CN116630304B - 一种基于人工智能的锂电池模具加工检测方法及系统 - Google Patents
一种基于人工智能的锂电池模具加工检测方法及系统 Download PDFInfo
- Publication number
- CN116630304B CN116630304B CN202310876947.8A CN202310876947A CN116630304B CN 116630304 B CN116630304 B CN 116630304B CN 202310876947 A CN202310876947 A CN 202310876947A CN 116630304 B CN116630304 B CN 116630304B
- Authority
- CN
- China
- Prior art keywords
- suspected
- edge
- mirror image
- finish
- value
- 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
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 54
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 54
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 23
- 238000001514 detection method Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000003708 edge detection Methods 0.000 claims description 5
- 238000003709 image segmentation Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 10
- 238000007689 inspection Methods 0.000 abstract description 5
- 230000011218 segmentation Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000001795 light effect Effects 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 description 1
- 229910052721 tungsten Inorganic materials 0.000 description 1
- 239000010937 tungsten Substances 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
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/30—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces
- G01B11/303—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces using photoelectric detection means
-
- 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
- G06T7/10—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
- 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
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及图像处理领域，提供一种基于人工智能的锂电池模具加工检测方法及系统，包括：获取锂电池模具的表面灰度图像；基于所述灰度图像计算模具表面的边缘光洁率；基于所述边缘光洁率计算模具表面的光洁显著度；如果所述光洁显著度小于预设值，则确定模具不符合质量要求。该方法能够提高检测结果准确性，避免了由于人工判定模具表面光洁度的主观性导致质检效果不理想的问题。
Description
技术领域
本申请涉及图像处理技术领域，特别是涉及一种基于人工智能的锂电池模具加工检测方法及系统。
背景技术
锂电池是一种高能量、高密度的电池，在日常生活中有着非常广泛的应用。锂电池模具通常由钨钢配件按照标准以及客户要求进行加工，模具加工的好坏直接影响到锂电池的寿命以及性能，其中锂电池模具的光洁率问题经常影响着锂电池的加工。在传统的锂电池模具表面光洁率的检验过程中，通常由人工对锂电池模具表面光洁率进行检测，因此存在检测效率低以及误判率高以及人的主观性导致质检效果不理想问题。
发明内容
本发明提供一种基于人工智能的锂电池模具加工检测方法及系统，该方法能够提高检测结果准确性，避免了由于人工判定模具表面光洁度的主观性导致质检效果不理想的问题。
第一方面，本申请提供一种基于人工智能的锂电池模具加工检测方法，包括：
获取锂电池模具的表面灰度图像；
基于所述灰度图像计算模具表面的边缘光洁率；
基于所述边缘光洁率计算模具表面的光洁显著度；
如果所述光洁显著度小于预设值，则确定模具不符合质量要求；
基于所述灰度图像计算模具表面的边缘光洁率，包括：
对所述灰度图像进行边缘检测，得到多个边缘线；
确定所述边缘线中疑似镜像物体边缘线的边缘线数量；
基于所述边缘线的总数以及所述边缘线中疑似镜像物体边缘线在初始疑似镜像区域的边缘或在初始疑似镜像区域内的数量计算所述边缘光洁率；其中，初始疑似镜像区域通过图像分割算法对灰度图像分割后得到；
基于所述边缘光洁率计算模具表面的光洁显著度，包括：
计算灰度图像中疑似镜像区域的区域数量；
计算区域光洁率大于设定值的疑似镜像区域的区域数量；
基于所述边缘光洁率、灰度图像中疑似镜像区域的区域数量，以及确定灰度图像中区域光洁率大于设定值的疑似镜像区域的区域数量计算得到光洁显著度。
在一实施例中，确定所述边缘线中疑似镜像物体边缘线的边缘线数量，包括：
利用sobel算子计算边缘线上像素点的灰度梯度幅值和梯度方向；
基于边缘线上像素点的灰度值、像素点邻域内灰度值的最小值、最大值、灰度值均值、像素点邻域内灰度值均值的最大值、灰度值均值的最小值以及像素点邻域内像素点的个数计算边缘线上像素点邻域内像素点的二维熵；
基于梯度幅值、梯度方向以及所述二维熵构建边缘线对应的边缘光洁特征矩阵；其中，特征矩阵的行数为边缘线的像素点的数量，每一行包括像素点的梯度幅值、梯度方向以及二维熵；
基于边缘线对应的边缘光洁特征矩阵确定边缘线是否是疑似镜像物体边缘线的边缘线，从而确定所述边缘线中疑似镜像物体边缘线的边缘线数量。
在一实施例中，基于边缘线对应的边缘光洁特征矩阵确定边缘线是否是疑似镜像物体边缘线的边缘线，包括：
分别计算特征矩阵中第一行与其他行的相似度，基于所述相似度确定边缘线上所有像素点的光洁明显度；
计算边缘线上像素点的光洁明显度均值，将光洁明显度均值作为边缘线的光洁明显度；
基于边缘线的光洁明显度确定所述边缘线是否是疑似镜像物体边缘线的边缘线。
在一实施例中，基于边缘线的光洁明显度确定所述边缘线是否是疑似镜像物体边缘线的边缘线，包括：
如果边缘线的光洁明显度大于阈值，则确定所述边缘线是疑似镜像物体边缘线的边缘线。
在一实施例中，计算灰度图像中疑似镜像区域的区域数量，包括：
对灰度图像进行分割，将灰度值小于分割阈值的区域作为初始疑似镜像区域；
计算初始疑似镜像区域内两两像素长条之间的灰度均值的差值，如果所述两两像素长条之间的灰度均值的差值小于预设的差值阈值，则确定初始疑似镜像区域为疑似镜像区域，从而得到疑似镜像区域的区域数量。
在一实施例中，计算区域光洁率大于设定值的疑似镜像区域的区域数量，包括：
基于疑似镜像区域内像素长条的灰度值方差、疑似镜像区域内像素长条的数量、疑似镜像区域内两两像素长条灰度值均值之差的绝对值均值、两两像素长条的灰度值均值的绝对值计算疑似镜像区域的区域光洁率；
计算灰度图像中区域光洁率大于设定值的疑似镜像区域的区域数量。
在一实施例中，利用如下公式计算疑似镜像区域的区域光洁率：
；
其中，为疑似镜像区域内像素长条i的灰度值的方差，n为疑似镜像区域内像素长条的个数，/>为疑似镜像区域中两两像素长条之间灰度均值差值的绝对值的均值，/>为像素长条/>与像素长条/>的灰度均值差值的绝对值。
第二方面，本申请提供一种基于人工智能的锂电池模具加工检测系统，包括：
获取模块，用于获取锂电池模具的表面灰度图像；
第一计算模块，用于基于所述灰度图像计算模具表面的边缘光洁率；
第二计算模块，用于基于所述边缘光洁率计算模具表面的光洁显著度；
检测模块，检测模块用于基于洁显著度对模具进行检测，如果所述光洁显著度小于预设值，则确定模具不符合质量要求；
基于所述灰度图像计算模具表面的边缘光洁率，包括：
对所述灰度图像进行边缘检测，得到多个边缘线；
确定所述边缘线中疑似镜像物体边缘线的边缘线数量；
基于所述边缘线的总数以及所述边缘线中疑似镜像物体边缘线在初始疑似镜像区域的边缘或在初始疑似镜像区域内的数量计算所述边缘光洁率；其中，初始疑似镜像区域通过图像分割算法对灰度图像分割后得到；
基于所述边缘光洁率计算模具表面的光洁显著度，包括：
计算灰度图像中疑似镜像区域的区域数量；
计算区域光洁率大于设定值的疑似镜像区域的区域数量；
基于所述边缘光洁率、灰度图像中疑似镜像区域的区域数量，以及确定灰度图像中区域光洁率大于设定值的疑似镜像区域的区域数量计算得到光洁显著度。
本申请的有益效果，区别于现有技术，本申请的基于人工智能的锂电池模具加工检测方法及系统，包括：获取锂电池模具的表面灰度图像；基于所述灰度图像计算模具表面的边缘光洁率；基于所述边缘光洁率计算模具表面的光洁显著度；如果所述光洁显著度小于预设值，则确定模具不符合质量要求。该方法能够提高检测结果准确性，避免了由于人工判定模具表面光洁度的主观性导致质检效果不理想的问题。
附图说明
图1为本发明基于人工智能的锂电池模具加工检测方法的一实施例的流程示意图；
图2为图1中步骤S12的一实施例的流程示意图；
图3为图1中步骤S13的一实施例的流程示意图；
图4为本发明基于人工智能的锂电池模具加工检测系统的一实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本发明通过模具表面上边缘线以及疑似镜像区域的特征，构建边缘光洁率以及区域光洁率来反应模具表面检测出的边缘线以及疑似镜像区域为模具表面物体镜像产生的概率，根据边缘光洁率以及区域光洁率得到模具表面光洁显著度，通过模具表面光洁显著度反应模具表面的光洁程度，完成对模具表面光洁度的判定，提高了对模具表面光洁度判定的效率以及准确率。下面结合附图和实施例对本申请进行详细的说明。
请参见图1，图1为本发明基于人工智能的锂电池模具加工检测方法的一实施例的流程示意图，具体包括：
步骤S11：获取锂电池模具的表面灰度图像。
使用CCD相机采集圆柱形锂电池模具的表面图像，在采集图像的过程中，为了获得能更好反应圆柱形锂电池模具表面光洁度的图像，将圆柱形锂电池模具竖直放置在水平面上，选择在良好自然光的环境中或日光灯下对圆柱形锂电池模具表面进行拍摄，同时在圆柱形锂电池模具拍摄面正前方放置另一圆柱形锂电池模具，得到圆柱形锂电池模具的RGB图像。对圆柱形锂电池模具的RGB图像进行去噪处理，降低噪声以及环境中其他因素的影响。本发明采用高斯滤波对图像进行处理，实施者可根据实际情况采用其他去噪方式。对去噪后的图像进行灰度化处理，得到圆柱形锂电池模具表面的灰度图像F。
步骤S12：基于所述灰度图像计算模具表面的边缘光洁率。
圆柱形锂电池模具在加工过程中，光洁度是较为重要的问题之一。表面光洁度较高的圆柱形锂电池的表面由于光的漫反射通常可以呈现出物体的镜像，光泽度越高，表面物体呈像效果更接近镜面效果。由于圆柱形锂电池表面具有一定弧度，反射得到物体的镜面会在弧度方向产生一定程度的形变。当圆柱形锂电池模具表面光洁度较差时，则不会呈现出镜面效果，同时在加工过程中，若加工工艺出现问题，会在圆柱形锂电池表面产生磨痕、划痕和孔洞物理痕迹。
在一实施例中，请结合图2，步骤S12包括：
步骤S21：对所述灰度图像进行边缘检测，得到多个边缘线。
具体的，针对灰度图像F，通过canny算子检测灰度图像F中的边缘线，得到灰度图像F中的边缘线。灰度图像F中检测出的边缘线有两种情况，一种是模具上反射出的镜像物体的边缘线，另一种是由于加工过程中工艺问题产生的磨痕、划痕以及孔洞的边缘线。
步骤S22：确定所述边缘线中疑似镜像物体边缘线的边缘线数量。
利用sobel算子计算边缘线上像素点的灰度梯度幅值和梯度方向。基于边缘线上像素点的灰度值、像素点邻域内灰度值的最小值、最大值、灰度值均值、像素点邻域内灰度值均值的最大值、灰度值均值的最小值以及像素点邻域内像素点的个数计算边缘线上像素点邻域内像素点的二维熵。具体的，随机选取一条边缘线，设该边缘线为，针对边缘线/>上的像素点，设边缘线/>上第一个像素点为/>，通过sobel算子计算像素点/>的灰度梯度幅值与方向，设像素点/>的梯度幅值为/>，梯度方向为/>。以像素点/>为中心，取半径为r的邻域，经验值取5，在像素点/>的邻域内，求邻域内像素点的二维熵，其中二维熵的公式为：
；
；
其中，为像素点的灰度值，/>为像素点邻域内灰度值的最小值，/>为像素点邻域内灰度值的最大值；/>为像素点在其八邻域内像素点的灰度均值，/>为像素点在其八邻域内像素点的灰度均值的最小值，/>为像素点在其八邻域内像素点的灰度均值的最大值，N为像素点邻域内像素点的个数，/>为特征二元组/>在邻域内出现的次数。
依次类推，求得边缘线上每个像素点对应的梯度幅值、梯度方向以及邻域内的二维熵。
基于梯度幅值、梯度方向以及所述二维熵构建边缘线对应的边缘光洁特征矩阵；其中，特征矩阵的行数为边缘线的像素点的数量，每一行包括像素点的梯度幅值、梯度方向以及二维熵。
具体的，设边缘光洁特征描述子，得像素点/>的边缘光洁特征描述子为。在模具的表面，若模具的表面光洁度较高，则会在模具的表面产生物体的镜像，且边缘线为镜像物体的边缘线，由于镜像物体的边缘线较为规则，边缘线上像素点的梯度方向保持一致，梯度幅值较大。由于光线影响，模具表面灰度值也会随着光线产生变化，在像素点的邻域内二维熵值较大。若模具表面光洁度较差，则表面不会产生物体的镜像，表面呈现出的颜色特征为模具本身的颜色特征，则灰度值变化程度较小。若检测出边缘线，则为加工过程中操作不当导致的划痕磨痕或孔洞。由于缺陷的随机性，对应缺陷边缘线上的梯度幅值及方向没有固定规律，随机性较大，且对应边缘线上像素点之间的邻域内二维熵值变化较为明显。对应边缘线构建边缘光洁特征矩阵，以边缘线/>为例，设边缘线上像素点的个数为r，则矩阵的行数为r，列数为3。具体的，特征矩阵的行数为边缘线的像素点的数量，每一行包括像素点的梯度幅值、梯度方向以及二维熵。
基于边缘线对应的边缘光洁特征矩阵确定边缘线是否是疑似镜像物体边缘线的边缘线，从而确定所述边缘线中疑似镜像物体边缘线的边缘线数量。在一实施例中，分别计算特征矩阵中第一行与其他行的相似度，基于所述相似度确定边缘线上所有像素点的光洁明显度；计算边缘线上像素点的光洁明显度均值，将光洁明显度均值作为边缘线的光洁明显度；基于边缘线的光洁明显度确定所述边缘线是否是疑似镜像物体边缘线的边缘线。具体的，如果边缘线的光洁明显度大于阈值，则确定所述边缘线是疑似镜像物体边缘线的边缘线。
具体的，分别计算特征矩阵中第一行与其他行的相关性，通过Tanimoto系数计算第一行向量与其他向量的相似性距离，将求得的Tanimoto系数的均值作为像素点光洁明显度。当Tanimoto系数的值越接近1，对应两向量一致度越大；当Tanimoto系数的值越趋近于0时，对应两向量之间的偏差越大。依次类推，得到边缘线/>上所有像素点的光洁明显度。若像素点为物体镜像边缘线上的像素点，由于物体镜像边缘规则，则边缘线上像素点的梯度方向与幅值保持一致，且像素点邻域内的二维熵值大小接近，因此行向量之间的相似性较大。将边缘线/>上像素点光洁明显度的均值作为边缘线/>的光洁明显度，依次类推，得到灰度图像F中所有边缘线的光洁明显度。设阈值/>，经验值取0.7，将光洁明显度大于该阈值的边缘线标记为疑似镜像物体边缘线的边缘线。
步骤S23：基于所述边缘线的总数以及所述边缘线中疑似镜像物体边缘线在初始疑似镜像区域的边缘或在初始疑似镜像区域内的数量计算所述边缘光洁率；其中，初始疑似镜像区域通过图像分割算法对灰度图像分割后得到。
具体的，利用如下公式计算边缘光洁率：
；
其中，为灰度图像F中边缘线的总数，/>为所述边缘线中疑似镜像物体边缘线在初始疑似镜像区域的边缘或在初始疑似镜像区域内的数量，边缘光洁率越大，则模具表面的光洁度就越大。其中，初始疑似镜像区域通过图像分割算法对灰度图像分割后得到。具体的，利用OTSU算法对图像F进行阈值分割，将灰度值小于最佳分割阈值的区域作为初始疑似镜像区域。
步骤S13：基于所述边缘光洁率计算模具表面的光洁显著度。
具体的，请结合图3，步骤S13包括：
步骤S31：计算灰度图像中疑似镜像区域的区域数量。
具体的，对灰度图像进行分割，将灰度值小于分割阈值的区域作为初始疑似镜像区域。在一具体实施例中，利用OTSU算法对图像F进行阈值分割，将灰度值小于最佳分割阈值的区域作为初始疑似镜像区域。
计算初始疑似镜像区域内两两像素长条之间的灰度均值的差值，如果所述两两像素长条之间的灰度均值接近，则确定初始疑似镜像区域为疑似镜像区域，从而得到疑似镜像区域的区域数量。
具体的，由于光线影响以及圆柱形模具表面弧度影响，若模具表面光洁度较高产生镜像，则水平方向上相邻像素点之间的灰度值会变化较大，而竖直方向上，相同灰度值的像素点通常在一条竖直的直线上。同时在沿着水平线方向上，像素点的灰度值由于模具表面镜像以及光线原因，呈一定梯度值上升或下降，则针对疑似镜像区域内的像素点，随机选取一初始疑似镜像区域，沿着竖直方向选取一列像素点作为像素长条，设初始疑似镜像区域内第一列像素点组成的像素长条为，第二列像素点组成的像素长条为/>，设区域内像素长条的个数为n，以第一列像素长条/>为例，设第一列像素长条/>中的像素点的灰度值的方差为/>，灰度均值为/>，若像素长条为镜像区域内的长条，则像素长条内的灰度值方差较小；同理求得第二列像素长条/>内的像素点的灰度值的方差/>以及灰度均值/>，对像素长条/>和像素长条/>内的灰度均值求其差值的绝对值，公式为：
；
则在初始疑似镜像区域内，两两像素长条之间的灰度均值的差值的绝对值越接近0，则说明两两像素长条之间的灰度均值越接近，该区域越有可能为疑似镜像区域，则模具表面的光洁度就越高；此处为实现对两两像素长条之间的灰度均值是否足够接近的判断，将所得两两像素长条之间的灰度均值的差值与预设的差值阈值进行比较，当所得两两像素长条之间的灰度均值的差值小于差值阈值，则认为两两像素长条之间的灰度均值足够接近，差值阈值的具体取值可根据对光洁度的要求适应性设置，此处不做具体限制。通过该方式可以确定初始疑似镜像区域中疑似镜像区域的区域数量。
步骤S32：计算区域光洁率大于设定值的疑似镜像区域的区域数量。
在一实施例中，基于疑似镜像区域内像素长条的灰度值方差、疑似镜像区域内像素长条的数量、疑似镜像区域内两两像素长条灰度值均值之差的绝对值均值、两两像素长条的灰度值均值的绝对值计算疑似镜像区域的区域光洁率；计算灰度图像中区域光洁率大于设定值的疑似镜像区域的区域数量。
设区域光洁率为，计算公式为：
；
其中，为疑似镜像区域内像素长条i的灰度值的方差，n为疑似镜像区域内像素长条的个数，/>为疑似镜像区域中两两像素长条之间灰度均值差值绝对值的均值，/>为像素长条/>与像素长条/>的灰度均值差值的绝对值。区域光洁率/>的值越大，对应疑似镜像区域为镜像区域的可能性就越大，模具表面的光洁度就越高。设设定值/>，经验值取0.8，统计灰度图像F中区域光洁率大于该阈值的疑似镜像区域的个数，设为m。
步骤S33：基于所述边缘光洁率、灰度图像中疑似镜像区域的区域数量，以及确定灰度图像中区域光洁率大于设定值的疑似镜像区域的区域数量计算得到光洁显著度。
构建模具表面光洁显著度，公式为：
；
其中，为边缘光洁率，m为图像F中区域光洁率大于设定阈值的疑似镜像区域的个数，u为图像F中疑似镜像区域的总数。模具表面光洁显著度/>反正了模具表面的光洁程度，/>的值越大，模具表面的光洁度就越大。至此，得到模具表面光洁显著度/>。
步骤S14：如果所述光洁显著度小于预设值，则确定模具不符合质量要求。
根据模具表面光洁显著度判定圆柱形锂电池模具表面光洁度是否符合标准，设预设值，经验值取0.9，若圆柱形模具表面光洁显著度大于该预设值，则该模具光洁度符合质检标准，所述光洁显著度小于预设值，则确定模具不符合质量要求。
本发明根据圆柱形锂电池模具表面对物体反射出的镜像效果判断模具的光洁度，以模具表面镜像的边缘以及镜像区域内的特征构建模具表面光洁显著度，检测结果精确度高，避免了由于人工判定模具表面光洁度的主观性导致质检效果不理想的问题。
请参见图4，图4为本发明基于人工智能的锂电池模具加工检测系统的一实施例的结构示意图，本实施例的基于人工智能的锂电池模具加工检测系统能够实现上述任一实施例所述的基于人工智能的锂电池模具加工检测方法。基于人工智能的锂电池模具加工检测系统具体包括：获取模块41、第一计算模块42、第二计算模块43以及检测模块44。
其中，获取模块41用于获取锂电池模具的表面灰度图像。第一计算模块42用于基于所述灰度图像计算模具表面的边缘光洁率。第二计算模块43用于基于所述边缘光洁率计算模具表面的光洁显著度。检测模块44检测模块用于基于洁显著度对模具进行检测，如果所述光洁显著度小于预设值，则确定模具不符合质量要求。
以上仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (8)
1.一种基于人工智能的锂电池模具加工检测方法，其特征在于，包括：
获取锂电池模具的表面灰度图像；
基于所述灰度图像计算模具表面的边缘光洁率；
基于所述边缘光洁率计算模具表面的光洁显著度；
如果所述光洁显著度小于预设值，则确定模具不符合质量要求；
基于所述灰度图像计算模具表面的边缘光洁率，包括：
对所述灰度图像进行边缘检测，得到多个边缘线；
确定所述边缘线中疑似镜像物体边缘线的边缘线数量；
基于所述边缘线的总数以及所述边缘线中疑似镜像物体边缘线在初始疑似镜像区域的边缘或在初始疑似镜像区域内的数量计算所述边缘光洁率；其中，初始疑似镜像区域通过图像分割算法对灰度图像分割后得到；
基于所述边缘光洁率计算模具表面的光洁显著度，包括：
计算灰度图像中疑似镜像区域的区域数量；
计算区域光洁率大于设定值的疑似镜像区域的区域数量；
基于所述边缘光洁率、灰度图像中疑似镜像区域的区域数量，以及确定灰度图像中区域光洁率大于设定值的疑似镜像区域的区域数量计算得到光洁显著度。
2.根据权利要求1所述的基于人工智能的锂电池模具加工检测方法，其特征在于，确定所述边缘线中疑似镜像物体边缘线的边缘线数量，包括：
利用sobel算子计算边缘线上像素点的灰度梯度幅值和梯度方向；
基于边缘线上像素点的灰度值、像素点邻域内灰度值的最小值、最大值、灰度值均值、像素点邻域内灰度值均值的最大值、灰度值均值的最小值以及像素点邻域内像素点的个数计算边缘线上像素点邻域内像素点的二维熵；
基于梯度幅值、梯度方向以及所述二维熵构建边缘线对应的边缘光洁特征矩阵；其中，特征矩阵的行数为边缘线的像素点的数量，每一行包括像素点的梯度幅值、梯度方向以及二维熵；
基于边缘线对应的边缘光洁特征矩阵确定边缘线是否是疑似镜像物体边缘线的边缘线，从而确定所述边缘线中疑似镜像物体边缘线的边缘线数量。
3.根据权利要求2所述的基于人工智能的锂电池模具加工检测方法，其特征在于，基于边缘线对应的边缘光洁特征矩阵确定边缘线是否是疑似镜像物体边缘线的边缘线，包括：
分别计算特征矩阵中第一行与其他行的相似度，基于所述相似度确定边缘线上所有像素点的光洁明显度；
计算边缘线上像素点的光洁明显度均值，将光洁明显度均值作为边缘线的光洁明显度；
基于边缘线的光洁明显度确定所述边缘线是否是疑似镜像物体边缘线的边缘线。
4.根据权利要求3所述的基于人工智能的锂电池模具加工检测方法，其特征在于，基于边缘线的光洁明显度确定所述边缘线是否是疑似镜像物体边缘线的边缘线，包括：
如果边缘线的光洁明显度大于阈值，则确定所述边缘线是疑似镜像物体边缘线的边缘线。
5.根据权利要求1所述的基于人工智能的锂电池模具加工检测方法，其特征在于，计算灰度图像中疑似镜像区域的区域数量，包括：
对灰度图像进行分割，将灰度值小于分割阈值的区域作为初始疑似镜像区域；
计算初始疑似镜像区域内两两像素长条之间的灰度均值的差值，如果所述两两像素长条之间的灰度均值的差值小于预设的差值阈值，则确定初始疑似镜像区域为疑似镜像区域，从而得到疑似镜像区域的区域数量。
6.根据权利要求5所述的基于人工智能的锂电池模具加工检测方法，其特征在于，计算区域光洁率大于设定值的疑似镜像区域的区域数量，包括：
基于疑似镜像区域内像素长条的灰度值方差、疑似镜像区域内像素长条的数量、疑似镜像区域内两两像素长条灰度值均值之差的绝对值均值、两两像素长条的灰度值均值的绝对值计算疑似镜像区域的区域光洁率；
计算灰度图像中区域光洁率大于设定值的疑似镜像区域的区域数量。
7.根据权利要求6所述的基于人工智能的锂电池模具加工检测方法，其特征在于，利用如下公式计算疑似镜像区域的区域光洁率：
；
其中，为疑似镜像区域内像素长条i的灰度值的方差，n为疑似镜像区域内像素长条的个数，/>为疑似镜像区域中两两像素长条之间灰度均值差值的绝对值的均值，/>为像素长条/>与像素长条/>的灰度均值差值的绝对值。
8.一种基于人工智能的锂电池模具加工检测系统，其特征在于，包括：
获取模块，用于获取锂电池模具的表面灰度图像；
第一计算模块，用于基于所述灰度图像计算模具表面的边缘光洁率；
第二计算模块，用于基于所述边缘光洁率计算模具表面的光洁显著度；
检测模块，检测模块用于基于洁显著度对模具进行检测，如果所述光洁显著度小于预设值，则确定模具不符合质量要求；
基于所述灰度图像计算模具表面的边缘光洁率，包括：
对所述灰度图像进行边缘检测，得到多个边缘线；
确定所述边缘线中疑似镜像物体边缘线的边缘线数量；
基于所述边缘线的总数以及所述边缘线中疑似镜像物体边缘线在初始疑似镜像区域的边缘或在初始疑似镜像区域内的数量计算所述边缘光洁率；其中，初始疑似镜像区域通过图像分割算法对灰度图像分割后得到；
基于所述边缘光洁率计算模具表面的光洁显著度，包括：
计算灰度图像中疑似镜像区域的区域数量；
计算区域光洁率大于设定值的疑似镜像区域的区域数量；
基于所述边缘光洁率、灰度图像中疑似镜像区域的区域数量，以及确定灰度图像中区域光洁率大于设定值的疑似镜像区域的区域数量计算得到光洁显著度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310876947.8A CN116630304B (zh) | 2023-07-18 | 2023-07-18 | 一种基于人工智能的锂电池模具加工检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310876947.8A CN116630304B (zh) | 2023-07-18 | 2023-07-18 | 一种基于人工智能的锂电池模具加工检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116630304A CN116630304A (zh) | 2023-08-22 |
| CN116630304B true CN116630304B (zh) | 2023-09-19 |
Family
ID=87602813
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310876947.8A Active CN116630304B (zh) | 2023-07-18 | 2023-07-18 | 一种基于人工智能的锂电池模具加工检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116630304B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117152447B (zh) * | 2023-11-01 | 2024-02-02 | 东莞市京品精密模具有限公司 | 一种冲切模具智能管理方法及系统 |
| CN117541589B (zh) * | 2024-01-10 | 2024-03-19 | 深圳市京鼎工业技术股份有限公司 | 一种注塑模具表面光洁度自动检测方法、系统和介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102937583A (zh) * | 2012-10-24 | 2013-02-20 | 浙江工业大学 | 基于单目多视角机器视觉的珍珠光洁度在线自动分级装置 |
| CN110261436A (zh) * | 2019-06-13 | 2019-09-20 | 暨南大学 | 基于红外热成像和计算机视觉的轨道故障检测方法及系统 |
| KR102234609B1 (ko) * | 2020-07-23 | 2021-04-02 | 주식회사 어반베이스 | 이미지 데이터베이스 분석 기반 상품 추천 장치 |
| CN113936000A (zh) * | 2021-12-16 | 2022-01-14 | 武汉欧易塑胶包装有限公司 | 基于图像处理的注塑件波流痕识别方法 |
| CN114581403A (zh) * | 2022-03-03 | 2022-06-03 | 武汉锐科光纤激光技术股份有限公司 | 清洁度检测方法、装置、系统及存储介质 |
| CN114998343A (zh) * | 2022-08-04 | 2022-09-02 | 南通广信塑料机械有限公司 | 基于视觉的模具表面抛光程度检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090116727A1 (en) * | 2006-05-02 | 2009-05-07 | Accretech Usa, Inc. | Apparatus and Method for Wafer Edge Defects Detection |
-
2023
- 2023-07-18 CN CN202310876947.8A patent/CN116630304B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102937583A (zh) * | 2012-10-24 | 2013-02-20 | 浙江工业大学 | 基于单目多视角机器视觉的珍珠光洁度在线自动分级装置 |
| CN110261436A (zh) * | 2019-06-13 | 2019-09-20 | 暨南大学 | 基于红外热成像和计算机视觉的轨道故障检测方法及系统 |
| KR102234609B1 (ko) * | 2020-07-23 | 2021-04-02 | 주식회사 어반베이스 | 이미지 데이터베이스 분석 기반 상품 추천 장치 |
| CN113936000A (zh) * | 2021-12-16 | 2022-01-14 | 武汉欧易塑胶包装有限公司 | 基于图像处理的注塑件波流痕识别方法 |
| CN114581403A (zh) * | 2022-03-03 | 2022-06-03 | 武汉锐科光纤激光技术股份有限公司 | 清洁度检测方法、装置、系统及存储介质 |
| CN114998343A (zh) * | 2022-08-04 | 2022-09-02 | 南通广信塑料机械有限公司 | 基于视觉的模具表面抛光程度检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于图像分割的钢板表面缺陷识别;王健等;《北京交通大学学报》(第02期);第50-59页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116630304A (zh) | 2023-08-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116630304B (zh) | 一种基于人工智能的锂电池模具加工检测方法及系统 | |
| CN115018828B (zh) | 一种电子元器件的缺陷检测方法 | |
| CN117351008B (zh) | 一种智能手机面板表面缺陷检测方法 | |
| CN115082419B (zh) | 一种吹塑箱包生产缺陷检测方法 | |
| CN110400290B (zh) | 一种太阳能电池片色差的检测方法、装置及存储介质 | |
| CN105067638B (zh) | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 | |
| CN116758061B (zh) | 基于计算机视觉的铸件表面缺陷检测方法 | |
| CN110286124B (zh) | 基于机器视觉的耐火砖测量系统 | |
| CN113109368B (zh) | 玻璃裂纹检测方法、装置、设备及介质 | |
| CN115294338A (zh) | 一种叶轮表面缺陷识别方法 | |
| CN115439481B (zh) | 基于图像处理的除氧器焊接质量检测方法 | |
| CN115249246B (zh) | 一种光学玻璃表面缺陷检测方法 | |
| CN115829883A (zh) | 一种异性金属结构件表面图像去噪方法 | |
| CN115020267B (zh) | 一种半导体表面缺陷检测方法 | |
| CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
| CN114972356B (zh) | 塑料制品表面缺陷检测识别方法及系统 | |
| CN113506286A (zh) | 基于YOLOv5算法小样本数据集实现微波芯片缺陷检测方法 | |
| CN116559183B (zh) | 一种提高缺陷判定效率的方法及系统 | |
| CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
| CN115147409A (zh) | 基于机器视觉的手机壳生产品质检测方法 | |
| CN114219805A (zh) | 一种玻璃缺陷智能检测方法 | |
| CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
| CN111667475A (zh) | 一种基于机器视觉的大枣分级检测方法 | |
| CN112561875A (zh) | 一种基于人工智能的光伏电池板粗栅检测方法 | |
| CN114119603A (zh) | 基于图像处理的快餐盒短射缺陷检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |