CN116703803A - 用于检测电池极片边缘的毛刺的方法、设备和系统 - Google Patents
用于检测电池极片边缘的毛刺的方法、设备和系统 Download PDFInfo
- Publication number
- CN116703803A CN116703803A CN202210177499.8A CN202210177499A CN116703803A CN 116703803 A CN116703803 A CN 116703803A CN 202210177499 A CN202210177499 A CN 202210177499A CN 116703803 A CN116703803 A CN 116703803A
- Authority
- CN
- China
- Prior art keywords
- image
- battery pole
- pole piece
- burr
- edge
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 93
- 238000001514 detection method Methods 0.000 claims abstract description 115
- 238000003384 imaging method Methods 0.000 claims abstract description 55
- 230000000877 morphologic effect Effects 0.000 claims description 43
- 238000003708 edge detection Methods 0.000 claims description 30
- 230000003287 optical effect Effects 0.000 claims description 26
- 238000007781 pre-processing Methods 0.000 claims description 14
- 239000011888 foil Substances 0.000 claims description 2
- 238000003860 storage Methods 0.000 abstract description 19
- 230000000694 effects Effects 0.000 abstract description 4
- 238000012423 maintenance Methods 0.000 abstract description 3
- 238000009434 installation Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 29
- 230000008569 process Effects 0.000 description 20
- 238000012545 processing Methods 0.000 description 15
- 238000013473 artificial intelligence Methods 0.000 description 13
- 239000000463 material Substances 0.000 description 7
- 238000012937 correction Methods 0.000 description 6
- 238000003909 pattern recognition Methods 0.000 description 6
- 239000000126 substance Substances 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000005520 cutting process Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 210000000746 body region Anatomy 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003892 spreading Methods 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- 230000008961 swelling Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007665 sagging Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification 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
- 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
- G06T7/155—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
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本申请提出用于检测位于电池极片的边缘处的毛刺的方法、设备、计算机存储介质以及系统。该方法包括确定与电池极片边缘相关联的待检测点的位置信息;使用成像装置基于待检测点的位置信息获取边缘的至少一个第一图像;基于第一图像执行对毛刺的识别以确定毛刺的位置信息。其中,还可以使用成像装置基于毛刺的位置信息获取边缘的至少一个第二图像;以及基于第二图像执行对毛刺的识别以优化毛刺的检测结果,其中第二图像具有比第一图像更多的图像细节。本申请的方案可以基于较少的计算量达到快速准确的识别效果,适应性强并且较少需要人工干预,成本较低并且安装维护简便。
Description
技术领域
本申请涉及图像识别,特别地,涉及用于检测电池极片边缘处的毛刺的方法、设备和计算机可读存储介质,以及实现用于检测电池极片边缘处的毛刺的方法和/或具有该设备的系统。
背景技术
在工业生产场景中,需要对切割后的电池极片边缘进行检测,从而确定所切割产品的外形,特别是切割面处的外形是否符合要求或确定所使用的切割工具是否需要校准或更换。在该过程中,需要通过人工调节诸如显微镜的观察设备,以肉眼寻找边缘处的毛刺,然后标记并记录下来。这种方式费时费力并且容易发生漏判。
近年来,随着对产品质量和精细度要求的不断提高,对电池极片切割的边缘的毛刺检测提出更严格更多样的需求,以人工方式检测毛刺已经越来越无法适应生产和检测要求。通过计算机图形处理方法可以快速而精确地自动识别被切割电池极片的边缘的毛刺,在节省人力的同时可以提高检测效率和准确度。
毛刺检测算法通常采用人工智能或模式匹配两种方式。人工智能方式的运算量大并且结果高度依赖训练数据集的质量,使得针对不同场景的检测任务的前期投入大,并且需要个性化训练。模式识别方式需要总结大量的毛刺特征以进行比对。这两种方式对于未知毛刺样式的适应性较差导致误判率较高。同时,即便解决了自动毛刺检测算法,但是在测量中仍然需要人工参与诸如拍照,调整视场位置,针对不同位置分别对焦和切换放大倍率等的操作。
因此,仍然需要综合性能更好的电池极片边缘的毛刺检测的方案。
发明内容
出于解决上文中提及的至少一个问题的目的,本申请的实施例提出用于在电池极片的边缘的图像中识别毛刺的方法,用于检测位于电池极片的边缘处的毛刺的方法、设备、计算机存储介质以及实现上述方法和具有相关检测设备的系统。
根据本申请的一方面,提出一种用于在电池极片的边缘的图像中识别毛刺的方法,其中该毛刺位于电池极片的边缘处,该方法包括:识别图像中的电池极片的主体;以及识别与主体相连并且凸起于主体的图形以确定毛刺的位置、尺寸和置信度中的至少一项。
根据本申请的另一方面,提出一种用于检测位于电池极片的边缘处的毛刺的方法,包括:确定与电池极片的边缘相关联的待检测点的位置信息;使用成像装置基于待检测点的位置信息获取边缘的至少一个第一图像;基于第一图像执行对毛刺的识别以确定毛刺的位置信息。
其中,该方法还可以使用成像装置基于毛刺的位置信息获取边缘的至少一个第二图像;以及基于第二图像执行对毛刺的识别以优化毛刺的检测结果。
根据本申请的另一方面,提出一种计算机可读存储介质,其上存储有计算机程序,该计算机程序包括可执行指令,当该可执行指令被处理器执行时,实施如上所述的方法。
根据本申请的又一方面,提出一种用于检测位于电池极片的边缘处的毛刺的设备,包括处理器,以及存储器,用于存储处理器的可执行指令;其中,处理器被配置为执行可执行指令以实施如上所述的方法。
根据本申请的再一方面,提出一种用于检测位于电池极片的边缘处的毛刺的系统,包括成像装置以及如上所述的用于检测位于电池极片的边缘处的毛刺的设备。
根据本申请所提出的在图像中识别毛刺以及检测位于电池极片的边缘处的毛刺的方案,可以基于较少的计算量达到快速准确的在电池极片边缘处的毛刺的检测和识别,存在适应性强并且很少需要人工干预,成本较低并且易于维护的优点。
附图说明
通过参照附图详细描述其示例性实施例,本申请的上述和其它特征及优点将变得更加明显。
图1为根据本申请的一个实施例的用于检测位于电池极片的边缘处的毛刺的系统的示例性操作流程;
图2为根据本申请的一个实施例的使用照相机通过显微镜所采集的电池极片边缘的示例性图像;
图3为根据本申请的一个实施例的在电池极片边缘的图像中识别并标注毛刺的检测结果的示例性图像(在水平方向上放置的电池极片的剖面);
图4为根据本申请的一个实施例的用于检测位于电池极片的边缘处的毛刺的方法中生成灰度图像并进行边缘检测的示例性图像;
图5为根据本申请的一个实施例的用于检测位于电池极片的边缘处的毛刺的方法中基于图4的结果进行形态学闭操作以生成形态学图像的示例性图像;
图6为根据本申请的一个实施例的用于检测位于电池极片的边缘处的毛刺的方法中基于图5的形态学图像擦除电池极片的主体部分的示例性图像;
图7为根据本申请的一个实施例的用于检测位于电池极片的边缘处的毛刺的方法中基于图6的结果寻找所有与电池极片主体相连的封闭图形部分的示例性图像;
图8为根据本申请的一个实施例的在电池极片边缘的图像中识别并标注毛刺的检测结果的示例性图像(垂直放置的在水平方向上延伸的电池极片的剖面,电池极片略微弯曲);
图9为根据本申请的一个实施例的在电池极片边缘的图像中识别并标注毛刺的检测结果的示例性图像(垂直放置的在垂直方向上延伸电池极片的剖面,高倍率图像);
图10为根据本申请的一个实施例的在电池极片边缘的图像中识别并标注毛刺的检测结果的示例性图像(垂直放置的沿水平方向延伸电池极片的剖面,在视场内存在多条电池极片);
图11为根据本申请的一个实施例的通过成像装置的图像传感器采集到的电池极片主体的顶点图像以及修正顶点位置后的图像的示例;
图12为根据本申请的一个实施例的用于使用在电池极片的边缘的图像中识别毛刺的算法检测位于电池极片的边缘处的毛刺的方法的示例性流程图;
图13为根据本申请的一个实施例的用于检测位于电池极片的边缘处的毛刺的电子设备的示例性结构框图;
图14为根据本申请的一个实施例的用于检测位于电池极片的边缘处的毛刺的系统的示例性结构框图;以及
图15为根据本申请的一个实施例的用于检测位于电池极片的边缘处的毛刺的方法中标注所识别出的电池极片的主体的范围以及与主体相连并且凸起于主体的图形的示例性图像。
具体实施方式
现在将参考附图更全面地描述示例性实施例。然而,示例性实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施方式;相反,提供这些实施方式使得本申请的内容变得全面和完整,并将示例性实施例的构思全面地传达给本领域的技术人员。在图中,为了清晰,可能会夸大部分元件的尺寸或加以变形。在图中相同的附图标记表示相同或类似的结构,因而将省略它们的详细描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本申请的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本申请的技术方案而没有所述特定细节中的一个或更多,或者可以采用其它的方法、元件等。在其它情况下,不详细示出或描述公知结构、方法或者操作以避免模糊本申请的各方面。
在根据本申请的用于检测位于电池极片边缘处的毛刺的方法、设备和计算机存储介质以及相关的系统中,电池极片边缘处的毛刺一般指电池极片被切割后仍然残留在电池极片的切面、断面或剖面上的电池极片剩余部分。这些仍然连接在电池极片边缘上的剩余部分形状不规则,并且相比电池极片的主体体积微小,例如可以被称为毛刺。在下文中,以毛刺为示例介绍本申请的方案,但是本领域技术人员应当理解,本申请的方案可以应用于毛刺形状之外的其他各种类型的位于电池极片边缘处的不规则微小结构,其具有与电池极片主体相同的材质,通过切割、摩擦等方式形成。本文中的电池极片可以包括电池极片中的箔片。本领域技术人员可以理解,本申请所提出的电池极片边缘的毛刺检测的方案可以适用于任何通过切割操作产生特定形状的材料和对象。通常来说,具有可检测的毛刺的经切割材料可以被认为是具有缺陷的材料,例如具有可检测的毛刺的电池极片会被认为不符合产品规范。
在本申请的示例中,通过包括不同放大倍率的显微镜的成像装置获取的电池极片边缘的显微数字图像来识别毛刺。毛刺可以是凸起,也可以是凹陷,或者是其他不规则的具有曲面或多平面的形状和/或外表面。但是,本领域技术人员可以想到,本申请的检测方案可以应用于其他存在这种毛刺的电池极片边缘的数字图像而不仅仅是显微图像。
在本文中,所使用的数字图像中包括可以被检测和识别的电池极片边缘的切面、断面或剖面,但是不包括物体和电池极片的表面图像区域,即本申请的方案一般不适用于物体和电池极片的表面(特别是光滑表面)的图像。其原因在于,电池极片表面没有电池极片主体与其他电池极片或介质之间的明显分界线或区域,即二者的边缘部分。在本申请的示例性实施例中,以电池极片与空气之间的界面(即边缘)为例介绍毛刺的检测方案。但是,本领域技术人员应当理解,只要满足具有待识别的毛刺的电池极片与和其接触的介质或其他材料之间存在明显的分界线以形成边缘区域,都可以应用本申请的用于检测材料边缘处的毛刺的方案。因此,可以将应用场景扩展到两种不同的电池极片或电池极片与除空气之外的其他介质(例如气体、液体)之间的分界线、接合面或切面等形式的边缘部分中的毛刺识别,只要这两种电池极片或电池极片与介质之间存在由于材料特征或表面特征之间的可识别差异导致的明显分界线。在下文中,在图像中与所检测或识别的电池极片的主体以及毛刺不同的其他介质或电池极片的对应图像部分可以被称为图像中的背景。
如上文所述,人工智能(AI)和模式识别两种方式可用于对图像中的对象进行检测和处理,在具备良好前期准备的前提下,具有准确度较高和效果较好的特点。在本申请的方案中不采用这些方案,主要考量以下几个方面:
首先是减少计算资源消耗的检测和识别方案的需求。AI和模式识别的准确度依赖于训练样本数据与被检测样本数据的相似性,或者说训练样本数据是否包含被检测样本数据的关注特征。以AI进行图像识别往往使用卷积计算,其运算量非常大。此外AI算法需要的输入图片一般尺寸固定,这样对于高分辨率的大尺寸图像来说,当将图像降低到运算量可接受的尺寸时导致AI模型难以准确识别到毛刺,而对图像进行分片计算则会成倍增加运算量。因此,本申请提出的毛刺检测方案对于输入图片的尺寸在原则上没有限制。对于大尺寸、高分辨率和高清晰度的图像,本申请的方案可以根据识别率需求来调整图像的分辨率而不是基于算法本身的限制,即使处理大图像其增加的运算量也只是线性增加,显然比AI方案对于计算量的需求更低。
其次,是可以减少优化模型(例如神经网络或模式识别模型)所需的大量输入数据的需求。AI方案和模式识别的对象检测和识别的准确度高度依赖于数据量,因为它们需要从大量数据中提取所关注的对象特征的更有代表性的信息。
第三,在毛刺的检测和识别过程中需要支持随时人工介入。AI算法和传统的模式识别算法通常是全自动化的流程,一般不支持在识别过程期间进行人工介入。例如,AI计算的人工干预,往往是在训练阶段的调参操作,而在模型训练优化完成上线使用时,可以调整的参数不多。如果在实际生产环境中需要实时对参数进行调整,本申请所述的方案相较于AI可以更便捷地介入过程并进行参数调整,参数调整的效果也更加可控,而AI的调参操作根据模型不同而可能会发生牵一发而动全身的负面效果。在此,人工干预只是描述存在人工干预可能性下的方案支持,在实际使用中,本申请的方案通常在部署阶段根据不同用户的要求进行微调,在模型上线后可以尽量减少或无需人工干预。另外,本申请的方案可以找到多个电池极片与其他电池极片或介质之间的分界线或边缘上的毛刺。但是,对多条电池极片进行检测和识别任务时,一般在一次检测和识别过程中识别一条电池极片与其他电池极片或介质之间的边缘。如果多条电池极片出现在同一个图像中,例如在显微镜的同一个视场范围内由图像传感器检测到多条电池极片的边缘,本申请的方案可以进行多次检测和识别,或者由人工选择识别哪一条电池极片的边缘。
方案的快捷可用也可以称为“开箱可用”,是指本申请所提出的检测和识别方案从人眼识别电池极片边缘的毛刺的方案出发,寻找高于电池极片与其他电池极片或介质之间的分界线的诸如凸起的毛刺,所以在理论上可以适应于自动地检测和识别各种毛刺类型的毛刺,实现电池极片边缘的毛刺的自动化检测和识别任务。
下面,结合图1所示的用于检测位于电池极片的边缘处的毛刺的系统的示例性操作流程介绍本申请的检测和识别方案。
该操作流程例如可以在具有软件控制的可移动机台(例如电动机台)、具有不同倍率的光学单元和图像传感器的成像装置上实施。光学单元至少包括高倍率光学单元和低倍率光学单元,例如高倍率透镜或显微镜以及低倍率透镜或显微镜。图像传感器例如可以是数字照相机或数字摄像机,优选是能够获取电池极片的边缘处的可见光的彩色图像或灰度/黑白图像的图像传感器。图像传感器和光学单元相对于可移动机台的位置固定,可以通过机台的位置变化确定图像传感器和光学单元的位置变化。图像传感器可以拍摄电池极片的切面图像。在下文中,以显微镜和照相机为例介绍本申请的方案。
切面也可以称为剖面或断面,在下文中统一称为剖面。剖面在图像中的存在放置方向和延伸方向之分。所检测的电池极片通常以摊开(flatwise)的方式放置或固定在可移动机台上。以摊开方式水平摆放在可移动机台上并且延展方向与机台的平面底座一致的放置方向称为水平放置。水平放置时,可以认为剖面在电池极片与平面底座接触的表面以及相对的另一表面(两个表面在剖面中以边或边缘的形式呈现),电池极片的主体在两个表面之间的侧面(侧面也以边或边缘的形式呈现)上存在毛刺,因此需要识别电池极片(主体)的一侧的边缘上的毛刺。如果所检测的电池极片不是以摊开的方式放置在可移动机台的底座上而是摊开后垂直(或直立地)放置在底座上,从显微镜和照相机方向看上去,在图像中存在与电池极片的剖面垂直的两个表面(在剖面中以边或边缘的形式呈现),则需要对分别与其他介质或电池极片呈现分界线的两侧的边缘进行毛刺检测。因此,水平放置的电池极片需要检测电池极片主体的一侧的边缘上的毛刺,垂直放置的电池极片需要检测电池极片主体的双侧边缘上的毛刺,二者检测的边缘范围不同。
在水平放置和垂直放置方式中,分别存在电池极片的剖面以不同的方向延伸的情况。如果在图像中,电池极片的剖面以水平方向延伸,则称为电池极片在图像中以水平方向延伸。反之,如果在图像中电池极片的剖面以垂直(竖直)方向延伸,则称为电池极片在图像中以垂直方向延伸。实际获取的图像中,电池极片的剖面可能以与水平或垂直方向呈一定偏转角度延伸。如果照相机获取的图像中为电池极片剖面以垂直放置并且以水平方向延伸,则可以称该图像为垂直放置并以水平方向延伸的电池极片剖面的边缘图像;类似的,如果照相机获取的图像中为电池极片剖面以水平放置并且以垂直方向延伸,则可以称该图像为水平方向放置并以垂直方向延伸的电池极片剖面的边缘图像。
流程首先在110设置模板数据。模板数据包括各种电池极片的形状数据(形状和尺寸)以及电池极片在可移动机台上的放置位置。放置位置数据通常为具有包括x,y和z轴坐标的三维位置坐标(x,y,z)。x轴坐标和y轴坐标分别表示照相机通过显微镜对电池极片的边缘准确对焦而拍摄的图像所在的成像平面上的横坐标和纵坐标(x和y轴坐标结合可以构成平面内的二维位置坐标),对应于成像平面内的宽度和高度。z轴坐标为用于度量垂直于该成像平面的深度的深度坐标,对应于与成像平面的对焦距离相关的对焦参数。由于显微镜与照相机相对于可移动机台的位置是可以准确计算或测量的,因此通过电池极片的放置位置可以换算出电池极片相对于显微镜和照相机的准确位置。模板数据还可以包括低倍率和高倍率光学单元的成像倍率,即高倍率和低倍率显微镜的放大倍率,光学单元的视场范围,用于对在电池极片边缘上的每个待检测点进行准确对焦的对焦参数,以及图像传感器的感测系数,例如照相机的拍摄分辨率、曝光参数等。其中,光学单元(例如显微镜)的视场范围通常不小于图像传感器通过光学单元拍摄的电池极片边缘的图片所能覆盖的图像范围,因此在本文中的光学单元和/或图像传感器的视场范围一般指图像传感器经由光学单元获取的具有电池极片边缘的图像所覆盖的视场范围。当视场范围为矩形时,可以用视场宽度和视场高度表征该视场范围,视场宽度和高度采用上文中的x轴坐标和y轴坐标的坐标值计算和表示。模板数据在后续实际检测过程中可以被系统直接调用。
设置完模板后,系统在120中进行位置校准操作。
首先,系统在121加载模板数据。显微镜的视场范围(视场宽度和高度)可以采用照相机通过显微镜每次拍摄的包括电池极片边缘的至少一部分的图像位于包含全部电池极片(以及电池极片边缘)的全景图像中的位置来定位。例如,如果需要检测的区域的全景图像是矩形,则矩形全景图像在宽度和高度上可以分别具有m和n个照相机和/或显微镜的视场宽度和视场高度,其中m和n为大于或等于1的正整数,即全景图像在宽度和高度上分别需要m和n个拍摄图像进行拼接获得。根据电池极片在可移动机台上的放置位置,可以确定与电池极片边缘相关的所有需要检测的区域中需要检测的点(在下文中称为待检测点)的位置数据。根据电池极片在可移动机台上的放置方向可以在电池极片上选择相应数量的顶点限定拍摄区域。当电池极片水平放置在机台上时,视场范围内仅包含电池极片主体的一侧的边缘,所以,单次仅需关注电池极片主体的一侧的边缘,基于电池极片边缘上的四个顶点可以确定需要检测的区域,即每次只能检测两个相邻顶点之间的电池极片边缘(边)。根据本申请的实施例,通常检测较长的两个平行边,即上文中电池极片与平面底座接触的表面以及相对的另一表面所对应的两条边所限定的边缘区域或范围。当电池极片垂直放置在机台上时,视场范围内通常包含电池极片主体的两侧的边缘,即电池极片与介质或其他电池极片存在两个分界线,只需要分别限定电池极片的两端的两个顶点(例如,可以取电池极片剖面的中线作为两个顶点的连线),即总共两个顶点限定需要检测的区域。拍摄区域可以使用该区域内的所有位置的平面二维坐标T(x,y)的集合表示。拍摄区域的全景图像可以通过照相机多次拍摄并拼接形成。如果需要照相机多次拍摄,则通过可移动机台与显微镜和/或照相机的相对移动,使得照相机从包括电池极片边缘上的一个顶点的视场移动到包括另一个顶点的视场(水平放置的电池极片的边缘)或从包括一个顶点的视场移动到分别包括其他三个顶点的视场(垂直方式的电池极片的边缘)以拍摄电池极片边缘的多个图像。例如,从电池极片的顶点v1移动到v2,可移动机台每次相对于照相机(和显微镜)移动视场范围(例如,在x轴的水平方向上移动视场宽度一定距离和/或与y轴的在垂直方向上移动视场高度一定距离)。相邻两次拍摄所获取的图像之间存在重叠部分,即在水平方向上移动的距离小于视场宽度和/或在垂直方向上移动的距离小于视场高度。例如,每次可移动机台(相当于显微镜和照相机)移动视场范围的80%,即照相机在移动前后拍摄的相邻图像之间有80%的视场范围的面积发生变化,则相邻两个图像之间存在100%-80%=20%的视场范围面积的重叠部分。在这里,设定具有一定尺寸(比例)和范围的重叠部分不仅便于将每次拍摄的图像拼接为全景图像,而且可以避免在两次移动过程前后拍摄图片时,漏掉在视场范围边缘的毛刺。一般来说,光学单元的视场范围中心处的成像质量最好,视场范围边缘处的成像质量会差一些。如果成像装置性能参数不佳,则在其视场范围的边缘部分的电池极片的图像甚至会出现模糊等情况。因此,相邻两次拍摄的图像的视场范围需要有一定大小或比例的重叠部分,使得每部分电池极片边缘所在区域都可以存在通过光学单元的视场范围中心位置拍摄的图像。
经过上述操作,可以通过顶点的二维位置(例如V(x,y))或三维位置(例如V(x,y,z))获取所有待检测点的以坐标T(x,y)表示的二维位置123的集合,其中计算待检测点的坐标T(x,y)时主要使用顶点的二维位置坐标V(x,y)。同样,从模板数据中可以得到成像装置的成像参数124,例如高、低倍显微镜的放大倍率,照相机/显微镜的视场宽度和高度、拍摄分辨率和曝光参数等感测参数。
对与电池极片的边缘相关联的拍摄区域中的所有待检测点T(x,y)进行准确对焦和拍摄以获取对应的图像,还需要待检测点T(x,y)的三维位置坐标数据T(x,y,z),特别是待检测点T的z轴坐标数据。可以通过在电池极片上设置若干个以三维位置坐标R(x,y,z)表示的预设参考点构成参考点集合,通过参考点的三维位置坐标122计算所有待检测点的三维位置坐标126。上文中的顶点V实际上也可以视为一种特定的参考点。在本文中,参考点的三维位置坐标R(x,y,z)中的z轴坐标数据同样表征垂直于该成像平面的深度,对应于照相机准确对焦参考点时与成像平面的对焦距离相关的对焦参数。通过使用显微镜和照相机自动对焦参考点,可以记录每个参考点的z轴坐标数据。在使用照相机拍摄包括待检测点T(x,y)的集合的图像时,可以找到参考点集合中在同一二维成像平面上与待检测点T(x,y)最接近的两个或更多个参考点,基于这些参考点的三维位置坐标122,特别是z轴坐标数据估算待检测点T(x,y)的z轴坐标数据以得到待检测点的三维位置数据126,即T(x,y,z)。
估算待检测点T的z轴坐标数据可以采用如下估算方法:考虑到电池极片的形状一般是矩形,所以两个参考点之间的待检测点被近似认为位于这两个参考点的连接线上,在不考虑三角关系的情况下,可以利用空间共线的点之间的位置关系。例如,首先假设需要估算z轴坐标数据的待检测点T(x,y)在二维平面(二维成像平面)中位于两个最近的参考点R1(x1,y1,z1)的三维空间连线在该二维平面中的二维投影上。取得与所投影位置对应的空间连线上的对应三维空间位置的z轴坐标数据,作为待估算z轴坐标数据的待检测点T的z轴坐标数据。例如,对于三维空间位置坐标为R1(x1,y1,z1)和R2(x2,y2,z2)的两个参考点,如果待检测点T(x,y)位于R1和R2的空间连线在二维成像平面xy上的投影线段的中点,即x=(x1+x2)/2,y=(y1+y2)/2,则待检测点T的三维空间位置应当位于R1和R2的空间连线的中点处,该中点的z轴坐标为z=(z1+z2)/2,即估算得到待检测点T(x,y)的z轴坐标数据从而获得待检测点T的三维位置坐标126。
在将电池极片放置在可移动机台上时,由于人工摆放待检测的电池极片导致电池极片与预设的放置位置存在偏差或倾斜。需要对参考点R的三维位置数据122和估算出的待检测点T的三维位置数据进一步进行校准,以消除摆放电池极片时产生的位置偏差。位置偏差可以分为平移偏差和旋转偏差。一般来说,放置到可移动机台上的电池极片的位置偏差主要包括二维平面内的(水平)偏移量和(水平)偏转量/偏转角,即待检测点T和参考点R的位置偏差主要涉及在xy轴坐标平面内的x轴坐标和y轴坐标上的偏差。对位置偏差的校准可以针对在低倍率显微镜下由照相机拍摄的图像中所记录的待检测点T和参考点R的位置坐标数据进行,即针对T(x,y,z)和R(x,y,z)进行,或者说,针对T(x,y)和R(x,y)进行。
首先,将照相机的视场范围移动到包括一个参考点R(例如,顶点V1)的预设位置,参见图11中图像1001中的顶点1101。在视场范围中,找到该顶点V1的实际位置V1’(大致在图像1001的中间偏上的位置),通过V1’与顶点V1的预设位置V0之间在二维成像平面中的水平偏移量得到电池极片放置的水平偏移量o(x,y)。移动该顶点V1 1101的位置到如图像1002中所示的位于视场范围中心位置处。顶点V1 1101被移动到最终的位置,即图像1003中的左侧的预设位置V0。由此,得到顶点V1从实际位置V1’移动到预设位置V0的水平偏移校准路径。从V1’到V0的水平平移过程相当于校正了电池极片在可移动机台上的放置位置的水平偏移量,其中顶点V1(也是参考点R)的三维位置数据从V1’(x’,y’,z)移动到V0(x,y,z),即参考点R从R’(x’,y’,z)移动到R0(x,y,z)。水平偏移量可以直接校正整个电池极片的放置位置,z轴坐标实际上是通过上文中基于参考点R(x,y,z)估算T(x,y,z)完成的。由于电池极片是刚性的,因此不需要对所有的参考点(例如顶点)计算参考点坐标R(x,y,z)的水平偏移量。基于矩形电池极片的外形,一个或少量的参考点(例如顶点)的水平偏移量可以应用于所有待检测点和参考点的水平偏移量的校准。
在x轴方向上移动半个视场范围,使得电池极片在水平方向上至少占据大部分的视场范围,如图像1003中所示,可以开始进行水平偏转角的校准与测量。校准水平偏转量/水平偏转角的目的在于使电池极片的切面(剖面或断面)处于视场范围或图像中的水平方向上。虽然在理论上可以将视场范围或拍摄的图像水平旋转到处于垂直方向上,但是实际上会在旋转校准时设置一个最大的水平偏转角。由于电池极片被固定地摆放在可移动机台上使得水平偏转角仅仅是因为人工操作的偏差导致,所以实际生产过程中不会出现水平偏转角太大的情况。从另外的角度来看,90°的偏转角在实际生产中不会出现的原因是在理论上来说,矩形被水平偏转90°后仍然可以视为长度和宽度对调后的平放矩形。但是长宽对调后的矩形可能超出模板设置的范围,所以对于矩形可以设置的实际水平偏转角的值的范围为[-45°,45°]。超过45°的水平偏转角可以等价于反向超过-45°的偏转角,例如50°其实等价于-40°。
获得了电池极片在二维平面内的包括水平偏移量和水平偏转量/偏转角的位置误差后,可以获得用于校准参考点R的三维位置信息122和待检测点T的三维位置信息126的位置校准信息125。通过先进行水平平移,再进行水平旋转的方式校准参考点R和待检测点T,获得新的三维位置坐标数据R’和T’。
参考点R与待检测点T的二维位置坐标(x,y)的校准公式可以表示为:(x’,y’)=rotate((x,y)+o(x,y),V1’,β)。其中,首先对参考点R(x,y)应用基于顶点V1获得的水平偏移量o(x,y)将参考点集合R与待检测点集合T进行水平偏移校准。然后,以顶点的实际位置V1’(x,y)为圆心,以上文中确定的水平偏转角(记为β)为水平校准偏转角,计算出R和T的新坐标集合R’(x’,y’)与T’(x’,y’)。相应地,得到经过校准的参考点的经校准三维坐标数据R’(x’,y’,z)和待检测点的经校准三维坐标数据T’(x’,y’,z)。基于待检测点的经校准三维坐标数据T’(x’,y’,z),可以确定成像装置用于拍摄电池极片边缘的图像中的待检测点时的经校准的对焦参数127。
接下来,系统执行低倍镜毛刺检测操作130。
基于来自校准操作120的模板数据,位置校准信息,经过校准的待检测点的三维位置数据126,经过校准的参考点(例如顶点)的三维位置数据125,成像参数124,和/或经过校准的待检测点的对焦参数127,系统将成像装置切换到低倍率显微镜,照相机从某个顶点V或者参考点R开始,循环获取经过校准的待检测点的三维位置数据T’(x’,y’,z)以确定每次需要将显微镜或照相机的视场范围移动到的位置,并基于所确定的视场范围的位置控制可移动机台的移动,如操作131所示。在移动视场范围的过程中,两个相邻视场范围之间应当具有重叠区域。
在每次移动视场范围后,照相机获取包括电池极片的边缘的一部分区域中的所有待检测点的第一图像,如操作132所示。由于低倍率显微镜的解析度和清晰度相对较低而视场范围较大,因此可以拍摄较少数量的第一图像就可以覆盖与电池极片边缘相关联的整个待获取区域,实现较快的毛刺识别速度。基于所拍摄的第一图像,系统在操作133中执行对毛刺的识别算法以检测第一图像中的毛刺。所检测和识别出的毛刺信息(例如包括毛刺的候选位置信息burr(x,y,z))可以在操作134处被记录下来作为候选(位置)信息以供后续操作使用。毛刺信息不仅可以包括毛刺的位置信息,还可以包括毛刺的数量、尺寸、置信度等。
检测完当前拍摄的第一图像后,系统在判断135中判断是否已经检测完涉及电池极片的边缘的所有需要检测的区域和/或待检测点。如果存在没有被检测到的区域(即判断135的结果为“否”),系统重新执行移动视场的操作131。判断是否存在需要检测的区域可以通过判断在校准步骤120中所确定的待检测点的三维位置数据T’的集合中的所有位置是否都被照相机的视图范围覆盖来完成。如果所有需要检测的区域都已经被检测和识别(即判断135的结果为“是”),系统进入下一个高倍镜毛刺检测操作140(在下文中介绍)。
下面详细介绍根据本申请的实施例所提出的检测和识别毛刺的算法过程。
算法过程首先需要对所拍摄的图像进行预处理操作以去除图像中的干扰,然后分析被转换为灰度图像的图像、经边缘检测后的图像、经形态学处理后的图像等不同状态的图像。通过分析,基于在图像或成像区域中的x轴(宽度或水平方向)和y轴方向(高度或垂直/竖直方向)上的图像相关量的信号强度来检测和识别电池极片边缘位置,特别是电池极片主体的区域和毛刺所在的位置。在例如通过从图像中提取电池极片主体以及与电池极片主体相连并且凸起于主体的图形(通常与毛刺对应)以及与电池极片的主体不相连的其他图像部分和背景部分来检测出可能的毛刺位置(即毛刺的候选位置)后,可以对所检测的毛刺位置进行筛选,输出毛刺的检测结果。
算法首先获取由照相机通过显微镜采集的包括电池极片的边缘的至少一部分的图像。
图2中示出使用照相机通过显微镜所采集的电池极片边缘的示例性图像,其中电池极片剖面以水平方向延伸,形成电池极片与空气介质之间的分界线,即边缘201。边缘201上存在明显的毛刺202。图3中则是在电池极片边缘的图像中使用本申请实施例提出的检测和识别算法来识别并标注毛刺的检测结果的示例性图像。其中,同样是与图2类似的以水平方向延伸的电池极片剖面上的边缘301中检测到毛刺302,并且在图像中标记了该毛刺302的信息303。信息303例如可以包括毛刺的位置、尺寸、数量和置信度等,例如在图3中所标记的毛刺302还包括置信度值。置信度值可以用于指示识别出的位置处存在毛刺的概率或可能性以判断该位置是否存在真正的毛刺。
下面将结合图4至图7介绍毛刺的识别算法的具体细节。
首先,对从照相机获取的原始图像(记为Original,例如在低倍镜毛刺检测操作130中为第一图像)进行预处理。预处理可以包括调整图像的分辨率,基于原始图像生成灰度图像(记为Gray),在灰度图像中检测电池极片的边缘以生成边缘检测图像(记为Canny),以及基于边缘检测图像进行形态学的闭操作得到形态学图像(记为Close)。如果原始图像是彩色图像,一般需要将图像转换为灰度图像。在灰度图像的基础上,对图像进行边缘检测以获得边缘检测图像。
图4示出经过灰度处理和边缘检测的边缘检测图像,可以看到电池极片的剖面经过处理后产生的纹理401,其中402为毛刺。在电池极片的主体区域以外的图像区域403只包含较少的图像信息。
图像的预处理还包括基于边缘检测图像进行形态学的闭操作得到形态学图像。
对图像的形态学操作可以包括开操作与闭操作。在这里,应用形态学操作的图像主要是二值图像。假设存在图像模板A和B,用模板B对A进行形态学操作。开操作表示任意满足如果模板B属于模板A,则模板B就被输出的条件的操作。从开操作的处理结果中可以看出,原有图像形状中的中间连接的部分被“打开”了,而且四周的角也圆润了。因此开操作的目的在于把狭长的图像区域断开,把有外凸角的地方变得圆滑。开操作可以平滑图像轮廓,断开较窄的狭颈并消除细小的突出部分。开操作是腐蚀和膨胀的组合处理结果,即先用图像模板B腐蚀模板A,再用B膨胀之前所得的结果。与此相对的是,闭操作得到的轮廓好像是用模板B在模板A外部滚过一圈一样。对于图像模板中间的裂缝区域,由于模板B掉不下去,因此得到的轮廓闭合。经过闭操作后的模板A的孔洞、内角等位置被磨平,就像把进不去的位置合上。闭操作用于平滑图像模板的轮廓,但与开操作相反,闭操作可以弥合较窄的间断和细长的沟壑,这也是将其称为闭操作的原因,即消除小的图像模板空洞并填补轮廓线中的断裂。闭操作是先膨胀后腐蚀的结果。应当理解,对于相同的一对图像模板,开操作和闭操作是对偶的。
从图5中可以看到在经过形态学闭操作生成的形态学图像中,电池极片本身已经基本被完整填充,因此可以识别出电池极片的主体部分。在本申请中,形态学的闭操作主要用于识别电池极片的主体部分,以便于将电池极片之外的图像部分(包括由其他介质或电池极片构成的背景,以及与电池极片主体不相连的独立小型封闭区域,例如干扰)中的像素点的信息排除。排除这些电池极片之外的图像部分构成的背景以及与主体不相连的图像部分后,所保留的图像部分则包括主体以及由与主体相连并且凸起于主体的图形所指示的毛刺。排除的操作可以包括对这些需要排除的图像部分进行标记以便在后续操作中忽略这些图像部分,或者直接在图像中移除这些图像部分。在进行闭操作后,图像中包含更多纹理的电池极片(主体)部分会愈发明显,甚至完全被填充。而孤立于由最大闭合区域表示的电池极片主体的小型封闭区域可以被视为噪声或者光路上的脏污而被直接消除掉。在图5中,除了占据上半部分视场范围的电池极片主体,下面的剩余图像部分为空气或其他电池极片或非电池极片介质。
预处理操作中,调整图像的分辨率是可选的,用于提高图像的检测和识别速度。图像的预处理操作还可以包括在边缘检测过程中进一步对图像进行二值化处理。
经过对图像进行预处理后,算法继续识别电池极片主体。对电池极片主体的识别包括确定图像中的电池极片主体的延伸方向以及确定电池极片主体的范围。
在图5所示的形态学图像中,可以选取像素点的灰度作为信号特征。由于图像的预处理过程已经将彩色图像转换为灰度图像,以采用8bit色深的灰度图像举例,像素点的灰度值一般在0至255之间。如果在生成边缘检测图像的过程中进一步进行了二值化处理,则像素点不存在灰度值而是诸如0或1的信号特征值,即图像中的像素点非黑即白。通常可以将电池极片所包括的区域和部分处理为白(1值),其他介质或电池极片的区域为黑(0值)。
可以在图像的水平方向(视场范围的宽度方向或x轴方向)和垂直方向(视场范围的高度方向或y轴方向)上计算每行像素点以及每列像素点的信号特征的平均强度以得到信号特征的平均值的行直方图(记为m(x))与列直方图(记作m(y))。然后求出行直方图的标准差(记作s(x))和列直方图的标准差(记作s(y))。以灰度值作为信号特征为例,基于存在明显分界线或边缘的前提条件,图像中的电池极片主体区域中的像素点的灰度值一般与诸如空气的其他介质或电池极片明显不同。根据照相机成像原理,例如空气的其他介质或非电池极片主体部分的图像区域中的像素点应当相比电池极片主体部分更暗或更亮,而电池极片主体部分的图像区域中的像素点的灰度值应当绝大多数位于某个灰度值范围内。使用像素点所代表的物质(电池极片、介质和非电池极片)的灰度值的平均值而不是个体值可以排除电池极片或空气中的不均匀情况的干扰。标准差可以表示灰度值的差异程度(即图像中的物质对应图像区域的不均匀程度)。标准差高说明存在不同的物质(电池极片、介质和非电池极片)的可能性更高。行标准差不均匀,说明在垂直方向上存在不同物质,则电池极片主体和边缘在水平方向上延伸;列标准差则对应于在水平方向上存在不同物质,电池极片主体和边缘在垂直方向上延伸。因此,可以根据形态学图像中的像素点的信号特征(例如灰度值)在图像中的水平方向和垂直方向上的特征值的差异程度来确定电池极片主体的延伸方向。例如,若行标准差s(x)相比列标准差s(y)更大,则电池极片主体部分为沿水平方向延伸,否则若列标准差s(y)比行标准差s(x)更大,则电池极片主体部分为沿垂直方向延伸。例如,图5中在框501处存在较大的行标准差s(x),因此可以判断电池极片主体以水平方向延伸。而图9中的电池极片主体可以被确定为沿垂直方向延伸。
下文中以水平方向延伸的电池极片主体为例进行说明在电池极片主体相对于其标准延伸方向(沿水平或垂直方向延伸)具有偏转角时的校正。其中,函数s(x)或s(y)表示对图像中的像素点以x轴方向(相同y坐标值)或y轴方向(相同x坐标值)先计算信号特征的平均值(平均强度),然后再计算各列(不同x轴)之间和各行(不同y轴)之间的信号特征的平均值的标准差。
为了更准确地识别电池极片主体以及边缘,需要识别并消除在图像(例如形态学图像)中电池极片主体的延伸方向相对于基准水平方向或垂直方向的可能存在的偏转角。在下文以水平方向作为基准方向为例介绍识别偏转角的方法。根据本申请的实施例,可以记录信号特征的行直方图的标准差(记为S0),以图像中心为圆心,分别以顺时针和逆时针方向将图像旋转一个较小的角度a(例如,0.02弧度),将进行角度a的旋转记作函数r(a)。分别对以顺时针和逆时针方向旋转后的图像再次计算信号特征的行直方图的标准差,记为S1(顺时针旋转)和S2(逆时针旋转)。可以得到三个标准差S0,S1和S2的大小关系:
S0>=S1以及S0>=S2,表示旋转前的图像中的电池极片主体不存在偏转,不需要进一步处理;
S1>S0>S2:表示旋转前的图像中的电池极片主体存在逆时针方向的偏转,需要向顺时针方向修正旋转前的图像;
S2>S0>S1:表示旋转前的图像中的电池极片主体存在顺时针方向的偏转,需要向逆时针方向修正旋转前的图像。
如果经过旋转后的图像的相应标准差S变大,说明在该旋转后的图像上存在相比旋转前的图像更明显的物质差异。当图像存在相对于水平方向(垂直方向)的偏转角,并且已知图像内的一部分是一个规则的矩形(电池极片主体),那么当分界线/边缘为水平或垂直方向延伸时,该分界线或边缘就像一个悬崖。当存在相对于水平方向或垂直方向的倾角时存在坡度,使得从包括介质或其他电池极片或非电池极片的背景图像区域到电池极片主体的图像区域存在过渡图像部分。信号特征的行、列直方图的平均值的标准差可以反应这种倾斜度的陡峭程度,其中标准差越大说明越陡峭。例如,对于S1>S0>S2的情况,在顺时针方向上旋转可以更快达到更明显的物质差异状态,即达到最大的行或列标准差,则从顺时针方向比从逆时针方向旋转可以更快找到电池极片主体或边缘基本上沿水平或垂直方向延伸的状态。
如果确定旋转前的图像存在需要修正的偏转角,则需要从旋转前的图像开始,向修正方向不断旋转一个极小的角度a’(可根据精度要求决定每次修正的角度大小)。如果值S(r(a’).x)>S(r(0).x),则需要继续偏转a’角度(弧度),然后再次判断S(r(2*a’).x)>S(r(a’).x)是否成立。其中S(r(a).x)表示针对行直方图计算旋转了角度a后的标准差S。不断循环上述偏转和判断过程,直到第n次循环中的值S(r(n*a’).x)<=S(r((n-1)*a’).x)时,退出循环,得到偏转角θ=(n-1)*a’。
获得偏转角θ后,可以对灰度图像Gray、边缘检测图像Canny和形态学图像Close分别旋转r(-θ),得到经过偏转角校正后的灰度图像Gray’,边缘检测图像Canny’和形态学图像Close’。
在进行形态学操作得到形态学图像后,已经将图像中的电池极片主体和其他部分划分为其内部像素点的信号特征各自相对均匀的两个部分(在只有一个电池极片主体的情况下,划分为电池极片主体部分和背景部分)或更多个部分(例如,分别具有多个电池极片主体的情况下)。将他们对应到灰度图像中,就是灰度值各自均匀分布的两个部分或多个部分。
为了获得更准确的电池极片主体的范围,可以在灰度图像,边缘检测图像和形态学图像中的至少一个中,沿图像的边缘(例如两侧边缘)到图像中心的方向上,扫描信号特征的平均值。将平均值与预先设置的信号特征阈值或信号特征阈值范围进行比较,从而确定主体的范围。例如,以经偏转角校正的形态学图像Close’的行直方图的均值m(Close’.x)从图像两侧边缘向中心扫描,得到一个大于阈值的m值区间[min,max],则该区域涵盖的y轴坐标指示了电池极片主体的范围。以行直方图的均值在水平两侧边缘扫描水平方向延伸的电池极片主体,而以列直方图的均值m(Close’.y)可以在上下两侧边缘扫描垂直方向延伸的电池极片主体。
识别出电池极片的主体后,算法进行毛刺的检测和识别。例如,在形态学图像中,记录下所识别的电池极片的主体部分的位置,然后在图像中擦除电池极片主体并寻找图像中剩余的封闭图形。如图6中所示,将形态学图像的上部的电池极片主体擦除。在擦除电池极片主体以寻找剩余封闭图形的同时,还可以筛选掉和电池极片的主体部分不相连的任何图形。在图6中,除了毛刺602之外,图像还包括没有被筛选掉的图形603。而在图7中,已经擦除掉与主体部分不相连或相交的图形603,仅剩下待识别的毛刺602。经过移除电池极片主体和与主体不相连的图形,剩下的与主体相连并且凸起于主体的封闭图形即可能是毛刺的候选图形,该图形所在的位置被选择为毛刺的候选位置,同时也可以记录下该图形的尺寸等其他信息。在图15中示出在图像中标注所识别出的主体以及与主体相连并且凸起于主体的图形(即毛刺),其中图形1501为可能的毛刺。可以看到,毛刺图形1501与由灰色轮廓1502指示的主体范围中的主体相连并且凸出于主体,在主体的范围之外的图像部分中与毛刺图形1501不同的图形就是如在图7中示出的被识别或擦除掉的与主体不相连或相交的图形。
在擦除主体之前可以移除所有与电池极片主体不相连的独立闭合区域,这些闭合形状或区域不属于位于电池极片边缘的毛刺,因此这种移除相当于消除对毛刺识别的干扰。在识别毛刺时,对电池极片主体区域的擦除一般是必须的,因为主体被擦除后,与主体相连并且相对于主体的凸起等毛刺形状或结构将成为独立的闭合区域而更便于识别。由于擦除主体之前已经移除干扰,则剩下的独立闭合区域应当是候选的毛刺,可以进一步对毛刺进行识别和筛选。
应注意的是,电池极片通常有两种放置方式,使得电池极片剖面的图像存在一侧需要检测的边缘或者存在两侧需要检测的边缘。如图4,电池极片主体为水平放置,视场范围内仅需检测电池极片主体的一侧的边缘上的毛刺,而图8至图10的电池极片主体为垂直放置,在视场范围内需要检测两侧的边缘上的毛刺。本申请所提出的检测和识别毛刺的算法可以直接适用于这两种情况。例如,如果在视场范围内,只能识别到电池极片主体的一侧边缘,则可判定电池极片是水平放置;否则电池极片主体区域位于图像的中部并且存在与介质或其他电池极片之间的两个分界线或边缘(即具有电池极片主体的两侧的边缘),可以判断电池极片是垂直放置。
在获得毛刺的候选位置之后,可以对候选位置进行筛选。
筛选可以包括判断识别出毛刺是单个毛刺还是多个单毛刺组成的多毛刺区域。如果候选位置为p的毛刺包含多个凸起结构,应该将该候选位置的毛刺根据凸起和凹陷的位置拆分为对应于多个单个小毛刺的多个候选位置。对于毛刺的凸起和凹陷结构的判断可以对图像中的该毛刺范围内的像素点的信号特征的行直方图的平均值m(p.x)或列直方图的平均值m(p.y)进行扫描,查找m值的波峰与波谷来判断。波峰的个数对应于凸起的个数,波谷的个数对应于凹陷的个数。行直方图的平均值m(p.x)的扫描过程可以找到水平方向上的凸起或凹陷,列直方图的平均值m(p.y)的扫描过程可以找到垂直方向上凸起或凹陷。具有多个凸起和凹陷的毛刺可以被分割为不再具有多个凸起或凹陷的单个小毛刺。
此外,对于毛刺的候选位置的筛选包括但不限于毛刺的尺寸(例如最小尺寸)、形状(例如长宽比例)、置信度、诸如在灰度图中的毛刺区域与图像中其他图像区域部分的差别(例如灰度图中的灰度值的平均值/标准差的差异)等。另外,由于电池极片可能存在局部弯曲或凹陷,因此在检测到毛刺的候选位置后,应在原始图片中朝向电池极片主体的方向搜索到电池极片主体与背景区域的实际分界线。实际分界线需要针对每个毛刺单独地在灰度图中判断,因为电池极片边缘并不一定绝对平整,例如边缘可能大体在一条直线上,也可能在某个部分整体凹陷或有一些弧度。
尽管上文中以灰度图像或二值化的形态学图像为例介绍毛刺识别算法,但是本领域技术人员可以理解,可以根据需求选择灰度图像、边缘检测图像和形态学图像中的一个或多个进行上述毛刺检测和识别算法中的识别电池极片主体的范围、延伸方向、检测偏转角和进行校正、基于剖面类型确定主体的边缘范围等操作。除了灰度值外,还可以选择其他的图像信号特征进行上述操作。需要注意的是,形态学图像需要基于边缘检测图像生成,因此形态学图像与边缘检测图像具有类似或相同的信号特征。一般形态学图像和边缘检测图像都是二值化图像,不存在灰度,但是它们的图像信号特征与灰度图像的灰度值在指示毛刺的功能上对应,因此可以使用类似的算法在图像中检测或识别毛刺。
图8至图10中示出更广泛和复杂的电池极片主体和毛刺分布的情况。本申请的毛刺检测和识别算法可以支持这些复杂情况,自动预处理图像以避免过多的人工干预识别过程,仅需有针对性地采取少量额外步骤即可继续适用于本申请的方案。
图8所示的图像中存在垂直放置的在水平方向上延伸的电池极片的剖面,电池极片略微弯曲。针对此类图像样本,可以在识别出电池极片的一些关键点后,进行仿射变换,从而识别出两侧边缘上的毛刺801至805。图9中存在垂直放置的在垂直方向上延伸电池极片的剖面并且为高倍率图像,其中毛刺901可以通过识别多个凸起和凹陷将其分为单个小毛刺。
图10中存在垂直放置的沿水平方向延伸电池极片的剖面,在视场内存在多条电池极片。在视场范围内可见三根电池极片,可根据需要只识别其中一根电池极片。例如,可以基于形态学图像(Close)的检测和识别结果,找到多个封闭图形,取其中面积最大的封闭图形作为电池极片主体而擦除其他的可能属于另一电池极片主体但是不属于毛刺的封闭图形。实际上,选择一个电池极片主体后,移除其他与该主体不相连的图形可以将干扰和其他电池极片主体一并筛除。此外,除了面积最大的封闭图形可以作为待识别的电池极片主体,可以根据直方图的平均值m(Gray’)分别识别出不同电池极片或相同电池极片的灰度阈值范围。还可以设定面积阈值,将大于面积阈值的图形部分都分别作为电池极片主体,分批进行毛刺检测。
在对于毛刺的候选位置的筛选时,还可以包括对低倍率显微镜下拍摄的第一图像中的毛刺的候选位置的去重。通常,使用低倍率显微镜拍摄每张第一图像并应用毛刺检测和识别算法检测出毛刺的候选位置后,可以在每张第一图像中标记毛刺。循环拍摄所有电池极片边缘的待检测区域的相邻两个第一图像之间存在一定的重叠区域。当毛刺位于重叠区域时,可能在相邻的两个第一图像中都被标记,造成毛刺候选位置信息的重复。通过去重操作可以从毛刺的候选位置信息burr(x,y,z)的集合中移除冗余信息。
由于形态学参数/图像本身的对比度对结果可能产生较大影响,以及如图8至图10的情况导致的一些额外步骤,为了减少人为干预的必要,可以对图像进行预先评估,自动确定参数。
例如,可以根据诸如图5中的电池极片边缘501在y轴方向上的标准差判断边缘是否锐利或存在多个缺口,或判断封闭图形的面积大于一定阈值的数量是否等于1来确定是否包含多条电池极片(否则就是脱落的毛刺或杂质),或根据图像整体像素的灰度平均值与电池极片部分像素的灰度平均值、空白部分像素的灰度平均值的差别可以判断出图像是否存在对比度较低的问题。
基于以上的预先评估,可以调整参数或执行额外步骤。例如,当边缘缺口较多时、图像分辨率发生较大变化时、电池极片表面光滑程度发生较大变化时,需要修改形态学计算的参数(膨胀/收缩时的kernel size)。再例如,如果图像对比度较低,可以调整原始图像的gamma值或采用其它操作增强图像对比度。
系统在完成低倍镜毛刺检测操作130后,将操作134中记录的毛刺的候选位置信息burr(x,y,z)提供给接下来的高倍镜毛刺检测操作140以获取更准确的检测和识别结果。作为高倍率光学单元的高倍率显微镜可以在视场范围内提供所观察对象的更高清晰度和解析度,使得照相机可以拍摄到具有比使用照相机通过低倍率显微镜拍摄的第一图像具有更多更丰富的图像细节的第二图像。更多、更丰富的图像细节可以提供更多的信息。基于高倍率显微镜下获得的第二图像,可以进一步提高毛刺检测的准确性,验证低倍率显微镜下使用上述毛刺的检测和识别算法得到的在候选位置处的毛刺信息,从而优化毛刺的检测结果。
系统在操作141中循环地获取操作134中记录的毛刺的候选位置信息burr(x,y,z)的集合,控制可移动机台将高倍率显微镜的视场范围移动到这些候选位置,在操作142中拍摄毛刺所在的更小区域的第二图像。由于在高倍率显微镜下清楚地拍摄毛刺的不同部分所需的焦距不同,可以使用EDoF(Extended Depth of Focus,扩展对焦深度)方式拍摄。
高倍率显微镜的视场范围一般小于低倍率显微镜的视场范围,即在高倍率显微镜下由照相机拍摄的第二图像是在低倍镜毛刺检测操作130中拍摄的第一图像中的一部分。在使用EDoF方式拍摄时,为了提高基于第二图像检测和识别毛刺的准确度,可以根据在第二图像中的部分重叠区域将多个第二图像拼接为整合图像,使得整合图像覆盖的图像范围对应于检测出对应的候选毛刺位置的第一图像的视场范围。
获取第二图像或整合图像后,系统在操作143中再次应用上文所述的检测和识别毛刺的算法过程。根据毛刺检测和识别需求,该算法过程可以包括图像预处理、识别电池极片主体的延伸方向和范围、电池极片主体的偏转角修正、确定电池极片的边缘范围(一侧边缘或双侧边缘)、筛选识别出的毛刺位置等操作中的一个或多个。与在低倍镜毛刺检测操作130中介绍的检测和识别毛刺的算法过程相同或类似的内容,在此不再重复介绍。图9示出垂直放置的在垂直方向上延伸电池极片的剖面的高倍率图像,可以使用检测和识别毛刺的算法在更高的图像细节下识别出毛刺901。
从高倍率显微镜下拍摄的第二图像中检测到毛刺后,在操作144中记录毛刺位置burr’(x,y,z)的集合。如果毛刺位置burr’(x,y,z)与在低倍镜毛刺检测操作130中的记录操作134中记录的候选毛刺位置burr(x,y,z)存在重合或相交,则表明所检测的毛刺在低倍率显微镜和高倍率显微镜中的相同位置同时检测出,验证该毛刺检测结果的正确性,从而可以将该毛刺位置burr’(x,y,z)视为更精确的毛刺最终位置。如果毛刺位置burr’(x,y,z)与先前记录的相应候选毛刺位置burr(x,y,z)和/或该相应候选毛刺位置附近的毛刺位置都不重合(不相交),可以认为在低倍镜毛刺检测操作130中所检测和识别出的候选毛刺可能存在错误。这种非毛刺位置的位置信息burr’在毛刺位置集合中被过滤。这样,记录操作144中得到毛刺的最终位置burr’(x,y,z)的集合。
使用检测和识别毛刺的算法检测完当前的第二图像中的毛刺后,操作143继续在判断145中判断是否已经检测完在低倍镜毛刺检测操作130中提供的所有需要进一步检测的毛刺候选位置。如果存在没有被进一步在高倍率显微镜下检测和验证的毛刺候选位置(判断结果为“否”),系统继续回到操作141,移动可移动机台以将高倍率显微镜的视场范围移动到电池极片边缘上的下一个毛刺候选位置重复执行第二图像的获取和毛刺检测。如果已经对所有毛刺候选位置进行过高倍率显微镜下的检测和验证(判断结果为“是”),则系统确认完成所有毛刺候选位置的进一步检测和识别。最终,记录操作144中记录了所有的毛刺最终位置信息,即burr’(x,y,z)集合作为毛刺检测的结果。
与低倍镜毛刺检测操作130类似,高倍镜毛刺检测操作140中也可以针对具有多个主体的电池极片或者不同的电池极片构成的多个主体出现在同一第二图像中的情况,分别识别每个电池极片主体检测和识别边缘上的毛刺。毛刺检测的结果不仅包括毛刺的最终位置信息,还可以包括毛刺的数量、尺寸和/或置信度等其他信息。
本领域技术人员可以理解,根据毛刺检测的场景和需求,也可以省略高倍镜毛刺检测140,仅使用低倍镜毛刺检测操作130得到的毛刺位置信息(例如包括毛刺位置、数量、尺寸、置信度信息等)作为毛刺检测的最后最终结果。使用低倍镜毛刺检测操作130可以更快地完成毛刺的粗略检测,从而提高检测的效率。使用高倍镜毛刺检测操作140可以更准确地完成毛刺的检测,从而提高检测的精度。根据需求,可以灵活设计检测方案以达到准确性和效率的折衷。例如,仅为了提高效率,可以如上所述仅使用低倍镜毛刺检测操作130完成毛刺检测;也可以仅为了提高准确性,仅使用高倍镜毛刺检测操作140完成毛刺检测。先进行低倍镜毛刺检测操作130获得初步的检测结果,再进行高倍镜毛刺检测操作140以优化检测结果的方案可以达到效率和准确性的最优结合。
在低倍率显微镜和(可选的)高倍率显微镜下检测和识别毛刺之后,系统在输出结果操作150中向用户提供毛刺检测的结果。
输出结果操作150可以在拼接图像操作151中将照相机所拍摄的图像基于待检测点T(x,y)的x轴和y轴坐标拼接成包括电池极片边缘的完整的全景图像,也可以不经由拼接图像操作151单独输出图像集合。一般使用由低倍镜毛刺检测操作130中拍摄的第一图像来拼接全景图像,因为在高倍镜毛刺检测操作140中拍摄的第二图像是经过高倍率显微镜拍摄的EDoF图像,而EDoF图像只包括所识别的毛刺候选位置处的局部高清晰度图像,不具备包括整个电池极片边缘的所有图像信息。单独输出的图像可以是第一图像的集合,也可以是具有更多更丰富的图像细节的第二图像的集合,这些图像都是没有被拼接为全景图像的图像。输出图像为第二图像时,由于在高倍镜毛刺检测操作140中输出的图像是包含毛刺的最终位置信息的单个EDoF图像的集合。如果最终生成的结果(例如报告)中的拼接图像过大,则以全分辨率打印或输出的条件成本较高,或者将图像缩小后损失细节也失去高清晰度/分辨率输出的意义。因此即使进行图像拼接,所得到的全景图像也可以保存在存储器或服务器中供后续过程调阅。
进一步,可以在操作152中在所获得的全景图像上标记检测和识别出的毛刺的位置。可以将所检测的毛刺的最终位置信息burr’(x,y)标记在第一图像,由第一图像拼接成的全景图像,或第二图像(EDoF图像)中。
除了以图像形式呈现毛刺检测和识别的输出结果,还可以通过诸如在操作153中生成检测报告的形式向用户输出检测结果。检测报告例如可以采用二维信息表的格式,其中记录每个所检测出的毛刺的二维位置信息。使用毛刺所在位置的二维位置信息而省略z轴坐标表示的深度信息的原因在于,获得图像(特别是第二图像)后已经不需要再次对电池极片边缘进行聚焦和拍摄。在宏观上,可以将电池极片的边缘的成像平面视为二维平面,其中每个待检测点T的三维坐标位置信息中z轴数据实际上是电池极片或可移动机台相对于照相机的高度或深度信息。二维信息表还可以记录毛刺的特征信息,例如毛刺的长度、面积、半径、数量、置信度等。二维信息表中的毛刺的位置和其他信息也可以与对应的图像(第一图像、第二图像/EDoF图像和/或全景图像)建立联系,便于从二维信息表中调阅。
图12示出根据本申请的一个实施例的用于检测位于电池极片边缘处的毛刺的方法的示例性流程图。方法步骤中与结合图1和图2至11介绍的本申请的检测毛刺的系统流程相同或类似的细节部分将不再赘述。
方法首先在步骤S1210处确定与电池极片的边缘范围相关联的所有待检测点的位置信息。步骤S1210具体可以包括获取待检测点的二维位置信息的子步骤S1211,基于参考点(包括顶点)获得的位置参考信息和位置校准信息的子步骤S1212,以及基于所获得的位置参考信息和位置校准信息最终确定待检测点的三维位置信息的子步骤S1213。在子步骤S1212中,在子步骤S1212a中获取参考点的预设的参考位置信息,然后在子步骤S1212b中将参考位置信息与参考点的实际位置进行比较,以及通过成像装置对参考点进行聚焦等方式确定可用于校准所有待检测点的位置的位置校准信息以及成像装置的成像参数。对待检测点进行校准的位置校准信息一般是针对平面的位置校准信息,可以包括平移校准信息和旋转校准信息中的至少一项。在子步骤S1212b中,成像参数和参考点的位置参考信息可以来自检测系统的模板信息。
接下来,方法在步骤S1220中使用成像装置以低倍率成像单元获取电池极片边缘的至少一个第一图像,图像获取过程中一般需要保证连续获取的两个第一图像之间具有重叠区域以保证对电池极片边缘的全部待检测区域的完整覆盖。成像装置可以包括可移动机台,低倍率光学单元(例如低倍率显微镜),高倍率光学单元(例如高倍率显微镜)以及图像传感器(例如照相机)等。
在完成步骤S1220的第一图像获取之后,方法在步骤S1230中执行对毛刺的识别算法步骤S1230。识别算法步骤S1230主要包括识别图像(例如第一图像)中的电池极片主体的子步骤S1231和识别毛刺的位置和尺寸的子步骤S1232。
子步骤S1231主要包括对获取的图像进行预处理的子步骤S1231a,确定主体延伸方向的子步骤S1231b,以及确定电池极片主体范围的子步骤S1231d等。
图像预处理可以包括根据运算量要求调整图像分辨率的子步骤S1231a1。图像预处理可以进一步包括生成所获取图像(例如第一图像)的灰度图像的子步骤S1231a2,基于灰度图像生成边缘检测图像的子步骤S1231a3,以及基于边缘检测图像生成形态学图像的子步骤S1231a4。
基于预处理后的图像,方法在子步骤S1231b中确定主体的延伸方向以及在子步骤S1231d中确定主体的范围。子步骤S1231b和S1231d可以并列或顺序地执行。一般来说,二者的执行过程相对独立。
可以通过基于预处理后获得的灰度图像,边缘检测图像和形态学图像中的至少一个中的像素点在水平方向和垂直方向上的信号特征的差异程度确定主体的延伸方向。如果所识别的主体的延伸方向与基准水平或垂直方向存在偏转角,方法可以在子步骤S1231b之后执行确定偏转角并基于偏转角校正图像(以及电池极片主体)的子步骤S1231c。偏转角校正可以重复地分别以微小角度顺时针和逆时针旋转图像,然后基于旋转后的图像中沿电池极片主体的延伸方向上的信号特征的差异程度变化确定偏转角。
在子步骤S1231d中,可以通过基于像素点在图像中沿图像边缘到图像中心的方向上的信号特征的平均值与信号特征阈值或信号特征阈值范围的比较确定主体的范围。针对电池极片主体的放置方式,还可以在子步骤S2131d1中确定主体的放置方式(例如水平放置或垂直放置),并根据放置方式确定需要检测和识别的边缘的范围(例如,边缘数量,即检测一侧边缘或两侧边缘;边缘在主体上的位置,即在检测一侧边缘时的四个顶点中相邻顶点之间的边还是在检测双侧边缘时的两个顶点的连线所限定的边),然后基于边缘范围的结果在子步骤S1231d中确定需要考虑的主体范围。
基于子步骤S1231中识别出的电池极片主体,子步骤S1232可以从图像中识别与电池极片主体相连并且凸起于主体的图形以确定毛刺的位置、尺寸、置信度、数量等信息。此外,还可以基于毛刺的尺寸、形状、置信度和/或毛刺与图像中与该毛刺不同的其他图像部分的差异等信息对毛刺的位置进行筛选。
基于步骤S1230中获得的低倍率成像单元下获得的第一图像的毛刺的候选位置相关信息,方法在步骤S1240中使用成像装置的高倍率成像单元对候选位置的电池极片边缘再次获取具有更多更丰富的图像细节的至少一个第二图像(例如EDoF图像)。
然后,在步骤S1250中基于第二图像执行对毛刺的识别以最终确定检测结果。具体地,步骤S1250包括执行与步骤S1230类似的检测和识别毛刺的算法步骤类似的算法步骤,获得毛刺的最终位置、数量、尺寸和置信度等信息,以及基于第一图像拼接全景图像和/或在拼接的全景图像、第一图像或第二图像中标记这些被识别的毛刺的位置等信息的子步骤S1252。在基于第二图像执行检测和识别算法步骤中,当使用EDoF方式拍摄时,也可以基于从步骤S1230中获得的候选位置信息将多个第二图像拼接为与第一图像的视场方位相同或类似的整合图像来识别毛刺。
根据需求,可以灵活设计检测方案以达到准确性和效率的折衷。例如,仅为了提高效率,可以仅执行步骤S1220和S1230以低倍率成像单元获得的第一图像完成毛刺检测;也可以仅为了提高准确性,仅执行步骤S1220和S1230但是以高倍率成像单元获得的第一图像完成毛刺检测。也可以先执行步骤S1220和S1230获得初步的检测结果,再执行步骤S1240和S1250以优化检测结果的方案可以达到效率和准确性的最优结合。
可选地,方法可以将所检测的毛刺的检测结果输出以供用户查看,如步骤S1260所示。
在步骤S1230和S1250中,如果在图像中存在多个电池极片或电池极片存在多个主体,可以识别每个电池极片和/或每个电池极片主体并针对每个电池极片主体识别其边缘上的毛刺。
根据本申请所提出的检测位于电池极片的边缘处的毛刺的方案,可以基于较少的计算量达到快速准确的在电池极片边缘处的毛刺的检测和识别,存在适应性强并且很少需要人工干预的优点。该方案例如基于电动成像机台就可以完成电池极片边缘的扫描,无需拼接拍摄的数字图像;基于光路的放大倍率和图像传感器的理论像素对应尺寸(例如,微米级别)就可以计算出毛刺的物理尺寸,对图像的分辨率、图像的长宽指标没有特定要求而无需事先指定;即使电池极片本身有瑕疵或有不规则折痕等也不影响检测方案,例如电池极片不平整和起伏导致的成像装置的焦距变化可以通过校准步骤时截取更多的参考点来解决,使得在检测和识别过程中无需对图像消耗额外计算量的抚平处理和平整轮廓操作(例如通过阈值忽略更细小的凸起)以及无需原始图像拆分等;对电池极片边缘的检测设备要求相应地减少,只需要图像可以清晰地分辨电池极片与背景之间的边缘区域并且只需要电池极片相关的图像区域的信号特征比背景区域的信号特征更显著,这使得在选取照射电池极片的光源时无需选择成本更高的背光源而仅需要成本较低并且安装和维护更简便的上光源等。
应当注意,尽管在上文详细描述中提及了用于检测位于电池极片的边缘处的毛刺的系统的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。作为模块或单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
在本申请的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序包括可执行指令,该可执行指令被例如处理器执行时可以实现上述任意一个实施例中所述用于检测位于电池极片的边缘处的毛刺的方法的步骤。在一些可能的实施方式中,本申请的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书用于检测位于电池极片的边缘处的毛刺的方法中描述的根据本申请各种示例性实施例的步骤。
根据本申请的实施例的用于实现上述方法的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本申请的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
在本申请的示例性实施例中,还提供一种电子设备,该电子设备可以包括处理器,以及用于存储所述处理器的可执行指令的存储器。其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一个实施例中的用于检测位于电池极片的边缘处的毛刺的的步骤。
所属技术领域的技术人员能够理解,本申请的各个方面可以实现为系统、方法或程序产品。因此,本申请的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图13来描述根据本申请的这种实施方式的电子设备1300。图13显示的电子设备1300仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图13所示,电子设备1300以通用计算设备的形式表现。电子设备1300的组件可以包括但不限于:至少一个处理单元1310、至少一个存储单元1320、连接不同系统组件(包括存储单元1320和处理单元1310)的总线1330、显示单元1340等。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元1310执行,使得所述处理单元1310执行本说明书用于用于检测位于电池极片的边缘处的毛刺的的方法中描述的根据本申请各种示例性实施方式的步骤。例如,所述处理单元1310可以执行如图12中所示的步骤。
所述存储单元1320可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)13201和/或高速缓存存储单元13202,还可以进一步包括只读存储单元(ROM)13203。
所述存储单元1320还可以包括具有一组(至少一个)程序模块13205的程序/实用工具13204,这样的程序模块13205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线1330可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备1300也可以与一个或多个外部设备1400(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备1300交互的设备通信,和/或与使得该电子设备1300能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1350进行。并且,电子设备1300还可以通过网络适配器1360与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器1360可以通过总线1330与电子设备1300的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备1300使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本申请实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本申请实施方式的用于检测位于电池极片的边缘处的毛刺的的方法。
图14还示出根据本申请的一个实施例的用于检测位于电池极片的边缘处的毛刺的系统的示例性结构框图。该系统1500可以包括成像装置1510以及如上文所述的用于检测位于电池极片边缘处的毛刺的设备1520。设备1520例如可以包括处理器1521以及存储器1522。存储器1522中存储有处理器1521的可执行指令,可执行指令可以使处理器1521执行用于检测位于电池极片的边缘处的毛刺的方法。
本领域技术人员在考虑说明书及实践这里公开的内容后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由所附的权利要求指出。
Claims (22)
1.一种用于在电池极片的边缘的图像中识别毛刺的方法,其中所述毛刺位于所述电池极片的边缘处,该方法包括:
识别图像中的所述电池极片的主体;以及
识别与所述主体相连并且凸起于所述主体的图形以确定所述毛刺的位置、尺寸和置信度中的至少一项。
2.根据权利要求1所述的方法,其特征在于,识别图像中的所述电池极片的主体进一步包括以下至少一项:
确定所述主体的范围;
确定所述主体的延伸方向。
3.根据权利要求2所述的方法,其特征在于,识别图像中的所述电池极片的主体还包括对图像进行预处理,所述预处理包括以下中的至少一项:
调整图像的分辨率;
生成图像的灰度图像;
基于所述灰度图像生成边缘检测图像;
基于所述边缘检测图像生成形态学图像。
4.根据权利要求3所述的方法,其特征在于,确定所述主体的延伸方向包括:
基于所述灰度图像,所述边缘检测图像和所述形态学图像中的至少一个中的像素点在水平方向和垂直方向上的信号特征的差异程度确定所述主体的延伸方向。
5.根据权利要求4所述的方法,其特征在于,确定所述主体的范围包括:
基于像素点在所述灰度图像,所述边缘检测图像和所述形态学图像中的至少一个中沿图像边缘到图像中心的方向上的信号特征的平均值与信号特征阈值或信号特征阈值范围的比较确定所述主体的范围。
6.根据权利要求3所述的方法,其特征在于,识别所述电池极片的主体进一步包括:
检测所述主体在所述灰度图像,所述边缘检测图像和所述形态学图像中的至少一个中与所述延伸方向相关联的偏转角;
基于所述偏转角校正所述灰度图像,所述边缘检测图像和所述形态学图像中的至少一个。
7.根据权利要求6所述的方法,其特征在于,检测所述主体在所述灰度图像,所述边缘检测图像和所述形态学图像中的至少一个中与所述延伸方向相关联的偏转角包括:
重复地以微小角度顺时针和逆时针旋转所述灰度图像,所述边缘检测图像和所述形态学图像中的至少一个;
基于旋转后的所述灰度图像,所述边缘检测图像和所述形态学图像中的至少一个中的像素点的沿所述主体的所述延伸方向上的信号特征的差异程度变化确定所述偏转角。
8.根据权利要求3所述的方法,其特征在于,基于所述主体的放置方向确定所述电池极片的所述边缘的范围,其中所述放置方向包括水平放置和垂直放置。
9.根据权利要求1所述的方法,其特征在于,通过从图像中移除或标记所述主体以及与所述主体不相连的图形以确定所述毛刺的位置、尺寸和置信度中的至少一项。
10.根据权利要求1所述的方法,其特征在于,识别所述毛刺的位置、尺寸和置信度还包括:
确定所述毛刺的位置的数量;和/或
基于所述毛刺的尺寸、形状、置信度和/或所述毛刺与图像中与所述毛刺不同的其他图像部分的差异对所述毛刺的位置进行筛选。
11.根据权利要求1所述的方法,其特征在于,所述电池极片具有多个主体或具有多个电池极片,对所述毛刺的识别进一步包括:
识别图像中的所述电池极片的每个主体;
针对每个主体,识别与所述主体相连并且凸起于所述主体的图形以识别所述毛刺的位置、尺寸、数量和置信度中的至少一项。
12.根据权利要求1至11中任一项所述的方法,其特征在于,所述电池极片包括箔片。
13.一种用于检测位于电池极片的边缘处的毛刺的方法,包括:
确定与所述电池极片的所述边缘相关联的待检测点的位置信息;
使用成像装置基于所述待检测点的位置信息获取所述边缘的至少一个第一图像;
基于所述第一图像执行对所述毛刺的识别以确定所述毛刺的位置信息。
14.根据权利要求13所述的方法,其特征在于,基于所述第一图像根据权利要求1至12中任一项所述的方法的步骤执行对所述毛刺的识别。
15.根据权利要求13所述的方法,其特征在于,确定与所述电池极片的所述边缘相关联的待检测点的位置信息进一步包括:
获取与所述边缘相关联的待检测点的二维位置信息;
获取用于所述待检测点的位置参考信息和位置校准信息;
基于所述位置参考信息和所述位置校准信息确定所述待检测点的三维位置信息。
16.根据权利要求15所述的方法,其特征在于,获取用于所述待检测点的位置参考信息和位置校准信息进一步包括:
获取与所述边缘相关联的参考点的三维的位置参考信息;
基于所述参考点的三维的参考位置信息和真实位置信息确定所述位置校准信息和所述成像装置的成像参数。
17.根据权利要求16所述的方法,其特征在于,所述成像装置包括可移动机台,低倍率光学单元,高倍率光学单元以及图像传感器,所述成像参数包括以下中的至少一项:
所述电池极片的形状数据以及在所述可移动机台上的放置位置;
所述低倍率光学单元和/或高倍率光学单元的成像倍率和与所述待检测点相关联的对焦参数;
所述图像传感器的感测参数。
18.根据权利要求17所述的方法,其特征在于,所述位置校准信息包括平移校准信息和旋转校准信息中的至少一个。
19.根据权利要求17所述的方法,其特征在于,使用成像装置基于所述待检测点的位置信息获取所述边缘的至少一个第一图像进一步包括:
在所述可移动机台的移动过程中,获取包括所述边缘的至少一个第一图像,其中,连续获取的两个所述第一图像之间具有重叠区域。
20.根据权利要求13至19中的任一项所述的方法,其特征在于,进一步包括:
使用所述成像装置基于所述毛刺的位置信息获取所述边缘的至少一个第二图像;以及
基于所述第二图像执行对所述毛刺的识别以优化所述毛刺的检测结果,
其中,所述第二图像具有比所述第一图像更多的图像细节。
21.根据权利要求20所述的方法,其特征在于,该方法进一步包括:
使用所述成像装置的低倍率光学单元获取所述第一图像;
使用所述成像装置的高倍率光学单元和/或EDoF方式获取所述第二图像。
22.根据权利要求21所述的方法,其特征在于,基于所述第二图像执行对所述毛刺的识别以优化所述毛刺的检测结果包括:
基于所述第二图像执行根据权利要求1至12中任一项所述的方法的步骤执行对所述毛刺的识别以确定所述毛刺的位置、数量、尺寸和置信度中的至少一项;和/或
在所述第一图像和所述第二图像中的至少一个中标记所述毛刺。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210177499.8A CN116703803A (zh) | 2022-02-25 | 2022-02-25 | 用于检测电池极片边缘的毛刺的方法、设备和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210177499.8A CN116703803A (zh) | 2022-02-25 | 2022-02-25 | 用于检测电池极片边缘的毛刺的方法、设备和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116703803A true CN116703803A (zh) | 2023-09-05 |
Family
ID=87834381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210177499.8A Pending CN116703803A (zh) | 2022-02-25 | 2022-02-25 | 用于检测电池极片边缘的毛刺的方法、设备和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116703803A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117058411A (zh) * | 2023-10-13 | 2023-11-14 | 东声(苏州)智能科技有限公司 | 电池棱边外形瑕疵识别方法、装置、介质和设备 |
-
2022
- 2022-02-25 CN CN202210177499.8A patent/CN116703803A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117058411A (zh) * | 2023-10-13 | 2023-11-14 | 东声(苏州)智能科技有限公司 | 电池棱边外形瑕疵识别方法、装置、介质和设备 |
CN117058411B (zh) * | 2023-10-13 | 2024-04-09 | 东声(苏州)智能科技有限公司 | 电池棱边外形瑕疵识别方法、装置、介质和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109978839B (zh) | 晶圆低纹理缺陷的检测方法 | |
US20100128927A1 (en) | Image processing apparatus and image processing method | |
CN108562250B (zh) | 基于结构光成像的键盘键帽平整度快速测量方法与装置 | |
CN110473221B (zh) | 一种目标物体自动扫描系统及方法 | |
CN109345597B (zh) | 一种基于增强现实的相机标定图像采集方法及装置 | |
WO2011065671A2 (ko) | 영상의 정점 검출 장치 및 방법 | |
JP2013025650A (ja) | 画像処理装置、画像処理方法およびプログラム | |
US20120249753A1 (en) | Capturing method for images with different view-angles and capturing system using the same | |
US6718074B1 (en) | Method and apparatus for inspection for under-resolved features in digital images | |
KR101326230B1 (ko) | 사용자 동적 기관 제스처 인식 방법 및 인터페이스와, 이를 사용하는 전기 사용 장치 | |
CN111862097A (zh) | 微小缺陷检出率的数据增强方法和装置 | |
CN113780201B (zh) | 手部图像的处理方法及装置、设备和介质 | |
CN112435252B (zh) | 一种战斗部破片穿孔和凹坑检测方法 | |
CN111046746A (zh) | 一种车牌检测方法及装置 | |
JP2013026938A (ja) | 画像処理装置、画像処理方法およびプログラム | |
CN115272256A (zh) | 亚像素级传感光纤路径高斯提取方法及系统 | |
CN112329880A (zh) | 一种基于相似性度量和几何特征的模板快速匹配方法 | |
JP5864936B2 (ja) | 画像処理装置、画像処理方法およびプログラム | |
CN116703803A (zh) | 用于检测电池极片边缘的毛刺的方法、设备和系统 | |
JP2006098217A (ja) | 画像検査装置、画像検査方法及び画像検査プログラム | |
CN101685000B (zh) | 影像边界扫描的计算机系统及方法 | |
US11454596B2 (en) | Orientation determination and mapping by stage rocking electron channeling and imaging reconstruction | |
CN113920068B (zh) | 一种基于人工智能的身体部位检测方法、装置及电子设备 | |
CN116125489A (zh) | 一种室内物体三维检测方法、计算机设备及存储介质 | |
CN115684012A (zh) | 视觉检测系统、校准方法、装置和可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |