CN116542967B - 一种锂电池极柱缺陷的检测方法、装置以及设备 - Google Patents

一种锂电池极柱缺陷的检测方法、装置以及设备 Download PDF

Info

Publication number
CN116542967B
CN116542967B CN202310778080.2A CN202310778080A CN116542967B CN 116542967 B CN116542967 B CN 116542967B CN 202310778080 A CN202310778080 A CN 202310778080A CN 116542967 B CN116542967 B CN 116542967B
Authority
CN
China
Prior art keywords
detection
defect
image
pole
region
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
CN202310778080.2A
Other languages
English (en)
Other versions
CN116542967A (zh
Inventor
何俊霖
陈宇
连海艳
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.)
Xiamen Weitu Software Technology Co ltd
Original Assignee
Xiamen Weitu Software 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 Xiamen Weitu Software Technology Co ltd filed Critical Xiamen Weitu Software Technology Co ltd
Priority to CN202310778080.2A priority Critical patent/CN116542967B/zh
Publication of CN116542967A publication Critical patent/CN116542967A/zh
Application granted granted Critical
Publication of CN116542967B publication Critical patent/CN116542967B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种锂电池极柱缺陷的检测方法、装置、设备及存储介质，其包括：获取极柱的深度图以及2D灰度图，其中，所述深度图与所述2D灰度图的尺寸相同；对所述深度图进行均衡化处理，得到第一图像；对所述第一图像进行滤波处理以及边缘检测，得到极柱区域；根据所述极柱区域的边缘轮廓坐标点定位到对应所述2D灰度图的检测位置，得到检测区域；通过预设缺陷检测算法对所述检测区域进行不同缺陷类型的检测，得到缺陷检测结果。能够提高检测质量以及保证检测的速度，能够满足行业内对锂电池极柱检测的需求，达到新能源行业对锂电池极柱检测的质量检测要求。

Description

一种锂电池极柱缺陷的检测方法、装置以及设备
技术领域
本发明涉及锂电池技术领域，尤其涉及一种锂电池极柱缺陷的检测方法、装置以及设备。
背景技术
锂电池是一种高能量密度、长寿命、环保的电池，广泛应用于移动电子设备、电动汽车、储能系统等领域。锂电池的性能和安全性与其内部结构密切相关，其中极柱是锂电池的重要组成部分之一。极柱的质量和缺陷直接影响锂电池的性能和安全性。
目前，锂电池极柱缺陷检测主要采用非破坏性检测技术，如X射线检测、磁粉探伤、超声波检测等。其中，X射线检测是一种常用的方法，可以检测极柱内部的缺陷和异物，但需要专业的设备和技术人员操作，且存在辐射危险。磁粉探伤和超声波检测则可以检测极柱表面和内部的缺陷，但对于微小缺陷的检测效果不佳。
发明内容
有鉴于此，本发明的目的在于提出一种锂电池极柱缺陷的检测方法、装置以及设备，旨在解决现有技术中对于锂电池极柱的缺陷检测的设备和技术人员的要求过高，对一些小的缺陷的检测效果不佳等问题。
为实现上述目的，本发明提供一种锂电池极柱缺陷的检测方法，所述方法包括：
获取极柱的深度图以及2D灰度图，其中，所述深度图与所述2D灰度图的尺寸相同；
对所述深度图进行均衡化处理，得到第一图像；
对所述第一图像进行滤波处理以及边缘检测，得到极柱区域；
根据所述极柱区域的边缘轮廓坐标点定位到对应所述2D灰度图的检测位置，得到检测区域；
通过预设缺陷检测算法对所述检测区域进行不同缺陷类型的检测，得到缺陷检测结果。
优选的，所述方法还包括：
判断所述缺陷检测结果中对应位置的缺陷大小是否大于检测阈值，若是，则确定为真实极柱缺陷。
优选的，所述对所述第一图像进行滤波处理以及边缘检测，得到极柱区域，包括：
对所述第一图像进行均值滤波处理，得到第二图像；
利用边缘检测算子对所述第二图像进行计算，得到初始极柱区域；
对所述初始极柱区域进行闭运算以及轮廓坐标的计算，确定极柱的基准深度值；
选取所述第一图像中满足所述基准深度值的预设范围的坐标点，将所有所述坐标点的集合作为所述极柱区域。
优选的，所述利用边缘检测算子对所述第二图像进行计算，得到初始极柱区域，包括：
利用边缘检测算子对所述第二图像的X方向和Y方向上进行边缘梯度的计算，得到边缘梯度信息；
根据所述边缘梯度信息提取所述第一图像中的边缘信息，得到具有边缘梯度数值的第三图像；
根据预设梯度阈值对所述第三图像进行二值化，得到所述初始极柱区域。
优选的，所述对所述初始极柱区域进行闭运算以及轮廓坐标的计算，确定极柱的基准深度值，包括：
对所述初始极柱区域进行闭运算，得到第一区域；
计算所述第一区域的外接矩形面积，筛选出极柱区域的轮廓坐标；
将所述轮廓坐标根据预设距离进行内缩，得到多个第二区域；
统计多个所述第二区域的深度值，并取所述深度值中的中位数作为所述基准深度值。
优选的，所述通过预设缺陷检测算法对所述检测区域进行不同缺陷类型的检测，包括：
通过基于YOLO构建的检测模型对所述检测区域中的凸点类型缺陷以及划痕类型缺陷进行检测；
通过基于带通滤波和形态学构成的检测算法对所述检测区域中的缺口类型缺陷进行检测。
优选的，所述通过基于带通滤波和形态学构成的检测算法对所述检测区域中的缺口类型缺陷进行检测，包括：
获取极柱中心铝巴孔的位置并进行屏蔽，确定第一缺陷信号；
利用带通滤波确定合适的截止频率将所述第一缺陷信号中的高频部分和低频部分进行滤除，得到具有特定频率范围的第二缺陷信号；
通过形态学对所述第二缺陷信号进行膨胀和腐蚀操作，得到目标缺陷的位置。
为实现上述目的，本发明还提供一种锂电池极柱缺陷的检测装置，所述装置包括：
获取单元，用于获取极柱的深度图以及2D灰度图，其中，所述深度图与所述2D灰度图的尺寸相同；
第一处理单元，用于对所述深度图进行均衡化处理，得到第一图像；
第二处理单元，用于对所述第一图像进行滤波处理以及边缘检测，得到极柱区域；
定位单元，用于根据所述极柱区域的边缘轮廓坐标点定位到对应所述2D灰度图的检测位置，得到检测区域；
检测单元，用于通过预设缺陷检测算法对所述检测区域进行不同缺陷类型的检测，得到缺陷检测结果。
为了实现上述目的，本发明还提出一种锂电池极柱缺陷的检测设备，包括处理器、存储器以及存储在所述存储器内的计算机程序，所述计算机程序被所述处理器执行以实现如上述实施例所述的一种锂电池极柱缺陷的检测方法的步骤。
为了实现上述目的，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行以实现如上述实施例所述的一种锂电池极柱缺陷的检测方法的步骤。
有益效果：
以上方案，通过预设缺陷检测算法对不同类型的缺陷进行检测，能够将检测的效率提高到最优，既能提高检测质量又能保证检测的速度，将传统图像算法和AI的优势相结合，能够满足行业内对锂电池极柱检测的需求，达到新能源行业对锂电池极柱检测的质量检测要求。
以上方案，通过获取电池极柱的深度图和2D灰度图进行结合判定真实缺陷的方式，从多个维度对缺陷进行判定，满足用户对于一个缺陷定义的各种规格，最大程度的满足用户需求，能够从很大程度上减少误判率。
以上方案，通过求取极柱的基准深度值以确定极柱的实际区域，能够过滤周边干扰信息，实现检测区域的缺陷准确定位。
以上方案，通过图像检测缺陷，没有人工目检的环节，不仅大大节省了人力成本，而且相比于人眼对于缺陷的判断，本方案对缺陷的判定有量化的标准，使得生产出来的产品不会有因为人的主观判断影响导致质量良莠不齐的问题，保证了产品的生产质量。
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，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地介绍，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他的附图。
图1为本发明一实施例提供的一种锂电池极柱缺陷的检测方法的流程示意图。
图2为本发明一实施例提供的一种锂电池极柱缺陷的检测装置的结构示意图。
发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。
在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。
以下结合实施例详细阐述本发明的内容。
参照图1所示为本发明一实施例提供的一种锂电池极柱缺陷的检测方法的流程示意图。
本实施例中，该方法包括：
S11，获取极柱的深度图以及2D灰度图，其中，所述深度图与所述2D灰度图的尺寸相同。
S12，对所述深度图进行均衡化处理，得到第一图像。
其中，所述对所述深度图进行均衡化处理包括通过限制对比度自适应直方图实现的均衡化处理。
在本实施例中，通过获取一组尺寸大小一致的深度图及2D灰度图，并采用限制对比度自适应直方图对深度图进行均衡化操作，相比于普通的直方图均衡化，限制对比度自适应直方图均衡化更加注重对局部对比度的提高，更好的保留图像的更多细节。
S13，对所述第一图像进行滤波处理以及边缘检测，得到极柱区域。
进一步的，在该步骤S13中，所述对所述第一图像进行滤波处理以及边缘检测，得到极柱区域，包括：
S13-1，对所述第一图像进行均值滤波处理，得到第二图像；
S13-2，利用边缘检测算子对所述第二图像进行计算，得到初始极柱区域；
S13-3，对所述初始极柱区域进行闭运算以及轮廓坐标的计算，确定极柱的基准深度值；
S13-4，选取所述第一图像中满足所述基准深度值的预设范围的坐标点，将所有所述坐标点的集合作为所述极柱区域。
其中，在步骤S13-2中，所述利用边缘检测算子对所述第二图像进行计算，得到初始极柱区域，包括：
利用边缘检测算子对所述第二图像的X方向和Y方向上进行边缘梯度的计算，得到边缘梯度信息；
根据所述边缘梯度信息提取所述第一图像中的边缘信息，得到具有边缘梯度数值的第三图像；
根据预设梯度阈值对所述第三图像进行二值化，得到所述初始极柱区域。
其中，在步骤S13-3中，所述对所述初始极柱区域进行闭运算以及轮廓坐标的计算，确定极柱的基准深度值，包括：
对所述初始极柱区域进行闭运算，得到第一区域；
计算所述第一区域的外接矩形面积，筛选出极柱区域的轮廓坐标；
将所述轮廓坐标根据预设距离进行内缩，得到多个第二区域；
统计多个所述第二区域的深度值，并取所述深度值中的中位数作为所述基准深度值。
在本实施例中，由于对深度图进行限制对比度自适应直方图均衡化操作虽然能够增强局部对比度，但同时也会放大原本图像中的噪声，因此进一步通过均值滤波进行处理能够起到抑制噪声的作用，对图像接下来的处理更加有益。
由于图像中不止有极柱区域，为了准确的定位到极柱区域，进一步使用基准深度值标准来划分深度图区域。为了求得实际的极柱区域，首先将大致的初始极柱区域求解出来，这里之所以只能得到大致的初始极柱区域是因为边缘模糊、周围物体很接近等问题会导致直接求极柱的边缘并不能准确的定位真实的极柱区域，求得的区域可能会和周围物体粘连在一起，因此在本实施例中首先求得一个大致的初始极柱区域。
具体的，首先进行边缘检测，采用的是Sobel算子，Sobel算子是高斯平滑与微分操作的结合体，能够满足基本的边缘检测需求且效率高。在本实施例中，通过采用Sobel算子分别求解在X方向和Y方向上的边缘梯度信息，然后将X方向和Y方向的梯度信息乘以0.5并相加得到最终的边缘梯度信息。使用预设梯度阈值将得到的具有边缘梯度信息的图像进行二值化处理，以得到一张只含有0和255的仅包含边缘的图像。也就是，该图像包含边缘梯度信息的图像，每个像素点上的值为梯度值，通过选择合适的梯度阈值对该图像进行二值化（即高于这个梯度阈值的像素位置的像素点设置为255，低于这个梯度阈值的像素位置的像素点设置为0），通过这个操作就能得到大致的初始极柱区域。
在求解极柱区域时无法保证仅包含极柱的边缘，周围一些其他物体的边缘也会同时求解出来，因此需要对所有边缘轮廓做一个筛选。在本实施例中，通过形态学操作中的腐蚀操作将小的一些干扰去除，再通过闭运算对所有边缘进行处理，将边缘断开的位置连接起来，形成完整闭合的边缘。之后使用OpenCV中现有的轮廓算子计算所有轮廓的外接矩形面积，面积最大的轮廓即为所需要的极柱区域的轮廓。根据该轮廓的坐标即可知道整个极柱区域的坐标，从上下左右四个方向选取四块极柱的区域，将轮廓坐标内缩一段距离，选取几块极柱的区域，统计这些区域的深度值并排序后取中位数以进一步选取基准深度值。具体的，通过上下左右四个方向向中心遍历坐标点并判断当前点的像素值，如果为255则属于极柱区域，否则就不属于极柱区域，确定哪些点属于极柱区域后，从中选取一些区域中的点的坐标位置即在图片的第几行第几列，然后取深度图上对应位置的深度值作为统计数据，排序后取得中位数作为极柱的基准深度值。
进一步通过基准深度值、大小偏差一定的数值得到一个深度值范围，以该深度值范围在深度图上筛选出符合要求的坐标点，所有点的集合即为真正的极柱区域。由于整个极柱平面的深度值不可能完全一致，会有一些细微的凹凸不平，体现在深度值上就是微小的数值偏差，因此求出基准深度值后，由基准深度值减去一个数值，加上一个数值得到一个深度值范围，在这个范围内的深度值都可判定为极柱区域。以此标准对深度图上的各个点的深度值进行判定，即可确定哪些点是真实属于极柱区域的。由此，能够求得真实的极柱区域，精准定位实际需要检测的区域。
S14，根据所述极柱区域的边缘轮廓坐标点定位到对应所述2D灰度图的检测位置，得到检测区域。
S15，通过预设缺陷检测算法对所述检测区域进行不同缺陷类型的检测，得到缺陷检测结果。
进一步的，在步骤S15中，所述通过预设缺陷检测算法对所述检测区域进行不同缺陷类型的检测，包括：
S15-1，通过基于YOLO构建的检测模型对所述检测区域中的凸点类型缺陷以及划痕类型缺陷进行检测。
进一步的，基于YOLO构建的检测模型的构建过程，包括：
根据凸点和划痕的特征，收集大量包含凸点区域和划痕区域的缺陷的2D灰度图图像并标注，包括图像和对应的标注信息，即缺陷的位置以及类别，得到训练数据集；
使用YOLO构建的检测模型对训练数据集进行训练，通过多次迭代更新模型参数，使得模型能更好地预测目标位置和类别，得到用于缺陷检测的检测模型；
使用验证集对模型效果进行评估，确保获得最合适应用于当前缺陷检测的精度和召回率；
将封装好的模型用于实际的极柱缺陷检测，得到凸点缺陷和划痕缺陷的位置。
S15-2，通过基于带通滤波和形态学构成的检测算法对所述检测区域中的缺口类型缺陷进行检测。
其中，在步骤S15-1，所述通过基于带通滤波和形态学构成的检测算法对所述检测区域中的缺口类型缺陷进行检测，包括：
获取极柱中心铝巴孔的位置并进行屏蔽，确定第一缺陷信号；
利用带通滤波确定合适的截止频率将所述第一缺陷信号中的高频部分和低频部分进行滤除，得到具有特定频率范围的第二缺陷信号；
通过形态学对所述第二缺陷信号进行膨胀和腐蚀操作，得到目标缺陷的位置。
在本实施例中，由于极柱中心会有一个铝巴孔，和缺口缺陷相似的地方在于灰度值很接近，在使用2D灰度图检测缺口时该情况会造成干扰，为了避免检测缺陷的时候还需要对误判铝巴孔为缺口做后处理，本实施例通过在检测前先找到铝巴孔位置后对铝巴孔区域进行屏蔽。根据深度图以及极柱的基准深度值，可以确定铝巴孔的深度值低于某个确定数值，以此将铝巴孔区域筛选出来，并在2D灰度图的对应位置划分区域，选择极柱区域的平均灰度值替代该区域的灰度值，这样在检测缺陷该区域就不会被判定为缺陷。具体的，通过使用带通滤波选择合适的截止频率，将图像信号中的高频和低频成分滤除，只保留特定频率范围内的信号；这样可以去除噪声和干扰，同时突出缺陷信号，使得缺陷信号更加明显，对应到图像中的表现就是突出缺陷区域。通过形态学的膨胀、腐蚀等操作去除一些干扰，断开缺陷间可能存在的粘连，使得缺陷更明确，进而对得到的缺陷点集求外接矩形，得到缺陷的位置坐标。
通过对图像采用一大一小两个不同尺寸的滤波核做均值滤波，就能够得到两张滤波后的图像，将两张图像相减得到的图像等同于带通滤波后（即带通滤波在频率域中表现为去除图像中高频信号和低频信号的操作）的效果，噪声和背景都会被滤除，留下来的即为缺口部分。由于像素分布不可能达到预期中的理想状态，此时求得的缺口还会有干扰，包括边缘有偏暗的位置、缺口互相粘连在一起以及缺口周围的噪声点形成粘连等等，基于这个情况，本实施例中通过使用形态学操作包括膨胀、腐蚀、开运算和闭运算，得到最终的缺口轮廓。
更进一步的，所述方法还包括：
判断所述缺陷检测结果中对应位置的缺陷大小是否大于检测阈值，若是，则确定为真实极柱缺陷。
具体的，根据上述得到的缺陷位置在深度图中找到对应位置；计算对应缺陷的缺陷大小（包括缺陷长、宽以及深度），将三者与检测参数的对应阈值作比较，当三者都满足大于对应阈值时，则确认极柱存在对应缺陷，否则，则认为不存在对应缺陷。
具体的，通过结合缺陷在深度图上表现的凹凸特征以及在2D灰度图上表现的灰度特征，判断缺陷是否真实。由于深度图和灰度图中的物体位置是一致的，因此在判断缺陷是否真实时，看当前区域在深度图和灰度图上是否都符合缺陷的特征，缺陷的凹凸特征在深度图上表现为深度值比周围的值更小或者更大，以此可判断哪些点是低于或高于极柱面的；缺陷的灰度特征在灰度图上表现为像素值与周围的像素点不一样，通常为灰度值更小，只有在两种图上都具备缺陷的特征，才判定为真实缺陷。以此通过计算缺陷的大小能够进一步将实际生产过程中可能存在焊灰等（该部分从灰度图上与缺陷较为相似）落在上面的部分进行剔除，以得到更为确切的真实缺陷。
根据上述求得的缺陷位置在深度图上求得深度值集合，并取最小值作为当前缺陷的深度值，若判定缺陷的大小和深度值均符合用户定义的缺陷规格，则认为存在真实缺陷。由此，本实施例实现了对缺陷数据的精准测量以及对真实缺陷的判定，能够提高缺陷的识别准确率。
参照图2所示为本发明一实施例提供的一种锂电池极柱缺陷的检测装置的结构示意图。
在本实施例中，该装置20包括：
获取单元21，用于获取极柱的深度图以及2D灰度图，其中，所述深度图与所述2D灰度图的尺寸相同；
第一处理单元22，用于对所述深度图进行均衡化处理，得到第一图像；
第二处理单元23，用于对所述第一图像进行滤波处理以及边缘检测，得到极柱区域；
定位单元24，用于根据所述极柱区域的边缘轮廓坐标点定位到对应所述2D灰度图的检测位置，得到检测区域；
检测单元25，用于通过预设缺陷检测算法对所述检测区域进行不同缺陷类型的检测，得到缺陷检测结果。
在另一实施例中，该装置20还包括：
确定单元，用于判断所述缺陷检测结果中对应位置的缺陷大小是否大于检测阈值，若是，则确定为真实极柱缺陷。
该装置20的各个单元模块可分别执行上述方法实施例中对应步骤，故在此不对各单元模块进行赘述，详细请参见以上对应步骤的说明。
本发明实施例还提供一种设备，该设备包括如上所述的锂电池极柱缺陷的检测装置，其中，锂电池极柱缺陷的检测装置可以采用图2实施例的结构，其对应地，可以执行图1所示方法实施例的技术方案，其实现原理和技术效果类似，详细可以参见上述实施例中的相关记载，此处不再赘述。
所述设备包括：手机、数码相机或平板电脑等具有拍照功能的设备，或者具有图像处理功能的设备，或者具有图像显示功能的设备。所述设备可包括存储器、处理器、输入单元、显示单元、电源等部件。
其中，存储器可用于存储软件程序以及模块，处理器通过运行存储在存储器的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(例如图像播放功能等)等；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器还可以包括存储器控制器，以提供处理器和输入单元对存储器的访问。
输入单元可用于接收输入的数字或字符或图像信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地，本实施例的输入单元除了包括摄像头，还可包括触敏表面（例如触摸显示屏）以及其他输入设备。
显示单元可用于显示由用户输入的信息或提供给用户的信息以及设备的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元可包括显示面板，可选的，可以采用LCD(Liquid Crystal Display，液晶显示器)、OLED(Organic Light-Emitting Diode,有机发光二极管)等形式来配置显示面板。进一步的，触敏表面可覆盖显示面板，当触敏表面检测到在其上或附近的触摸操作后，传送给处理器以确定触摸事件的类型，随后处理器根据触摸事件的类型在显示面板上提供相应的视觉输出。
本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中的存储器中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。该计算机可读存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现图1所示的锂电池极柱缺陷的检测方法。所述计算机可读存储介质可以是只读存储器，磁盘或光盘等。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置实施例、设备实施例及存储介质实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
并且，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
上述说明示出并描述了本发明的优选实施例，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (7)

1.一种锂电池极柱缺陷的检测方法，其特征在于，所述方法包括：
获取极柱的深度图以及2D灰度图，其中，所述深度图与所述2D灰度图的尺寸相同；
采用限制对比度自适应直方图对所述深度图进行均衡化处理，得到第一图像；
对所述第一图像进行滤波处理以及边缘检测，得到极柱区域；包括：
对所述第一图像进行均值滤波处理，得到第二图像；
利用Sobel边缘检测算子对所述第二图像进行计算，得到初始极柱区域；
对所述初始极柱区域进行闭运算以及轮廓坐标的计算，确定极柱的基准深度值；包括：
对所述初始极柱区域进行闭运算，得到第一区域；
计算所述第一区域的外接矩形面积，筛选出极柱区域的轮廓坐标；
将所述轮廓坐标根据预设距离进行内缩，得到多个第二区域；
统计多个所述第二区域的深度值，并取所述深度值中的中位数作为所述基准深度值；
选取所述第一图像中满足所述基准深度值的预设范围的坐标点，将所有所述坐标点的集合作为所述极柱区域；
根据所述极柱区域的边缘轮廓坐标点定位到对应所述2D灰度图的检测位置，得到检测区域；
通过预设缺陷检测算法对所述检测区域进行不同缺陷类型的检测，得到缺陷检测结果；包括：
通过基于YOLO构建的检测模型对所述检测区域中的凸点类型缺陷以及划痕类型缺陷进行检测；
通过基于带通滤波和形态学构成的检测算法对所述检测区域中的缺口类型缺陷进行检测。
2.根据权利要求1所述的一种锂电池极柱缺陷的检测方法，其特征在于，所述方法还包括：
判断所述缺陷检测结果中对应位置的缺陷大小是否大于检测阈值，若是，则确定为真实极柱缺陷。
3.根据权利要求1所述的一种锂电池极柱缺陷的检测方法，其特征在于，所述利用Sobel边缘检测算子对所述第二图像进行计算，得到初始极柱区域，包括：
利用边缘检测算子对所述第二图像的X方向和Y方向上进行边缘梯度的计算，得到边缘梯度信息；
根据所述边缘梯度信息提取所述第一图像中的边缘信息，得到具有边缘梯度数值的第三图像；
根据预设梯度阈值对所述第三图像进行二值化，得到所述初始极柱区域。
4.根据权利要求1所述的一种锂电池极柱缺陷的检测方法，其特征在于，所述通过基于带通滤波和形态学构成的检测算法对所述检测区域中的缺口类型缺陷进行检测，包括：
获取极柱中心铝巴孔的位置并进行屏蔽，确定第一缺陷信号；
利用带通滤波确定合适的截止频率将所述第一缺陷信号中的高频部分和低频部分进行滤除，得到具有特定频率范围的第二缺陷信号；
通过形态学对所述第二缺陷信号进行膨胀和腐蚀操作，得到目标缺陷的位置。
5.一种锂电池极柱缺陷的检测装置，其特征在于，所述装置包括：
获取单元，用于获取极柱的深度图以及2D灰度图，其中，所述深度图与所述2D灰度图的尺寸相同；
第一处理单元，用于采用限制对比度自适应直方图对所述深度图进行均衡化处理，得到第一图像；
第二处理单元，用于对所述第一图像进行滤波处理以及边缘检测，得到极柱区域；包括：
对所述第一图像进行均值滤波处理，得到第二图像；
利用Sobel边缘检测算子对所述第二图像进行计算，得到初始极柱区域；
对所述初始极柱区域进行闭运算以及轮廓坐标的计算，确定极柱的基准深度值；包括：
对所述初始极柱区域进行闭运算，得到第一区域；
计算所述第一区域的外接矩形面积，筛选出极柱区域的轮廓坐标；
将所述轮廓坐标根据预设距离进行内缩，得到多个第二区域；
统计多个所述第二区域的深度值，并取所述深度值中的中位数作为所述基准深度值；
选取所述第一图像中满足所述基准深度值的预设范围的坐标点，将所有所述坐标点的集合作为所述极柱区域；
定位单元，用于根据所述极柱区域的边缘轮廓坐标点定位到对应所述2D灰度图的检测位置，得到检测区域；
检测单元，用于通过预设缺陷检测算法对所述检测区域进行不同缺陷类型的检测，得到缺陷检测结果；包括：
通过基于YOLO构建的检测模型对所述检测区域中的凸点类型缺陷以及划痕类型缺陷进行检测；
通过基于带通滤波和形态学构成的检测算法对所述检测区域中的缺口类型缺陷进行检测。
6.一种锂电池极柱缺陷的检测设备，其特征在于，包括处理器、存储器以及存储在所述存储器内的计算机程序，所述计算机程序被所述处理器执行以实现如权利要求1至4任意一项所述的一种锂电池极柱缺陷的检测方法的步骤。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行以实现如权利要求1至4任意一项所述的一种锂电池极柱缺陷的检测方法的步骤。
CN202310778080.2A 2023-06-29 2023-06-29 一种锂电池极柱缺陷的检测方法、装置以及设备 Active CN116542967B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310778080.2A CN116542967B (zh) 2023-06-29 2023-06-29 一种锂电池极柱缺陷的检测方法、装置以及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310778080.2A CN116542967B (zh) 2023-06-29 2023-06-29 一种锂电池极柱缺陷的检测方法、装置以及设备

Publications (2)

Publication Number Publication Date
CN116542967A CN116542967A (zh) 2023-08-04
CN116542967B true CN116542967B (zh) 2023-10-03

Family

ID=87445620

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310778080.2A Active CN116542967B (zh) 2023-06-29 2023-06-29 一种锂电池极柱缺陷的检测方法、装置以及设备

Country Status (1)

Country Link
CN (1) CN116542967B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118196085B (zh) * 2024-05-15 2024-08-02 沈阳欧施盾新材料科技有限公司 一种高压气瓶的凹坑缺陷检测方法、设备及介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102288613A (zh) * 2011-05-11 2011-12-21 北京科技大学 一种灰度和深度信息融合的表面缺陷检测方法
CN113822890A (zh) * 2021-11-24 2021-12-21 中科慧远视觉技术(北京)有限公司 一种微裂纹检测方法、装置、系统及存储介质
CN113920090A (zh) * 2021-10-13 2022-01-11 无锡雪浪数制科技有限公司 一种基于深度学习的预制棒外观缺陷自动化检测方法
CN113936004A (zh) * 2021-12-20 2022-01-14 浙江双元科技股份有限公司 一种锂电池焊接质量检测方法、装置及系统
CN114494179A (zh) * 2022-01-24 2022-05-13 深圳闪回科技有限公司 一种基于图像识别的手机背部破损点检测方法及系统
CN114881878A (zh) * 2022-05-12 2022-08-09 厦门微图软件科技有限公司 深度图像增强方法、装置、设备及存储介质
CN114942246A (zh) * 2022-05-27 2022-08-26 苏州小蜂视觉科技有限公司 基于3D共焦传感器检测MiniLED焊接质量的方法、设备
CN115131359A (zh) * 2022-09-01 2022-09-30 南通恒强轧辊有限公司 一种金属加工件表面麻点缺陷检测方法
CN115147370A (zh) * 2022-06-30 2022-10-04 章鱼博士智能技术(上海)有限公司 一种电池顶盖焊接缺陷检测方法、装置、介质及电子设备
CN115294135A (zh) * 2022-10-09 2022-11-04 临沂华太电池有限公司 一种电池卷边封口质量检测方法
WO2023070312A1 (zh) * 2021-10-26 2023-05-04 宁德时代新能源科技股份有限公司 图像处理方法
CN116309576A (zh) * 2023-05-19 2023-06-23 厦门微亚智能科技有限公司 一种锂电池焊缝缺陷检测方法、系统及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10402671B2 (en) * 2016-03-28 2019-09-03 General Dynamics Mission Systems, Inc. System and methods for automatic solar panel recognition and defect detection using infrared imaging

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102288613A (zh) * 2011-05-11 2011-12-21 北京科技大学 一种灰度和深度信息融合的表面缺陷检测方法
CN113920090A (zh) * 2021-10-13 2022-01-11 无锡雪浪数制科技有限公司 一种基于深度学习的预制棒外观缺陷自动化检测方法
WO2023070312A1 (zh) * 2021-10-26 2023-05-04 宁德时代新能源科技股份有限公司 图像处理方法
CN113822890A (zh) * 2021-11-24 2021-12-21 中科慧远视觉技术(北京)有限公司 一种微裂纹检测方法、装置、系统及存储介质
CN113936004A (zh) * 2021-12-20 2022-01-14 浙江双元科技股份有限公司 一种锂电池焊接质量检测方法、装置及系统
CN114494179A (zh) * 2022-01-24 2022-05-13 深圳闪回科技有限公司 一种基于图像识别的手机背部破损点检测方法及系统
CN114881878A (zh) * 2022-05-12 2022-08-09 厦门微图软件科技有限公司 深度图像增强方法、装置、设备及存储介质
CN114942246A (zh) * 2022-05-27 2022-08-26 苏州小蜂视觉科技有限公司 基于3D共焦传感器检测MiniLED焊接质量的方法、设备
CN115147370A (zh) * 2022-06-30 2022-10-04 章鱼博士智能技术(上海)有限公司 一种电池顶盖焊接缺陷检测方法、装置、介质及电子设备
CN115131359A (zh) * 2022-09-01 2022-09-30 南通恒强轧辊有限公司 一种金属加工件表面麻点缺陷检测方法
CN115294135A (zh) * 2022-10-09 2022-11-04 临沂华太电池有限公司 一种电池卷边封口质量检测方法
CN116309576A (zh) * 2023-05-19 2023-06-23 厦门微亚智能科技有限公司 一种锂电池焊缝缺陷检测方法、系统及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于同位深度-灰度图像的焊缝成形质量检测;闫中广, 闫志鸿, 谷文涵;《热加工工艺》;第50卷(第15期);第102-111页 *
基于特征与形貌重构的轴件表面缺陷检测方法;冯毅雄，李康杰，高一聪，郑浩，谭建荣;《浙江大学学报（工学版）》;第54卷(第3期);第427-434页 *

Also Published As

Publication number Publication date
CN116542967A (zh) 2023-08-04

Similar Documents

Publication Publication Date Title
WO2021143343A1 (zh) 一种产品质量检测方法及装置
CN102175700B (zh) 数字x射线图像焊缝分割和缺陷检测方法
CN114926463B (zh) 一种适用于芯片电路板的生产质量检测方法
CN115908269B (zh) 视觉缺陷检测方法、装置、存储介质和计算机设备
JP4657869B2 (ja) 欠陥検出装置、イメージセンサデバイス、イメージセンサモジュール、画像処理装置、デジタル画像品質テスタ、欠陥検出方法、欠陥検出プログラム、およびコンピュータ読取可能な記録媒体
CN111612781A (zh) 一种屏幕缺陷检测方法、装置及头戴显示设备
WO2023221801A9 (zh) 图像处理方法及装置、计算机可读存储介质、电子设备
CN113688807A (zh) 一种自适应缺陷检测方法、装置、识别系统及存储介质
CN116542967B (zh) 一种锂电池极柱缺陷的检测方法、装置以及设备
CN115131283B (zh) 目标对象的缺陷检测、模型训练方法、装置、设备及介质
CN115908415B (zh) 基于边缘的缺陷检测方法、装置、设备及存储介质
WO2021000948A1 (zh) 配重重量的检测方法与系统、获取方法与系统及起重机
CN111488808A (zh) 基于交通违法图像数据的车道线检测方法
CN104732510A (zh) 一种相机镜头黑斑检测方法及装置
TW202127372A (zh) 瑕疵等級判定的方法及存儲介質
CN111047556A (zh) 一种带钢表面缺陷检测方法及装置
CN116787022B (zh) 基于多源数据的散热铜底板焊接质量检测方法及系统
CN113554582A (zh) 电子设备盖板上功能孔的缺陷检测方法、装置以及系统
CN113240623A (zh) 一种路面病害检测方法及装置
CN115880520A (zh) 一种基于模板匹配和缺陷分割的缺陷等级分类方法及系统
CN110007493A (zh) 液晶显示屏中碎亮点检测方法
KR102242996B1 (ko) 자동차 사출제품의 비정형 불량 검출 방법
CN115965588A (zh) 缺陷检测方法、系统、电子设备及存储介质
CN109060830B (zh) 显示屏的杂质的检测方法和装置
WO2024138933A1 (zh) 一种面板缺陷增强检测方法及系统及装置及介质

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