴影区域的边缘斜率与其相邻的光亮区域的边缘斜率的相近程度,边缘斜率越相近,表明阴影区域及其相邻的光亮区域越有可能为同一个缺陷中的阴影和较亮区域;反之,边缘斜率差异越大,表明阴影区域及其相邻的光亮区域越不可能属于同一个缺陷。
在确定合并图像中每个阴影区域与其相邻的光亮区域之间的匹配指标值之后,将最小的匹配指标值所对应的相邻的光亮区域作为对应阴影区域的匹配的光亮区域,从而确定合并图像中的每个区域匹配对。需要说明的是,上述是将合并图像中阴影区域作为第一区域,并将光亮区域作为第二区域,从而最终确定合并图像中的各个区域匹配对,可替换的,也可以将合并图像中光亮区域作为第一区域,并将阴影区域作为第二区域,并按照同样的方式来确定合并图像中的各个区域匹配对。
在确定合并图像中的各个区域匹配对之后,根据采集图像时的光源位置,在合并图像中靠近光源的一侧边缘的中间位置设置预设光源,本实施例是在合并图像中右侧边缘的中间位置设置预设光源,并根据合并图像中的各个区域匹配对与预设光源之间的相对位置关系,识别每个区域匹配对对应缺陷处的缺陷类型,实现步骤包括:
确定每个区域匹配对中阴影区域和光亮区域各自的质心,并确定每个区域匹配对中阴影区域和光亮区域各自的质心与合并图像中预设光源之间的距离;
若区域匹配对中阴影区域的质心与合并图像中预设光源之间的距离大于光亮区域的质心与合并图像中预设光源之间的距离,则确定对应区域匹配对在表面图像中对应位置处的缺陷类型为凸起缺陷,否则确定对应区域匹配对在表面图像中对应位置处的缺陷类型为凹陷缺陷。
具体的,如图7和图8所示的,白色圆代表区域匹配对中的光亮区域,黑色圆代表区域匹配对中的阴影区域,灰色小圆代表的是预设光源,对于图7中的凹陷缺陷而言,光亮区域到预设光源的位置较远,阴影区域到预设光源的位置较近,对于图8中的凸起缺陷而言,光亮区域到预设光源的位置较近,阴影区域到预设光源的位置较远。基于这种特点,获取合并图像中每个区域匹配对中阴影区域和光亮区域各自的质心,并计算阴影区域的质心与预设光源之间的距离以及光亮区域的质心与预设光源之间的距离/>。对于合并图像中的每个区域匹配对,若距离/>大于距离/>,则说明该区域匹配对对应缺陷处的缺陷类型为凸起缺陷,若距离/>小于距离/>,则说明该区域匹配对对应缺陷处的缺陷类型为凹陷缺陷。
在确定合并图像中的每个区域匹配对对应缺陷处的缺陷类型之后,根据每个区域匹配对在合并图像中的位置,确定每个区域匹配对在电池外壳的表面图像中的对应位置,并在对应位置处标记对应的缺陷类型,从而完成电池外壳缺陷的识别。后续可根据电池外壳表面的缺陷类型,即凹陷缺陷或者凸起缺陷,追踪该缺陷产生的原因,从而优化生产。
本发明通过获取待检测的电池外壳的表面图像的灰度图像,并在初步判断出电池外壳表面存在缺陷的情况下,则获取灰度图像的比特分层图,由于比特分层图可以敏感地感知灰度图像中的灰度变化,且会因灰度图像中每个缺陷的阴影和光亮区域的灰度变化而出现连通域嵌套现象,因此可以确定各处缺陷的阴影和光亮区域所对应的各个嵌套连通域组。对各个比特分层图中每处缺陷对应的阴影和光亮区域所对应的各个嵌套连通域组进行筛选,从而确定最能够准确确定每处缺陷对应的阴影和光亮区域的灰度阈值的目标嵌套连通域。进而根据每处缺陷对应的阴影和光亮区域所对应的目标嵌套连通域,确定每个阴影和光亮区域对应的灰度阈值。利用每处缺陷对应的阴影和光亮区域对应灰度阈值,对灰度图像进行分割,从而得到包含每处缺陷对应的阴影区域和光亮区域的合并图像。确定合并图像中对应同一个缺陷的阴影区域和光亮区域,并根据对应同一个缺陷的阴影区域和光亮区域与预设光源的位置关系,最终实现每处缺陷的类型识别。由于本发明通过利用比特分层图,可以自适应确定每处缺陷对应的阴影区域和光亮区域的灰度阈值,因此可以准确识别出每处缺陷及其对应的缺陷类型,避免了现有人为确定分割阈值,当缺陷区域的灰度较正常区域变化较小时,部分缺陷区域无法被分割和识别出来的情况,有效提高了电池外壳缺陷检测的准确性。
需要说明的是:以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (8)
1.一种电池外壳缺陷识别方法,其特征在于,包括以下步骤:
识别得到待检测的电池外壳的表面图像,对表面图像进行相应的数据处理,获取表面图像的灰度图像;
对灰度图像进行相应的数据处理,得到灰度图像对应的各个比特分层图;
对每个比特分层图进行连通域检测,得到每个比特分层图中的各个连通域,根据各个连通域的位置,确定每个比特分层图中的各个嵌套连通域组和非嵌套连通域;
对各个比特分层图中的各个嵌套连通域组进行筛选,得到各个目标嵌套连通域组,根据每个目标嵌套连通域组和灰度图像,确定每个目标嵌套连通域组对应的灰度阈值;
根据非嵌套连通域和灰度图像,确定非缺陷灰度,将各个目标嵌套连通域组对应的灰度阈值分别与非缺陷灰度进行比较,确定各个灰度阈值中的阴影灰度阈值和光亮灰度阈值;
利用阴影灰度阈值和光亮灰度阈值分别对灰度图像进行分割,得到各个阴影区域图像和各个光亮区域图像,并将所有阴影区域图像和光亮区域图像进行合并,从而得到合并图像;
对合并图像中的各个阴影区域和各个光亮区域进行匹配,获得各个区域匹配对,根据各个区域匹配对中阴影区域和光亮区域以及合并图像中预设光源的位置,确定各个区域匹配对在表面图像中对应位置处的缺陷类型;
确定每个比特分层图中的各个嵌套连通域组和非嵌套连通域,包括:
确定每个比特分层图中的各个连通域的质心位置,根据每个比特分层图中的每两个连通域的质心位置,确定每个比特分层图中的每两个连通域之间的嵌套关系指标值;
当任意两个连通域之间的嵌套关系指标值大于嵌套关系指标阈值时,则判定对应两个连通域属于同一个嵌套连通域组,当任意一个连通域与其他连通域之间的嵌套关系指标值均不大于嵌套关系指标阈值时,则判定该连通域属于非嵌套连通域,从而得到各个嵌套连通域组和非嵌套连通域;
对各个比特分层图中的各个嵌套连通域组进行筛选,得到各个目标嵌套连通域,包括:
根据各个比特分层图中的各个嵌套连通域组在对应的比特分层图中的位置,确定各个比特分层图中每个相同位置对应的各个嵌套连通域组;
根据各个比特分层图中每个相同位置对应的各个嵌套连通域组中每个嵌套连通域组所包含的连通域的数目以及每个嵌套连通域组所在的比特分层图对应的层数,确定各个比特分层图中每个相同位置对应的各个嵌套连通域组的筛选指标值;
将各个比特分层图中每个相同位置对应的所有筛选指标值中的最大值所对应的嵌套连通域组作为目标嵌套连通域,从而得到各个目标嵌套连通域。
2.根据权利要求1所述的电池外壳缺陷识别方法,其特征在于,确定每个比特分层图中的每两个连通域之间的嵌套关系指标值,包括:
计算每两个连通域的质心之间的距离值,并根据所述距离值,确定对应两个连通域之间的嵌套关系指标值,所述嵌套关系指标值与所述距离值成负相关关系。
3.根据权利要求1所述的电池外壳缺陷识别方法,其特征在于,确定每个目标嵌套连通域组对应的灰度阈值,包括:
确定每个目标嵌套连通域组中的最外层嵌套连通域中的外侧的边缘像素点在灰度图像中的灰度值,并根据所述灰度值确定对应目标嵌套连通域对应的灰度阈值。
4.根据权利要求1所述的电池外壳缺陷识别方法,其特征在于,确定非缺陷灰度,包括:
确定各个比特分层图中的非嵌套连通域的交集区域,并确定交集区域中的各个像素点在灰度图像中的灰度值,将各个像素点在灰度图像中的灰度值的平均值确定为非缺陷灰度。
5.根据权利要求1所述的电池外壳缺陷识别方法,其特征在于,确定各个灰度阈值中的阴影灰度阈值和光亮灰度阈值,包括:
若目标嵌套连通域组对应的灰度阈值小于非缺陷灰度,则将对应灰度阈值确定为阴影灰度阈值,否则将对应灰度阈值确定为光亮灰度阈值。
6.根据权利要求1所述的电池外壳缺陷识别方法,其特征在于,对合并图像中的各个阴影区域和各个光亮区域进行匹配,获得各个区域匹配对,包括:
将合并图像中阴影区域和光亮区域中的其中一种区域作为第一区域,并将另外一种区域作为第二区域;
根据每个第一区域及其相邻的每个第二区域彼此邻近一侧的边缘像素点,确定每个第一区域及其相邻的每个第二区域的边缘斜率;
根据每个第一区域及其相邻的每个第二区域的边缘斜率,确定每个第一区域与其相邻的每个第二区域之间的匹配指标值;
根据每个第一区域与其相邻的各个第二区域之间的匹配指标值,将每个第一区域对应的最大的匹配指标值所对应的第二区域确定为与该第一区域相匹配的第二区域,每个第一区域和与其相匹配的第二区域构成一个区域匹配对。
7.根据权利要求1所述的电池外壳缺陷识别方法,其特征在于,确定各个区域匹配对在表面图像中对应位置处的缺陷类型,包括:
确定每个区域匹配对中阴影区域和光亮区域各自的质心,并确定每个区域匹配对中阴影区域和光亮区域各自的质心与合并图像中预设光源之间的距离;
若区域匹配对中阴影区域的质心与合并图像中预设光源之间的距离大于光亮区域的质心与合并图像中预设光源之间的距离,则确定对应区域匹配对在表面图像中对应位置处的缺陷类型为凸起缺陷,否则确定对应区域匹配对在表面图像中对应位置处的缺陷类型为凹陷缺陷。
8.根据权利要求1所述的电池外壳缺陷识别方法,其特征在于,对灰度图像进行相应的数据处理,得到灰度图像对应的各个比特分层图之前,该方法还包括:
根据表面图像的灰度图像中像素点的灰度值,确定灰度图像的灰度直方图;
将灰度直方图中频率不为零的所有灰度值的标准差确定为灰度图像的灰度分布离散程度;
根据灰度图像的灰度分布离散程度,初步判断电池外壳是否存在缺陷,若存在缺陷,才对灰度图像进行相应的数据处理,得到灰度图像对应的各个比特分层图。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310814581.1A CN116523923B (zh) | 2023-07-05 | 2023-07-05 | 一种电池外壳缺陷识别方法 |
CN202311010046.7A CN117011276A (zh) | 2023-07-05 | 2023-07-05 | 一种电池外壳缺陷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310814581.1A CN116523923B (zh) | 2023-07-05 | 2023-07-05 | 一种电池外壳缺陷识别方法 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311010046.7A Division CN117011276A (zh) | 2023-07-05 | 2023-07-05 | 一种电池外壳缺陷识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116523923A CN116523923A (zh) | 2023-08-01 |
CN116523923B true CN116523923B (zh) | 2023-09-15 |
Family
ID=87390752
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310814581.1A Active CN116523923B (zh) | 2023-07-05 | 2023-07-05 | 一种电池外壳缺陷识别方法 |
CN202311010046.7A Pending CN117011276A (zh) | 2023-07-05 | 2023-07-05 | 一种电池外壳缺陷识别方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311010046.7A Pending CN117011276A (zh) | 2023-07-05 | 2023-07-05 | 一种电池外壳缺陷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN116523923B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116699428B (zh) * | 2023-08-08 | 2023-10-10 | 深圳市杰成镍钴新能源科技有限公司 | 退役电池的缺陷检测方法及装置 |
CN117115468B (zh) * | 2023-10-19 | 2024-01-26 | 齐鲁工业大学(山东省科学院) | 基于人工智能的图像识别方法及系统 |
CN117197140B (zh) * | 2023-11-07 | 2024-02-20 | 东莞市恒兴隆实业有限公司 | 基于机器视觉的不规则金属扣成型检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115063620A (zh) * | 2022-08-19 | 2022-09-16 | 启东市海信机械有限公司 | 一种基于比特分层罗茨风机轴承磨损检测方法 |
CN115156093A (zh) * | 2022-06-29 | 2022-10-11 | 上海商汤智能科技有限公司 | 电池外壳缺陷检测方法、系统及装置 |
CN116106331A (zh) * | 2023-02-17 | 2023-05-12 | 深圳市奥特迈智能装备有限公司 | 一种汽车电池外壳在线检测装置及其检测方法 |
-
2023
- 2023-07-05 CN CN202310814581.1A patent/CN116523923B/zh active Active
- 2023-07-05 CN CN202311010046.7A patent/CN117011276A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115156093A (zh) * | 2022-06-29 | 2022-10-11 | 上海商汤智能科技有限公司 | 电池外壳缺陷检测方法、系统及装置 |
CN115063620A (zh) * | 2022-08-19 | 2022-09-16 | 启东市海信机械有限公司 | 一种基于比特分层罗茨风机轴承磨损检测方法 |
CN116106331A (zh) * | 2023-02-17 | 2023-05-12 | 深圳市奥特迈智能装备有限公司 | 一种汽车电池外壳在线检测装置及其检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116523923A (zh) | 2023-08-01 |
CN117011276A (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116523923B (zh) | 一种电池外壳缺陷识别方法 | |
CN115311292B (zh) | 基于图像处理的带钢表面缺陷检测方法及系统 | |
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与系统 | |
CN115018828B (zh) | 一种电子元器件的缺陷检测方法 | |
CN115601364B (zh) | 基于图像分析的金手指电路板检测方法 | |
CN115351598A (zh) | 一种数控机床轴承检测方法 | |
CN114219805B (zh) | 一种玻璃缺陷智能检测方法 | |
CN116703907B (zh) | 一种基于机器视觉的汽车铸件表面缺陷检测方法 | |
CN115249246B (zh) | 一种光学玻璃表面缺陷检测方法 | |
CN115345885A (zh) | 一种金属健身器材外观质量检测方法 | |
CN110210477B (zh) | 一种数字式仪表读数识别方法 | |
CN116559183B (zh) | 一种提高缺陷判定效率的方法及系统 | |
CN115861307B (zh) | 基于人工智能的筋膜枪供电驱动板焊接故障检测方法 | |
CN116385450B (zh) | 基于图像处理的ps片材抗耐磨性检测方法 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN115311267B (zh) | 一种格纹织物异常检测方法 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN115359053A (zh) | 一种金属板材缺陷智能检测方法及系统 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN117522873B (zh) | 一种太阳能光伏组件生产质量检测系统 | |
CN116309577B (zh) | 一种高强传送带物料智能检测方法及系统 | |
CN116977358A (zh) | 一种瓦楞纸生产品质视觉辅助检测方法 | |
CN116990323A (zh) | 一种高精密印刷版视觉检测系统 | |
CN115311286A (zh) | 一种染色纺织品的染色缺陷识别方法 | |
CN115880280A (zh) | 一种钢结构焊缝质量的检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |