CN116703890B - 极耳缺陷的检测方法和系统 - Google Patents
极耳缺陷的检测方法和系统 Download PDFInfo
- Publication number
- CN116703890B CN116703890B CN202310943692.2A CN202310943692A CN116703890B CN 116703890 B CN116703890 B CN 116703890B CN 202310943692 A CN202310943692 A CN 202310943692A CN 116703890 B CN116703890 B CN 116703890B
- Authority
- CN
- China
- Prior art keywords
- detection
- tab
- area
- battery cell
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000007547 defect Effects 0.000 title claims abstract description 36
- 238000001514 detection method Methods 0.000 claims abstract description 299
- 230000002950 deficient Effects 0.000 claims abstract description 75
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000002360 preparation method Methods 0.000 claims abstract description 14
- 238000007689 inspection Methods 0.000 claims description 47
- 230000008569 process Effects 0.000 claims description 21
- 239000003086 colorant Substances 0.000 claims description 11
- 238000004519 manufacturing process Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 6
- 238000003786 synthesis reaction Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 8
- 230000000007 visual effect Effects 0.000 description 6
- 238000011179 visual inspection Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000007306 turnover Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000003475 lamination Methods 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 238000004804 winding Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000003164 Diplopia Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 208000029444 double vision Diseases 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000007731 hot pressing Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000037303 wrinkles Effects 0.000 description 1
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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06T2207/30—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)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种极耳缺陷的检测方法和系统。检测方法包括在电池电芯的制备过程中,采集极耳相关区域的原始图像;在经数据化处理的原始图像中依据电芯的极片主体边缘位置设置基准线,并设定自基准线起更靠近电芯中极片主体的一侧为第一检测区域、更远离极片主体的另一侧为第二检测区域;以及按照预设顺序并采用区域一致性算法在第一检测区域和第二检测区域检测目标极耳图像,并判断当前检测电芯是否为缺陷电芯。
Description
技术领域
本申请主要涉及电芯极耳检测领域,尤其涉及一种极耳缺陷的检测方法和系统。
背景技术
电芯极耳作为电池连接外部的终端接口,其品质直接影响着电池成品的使用安全性及其最终寿命。在电芯制作工艺中,如叠片或卷绕工艺中,通过相关工序将正极极片、负极极片和隔膜组成电池电芯,在这个过程中需要判定正极极片和负极极片中极片所带的极耳是否有缺失或者翻折。
无论是叠片工艺还是卷绕工艺,正负极耳各自的重合度、平整性及无翻折、缺失是品质标准的重要体现。当前电芯极耳品质检测主要通过工业视觉结合纠偏器、光纤传感定位等方式进行测量,但是检测效果不佳。在实际生产中仍然经常性出现极耳整体翻折、部分翻折及缺失等品质问题,现实应用中特别是极耳翻折使得正负极存在短路的风险,给电池使用留下了安全隐患。
发明内容
本申请要解决的技术问题是提供一种极耳缺陷的检测方法和系统,可以快速准确的在电芯制备过程中检测出缺陷极耳,提升电池品质。
为解决上述技术问题,本申请提供了一种极耳缺陷的检测方法包括:在电池电芯的制备过程中,采集极耳相关区域的原始图像,其中,所述电芯包括极片,所述极片包括极片主体和极耳;在经数据化处理的原始图像中依据所述电芯的极片主体边缘位置设置基准线,并设定自所述基准线起更靠近所述电芯中极片主体的一侧为第一检测区域、更远离所述极片主体的另一侧为第二检测区域;以及按照预设顺序在所述第一检测区域和所述第二检测区域检测目标极耳图像,并判断当前检测电芯是否为缺陷电芯。
在本申请的一实施例中,所述在电池电芯的制备过程中,采集极耳相关区域的原始图像的步骤进一步包括:在多个电池电芯连续制备的过程中,持续地在每个电池电芯对应的极片进行卷绕或堆叠前,采集所述每个电池电芯对应的极耳相关区域的原始图像。
在本申请的一实施例中,极耳缺陷的检测方法还包括采用两组机器视觉检测装置分别执行采集所述原始图像、设置所述基准线及判断所述当前检测电芯是否为缺陷电芯的步骤,所述两组机器视觉检测装置分别布置在所述电池电芯的制备过程中的第一检测位置和第二检测位置,所述检测方法进一步包括:当所述两组机器视觉检测装置均判断所述当前检测电芯为缺陷电芯时,将所述当前检测电芯标记为缺陷电芯;以及当只有一组机器视觉检测装置判断所述当前检测电芯为缺陷电芯时,将所述当前检测电芯标记为疑似缺陷电芯以进行复检。
在本申请的一实施例中,所述预设顺序包括依次检测所述第一检测区域和所述第二检测区域,其中,若在所述第一检测区域中检测到部分或全部的目标极耳图像,则将当前检测电芯判断为缺陷电芯,否则根据所述第二检测区域中的目标极耳图像的轮廓、长宽尺寸或面积中的一种或多种的组合来判断所述当前检测电芯是否为缺陷电芯。
在本申请的一实施例中,若在所述第一检测区域中未检测到部分或全部的所述目
标极耳图像,所述检测方法还包括通过区域一致性算法在所述第二检测区域中获得多个预
选点位,并将所述多个预选点位连接以围成封闭的区域,从而获得所述目标极耳图像,其
中,所述区域一致性算法包括:构建n阶全为1的方阵[n],并获取所述第二检测区域中的相
同区域像素,其中,所述相同区域像素根据所述第二检测区域经去噪处理和灰度处理
得到的最终灰度图像再经二值化分隔而获得;将所述相同区域像素与所述方阵[n]进行
对比,若结果为一致时,将该相同区域像素所在的位置赋值255并设置为区域点;以及连
接所述第二检测区域中的所有所述区域点,以围成所述封闭的区域A,并根据所述封闭的区
域A得到所述目标极耳图像的轮廓、长宽尺寸或面积,从而判断所述当前检测电芯是否
为缺陷电芯
在本申请的一实施例中,极耳缺陷的检测方法还包括通过如下方式对比所述区域
A与预置极耳图像的相似度,从而根据所述第二检测区域中的目标极耳图像的轮廓
判断所述当前检测电芯是否为缺陷电芯:
其中,为所述区域A的外边沿,为所述预置极耳图像的外边沿,u为可调
整的比例系数。
在本申请的一实施例中,还包括通过如下方式计算所述目标极耳图像中极耳横向宽度L和极耳纵向宽度H,从而根据所述第二检测区域中的目标极耳图像的长宽尺寸判断所述当前检测电芯是否为缺陷电芯:
其中,为像素w列第i行的横向位置值,为像素v列第i行的横向
位置值,为像素p行第j列的纵向位置值,为像素q行第j列的纵向位置值,
且所述w、v、p和q根据所述区域A获得,N表示的行数,M表示的列数。
在本申请的一实施例中,还包括通过如下方式计算所述区域A的面积,从而根据所述第二检测区域中的目标极耳图像的面积判断所述当前检测电芯是否为缺陷电芯:
其中,Lw为极耳横向宽度L的左侧起始点,Lv为极耳横向宽度L的右侧终点,Hp为极
耳纵向宽度H的下侧起始点,Hq为极耳纵向宽度H的上侧终点,f()为极耳横向合成的
函数值,g()为极耳纵向合成的函数值。
在本申请的一实施例中,经数据化处理的原始图像为对所述原始图像依次进行去
噪处理和灰度处理得到的最终灰度图像,从而依据所述电芯的极片主体边缘位置
在所述最终灰度图像中设置所述基准线。
在本申请的一实施例中,若在所述第一检测区域中未检测到部分或全部的所述目
标极耳图像,所述检测方法还包括对所述最终灰度图像通过如下公式进行像素的
二值化分隔:
B(i,j)=
其中,h值的范围为根据检测情况在125~255范围内可调。
在本申请的一实施例中,所述去噪处理包括通过如下方式实现三原色层叠,以得到所述原始图像对应的经去噪图像:
其中,(i,j)为所述原始图像中任一像素的二维矩阵位置,R(i,j)、G(i,j)和B(i,j)分别为三原色RGB各自对应的取值,KR(m,n)、KG(m,n)和KB(m,n)为所述三原色RGB各自对应的滤波器算法,其中,m和n为所述任一像素在平面上的修正坐标点偏移值。
在本申请的一实施例中,所述灰度处理包括通过如下方式对所述经去噪图像进行
处理以获得所述最终灰度图像:
其中, k1,k2和k3值为所述三原色RGB各自对应的加权值。
为了解决上述技术问题,本申请的另一方面还提出了一种极耳缺陷的检测系统,包括:至少一组机器视觉检测装置,所述视觉检测装置包括摄像头和处理器,其中,所述摄像头适于在电池电芯的制备过程中,采集极耳相关区域的原始图像,其中,所述电芯包括极片,所述极片包括极片主体和极耳;所述处理器适于数据化处理所述原始图像并依据所述电芯的极片主体边缘位置设置基准线,其中,自所述基准线起更靠近所述电芯中极片主体的一侧为第一检测区域、更远离所述极片主体的另一侧为第二检测区域;以及所述处理器还适于根据任一实施例所述的检测方法,按照预设顺序在所述第一检测区域和所述第二检测区域检测目标极耳图像,并判断当前检测电芯是否为缺陷电芯。
在本申请的一实施例中,所述机器视觉检测装置的数量为两组,分别位于第一检测位置的第一组机器视觉检测装置和位于第二检测位置的第二组机器视觉检测装置,所述第一检测位置和所述第二检测位置分别位于所述电池电芯的制备过程中所述极片进行卷绕或堆叠前的工序位置,且所述第一检测位置相较于所述第二检测位置按照生产顺序位于更前的位置,其中,当所述第一组机器视觉检测装置和第二组机器视觉检测装置均判断所述当前检测电芯为缺陷电芯时,所述第一组机器视觉检测装置和/或第二组机器视觉检测装置配置为将所述当前检测电芯标记为缺陷电芯;以及当仅所述第一组机器视觉检测装置或所述第二组机器视觉检测装置判断所述当前检测电芯为缺陷电芯时,所述第一组机器视觉检测装置或所述第二组机器视觉检测装置配置为将所述当前检测电芯标记为疑似缺陷电芯以进行复检。
与现有技术相比,本申请具有以下优点:通过极耳缺陷的检测方法和系统,可以更快速准确地解决电芯叠片工艺或卷绕工艺中存在的隐形极耳品质问题,消除单体电池短路的隐患;本申请利用工业视觉配合电芯位移量实现实时快速检测所在区域的极耳品质状态,并通过双视觉的布置,增加了冗余功能,完全实现了缺陷极耳电芯的剔除,显著提升电池品质。
附图说明
包括附图是为提供对本申请进一步的理解,它们被收录并构成本申请的一部分,附图示出了本申请的实施例,并与本说明书一起起到解释本申请原理的作用。附图中:
图1a是本申请一实施例的一种极耳缺陷的检测方法的流程示意图;
图1b是本申请另一实施例的一种极耳缺陷的检测方法的流程示意图;
图2是采用本申请一实施例一种极耳缺陷的检测方法所检测的不同形态极耳的示意图;
图3是本申请一实施例的一种极耳缺陷的检测系统的结构示意图;
图4是本申请一实施例的一种极耳缺陷的检测方法中检测区域示意图;
图5是本申请另一实施例的一种极耳缺陷的检测方法的流程示意图;
图6是本申请一实施例的一种极耳缺陷的检测方法中区域一致性算法的原理示意图;以及
图7是本申请另一实施例的一种极耳缺陷的检测方法的流程图。
具体实施方式
为了更清楚地说明本申请的实施例的技术方案,下面将对实施例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申请的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
在本申请的描述中,需要理解的是,方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,在未作相反说明的情况下,这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作,因此不能理解为对本申请保护范围的限制;方位词“内、外”是指相对于各部件本身的轮廓的内外。
为了便于描述,在这里可以使用空间相对术语,如“在……之上”、“在……上方”、“在……上表面”、“上面的”等,用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是,空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如,如果附图中的器件被倒置,则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而,示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位),并且对这里所使用的空间相对描述作出相应解释。
此外,需要说明的是,使用“第一”、“第二”等词语来限定零部件,仅仅是为了便于对相应零部件进行区别,如没有另行声明,上述词语并没有特殊含义,因此不能理解为对本申请保护范围的限制。此外,尽管本申请中所使用的术语是从公知公用的术语中选择的,但是本申请说明书中所提及的一些术语可能是申请人按他或她的判断来选择的,其详细含义在本文的描述的相关部分中说明。此外,要求不仅仅通过所使用的实际术语,而是还要通过每个术语所蕴含的意义来理解本申请。
现有的电芯极耳品质检测方式主要集中在:1、利用工业视觉结合纠偏器实现极耳的重合度修正,使得电芯正负极耳各自重合在统一规格标称值内;2、利用光纤等传感器在特定点位处检测极耳有无及褶皱情况;3、利用工业视觉实现极耳边线距离的检测来判断相应极耳品质。然而这些方式在实际生产应用中仍然存在较大不足,例如对于缺陷极耳的检测精度不高、速度较慢,且容易误判等等。
为了解决上述技术问题,本申请参照图1a提出了一种极耳缺陷的检测方法(以下简称“检测方法10”),可以快速准确地在电芯制备过程中检测出缺陷极耳,提升电池品质。本申请中包括图1a等多幅图使用了一些流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各种步骤。同时,或将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
根据图1a,检测方法10包括步骤11~13。步骤11为在电池电芯的制备过程中,采集极耳相关区域的原始图像,所述电芯包括极片,所述极片包括极片主体和极耳。步骤12为在经数据化处理的原始图像中依据电芯的极片边缘位置设置基准线,并设定自基准线起更靠近极片主体的一侧为第一检测区域、更远离极片主体的另一侧为第二检测区域。步骤13为按照预设顺序在第一检测区域和第二检测区域检测目标极耳图像,并判断当前检测电芯是否为缺陷电芯。需要说明的是,在本申请的不同实施例中,所述极片包括极片主体和极耳,这是为了便于叙述本申请技术特征而进行的理论上的定义划分;在实际应用中,本申请定义中的极片主体和极耳可以是一体的,本申请对此不做限制。
示例性的,在检测过程中,可以同时检测第一检测区域和第二检测区域,也可以对
第一检测区域和第二检测区域进行顺序检测,检测顺序可以依据实际情况进行选择。优选
的,预设顺序包括依次检测第一检测区域和第二检测区域,其中,若在第一检测区域中检测
到部分或全部的目标极耳图像,则将当前检测电芯判断为缺陷电芯,否则根据第二检测区
域中的目标极耳图像的轮廓、长宽尺寸或面积中的一种或多种的组合来判断当前检测
电芯是否为缺陷电芯。
图1b示出了根据上述优选方式实施的本申请的一种极耳缺陷的检测方法100(以
下简称“检测方法100”)。根据检测方法100,其中的步骤11和12与检测方法10相同,均为采
集原始图像和设置基准线与第一检测区域和第二检测区域的步骤。不同之处在于,图1b示
出的检测方法100另外具有步骤131-133。具体来说,步骤131为确定在第一检测区域中是否
检测到部分或全部的目标极耳图像,若检测结果为是则执行步骤131,将当前检测电芯判断
为缺陷电芯。若步骤131的检测结果为否则执行步骤133,根据第二检测区域中的目标极耳
图像的轮廓、长宽尺寸或面积中的一种或多种的组合来判断当前检测电芯是否为缺陷
电芯。
示例性的,极耳相关区域的原始图像可以理解为是极耳及其周边区域的具有统一形状的原始图像(下文参考图4会对于如何划定相关区域做出进一步说明)。在本申请的一优选实施例中,上述检测方法10被应用在连续制备电池电芯的过程中,即在多个电池电芯连续制备的过程中,连续地在每个电池对应的正极极片、负极极片和隔膜卷绕或堆叠前,采集每个电池对应的极耳相关区域的原始图像。
继续参照图2,图2示出了不同形态极耳的示意图,正常状态下的极耳如附图标记21所示;缺陷极耳的状态如附图标记22所示;极耳缺失的状态如附图标记23所示;极耳翻折的状态如附图标记24所示;附图标记25为极片主体。本实施例只示出了其中4种状态的极耳,但本申请检测的极耳状态并不以此为限。而本申请的目的,则是通过一组或多组的机器视觉装置实施包括图1a和图1b所示实施例的极耳缺陷的检测方法,从而提升电池品质。
为了更好地说明检测方法10及其优选的变型方式,现参照图3介绍极耳缺陷的检测系统30(以下简称“检测系统30”)。参照图3,检测系统30包括两组机器视觉检测装置,分别为第一组机器视觉检测装置31和第二组机器视觉检测装置31’,其中,第一组机器视觉检测装置31和第二组机器视觉检测装置31’分别包括第一摄像头36和第二摄像头36’以及各自的处理器(图未示)。需要说明的是,检测系统30可以应用检测方法10或检测方法100。因此在本申请的下文描述中,关于检测系统30的一些细节特征可以参考对于检测方法10和检测方法100的描述,对于重复的内容不再进行赘述。
具体的,第一摄像头36和第二摄像头36’适于在电池电芯的制备过程中,采集极耳相关区域的原始图像,参照图3,在本实施例的具体实现方式中,第一组机器视觉检测装置31和第二组机器视觉检测装置31’还分别具有第一亮度调节器37和第二亮度调节器37’,第一亮度调节器37和第二亮度调节器37’在图3中使用半圆环方式示出,第一摄像头36和第二摄像头36’在图3中使用矩形部分示出,第一摄像头36和第二摄像头36’分别安装在第一亮度调节器37和第二亮度调节器37’上。第一摄像头36和第二摄像头36’与各自对应的处理器互连,可以进行数据传输。第一组机器视觉检测装置31和第二组机器视觉检测装置31’分别布置在所述电池电芯的制备过程中的第一检测位置和第二检测位置。驱动机构35带动极片高速运转,极片上连续设置的第一极耳33和第二极耳34会分别依次经过两组机器视觉检测装置。第一组机器视觉检测装置31和第二组机器视觉检测装置31’将分别依次采集每一个经过的极耳相关区域的原始图像,两组机器视觉检测装置中的处理器适于采用相同的算法对于所采集到的原始图像进行处理获得对应的经数据化处理的原始图像。可以理解的是,在实际应用中,可以根据生产现场情况对于算法进行部分参数的调节,从而使得两组机器视觉检测装置之间更好地协同和配合,在调节时可以考虑极片的运行速度、两组机器视觉检测装置的间距以及当前制备的电芯型号等等,本申请不对此做出限制。
在本申请中,机器视觉检测装置的处理器通常配置为按照预设顺序在第一检测区
域和第二检测区域检测目标极耳图像,并判断当前检测电芯是否为缺陷电芯。在一些优选
实施例中,处理器还可以按照预设顺序依次检测第一检测区域和第二检测区域的检测目标
极耳图像,其中,若在第一检测区域中检测到部分或全部的目标极耳图像,则将当前检测电
芯判断为缺陷电芯,否则根据第二检测区域中的目标极耳图像的轮廓、长宽尺寸、面积
中的一种或多种任意组合判断当前检测电芯是否为缺陷电芯。
优选的,本实施例使用两组机器视觉检测装置进行极耳缺陷的检测,利用两组视
觉检测装置是为了确保检测的可靠性,只有当两组都诊断为正常才认为合格,当两组都诊
断为异常则直接当成缺陷电芯剔除,其它情况下判断为疑似缺陷电芯需转送到人工目检区
进行人工判定。当然,基于图3所示实施例,还可以根据实际情况采用更多组视觉检测装置
进行极耳缺陷的检测,本申请并不以此为限。另外,两组机器视觉检测装置按照预设顺序在
所述第一检测区域和所述第二检测区域检测目标极耳图像,并判断当前检测电芯是否为缺
陷电芯时,可以采取相同的检测顺序,也可以采用不同的检测顺序,且两组机器视觉检测装
置根据第二检测区域中的目标极耳图像的轮廓、长宽尺寸或面积中的一种或多种的组
合来判断所述当前检测电芯是否为缺陷电芯时,所采用的判断方法可以相同也可以不同,
例如第一组机器视觉检测装置31根据第二检测区域中的目标极耳图像的轮廓和长宽尺寸
判断所述当前检测电芯是否为缺陷电芯,第二组机器视觉检测装置31’根据第二检测区域
中的目标极耳图像的轮廓、长宽尺寸以及面积判断所述当前检测电芯是否为缺陷电芯,
在此不一一列举。优选的,第一组机器视觉检测装置31和第二组机器视觉检测装置31’采用
相同的检测顺序以及相同的判断方法。
在本实施例中,图3中示出的第一组机器视觉检测装置31和第二组机器视觉检测装置31’中的摄像头可以参照如图1a所示的检测方法10中的步骤11进行原始图像的采集,而其中的处理器适于参照如图1a所示检测方法10中的步骤12和步骤13进行图像处理。例如,根据原始图像包含的数据信息、并依据电芯的极片主体25边缘位置设置基准线,其中,基准线更靠近极片主体25的一侧为第一检测区域、更远离极片主体25的另一侧为第二检测区域。该处理器还配置为根据内置算法在该第一检测区域和/或第二检测区域中检测目标极耳图像,并判断当前检测电芯是否为缺陷电芯。关于算法的部分,将在下文做出进一步说明。
示例性的,图4示出了本实施例中划定基准线从而获得第一检测区域S’和第二检测区域S的原理示意图。参照图4,图4中展示了在本申请的一实施中,例如是在多个电池电芯连续制备的过程中,一组连续的极耳缺陷的检测区域示意图,包括四个第一检测区域,分别为1号第一检测区域S1’、2号第一检测区域S2’、3号第一检测区域S3’、4号第一检测区域S4’,以及四个第二检测区域,分别为1号第二检测区域S1、2号第二检测区域S2、3号第二检测区域S3、4号第二检测区域S4。在本实施例中,当连续制备同一型号的电池电芯时,前文中提出的极耳相关区域为具有统一尺寸大小的矩形区域40。在获取每个极耳对应的矩形区域40的原始图像后,经数据化处理后可在其中依据极片主体25的边缘位置标记出基准线41。示例性的,在本实施例中,该基准线41本身即为极片主体25的边缘位置。在设置该基准线41后,可以继续设定更靠近极片主体25的一侧(或者在本实施例中可以理解为是矩形区域40中位于基准线41上方的区域)为第一检测区域S’、而更远离该极片主体25的另一侧为第二检测区域S。
上文已参照图1a~图4初步说明了本申请提出的一种极耳缺陷的检测方法和检测系统的基本概念,下面进一步详述在一些基于图1a中检测方法10和图1b中检测方法100以及图3中检测系统30的一些优选实施例中,具体对于所采集到的极耳相关区域的原始图像如何进行数据处理。
首先,在本申请的一些实施例中,经数据化处理的原始图像为对原始图像依次进
行去噪处理和灰度处理得到的最终灰度图像。
优选地,去噪处理包括通过如下方式实现三原色层叠,以得到原始图像对应的经去噪图像:
其中,(i,j)为所述原始图像中任一像素的二维矩阵位置,R(i,j)、G(i,j)和B(i,j)分别为三原色RGB各自对应的取值,取值的范围为[0,250]或[0,255]等,上限值可以在250-255之间选择;KR(m,n)、KG(m,n)和KB(m,n)为所述三原色RGB各自对应的滤波器算法,其中滤波器可以根据实际应用情况调整,可以为匹配滤波器、高通滤波器、低通滤波器和带通滤波器等来调节算法。
示例性的,三原色重叠包括计算原始图像中每一个像素点的R值,R值有对应的滤
波器KR(m,n),滤波器的主要作用为对原始图像中的杂质进行清除。原始图像的R值 为
原始图像每一个像素点经过滤波之后的R值的总和。G、B值的求法和R值类似,在此不多赘
述。本申请通过算法实现的三原色层叠,最终呈现原始图像对应的经去噪图像。
进一步优选地,灰度处理包括通过如下方式对所述经去噪图像进行处理以获得所
述最终灰度图像:
其中, k1,k2和k3值为所述三原色RGB各自对应的加权值,可以根据具体使用情况进行设置。
原始图像经过去噪和灰度处理之后得到最终灰度图像,从而可以参考图4,依据电
芯中极片主体25的边缘位置在最终灰度图像中设置基准线41。基准线41将检测区域分成第
一检测区域S’和第二检测区域S两个区域,其中第一检测区域S’为禁止有极耳区,又称无极
耳区域;第二检测区域S为检测极耳完整区,又称极耳区域。在第一检测区域S’和第二检测
区域S检测区域中均可以测量极耳的宽度、形状和边线所包括图形的面积进而判断极耳品
质。优选地,在本申请的包括图1a和图1b的一些实施例中,只有当第一检测区域S’中未检测
到部分或全部的目标极耳图像时,才会进一步在第二检测区域S中根据相应算法,计算目标
极耳图像的形状轮廓、长宽尺寸及面积,从而进一步核实在第二检测区域S,也即极耳区
域中,是否出现了符合要求和标准的正常极耳。通过这样的方式,可以减少运算量,提高机
器视觉检测装置的计算和响应速度。
继续参照图5,图5在图1a示出的检测方法10和图1b示出的检测方法100的基础上进行进一步的优化,特别是对于根据第二检测区域S中的目标极耳图像进行了算法的细化布置。首先,在高速采集完极耳相关区域的原始图像之后,先检测第一检测区域S’是否有检测到目标极耳图像,如果检测到目标极耳图像,则直接标记该极耳为翻折缺陷;若未检测到目标极耳图像,则检测第二检测区域S。检测第二检测区域S包括依次判定第二检测区域S极耳图像轮廓、长宽尺寸及面积与预置极耳图像是否匹配。示例性的,该预置极耳图像为针对特定电芯类型的标准极耳图像。
下面会对图5各步骤中的优化算法进一步详细说明。首先,示例性的,如果在第一检测区域S’中未检测到部分或全部的目标极耳图像(例如是经过去噪和灰度化处理后的图像),可以首先对最终灰度图像Gray(i,j)通过如下公式进行像素的二值化分隔:
B(i,j)=
其中,h值为经调节测试的判断阈值,h值的取值范围为125~255。h值为根据检测情况在125~255范围内可调,示例性的,可以通过现场直方图进行调节测试出具体的h值,通过灰度处理后的图像,其各Gray(i,j)位置处的数值在(0-255)之间。对最终灰度图像进行二值化分隔可以使图像只呈现黑和白两种颜色。
示例性的,参照图6,在对最终灰度图像进行二值化分隔之后,可以通过区域一致性算法在第二检测区域S获得目标极耳图像。区域一致性算法可以通过如下公式对图像进行处理:
首先,构建n阶全为1的方阵[n],并获取第二检测区域S中的相同区域像素,其
中,所述相同区域像素根据上述第二检测区域S经去噪处理和灰度处理得到的最终灰度
图像再经二值化分隔而获得。将相同区域像素与所述[n]进行对比,若结果为一致时,将
该相同区域像素所在的位置赋值255并设置为区域点;以及连接所述第二检测区域中的
所有所述区域点,以围成封闭的区域A,并根据封闭的区域A得到目标极耳图像的轮廓、
长宽尺寸或面积,从而判断当前检测电芯是否为缺陷电芯。
继续参照图5,该检测方法中具有一个提前设置好的具有正常极耳图像的预置极
耳图像。检测方法10通过对比区域A与预置极耳图像的相似度,从而根据第二检测
区域S中的目标极耳图像的轮廓判断当前检测电芯是否为缺陷电芯。在本申请的一些优选
实施例中,判断相似度的具体公式如下所示:
其中,为区域A的外边沿,为预置极耳图像的外边沿,u为可调整的比例
系数,在视觉检测装置的视觉软件初始对比中可以进行手动设置。
进一步的,如果目标极耳图像的轮廓与预置极耳图像匹配,则进一步计算目标极耳图像的长宽尺寸,若目标极耳图像的轮廓与预置极耳图像不匹配,则标记为形状缺陷的极耳。
示例性的,若目标极耳图像的轮廓与预置极耳图像匹配,则需要进一步计算目标极耳图像的长宽尺寸。计算目标极耳图像的长宽尺寸主要包括计算目标极耳图像中极耳横向宽度L和极耳纵向宽度H,从而根据第二检测区域S中的目标极耳图像的长宽尺寸判断当前检测电芯是否为缺陷电芯,L和H的具体计算公式如下所示:
其中,为像素w列第i行的横向位置值,为像素v列第i行的横向位
置值,为像素p行第j列的纵向位置值,为像素q行第j列的纵向位置值,且
w、v、p和q是在求得区域A之后,可以在具有该区域A的图像中自动获取区域A的四个顶点所
对应的位置。
进一步的,如果目标极耳图像的长宽尺寸与预置极耳图像匹配,则进一步计算目标极耳图像的面积,若目标极耳图像的长宽尺寸与预置极耳图像不匹配,则标记为形状缺陷的极耳。
继续参照图5,若目标极耳图像的轮廓和长宽尺寸都与预置极耳图像匹配,则继续计算目标极耳图像的面积,即计算区域A的面积,从而根据第二检测区域S中的目标极耳图像的面积判断当前检测电芯是否为缺陷电芯:
其中,Lw为极耳横向宽度L的左侧起始点,Lv为极耳横向宽度L的右侧终点,Hp为极
耳纵向宽度H的下侧起始点,Hq为极耳纵向宽度H的上侧终点,f()为极耳横向合成的
函数值,g()为极耳纵向合成的函数值。
进一步的,如果极耳目标极耳图像的面积与预置极耳图像匹配,判断极耳为正常极耳,可以正常运行并执行下级程序,若目标极耳图像的轮廓与预置极耳图像不匹配,则标记为大小缺陷的极耳。
可以理解的是,前文参照图5和图6对于图1a示出的检测方法10和图1b示出的检测方法100的一优选实施例进行了细节的说明。但是本申请并不以上述描述的内容为限。示例性的,参照图5,在需要对第二检测区域S2判断其中的极耳图像轮廓、长宽尺寸及面积时,可以选取其中一种或多种判断维度进行测算,例如单独判断轮廓、单独判断长宽尺寸、单独判断面积或是上述两种或三种判断维度的组合,采用两种或三种判断维度的组合时,可以同时对不同判读维度进行判断,也可以依次对不同判断维度进行判断,具体的,判断轮廓、判断长宽尺寸、判断面积的顺序也可按具体情况进行调整。当然在本实施例中,采用了轮廓、长宽尺寸以及面积依次序进行判断的方式,在实际应用中,由于轮廓、长宽尺寸的算法相对于面积的算法更为简单,优选先对轮廓和长宽尺寸进行判断,在其判断合格的基础上,进一步通过对面积的判断来提高判断的可靠性,从而可以更快速和精准检测出缺陷极耳,判断速度更快、效果更好。
进一步的,参照图7,图7在图1a示出的检测方法10和图1b示出的检测方法100的基础上进行进一步的优化,该优化的检测方法具体还可以参照图3所示的检测系统30,即结合图3所示的检测系统30可以得到优化后的如图7所示的极耳缺陷的检测方法。在本实施例中,在电芯运行的过程当中,若位于第一检测位置的第一组视觉检测装置31未将当前检测电芯标记为缺陷电芯,则通过位于第二检测位置的第二组视觉检测装置31’继续判断当前检测电芯是否为缺陷电芯。若第二组视觉检测装置31’未将当前检测电芯判定为缺陷电芯,则电芯正常,可以执行下级程序,例如是对正常电芯进行热压等;若第二组视觉检测装置31’判断当前检测电芯为缺陷电芯,则将当前检测电芯判定为疑似缺陷电芯,将当前检测电芯运转至人工目检区,等待人工审核。在本实施例中,为了保持生产流程的顺畅,无论是正常极耳或缺陷极耳,均会按照正常流程制备成电芯成品,只不过在电芯的制备过程中,通过机器视觉检测装置会对于具有缺陷极耳的检测电芯进行标记,从而便于后续流程对缺陷电芯或疑似缺陷电芯进行复检,以更好地保证电池的品质。
进一步的,若位于第一检测位置的第一组视觉检测装置31将当前检测电芯标记为缺陷电芯并将结果传输至第二组视觉检测装置31’,则通过位于第二检测位置的第二组视觉检测装置31’继续判断当前检测电芯是否为缺陷电芯,若第二组视觉检测装置31’判断当前检测电芯不是缺陷电芯,则将当前检测电芯判定为疑似缺陷电芯,将当前检测电芯运转至人工目检区,等待人工审核;若第二组视觉检测装置31’将当前检测电芯判定为缺陷电芯,则将当前检测电芯运转至废品区。在其他实施方式中,若第二组视觉检测装置31’判断当前检测电芯不是缺陷电芯,也可以由第二组视觉检测装置31’将判断结果传输至第一组视觉检测装置31,并由第一组视觉检测装置31将当前检测电芯判定为疑似缺陷电芯,将当前检测电芯运转至人工目检区。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述申请披露仅仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
本申请的一些方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。处理器可以是一个或多个专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理器件(DAPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器或者其组合。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。例如,计算机可读介质可包括,但不限于,磁性存储设备(例如,硬盘、软盘、磁带……)、光盘(例如,压缩盘CD、数字多功能盘DVD……)、智能卡以及闪存设备(例如,卡、棒、键驱动器……)。
计算机可读介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等等、或合适的组合形式。计算机可读介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、射频信号、或类似介质、或任何上述介质的组合。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或多个申请实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
虽然本申请已参照当前的具体实施例来描述,但是本技术领域中的普通技术人员应当认识到,以上的实施例仅是用来说明本申请,在没有脱离本申请精神的情况下还可作出各种等效的变化或替换,因此,只要在本申请的实质精神范围内对上述实施例的变化、变型都将落在本申请的权利要求书的范围内。
Claims (12)
1.一种极耳缺陷的检测方法,其特征在于,包括:
在电池电芯的制备过程中,采集极耳相关区域的原始图像,其中,所述电芯包括极片,所述极片包括极片主体和极耳;
在经数据化处理的原始图像中依据所述极片主体的边缘位置设置基准线,并设定自所述基准线起更靠近所述极片主体的一侧为第一检测区域、更远离所述极片主体的另一侧为第二检测区域;以及
按照预设顺序在所述第一检测区域和所述第二检测区域检测目标极耳图像,并判断当前检测电芯是否为缺陷电芯,其中,所述预设顺序包括依次检测所述第一检测区域和所述第二检测区域,若在所述第一检测区域中检测到部分或全部的目标极耳图像,则将当前检测电芯判断为缺陷电芯,否则根据所述第二检测区域中的目标极耳图像的轮廓、长宽尺寸或面积中的一种或多种的组合来判断所述当前检测电芯是否为缺陷电芯,具体包括:通过区域一致性算法在所述第二检测区域中获得多个区域点,并将所述多个区域点连接以围成封闭的区域,从而获得所述目标极耳图像,其中,所述区域一致性算法包括:
构建n阶全为1的方阵[n],并获取所述第二检测区域中的相同区域像素,其中,所述相同区域像素/>根据所述第二检测区域经去噪处理和灰度处理得到的最终灰度图像再经二值化分隔而获得;
将所述相同区域像素与所述方阵[n]进行对比,若结果为一致时,将该相同区域像素所在的位置赋值255并设置为区域点;以及
连接所述第二检测区域中的所有所述区域点,以围成所述封闭的区域A,并根据所述封闭的区域A得到所述目标极耳图像的轮廓、长宽尺寸或面积,从而判断所述当前检测电芯是否为缺陷电芯。
2.如权利要求1所述的检测方法,其特征在于,所述在电池电芯的制备过程中,采集极耳相关区域的原始图像的步骤进一步包括:在多个电池电芯连续制备的过程中,持续地在每个电池电芯对应的极片进行卷绕或堆叠前,采集所述每个电池电芯对应的极耳相关区域的原始图像。
3.如权利要求2所述的检测方法,其特征在于,还包括采用两组机器视觉检测装置分别执行采集所述原始图像、设置所述基准线及判断所述当前检测电芯是否为缺陷电芯的步骤,所述两组机器视觉检测装置分别布置在所述电池电芯的制备过程中的第一检测位置和第二检测位置,所述检测方法进一步包括:
当所述两组机器视觉检测装置均判断所述当前检测电芯为缺陷电芯时,将所述当前检测电芯标记为缺陷电芯;以及
当只有一组机器视觉检测装置判断所述当前检测电芯为缺陷电芯时,将所述当前检测电芯标记为疑似缺陷电芯以进行复检。
4.如权利要求1所述的检测方法,其特征在于,还包括通过如下方式对比所述区域A与预置极耳图像的相似度,从而根据所述第二检测区域中的目标极耳图像的轮廓判断所述当前检测电芯是否为缺陷电芯:
其中,为所述区域A的外边沿,/>为所述预置极耳图像的外边沿,u为可调整的比例系数。
5.如权利要求1所述的检测方法,其特征在于,还包括通过如下方式计算所述目标极耳图像中极耳横向宽度L和极耳纵向宽度H,从而根据所述第二检测区域中的目标极耳图像的长宽尺寸判断所述当前检测电芯是否为缺陷电芯:
其中,为/>像素w列第i行的横向位置值,/>为/>像素v列第i行的横向位置值,/>为/>像素p行第j列的纵向位置值,/>为/>像素q行第j列的纵向位置值,且所述w、v、p和q根据所述区域A获得,N表示/>的行数,M表示/>的列数。
6.如权利要求1所述的检测方法,其特征在于,还包括通过如下方式计算目标极耳图像中极耳横向宽度L和极耳纵向宽度H,并计算所述区域A的面积SA,从而根据所述第二检测区域中的目标极耳图像的面积判断所述当前检测电芯是否为缺陷电芯:
其中,为/>像素w列第i行的横向位置值,/>为/>像素v列第i行的横向位置值,/>为/>像素p行第j列的纵向位置值,/>为/>像素q行第j列的纵向位置值,且所述w、v、p和q根据所述区域A获得;Lw为极耳横向宽度L的左侧起始点,Lv为极耳横向宽度L的右侧终点,Hp为极耳纵向宽度H的下侧起始点,Hq为极耳纵向宽度H的上侧终点,f/>为极耳横向合成的函数值,g(/>)为极耳纵向合成的函数值,N表示/>的行数,M表示/>的列数。
7.如权利要求1~6任一项所述的检测方法,其特征在于,所述经数据化处理的原始图像为对所述原始图像依次进行所述去噪处理和所述灰度处理得到的最终灰度图像,所述方法还包括依据所述电芯的极片主体边缘位置在所述最终灰度图像/>中设置所述基准线。
8.如权利要求7所述的检测方法,其特征在于,若在所述第一检测区域中未检测到部分或全部的所述目标极耳图像,所述检测方法还包括对所述最终灰度图像通过如下公式进行像素的所述二值化分隔:
B(i,j)=
其中,h值的取值范围为125~255。
9.如权利要求7所述的检测方法,其特征在于,所述去噪处理包括通过如下方式实现三原色层叠,以得到所述原始图像对应的经去噪图像:
其中,(i,j)为所述原始图像中任一像素的二维矩阵位置,R(i,j)、G(i,j)和B(i,j)分别为三原色RGB各自对应的取值,KR(m,n)、KG(m,n)和KB(m,n)为所述三原色RGB各自对应的滤波器算法。
10.如权利要求9所述的检测方法,其特征在于,所述灰度处理包括通过如下方式对所述经去噪图像进行处理以获得所述最终灰度图像:
其中, k1,k2和k3值为所述三原色RGB各自对应的加权值。
11.一种极耳缺陷的检测系统,包括:至少一组机器视觉检测装置,所述视觉检测装置包括摄像头和处理器,其中,
所述摄像头适于在电池电芯的制备过程中,采集极耳相关区域的原始图像,其中,所述电芯包括极片,所述极片包括极片主体和极耳;
所述处理器适于数据化处理所述原始图像并依据所述电芯的极片主体边缘位置设置基准线,其中,自所述基准线起更靠近所述电芯中极片主体的一侧为第一检测区域、更远离所述极片主体的另一侧为第二检测区域;以及
所述处理器还适于根据如权利要求1~2以及4~10任一项所述的检测方法,按照预设顺序在所述第一检测区域和所述第二检测区域检测目标极耳图像,并判断当前检测电芯是否为缺陷电芯。
12.如权利要求11所述的检测系统,其特征在于,所述机器视觉检测装置的数量为两组,包括分别位于第一检测位置的第一组机器视觉检测装置和位于第二检测位置的第二组机器视觉检测装置,所述第一检测位置和所述第二检测位置分别位于所述电池电芯的制备过程中所述极片进行卷绕或堆叠前的工序位置,且所述第一检测位置相较于所述第二检测位置按照生产顺序位于更前的位置,其中,
当所述第一组机器视觉检测装置和第二组机器视觉检测装置均判断所述当前检测电芯为缺陷电芯时,所述第一组机器视觉检测装置和/或第二组机器视觉检测装置配置为将所述当前检测电芯标记为缺陷电芯;以及
当仅所述第一组机器视觉检测装置或仅所述第二组机器视觉检测装置判断所述当前检测电芯为缺陷电芯时,所述第一组机器视觉检测装置或所述第二组机器视觉检测装置配置为将所述当前检测电芯标记为疑似缺陷电芯以进行复检。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310943692.2A CN116703890B (zh) | 2023-07-28 | 2023-07-28 | 极耳缺陷的检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310943692.2A CN116703890B (zh) | 2023-07-28 | 2023-07-28 | 极耳缺陷的检测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116703890A CN116703890A (zh) | 2023-09-05 |
CN116703890B true CN116703890B (zh) | 2023-12-19 |
Family
ID=87832461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310943692.2A Active CN116703890B (zh) | 2023-07-28 | 2023-07-28 | 极耳缺陷的检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116703890B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117109447B (zh) * | 2023-10-24 | 2024-01-05 | 钛玛科(北京)工业科技有限公司 | 自适应极耳宽度检测方法、装置及设备 |
CN117538335B (zh) * | 2024-01-09 | 2024-05-31 | 宁德时代新能源科技股份有限公司 | 极耳缺陷检测方法和极耳缺陷检测设备 |
CN117890379B (zh) * | 2024-02-22 | 2024-07-16 | 宁德时代新能源科技股份有限公司 | 极耳超声波焊接检测系统及点检方法 |
CN117782995B (zh) * | 2024-02-23 | 2024-06-25 | 宁德时代新能源科技股份有限公司 | 缺陷检测方法、缺陷检测系统、装置、设备和存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014127062A (ja) * | 2012-12-27 | 2014-07-07 | Lg Display Co Ltd | フラットパネルディスプレイの自動ムラ検出装置および自動ムラ検出方法 |
CN104359918A (zh) * | 2014-11-06 | 2015-02-18 | 杭州电子科技大学 | 一种扬声器纸盆的表面缺陷检测方法 |
CN207992073U (zh) * | 2018-01-25 | 2018-10-19 | 惠州高视科技有限公司 | 电池电芯外观缺陷检测机构 |
CN109270071A (zh) * | 2018-07-23 | 2019-01-25 | 广州超音速自动化科技股份有限公司 | 一种极耳上涂层异常检测方法及极耳焊接检测系统 |
CN113203745A (zh) * | 2021-07-05 | 2021-08-03 | 中航锂电科技有限公司 | 一种叠片装置及极片翻折的检测方法 |
CN114549441A (zh) * | 2022-02-14 | 2022-05-27 | 中船重工鹏力(南京)智能装备系统有限公司 | 基于图像处理的吸管缺陷检测方法 |
CN115355828A (zh) * | 2022-08-12 | 2022-11-18 | 惠州锂威新能源科技有限公司 | 一种软包电池极耳胶的测量方法 |
KR20220154488A (ko) * | 2021-05-13 | 2022-11-22 | 주식회사 엘지에너지솔루션 | 바이셀의 전극 위치 불량 검출장치 및 그 검출방법 |
CN115436382A (zh) * | 2022-09-28 | 2022-12-06 | 广州市易鸿智能装备有限公司 | 一种锂电池极片防断带的缺陷检测系统及方法 |
CN115829921A (zh) * | 2022-09-16 | 2023-03-21 | 宁德时代新能源科技股份有限公司 | 检测电芯缺陷的方法、装置和计算机可读存储介质 |
WO2023077404A1 (zh) * | 2021-11-05 | 2023-05-11 | 宁德时代新能源科技股份有限公司 | 缺陷检测方法、装置和系统 |
-
2023
- 2023-07-28 CN CN202310943692.2A patent/CN116703890B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014127062A (ja) * | 2012-12-27 | 2014-07-07 | Lg Display Co Ltd | フラットパネルディスプレイの自動ムラ検出装置および自動ムラ検出方法 |
CN104359918A (zh) * | 2014-11-06 | 2015-02-18 | 杭州电子科技大学 | 一种扬声器纸盆的表面缺陷检测方法 |
CN207992073U (zh) * | 2018-01-25 | 2018-10-19 | 惠州高视科技有限公司 | 电池电芯外观缺陷检测机构 |
CN109270071A (zh) * | 2018-07-23 | 2019-01-25 | 广州超音速自动化科技股份有限公司 | 一种极耳上涂层异常检测方法及极耳焊接检测系统 |
KR20220154488A (ko) * | 2021-05-13 | 2022-11-22 | 주식회사 엘지에너지솔루션 | 바이셀의 전극 위치 불량 검출장치 및 그 검출방법 |
CN113203745A (zh) * | 2021-07-05 | 2021-08-03 | 中航锂电科技有限公司 | 一种叠片装置及极片翻折的检测方法 |
WO2023077404A1 (zh) * | 2021-11-05 | 2023-05-11 | 宁德时代新能源科技股份有限公司 | 缺陷检测方法、装置和系统 |
CN114549441A (zh) * | 2022-02-14 | 2022-05-27 | 中船重工鹏力(南京)智能装备系统有限公司 | 基于图像处理的吸管缺陷检测方法 |
CN115355828A (zh) * | 2022-08-12 | 2022-11-18 | 惠州锂威新能源科技有限公司 | 一种软包电池极耳胶的测量方法 |
CN115829921A (zh) * | 2022-09-16 | 2023-03-21 | 宁德时代新能源科技股份有限公司 | 检测电芯缺陷的方法、装置和计算机可读存储介质 |
CN115436382A (zh) * | 2022-09-28 | 2022-12-06 | 广州市易鸿智能装备有限公司 | 一种锂电池极片防断带的缺陷检测系统及方法 |
Non-Patent Citations (2)
Title |
---|
Multi-task Deep Learning Based Defect Detection For Lithium Battery Tabs;Yongtao Yu等;《2022 China Automation Congress (CAC)》;第2021-2026页 * |
基于漫水填充与环形校正结合的极耳缺陷检测;毛晓等;《电源技术》;第46卷(第9期);第1000-1004页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116703890A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116703890B (zh) | 极耳缺陷的检测方法和系统 | |
CN105453153B (zh) | 交通灯检测 | |
CN115619793B (zh) | 基于计算机视觉的电源适配器外观质量检测方法 | |
CN107505546A (zh) | 一种利用紫外成像仪监测电晕放电的方法 | |
CN108037132B (zh) | 一种用于干电池浆层纸卷绕缺陷检测的视觉传感器系统及方法 | |
CN108181319B (zh) | 一种基于立体视觉的积尘检测装置及方法 | |
US10599944B2 (en) | Visual feedback for inspection algorithms and filters | |
CN115100200B (zh) | 基于光学手段的光纤缺陷检测方法及系统 | |
CN112132196B (zh) | 一种结合深度学习和图像处理的烟盒缺陷识别方法 | |
CN116523921B (zh) | 一种针对极耳翻折情况的检测方法、装置和系统 | |
CN112070751A (zh) | 木地板缺陷检测方法和装置 | |
CN104766319B (zh) | 提升夜间拍照图像配准精度的方法 | |
CN107644538B (zh) | 交通信号灯的识别方法及装置 | |
CN116721107B (zh) | 一种电缆生产质量智能监控系统 | |
CN115290663B (zh) | 基于光学检测的Mini LED晶圆外观缺陷检测方法 | |
CN114581446B (zh) | 一种叠片电池的电芯异常检测方法及系统 | |
CN115082451A (zh) | 一种基于图像处理的不锈钢汤勺缺陷检测方法 | |
CN116468687A (zh) | 划伤缺陷检测方法、装置及存储介质、电子设备 | |
CN112070749A (zh) | 纸张缺陷检测方法和装置 | |
CN115049667A (zh) | 一种齿轮缺陷检测方法 | |
CN110889874B (zh) | 一种双目相机标定结果的误差评估方法 | |
CN116205894A (zh) | 基于多信息融合的轴承滚子缺陷检测方法 | |
CN104573635B (zh) | 一种基于三维重建的微小高度识别方法 | |
CN111999273B (zh) | 物体缺陷检测方法、系统、装置、设备和存储介质 | |
CN106909903B (zh) | 一种基于图像的路径识别方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |