CN117541585A - 一种锂电池极片露箔缺陷检测方法及装置 - Google Patents
一种锂电池极片露箔缺陷检测方法及装置 Download PDFInfo
- Publication number
- CN117541585A CN117541585A CN202410028864.8A CN202410028864A CN117541585A CN 117541585 A CN117541585 A CN 117541585A CN 202410028864 A CN202410028864 A CN 202410028864A CN 117541585 A CN117541585 A CN 117541585A
- Authority
- CN
- China
- Prior art keywords
- pixel
- image
- value
- background
- point
- 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.)
- Granted
Links
- 239000011888 foil Substances 0.000 title claims abstract description 151
- 230000007547 defect Effects 0.000 title claims abstract description 68
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 51
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims description 21
- 230000008030 elimination Effects 0.000 claims description 20
- 238000003379 elimination reaction Methods 0.000 claims description 20
- 239000000919 ceramic Substances 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 101150110608 HAT1 gene Proteins 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 4
- 229910001416 lithium ion Inorganic materials 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 101150053933 HAT2 gene Proteins 0.000 description 3
- 101100450139 Schizosaccharomyces pombe (strain 972 / ATCC 24843) mis16 gene Proteins 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000010409 thin film Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 239000011889 copper foil Substances 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 239000011267 electrode slurry Substances 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 239000003575 carbonaceous material Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 229910002804 graphite Inorganic materials 0.000 description 1
- 239000010439 graphite Substances 0.000 description 1
- ARNWQMJQALNBBV-UHFFFAOYSA-N lithium carbide Chemical compound [Li+].[Li+].[C-]#[C-] ARNWQMJQALNBBV-UHFFFAOYSA-N 0.000 description 1
- 229910000625 lithium cobalt oxide Inorganic materials 0.000 description 1
- 150000002642 lithium compounds Chemical class 0.000 description 1
- BFZPBUKRYWOWDV-UHFFFAOYSA-N lithium;oxido(oxo)cobalt Chemical compound [Li+].[O-][Co]=O BFZPBUKRYWOWDV-UHFFFAOYSA-N 0.000 description 1
- 230000000877 morphologic effect Effects 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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T7/77—Determining position or orientation of objects or cameras using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种锂电池极片露箔缺陷检测方法及装置，方法包括：采集待检测锂电池极片的原始图像；基于DFS算法和顶帽算法对所述原始图像进行去除背景处理，获得去背景图像；基于所述去背景图像查找局部像素极大值点，根据所述局部像素极大值点判断所述去背景图像中是否存在露箔缺陷；对于存在露箔缺陷的去背景图像，根据所述局部像素极大值点，采用DFS算法和递归算法，确定露箔所在矩形区域；该方法能够有效提高锂电池极片露箔检测的准确性。
Description
技术领域
本发明涉及缺陷检测技术领域，尤其涉及一种锂电池极片露箔缺陷检测方法及装置。
背景技术
锂电池正极通常由碳化锂、氧化钴锂或其他锂化合物构成,这些材料在充电过程中释放锂离子，而在放电过程中吸收锂离子；负极通常由石墨或其他碳材料构成,这些材料在充电过程中吸收锂离子，而在放电过程中释放锂离子。
制造锂电池时，一般将正极浆料和绝缘陶瓷间歇涂覆在一块导电性的铝箔上，将负极浆料和绝缘陶瓷间歇涂覆在一块导电性的铜箔上，得到的极片如图1所示。绝缘陶瓷区域1和电极区域2间隙设置。
然而，由于铝箔或者铜箔有时存在制造缺陷、电池设计不合理导致电池内部应力集中、涂布技术的不完善导致两种涂覆材料之间有缝隙等原因，会导致锂电池出现露箔，如图2所示，绝缘陶瓷区域1和电极区域2之间、绝缘陶瓷区域1或者电极区域2上出现露箔区域3，如果不经处理，露箔会导致正极箔和负极箔直接接触，使得电池内部的正负极之间发生短路以及电池内部能量释放，严重危害电池的稳定性；还会使电池的性能明显下降，正常运行会受到损害，降低电池的使用寿命；此外，露箔也可能使得电池内的电解液泄漏，损害电池周围的环境和设备。因此，尤其是大面积的露箔，需要在极片切割和卷取之前被检测出来，否则一旦有严重露箔的极片被加工成锂电池，将会造成很大的负面影响。
由于露箔的大小、位置、尺寸、形状、亮度均存在很大差异，有些肉眼难以分辨，如果采用人工检测的方法识别露箔，会造成较大误差以及高昂成本。此外，目前极片缺陷检测多采用基于人工智能的方法，例如，专利文献CN 114113137 A 公开了一种薄膜材料的缺陷检测系统及其方法，首先使线阵相机在背光的环境下对薄膜材料拍照，并使用深度学习的方法同时设计在线数据增强方法，使得小样本的数据量得到二次增加，最后使用改进的Yolov4检测模型进行薄膜材料的缺陷检测。再如，专利 CN 204202561 U 公开了一种涂布露箔在线检测装置，装置包括使用通过导向杆连接的基架，其中导向杆上设有连接板，连接板上设有方便导向杆的开孔和多个相机。将信号输入单元、信号输出单元与图像处理单元连接，并将相机通过数据线与图像处理单元连接。专利CN 114022418 A 公开了一种锂电池极片缺陷检测方法及系统，首先根据含极片缺陷的锂电池图像，通过图像ROI提取算法获取锂电池极片图像，并利用双边滤波算法和多尺度MSR算法对极片图像进行去噪和增强；然后利用GrabCut算法分割极片图像，并通过形态学处理对分割图像进行优化；最后通过边缘检测算法提取锂电池极片区域的缺陷边缘，采用最小外接矩形法标定缺陷轮廓。
上述缺陷检测多采用基于人工智能的方法，如果考虑深度学习的方法来训练模型，一是标注每张图片上露箔的过程非常复杂，耗时很长；二是由于露箔的形态各异，除非标注海量图片以求囊括所有的情况，否则一定会有漏检；三是由于绝缘区域与露箔灰度相近，深度学习会不可避免地将灰色背景当成缺陷。因此，采用现有的深度学习方法进行露箔缺陷检测存在漏检率高、准确性低的问题。
发明内容
本发明提供了一种锂电池极片露箔缺陷检测方法及装置，能够有效避免锂电池极片露箔缺陷漏检，提高检测的准确性。
一种锂电池极片露箔缺陷检测方法，包括：
采集待检测锂电池极片的原始图像；
基于DFS算法和顶帽算法对所述原始图像进行去除背景处理，获得去背景图像；
基于所述去背景图像查找局部像素极大值点，根据所述局部像素极大值点判断所述去背景图像中是否存在露箔缺陷；
对于存在露箔缺陷的去背景图像，根据所述局部像素极大值点，采用DFS算法和递归算法，确定露箔所在矩形区域。
进一步地，所述待检测锂电池极片的原始图像中绝缘陶瓷区域和电极区域交替涂覆设置。
进一步地，基于DFS算法和顶帽算法对所述原始图像进行去除背景处理，获得去背景图像，包括：
以所述原始图像中绝缘陶瓷区域和电极区域交替设置延伸的方向为横向，基于DFS算法和顶帽算法对所述原始图像进行从左到右去背景处理，获得第一去背景图像；
基于顶帽算法对所述原始图像进行整体去背景处理，获得第二去背景图像；
对所述第一去背景图像和第二去背景图像进行处理，获得所述去背景图像。
进一步地，基于DFS算法和顶帽算法对所述原始图像进行从左到右去背景处理，获得第一去背景图像，包括：
计算所述原始图像每一列像素的像素均值，将最小像素均值所在的列作为分界列，将所述原始图像分为左边区域和右边区域，所述左边区域包括所述分界列；
对所述左边区域，求取第0列的最大像素值，若第0列的最大像素值小于预设最大阈值，则确定第0列为背景，并新建第一队列和输出图像，将所述原始图像的像素赋值给所述输出图像，判断所述左边区域的第0列第0行像素点的像素值是否在预设范围之间，若所述左边区域的第0列第0行像素点的像素值在预设范围之间，则将所述输出图像上对应像素点的像素值设置为0，将对应像素点的行列索引推入所述第一队列，重复如下步骤直到所述第一队列为空：判断所述第一队列是否为空，如果不为空，则弹出先入第一队列的像素点的行列索引，判断弹出队列的像素点四周的像素值是否在所述预设范围内，如果是，则将所述输出图像上对应像素点的像素值设置为0，并将对应的行列索引推入所述第一队列；当所述第一队列为空时，获得的输出图像为左边区域去背景图像；
对所述右边区域，设置结构区域图像，将所述结构区域图像与所述左边区域去背景图像进行开运算，获得第一噪点消除图像，新建第一图像，遍历所述左边区域去背景图像，将所述左边区域去背景图像中像素值大于第一预设阈值的像素点的像素值赋值给所述第一图像中对应位置的像素点；将所述左边区域去背景图像中像素值小于或等于第一预设阈值的像素点的像素值与所述第一噪点消除图像中对应像素点的像素值进行相减获得第一差值，若所述第一差值大于0，则将所述第一差值赋值给所述第一图像中对应位置的像素点，若所述第一差值小于或等于0，则将所述第一图像中对应位置的像素点赋值为0，最终获得的所述第一图像为所述第一去背景图像。
进一步地，基于顶帽算法对所述原始图像进行整体去背景处理，获得第二去背景图像，包括：
设置结构区域图像，将所述结构区域图像与所述原始图像进行开运算，获得第二噪点消除图像，新建第二图像，遍历所述原始图像，将所述原始图像中像素值大于第二预设阈值的像素点的像素值赋值给所述第二图像中对应位置的像素点；将所述原始图像中像素值小于或等于第二预设阈值的像素点的像素值与所述第二噪点消除图像中对应像素点的像素值进行相减获得第二差值，若所述第二差值大于0，则将所述第二差值赋值给所述第二图像中对应位置的像素点，若所述第二差值小于或等于0，则将所述第二图像中对应位置的像素点赋值为0，最终获得的所述第二图像为所述第二去背景图像。
进一步地，对所述第一去背景图像和第二去背景图像进行处理，获得所述去背景图像，包括：
新建第三图像，将所述第一去背景图像和第二去背景图像中对应的像素值进行比较，并将比较结果中的较小值赋值给所述第三图像，获得所述去背景图像。
进一步地，根据所述局部像素极大值点判断所述去背景图像中是否存在露箔缺陷，包括：
将所述去背景图像中所有的像素极大值点的行列索引保存在数组中，获得极值数组；
将所述局部像素极大值点的像素值与预设值进行比较，若有局部像素极大值点的像素值大于所述预设值，则确定所述去背景图像中存在露箔区域，并将像素值大于所述预设值对应的局部像素极大值点确定为有效极值点。
进一步地，根据所述局部像素极大值点，采用DFS算法和递归算法，确定露箔所在矩形区域，包括：
计算所有所述有效极值点的像素平均值，将所述像素平均值与预设系数进行相乘，获得乘积；
将各个有效极值点的像素值与所述乘积比较，当所述有效极值点的像素值大于所述乘积时，确定相应的有效极值点位于露箔所在区域；
对露箔所在区域的当前有效极值点，建立其所在矩形区域的高度最大值行索引、高度最小值行索引、宽度最大值列索引以及宽度最小值列索引，并将所述高度最大值行索引和高度最小值行索引的初值赋值为所述当前有效极值点的纵坐标，将宽度最大值列索引以及宽度最小值列索引的初值赋值为当前有效极值点的横坐标；
执行如下DFS算法和递归算法：
设置第一阈值，所述第一阈值为当前有效极值点在所述原始图像中的像素值；
设置第二阈值，新建第二队列和第四图像，将所述原始图像的像素值赋值给所述第四图像；
若所述当前有效极值点的像素值大于0，则将所述当前有效极值点的行列索引推入所述第二队列，并将当前有效极值点对应于所述第四图像中的像素点的像素值设置为0；
迭代执行如下步骤，直到所述第二队列为空，获得露箔所在矩形区域四个顶点的行列索引：
判断所述第二队列是否为空，如果不为空，则弹出最先入列的行列索引，根据弹出的行列索引查找所述去背景图像中对应的像素点的上方、下方、左侧和右侧是否存在像素点；
若存在上方像素点，且所述上方像素点对应于所述第四图像中的像素点的像素值大于所述第二阈值且小于所述第一阈值，则将所述上方像素点的行列索引推入所述第二队列，若所述上方像素点的行索引小于高度最小值行索引，则将所述高度最小值行索引更新为所述上方像素点的行索引，并设置所述第四图像中对应于所述上方像素点的像素值为0；
若存在下方像素点，且所述下方像素点对应于所述第四图像中的像素点的像素值大于所述第二阈值且小于所述第一阈值，则将所述下方像素点的行列索引推入所述第二队列，若所述下方像素点的行索引小于高度最大值行索引，则将所述高度最大值行索引更新为所述下方像素点的行索引，并设置所述第四图像中对应于所述下方像素点的像素值为0；
若存在左侧像素点，且所述左侧像素点对应于所述第四图像中的像素点的像素值大于所述第二阈值且小于所述第一阈值，则将所述左侧像素点的行列索引推入所述第二队列，若所述左侧像素点的列索引小于宽度最小值列索引，则将所述宽度最小值列索引更新为所述左侧像素点的列索引，并设置所述第四图像中对应于所述左侧像素点的像素值为0；
若存在右侧像素点，且所述右侧像素点对应于所述第四图像中的像素点的像素值大于所述第二阈值且小于所述第一阈值，则将所述右侧像素点的行列索引推入所述第二队列，若所述右侧像素点的列索引小于宽度最大值列索引，则将所述宽度最大值列索引更新为所述右侧像素点的列索引，并设置所述第四图像中对应于所述右侧像素点的像素值为0。
进一步地，获得露箔所在矩形区域四个顶点的行列索引之后，还包括：
设置第三阈值；
计算露箔所在矩形区域的面积，若所述面积小于或等于预设面积，且露箔所在矩阵区域的长和宽均大于0，则遍历所述露箔所在矩形区域中的每个像素点，若像素点在所述极值数组内且该像素点的像素值大于第三阈值，保持露箔所在矩形区域四个顶点的高度最大值行索引、高度最小值行索引、宽度最大值列索引以及宽度最小值列索引不变，将当前有效极值点更新为该像素点，并再次执行DFS算法和递归算法，扩大矩形范围，获得最终矩形区域，并将所述最终矩阵区域内的像素置黑；
若所述面积大于所述预设面积，或者露箔所在矩阵区域的长或宽等于0，则求解所述矩形区域内的像素最大值点，若所述像素最大值点大于预设最大值，则遍历所述露箔所在矩形区域中的每个像素点，若像素点在所述极值数组内且该像素点的像素值大于第三阈值，保持露箔所在矩形区域四个顶点的高度最大值行索引、高度最小值行索引、宽度最大值列索引以及宽度最小值列索引不变，将当前有效极值点更新为该像素点，并再次执行DFS算法和递归算法，扩大矩形范围，获得最终矩形区域，并将所述最终矩阵区域内的像素置黑；若所述像素最大值点小于或等于所述预设最大值，则放弃所述矩形区域。
一种上述方法的锂电池极片露箔缺陷检测装置，包括：
采集模块，用于采集待检测锂电池极片的原始图像；
去背景模块，基于DFS算法和顶帽算法对所述原始图像进行去除背景处理，获得去背景图像；
缺陷判断模块，基于所述去背景图像查找局部像素极大值点，根据所述局部像素极大值点判断所述去背景图像中是否存在露箔缺陷；
区域确定模块，用于对存在露箔缺陷的去背景图像，根据所述局部像素极大值点，采用DFS算法和递归算法，确定露箔所在矩形区域。
本发明提供的锂电池极片露箔缺陷检测方法及装置，至少包括如下有益效果：
（1）基于DFS算法、顶帽算法、求极值算法以及递归算法即可有效的检测出锂电池极片上的露箔缺陷，无需海量的样本进行训练，节省人力，有效避免锂电池极片露箔缺陷漏检，提高检测的准确性；
（2）基于DFS算法、顶帽算法、求极值算法以及递归算法，只需设置合理的阈值参数，即可进行锂电池极片的露箔缺陷检测，普适性强，易于实现，不需要额外设备或者高性能服务器，有效降低生产成本，并大大提升了检测速度；
（3）不仅能够检测出露箔缺陷，还可以获取露箔大致的大小，为是否弃用极片提供参考。
附图说明
图1为锂电池极片一种实施例中的结构示意图。
图2为锂电池极片露箔缺陷的示意图。
图3为本发明提供的锂电池极片露箔缺陷检测方法一种实施例的流程图。
图4为本发明提供的锂电池极片露箔缺陷检测方法中锂电池极片露箔缺陷一种实施例中的示意图。
图5为本发明提供的锂电池极片露箔缺陷检测方法另一种实施例的流程图。
图6为本发明提供的锂电池极片露箔缺陷检测装置一种实施例的流程图。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
参考图3，在一些实施例中，提供一种锂电池极片露箔缺陷检测方法，其特征在于，包括：
S1、采集待检测锂电池极片的原始图像；
S2、基于DFS算法和顶帽算法对所述原始图像进行去除背景处理，获得去背景图像；
S3、基于所述去背景图像查找局部像素极大值点，根据所述局部像素极大值点判断所述去背景图像中是否存在露箔缺陷；
S4、对于存在露箔缺陷的去背景图像，根据所述局部像素极大值点，采用DFS算法和递归算法，确定露箔所在矩形区域。
进一步地，参考图1，步骤S1中，所述待检测锂电池极片的原始图像中绝缘陶瓷区域1和电极区域2交替涂覆设置。
参考图4，极片的原始图像有以下特点：
（1）在同一张图片上，露箔的灰度、大小、形状、位置各不相同，即使同一块露箔，从露箔的中心到露箔的边缘灰度值也是依次减小的，如图4中的(h)；
（2）在同一张图片上，露箔的分布可能复杂，数量可能很多，如图4中的(j)；
（3）在同一张图片上，有些露箔可能与灰色背景（绝缘陶瓷区域）灰度相近甚至相同，如图4中的(i)；
（4）对于不同的图片，整体亮度不同导致露箔的亮度有差异，如图4中的(c)和(d)；
（5）对于不同的图片，不一定存在露箔，如图4中的(f)，也不一定存在灰色背景，如图4中的(g)，对于存在灰色背景的情况，其位置也不能确定，如图4中的(f)和(k)；
（6）有的露箔紧贴着灰色背景与黑色背景的交界处，有的露箔在黑色背景（极片区域）中，有的露箔在灰色背景中,如图4中的(a)和(j)；
（7）灰色背景不光滑，与黑色背景交界处的边缘有非常多的毛刺，如图4中的(k)，还经常跟露箔黏连在一起，如图4中的(e)。
同时，观察露箔的图像，还发现以下特点：
若存在灰色背景，灰色背景的高度一定与图像高度相同，宽度一定小于图像，且只可能位于图像最左侧或者最右侧，不会出现在图像中间，而且灰色背景一般灰度值是均匀的或者沿着横向均匀过渡的，纵向上基本总是均匀的；
如果一幅图像上有露箔，那么露箔的最大值基本都会比灰色背景大，不论是该幅图像上的灰色背景还是其他图像上的灰色背景；
上述特点表明锂电池极片图像上露箔和背景的复杂，露箔区域极易漏检或者误检，所以难以用深度学习或者常用的缺陷检测算法将其全部检测出来。因此，本实施例提出了基于DFS算法、顶帽算法和递归算法对露箔缺陷进行检测。
进一步地，由于原始图像中的灰色背景可能在左边，也可能在右边，也可能两边都有或者两边都没有（以所述原始图像中绝缘陶瓷区域和电极区域交替设置延伸的方向为横向）；背景的亮度值可能较高可能较低；背景的边缘可能光滑或者不光滑。因此先对图像从左到右去背景（适合于背景边缘不平滑或者亮度低的情况），再对图像进行整体顶帽去背景（适合背景亮度高或者平整的情况）。
进一步地，步骤S2中，基于DFS算法和顶帽算法对所述原始图像进行去除背景处理，获得去背景图像，包括：
S21、以所述原始图像中绝缘陶瓷区域和电极区域交替设置延伸的方向为横向（如图1中的箭头方向所示），基于DFS算法和顶帽算法对所述原始图像进行从左到右去背景处理，获得第一去背景图像；
S22、基于顶帽算法对所述原始图像进行整体去背景处理，获得第二去背景图像；
S23、对所述第一去背景图像和第二去背景图像进行处理，获得所述去背景图像。
进一步地，步骤S21中，基于DFS算法和顶帽算法对所述原始图像进行从左到右去背景处理，获得第一去背景图像，包括：
S211、计算所述原始图像每一列像素的像素均值，将最小像素均值所在的列作为分界列，将所述原始图像分为左边区域和右边区域，所述左边区域包括所述分界列；
S212、对所述左边区域，求取第0列的最大像素值，若第0列的最大像素值小于预设最大阈值，则确定第0列为背景，并新建第一队列和输出图像，将所述原始图像的像素赋值给所述输出图像，判断所述左边区域的第0列第0行像素点的像素值是否在预设范围之间，若所述左边区域的第0列第0行像素点的像素值在预设范围之间，则将所述输出图像上对应像素点的像素值设置为0，将对应像素点的行列索引推入所述第一队列，重复如下步骤直到所述第一队列为空：判断所述第一队列是否为空，如果不为空，则弹出先入队列的像素点的行列索引，判断弹出队列的像素点四周的像素值是否在所述预设范围内，如果是，则将所述输出图像上对应像素点的像素值设置为0，并将对应的行列索引推入所述队列；当所述队列为空时，获得的输出图像为左边区域去背景图像；
S213、对所述右边区域，设置结构区域图像，将所述结构区域图像与所述左边区域去背景图像进行开运算，获得第一噪点消除图像，新建第一图像，遍历所述左边区域去背景图像，将所述左边区域去背景图像中像素值大于第一预设阈值的像素点的像素值赋值给所述第一图像中对应位置的像素点；将所述左边区域去背景图像中像素值小于或等于第一预设阈值的像素点的像素值与所述第一噪点消除图像中对应像素点的像素值进行相减获得第一差值，若所述第一差值大于0，则将所述第一差值赋值给所述第一图像中对应位置的像素点，若所述第一差值小于或等于0，则将所述第一图像中对应位置的像素点赋值为0，最终获得的所述第一图像为所述第一去背景图像。
具体地，步骤S211中，首先读取原始图像src，计算原始图像src每一列像素的像素均值，并找到最小像素均值所在的列，认为这就是原始图像src的左右分界，该分界列的列号为idxboundary。
进一步地，步骤S212中，求原始图像src第0列的最大像素值；预设一个合理的预设最大阈值nummaxFirstCol，如果第0列的最大像素值小于该预设最大阈值nummaxFirstCol，说明第0列是背景而不是露箔所在的列，所以从第0列到第idxboundary列用DFS（深度优先搜索）的方法去背景，具体步骤为：
S212a、预设合理的阈值参数min和max，即设置预设范围min到max之间，新建第一队列，新建一个与原始图像src同等大小的输出图像dstAfter1，并把原始图像src的值赋给输出图像dstAfter1；
S212b 、如果原始图像src第0列的第0行灰度值大于min且小于max，即灰度值在预设范围内，那么将输出图像dstAfter1上对应于该点像素值置为0，并将该点行列索引推入第一队列；
S212c 、判断第一队列是否为空，如果不为空，重复执行S212c、S212d和S212e，否则执行S212f；
S212d、 弹出第一队列中最先放入的像素点的行列索引，同时判断该像素点上、下、左、右（如果某个方向没有点，则省去该方向）四个方向的四个像素值是否在预设范围min和max之间；
S212e、如果像素值在预设范围min和max之间，那么认为该点是背景，将输出图像dstAfter1上该点像素值置为0，并将该点的行列索引推入第一队列；如果像素值不在预设范围内，则对输出图像不做处理；
S212f、第一队列为空，即可得到去背景之后的输出图像dstAfter1，即左边区域去背景图像。
具体地，步骤S212b中如果原始图像src第0列的第0行的值不在预设范围min和max之间，那么队列将为空，DFS算法即终止。这是由于因为根据特点（7），如果第0列是白背景，则第0列的第0行的像素值一定在预设范围min和max之间，所以只有第0列的第0行的值不在预设范围min和max之间的情况下才需要进行DFS去背景，小于min说明是黑色背景，大于max说明是露箔。
进一步地，再采用顶帽算法去除右边的背景，步骤S213中，先设置一个方形的结构区域图像kernel，将输出图像dstAfter1与结构区域图像kernel进行开运算（即通过先腐蚀图像然后再进行膨胀来去除亮度较大或尺寸较小的细节），得到第一噪点消除图像dstBefore1。再新建一个与输出图像dstAfter1同等大小的第一图像srcNoBackground1，预设一个合理的第一预设阈值numhat1，遍历输出图像dstAfter1，如果输出图像dstAfter1某个像素点像素值小于或等于第一预设阈值numhat1,用这个像素点的像素值减去第一噪点消除图像dstBefore1对应像素点的值，获得第一差值，如果该第一差值值大于0，将该第一差值值赋给第一图像srcNoBackground1的对应位置，否则将0赋给第一图像srcNoBackground1的对应位置；如果输出图像dstAfter1某个像素点灰度值大于第一预设阈值numhat1,将输出图像dstAfter1该点的像素值赋给第一图像srcNoBackground1的对应位置。最终得到先左再右去背景后的第一去背景图像srcNoBackground1。比如：
假设dstAfter1[m1][n1]＞numhat1，则：srcNoBackground1[m1][n1]=dstAfter1[m1][n1]；
假设dstAfter1[m2][n2]≤numhat1，且dstAfter1[m2][n2]-dstBefore1[m2][n2]＞0，则： srcNoBackground1[m2][n2]=dstAfter1[m2][n2]-dstBefore1[m2][n2]；
假设dstAfter1[m3][n3]≤numhat1，且dstAfter1[m3][n3]-dstBefore1[m3][n3]≤0，则： srcNoBackground1[m3][n3]=0。
进一步地，步骤S22中，基于顶帽算法对所述原始图像进行整体去背景处理，获得第二去背景图像，包括：
设置结构区域图像kernel，将结构区域图像kernel与原始图像src进行开运算（即通过先腐蚀图像然后再进行膨胀来去除亮度较大或尺寸较小的细节），获得第二噪点消除图像dstBefore2，新建一个与原始图像src同等大小的第二图像srcNoBackground2，预设一个合理的第二预设阈值numhat2，遍历原始图像src，将原始图像src中像素值大于第二预设阈值numhat2的像素点的像素值赋值给第二图像srcNoBackground2中对应位置的像素点；将原始图像src中像素值小于或等于第二预设阈值numhat2的像素点的像素值与第二噪点消除图像dstBefore2中对应像素点的像素值进行相减获得第二差值，若所述第二差值大于0，则将所述第二差值赋值给第二图像srcNoBackground2中对应位置的像素点，若所述第二差值小于或等于0，则将所述第二图像srcNoBackground2中对应位置的像素点赋值为0，最终获得的所述第二图像srcNoBackground2为所述第二去背景图像。
进一步地，步骤S23中，对所述第一去背景图像和第二去背景图像进行处理，获得所述去背景图像，包括：
新建第三图像，将所述第一去背景图像和第二去背景图像中对应的像素值进行比较，并将比较结果中的较小值赋值给所述第三图像，获得所述去背景图像。
具体地，新建一个与原始图像src同等大小的第三图像srcNoBackground，遍历第三图像srcNoBackground的每个点，并把第一去背景图像srcNoBackground1和第二去背景图像srcNoBackground2的较小值赋给第三图像srcNoBackground，即：
如果srcNoBackground1[m1][n1]≤srcNoBackground2[m1][n1],则srcNoBackground[m1][n1]=srcNoBackground1[m1][n1]；
如果srcNoBackground1[m2][n2]＞srcNoBackground2[m2][n2],则srcNoBackground[m2][n2]=srcNoBackground2[m2][n2]。
进一步地，步骤S3中，首先对去背景图像srcNoBackground找出所有的局部像素极大值点，根据所述局部像素极大值点判断所述去背景图像中是否存在露箔缺陷，包括：
S31、将所述去背景图像中所有的局部像素极大值点的行列索引保存在数组中，获得极值数组；
S32、将所述局部像素极大值点的像素值与预设值进行比较，若有局部像素极大值点的像素值大于所述预设值，则确定所述去背景图像中存在露箔区域，并将像素值大于所述预设值对应的局部像素极大值点确定为有效极值点。
具体地，由于有些背景边缘非常尖锐，上述去背景的过程中，有的尖锐处可能没有完全被去掉，因此还需要确定极值点的有效性。此外，观察图片可知，即使是整体亮度很暗的图像，如果有露箔，露箔的灰度极大值也会比背景边缘的灰度值大，所以，设置一个合理的预设值numreal，如果极值点最大值超过预设值numreal，才能说明这张图片上是有露箔的，否则图片中所有的极大值点就是由于去背景没去干净造成的。此步骤可以筛选出有露箔的图片，并且找到该图片上所有的局部像素极大值点。
进一步地，步骤S4中，根据所述局部像素极大值点，采用DFS算法和递归算法，确定露箔所在矩形区域，包括：
S41、计算所有所述有效极值点的像素平均值，将所述像素平均值与预设系数进行相乘，获得乘积；
其中，预设系数小于1；
S42、将各个有效极值点的像素值与所述乘积比较，当所述有效极值点的像素值大于所述乘积时，确定相应的有效极值点位于露箔所在区域；
S43、对露箔所在区域的当前有效极值点，建立其矩形区域的高度最大值行索引heightMax、高度最小值行索引heightMin、宽度最大值列索引 widthMax以及宽度最小值列索引widthMin，并将高度最大值行索引heightMax和高度最小值行索引heightMin的初值赋值为所述当前有效极值点的纵坐标，将宽度最大值列索引widthMax以及宽度最小值列索引widthMin的初值赋值为当前有效极值点的横坐标；
执行如下DFS算法和递归算法：
a、设置第一阈值tmp，所述第一阈值tmp为当前有效极值点在所述原始图像src中的像素值；
b、设置第二阈值thes，新建第二队列和第四图像SRC，将原始图像src的像素值赋值给所述第四图像SRC；
其中，第四图像SRC大小与原始图像src一致；
c、若所述当前有效极值点的像素值大于0，则将所述当前有效极值点的行列索引推入所述第二队列，并将当前有效极值点对应于所述第四图像中的像素点的像素值设置为0；
d、迭代执行如下步骤，直到所述第二队列为空，获得露箔所在矩形区域四个顶点的行列索引：
判断所述第二队列是否为空，如果不为空，则弹出最先入列的行列索引，根据弹出的行列索引查找所述去背景图像中对应的像素点的上方、下方、左侧和右侧是否存在像素点；
若存在上方像素点Ptop，且上方像素点Ptop对应于所述第四图像SCR中的像素点的像素值大于所述第二阈值thes且小于所述第一阈值tmp，即在第二阈值thes和第一阈值tmp之间（若不在此区间则不进行操作），则将所述上方像素点Ptop的行列索引推入所述第二队列，若所述上方像素点Ptop的行索引小于高度最小值行索引heightMin，则将所述高度最小值行索引heightMin更新为所述上方像素点Ptop的行索引，并设置所述第四图像SRC中对应于所述上方像素点Ptop的像素值为0；
若存在下方像素点Pbottom，且所述下方像素点Pbottom对应于所述第四图像SRC中的像素点的像素值大于所述第二阈值thes且小于所述第一阈值tmp，即在第二阈值thes和第一阈值tmp之间，则将所述下方像素点Pbottom的行列索引推入所述第二队列，若所述下方像素点Pbottom的行索引小于高度最大值行索引，则将所述高度最大值行索引更新为所述下方像素点Pbottom的行索引，并设置所述第四图像SRC中对应于所述下方像素点Pbottom的像素值为0；
若存在左侧像素点Pleft，且所述左侧像素点Pleft对应于所述第四图像SRC中的像素点的像素值大于所述第二阈值thes且小于所述第一阈值tmp，即在第二阈值thes和第一阈值tmp之间，则将所述左侧像素点Pleft的行列索引推入所述第二队列，若所述左侧像素点Pleft的列索引小于宽度最小值列索引，则将所述宽度最小值列索引更新为所述左侧像素点的列索引，并设置所述第四图像SRC中对应于所述左侧像素点Pleft的像素值为0；
若存在右侧像素点Pright，且所述右侧像素点Pright对应于所述第四图像SRC中的像素点的像素值大于所述第二阈值thes且小于所述第一阈值tmp，即在第二阈值thes和第一阈值tmp之间，则将所述右侧像素点Pright的行列索引推入所述第二队列，若所述右侧像素点Pright的列索引小于宽度最大值列索引，则将所述宽度最大值列索引更新为所述右侧像素点的列索引，并设置所述第四图像SRC中对应于所述右侧像素点的像素值为0。
重复执行步骤d，当第二队列为空时，即可得到该极点对应的四个顶点行列索引：
左上顶点[heightMin，widthMin]，左下顶点[heightMax，widthMin]，
右上顶点[heightMin，widthMax]，右下顶点[heightMax，widthMax]。
进一步地，设置一个合理的预设面积阈值S，设置一个合理的预设最大值Max，获得露箔所在矩形区域四个顶点的行列索引之后，需要判断矩形区域内是否包含了其他露箔的部分，如果是，则需扩大矩形区域范围，直到矩形区域内的所有露箔都是完整的，即没有露箔被矩形区域截断，因此，获得露箔所在矩形区域四个顶点的行列索引之后，还包括：
设置第三阈值；
计算露箔所在矩形区域的面积，若所述面积小于或等于预设面积，且露箔所在矩阵区域的长和宽均大于0，则遍历所述露箔所在矩形区域中的每个像素点，若像素点在所述极值数组内且该像素点的像素值大于第三阈值，保持露箔所在矩形区域四个顶点的高度最大值行索引、高度最小值行索引、宽度最大值列索引以及宽度最小值列索引不变，将当前有效极值点更新为该像素点，并再次执行DFS算法和递归算法，扩大矩形范围，获得最终矩形区域，并将所述最终矩阵区域内的像素置黑；
若所述面积大于所述预设面积，或者露箔所在矩阵区域的长或宽等于0，则求解所述矩形区域内的像素最大值点，若所述像素最大值点大于预设最大值，则遍历所述露箔所在矩形区域中的每个像素点，若像素点在所述极值数组内且该像素点的像素值大于第三阈值，保持露箔所在矩形区域四个顶点的高度最大值行索引、高度最小值行索引、宽度最大值列索引以及宽度最小值列索引不变，将当前有效极值点更新为该像素点，并再次执行DFS算法和递归算法，扩大矩形范围，获得最终矩形区域，并将所述最终矩阵区域内的像素置黑；若所述像素最大值点小于或等于所述预设最大值，则放弃所述矩形区域。
经过上述步骤，能够将被矩形框截断的露箔区域合并。
所有获取到的矩形即为露箔所在的区域。根据矩形的顶点的行列索引heightMin,heightMax, widthMin, widthMax，不仅知道了矩形的位置，也可以计算矩形面积。有些很小的露箔不会影响电池性能，所以在标注出露箔位置的同时，同时获得露箔大致的大小，以决定是否需弃用此位置的极片。
上述实施例提供的锂电池极片露箔缺陷检测方法，至少包括如下有益效果：
（1）基于DFS算法、顶帽算法、求极值算法以及递归算法即可有效的检测出锂电池极片上的露箔缺陷，无需海量的样本进行训练，节省人力，有效避免锂电池极片露箔缺陷漏检，提高检测的准确性；
（2）基于DFS算法、顶帽算法、求极值算法以及递归算法，只需设置合理的阈值参数，即可进行锂电池极片的露箔缺陷检测，普适性强，易于实现，不需要额外设备或者高性能服务器，有效降低生产成本，并大大提升了检测速度；
（3）不仅能够检测出露箔缺陷，还可以获取露箔大致的大小，为是否弃用极片提供参考。
参考图6，在一些实施例中，还提供一种应用于上述方法的锂电池极片露箔缺陷检测装置，包括：
采集模块201，用于采集待检测锂电池极片的原始图像；
去背景模块202，基于DFS算法和顶帽算法对所述原始图像进行去除背景处理，获得去背景图像；
缺陷判断模块203，基于所述去背景图像查找局部像素极大值点，根据所述局部像素极大值点判断所述去背景图像中是否存在露箔缺陷；
区域确定模块204，用于对存在露箔缺陷的去背景图像，根据所述局部像素极大值点，采用DFS算法和递归算法，确定露箔所在矩形区域。
具体原理请参考方法实施例，在此不在赘述。
上述实施例提供的锂电池极片露箔缺陷检测装置，至少包括如下有益效果：
（1）基于DFS算法、顶帽算法、求极值算法以及递归算法即可有效的检测出锂电池极片上的露箔缺陷，无需海量的样本进行训练，节省人力，有效避免锂电池极片露箔缺陷漏检，提高检测的准确性；
（2）基于DFS算法、顶帽算法、求极值算法以及递归算法，只需设置合理的阈值参数，即可进行锂电池极片的露箔缺陷检测，普适性强，易于实现，不需要额外设备或者高性能服务器，有效降低生产成本，并大大提升了检测速度；
（3）不仅能够检测出露箔缺陷，还可以获取露箔大致的大小，为是否弃用极片提供参考。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种锂电池极片露箔缺陷检测方法，其特征在于，包括：
采集待检测锂电池极片的原始图像；
基于DFS算法和顶帽算法对所述原始图像进行去除背景处理，获得去背景图像；
基于所述去背景图像查找局部像素极大值点，根据所述局部像素极大值点判断所述去背景图像中是否存在露箔缺陷；
对于存在露箔缺陷的去背景图像，根据所述局部像素极大值点，采用DFS算法和递归算法，确定露箔所在矩形区域。
2.根据权利要求1所述的方法，其特征在于，所述待检测锂电池极片的原始图像中绝缘陶瓷区域和电极区域交替涂覆设置。
3.根据权利要求1或2所述的方法，其特征在于，基于DFS算法和顶帽算法对所述原始图像进行去除背景处理，获得去背景图像，包括：
以所述原始图像中绝缘陶瓷区域和电极区域交替设置延伸的方向为横向，基于DFS算法和顶帽算法对所述原始图像进行从左到右去背景处理，获得第一去背景图像；
基于顶帽算法对所述原始图像进行整体去背景处理，获得第二去背景图像；
对所述第一去背景图像和第二去背景图像进行处理，获得所述去背景图像。
4.根据权利要求3所述的方法，其特征在于，基于DFS算法和顶帽算法对所述原始图像进行从左到右去背景处理，获得第一去背景图像，包括：
计算所述原始图像每一列像素的像素均值，将最小像素均值所在的列作为分界列，将所述原始图像分为左边区域和右边区域，所述左边区域包括所述分界列；
对所述左边区域，求取第0列的最大像素值，若第0列的最大像素值小于预设最大阈值，则确定第0列为背景，并新建第一队列和输出图像，将所述原始图像的像素赋值给所述输出图像，判断所述左边区域的第0列第0行像素点的像素值是否在预设范围之间，若所述左边区域的第0列第0行像素点的像素值在预设范围之间，则将所述输出图像上对应像素点的像素值设置为0，将对应像素点的行列索引推入所述第一队列，重复如下步骤直到所述第一队列为空：判断所述第一队列是否为空，如果不为空，则弹出先入第一队列的像素点的行列索引，判断弹出第一队列的像素点四周的像素值是否在所述预设范围内，如果是，则将所述输出图像上对应像素点的像素值设置为0，并将对应的行列索引推入所述第一队列；当所述第一队列为空时，获得的输出图像为左边区域去背景图像；
对所述右边区域，设置结构区域图像，将所述结构区域图像与所述左边区域去背景图像进行开运算，获得第一噪点消除图像，新建第一图像，遍历所述左边区域去背景图像，将所述左边区域去背景图像中像素值大于第一预设阈值的像素点的像素值赋值给所述第一图像中对应位置的像素点；将所述左边区域去背景图像中像素值小于或等于第一预设阈值的像素点的像素值与所述第一噪点消除图像中对应像素点的像素值进行相减获得第一差值，若所述第一差值大于0，则将所述第一差值赋值给所述第一图像中对应位置的像素点，若所述第一差值小于或等于0，则将所述第一图像中对应位置的像素点赋值为0，最终获得的所述第一图像为所述第一去背景图像。
5.根据权利要求3所述的方法，其特征在于，基于顶帽算法对所述原始图像进行整体去背景处理，获得第二去背景图像，包括：
设置结构区域图像，将所述结构区域图像与所述原始图像进行开运算，获得第二噪点消除图像，新建第二图像，遍历所述原始图像，将所述原始图像中像素值大于第二预设阈值的像素点的像素值赋值给所述第二图像中对应位置的像素点；将所述原始图像中像素值小于或等于第二预设阈值的像素点的像素值与所述第二噪点消除图像中对应像素点的像素值进行相减获得第二差值，若所述第二差值大于0，则将所述第二差值赋值给所述第二图像中对应位置的像素点，若所述第二差值小于或等于0，则将所述第二图像中对应位置的像素点赋值为0，最终获得的所述第二图像为所述第二去背景图像。
6.根据权利要求3所述的方法，其特征在于，对所述第一去背景图像和第二去背景图像进行处理，获得所述去背景图像，包括：
新建第三图像，将所述第一去背景图像和第二去背景图像中对应的像素值进行比较，并将比较结果中的较小值赋值给所述第三图像，获得所述去背景图像。
7.根据权利要求1所述的方法，其特征在于，根据所述局部像素极大值点判断所述去背景图像中是否存在露箔缺陷，包括：
将所述去背景图像中所有的局部像素极大值点的行列索引保存在数组中，获得极值数组；
将所述局部像素极大值点的像素值与预设值进行比较，若有局部像素极大值点的像素值大于所述预设值，则确定所述去背景图像中存在露箔区域，将像素值大于所述预设值对应的局部像素极大值点确定为有效极值点。
8.根据权利要求7所述的方法，其特征在于，根据所述局部像素极大值点，采用DFS算法和递归算法，确定露箔所在矩形区域，包括：
计算所有所述有效极值点的像素平均值，将所述像素平均值与预设系数进行相乘，获得乘积；
将各个有效极值点的像素值与所述乘积比较，当所述有效极值点的像素值大于所述乘积时，确定相应的有效极值点位于露箔所在区域；
对露箔所在区域的当前有效极值点，建立其所在矩形区域的高度最大值行索引、高度最小值行索引、宽度最大值列索引以及宽度最小值列索引，并将高度最大值行索引和高度最小值行索引的初值赋值为所述当前有效极值点的纵坐标，将宽度最大值列索引以及宽度最小值列索引的初值赋值为当前有效极值点的横坐标；
执行如下DFS算法和递归算法：
设置第一阈值，所述第一阈值为当前有效极值点在所述原始图像中的像素值；
设置第二阈值，新建第二队列和第四图像，将所述原始图像的像素值赋值给所述第四图像；
若所述当前有效极值点的像素值大于0，则将所述当前有效极值点的行列索引推入所述第二队列，并将当前有效极值点对应于所述第四图像中的像素点的像素值设置为0；
迭代执行如下步骤，直到所述第二队列为空，获得露箔所在矩形区域四个顶点的行列索引：
判断所述第二队列是否为空，如果不为空，则弹出最先入列的行列索引，根据弹出的行列索引查找所述去背景图像中对应的像素点的上方、下方、左侧和右侧是否存在像素点；
若存在上方像素点，且所述上方像素点对应于所述第四图像中的像素点的像素值大于所述第二阈值且小于所述第一阈值，则将所述上方像素点的行列索引推入所述第二队列，若所述上方像素点的行索引小于高度最小值行索引，则将所述高度最小值行索引更新为所述上方像素点的行索引，并设置所述第四图像中对应于所述上方像素点的像素值为0；
若存在下方像素点，且所述下方像素点对应于所述第四图像中的像素点的像素值大于所述第二阈值且小于所述第一阈值，则将所述下方像素点的行列索引推入所述第二队列，若所述下方像素点的行索引小于高度最大值行索引，则将所述高度最大值行索引更新为所述下方像素点的行索引，并设置所述第四图像中对应于所述下方像素点的像素值为0；
若存在左侧像素点，且所述左侧像素点对应于所述第四图像中的像素点的像素值大于所述第二阈值且小于所述第一阈值，则将所述左侧像素点的行列索引推入所述第二队列，若所述左侧像素点的列索引小于宽度最小值列索引，则将所述宽度最小值列索引更新为所述左侧像素点的列索引，并设置所述第四图像中对应于所述左侧像素点的像素值为0；
若存在右侧像素点，且所述右侧像素点对应于所述第四图像中的像素点的像素值大于所述第二阈值且小于所述第一阈值，则将所述右侧像素点的行列索引推入所述第二队列，若所述右侧像素点的列索引小于宽度最大值列索引，则将所述宽度最大值列索引更新为所述右侧像素点的列索引，并设置所述第四图像中对应于所述右侧像素点的像素值为0。
9.根据权利要求8所述的方法，其特征在于，获得露箔所在矩形区域四个顶点的行列索引之后，还包括：
设置第三阈值；
计算露箔所在矩形区域的面积，若所述面积小于或等于预设面积，且露箔所在矩阵区域的长和宽均大于0，则遍历所述露箔所在矩形区域中的每个像素点，若像素点在所述极值数组内且该像素点的像素值大于第三阈值，保持露箔所在矩形区域四个顶点的高度最大值行索引、高度最小值行索引、宽度最大值列索引以及宽度最小值列索引不变，将当前有效极值点更新为该像素点，并再次执行DFS算法和递归算法，扩大矩形范围，获得最终矩形区域，并将所述最终矩阵区域内的像素置黑；
若所述面积大于所述预设面积，或者露箔所在矩阵区域的长或宽等于0，则求解所述矩形区域内的像素最大值点，若所述像素最大值点大于预设最大值，则遍历所述露箔所在矩形区域中的每个像素点，若像素点在所述极值数组内且该像素点的像素值大于第三阈值，保持露箔所在矩形区域四个顶点的高度最大值行索引、高度最小值行索引、宽度最大值列索引以及宽度最小值列索引不变，将当前有效极值点更新为该像素点，并再次执行DFS算法和递归算法，扩大矩形范围，获得最终矩形区域，并将所述最终矩阵区域内的像素置黑；若所述像素最大值点小于或等于所述预设最大值，则放弃所述矩形区域。
10.一种应用于如权利要求1-9任一所述方法的锂电池极片露箔缺陷检测装置，其特征在于，包括：
采集模块，用于采集待检测锂电池极片的原始图像；
去背景模块，基于DFS算法和顶帽算法对所述原始图像进行去除背景处理，获得去背景图像；
缺陷判断模块，基于所述去背景图像查找局部像素极大值点，根据所述局部像素极大值点判断所述去背景图像中是否存在露箔缺陷；
区域确定模块，用于对存在露箔缺陷的去背景图像，根据所述局部像素极大值点，采用DFS算法和递归算法，确定露箔所在矩形区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410028864.8A CN117541585B (zh) | 2024-01-09 | 2024-01-09 | 一种锂电池极片露箔缺陷检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410028864.8A CN117541585B (zh) | 2024-01-09 | 2024-01-09 | 一种锂电池极片露箔缺陷检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117541585A true CN117541585A (zh) | 2024-02-09 |
| CN117541585B CN117541585B (zh) | 2024-04-16 |
Family
ID=89782713
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410028864.8A Active CN117541585B (zh) | 2024-01-09 | 2024-01-09 | 一种锂电池极片露箔缺陷检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117541585B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117876379A (zh) * | 2024-03-13 | 2024-04-12 | 山东鑫国矿业技术开发有限公司 | 基于图像特征的锚杆缺陷智能化检测方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103295227A (zh) * | 2013-05-03 | 2013-09-11 | 苏州市职业大学 | 一种基于梯度方向分割的圆检测方法 |
| CN108346138A (zh) * | 2017-12-04 | 2018-07-31 | 广东嘉铭智能科技有限公司 | 一种基于图像处理的表面缺陷检测方法及系统 |
| CN110717889A (zh) * | 2019-09-06 | 2020-01-21 | 深圳新视智科技术有限公司 | 基于数码印刷的缺陷检测方法、装置、终端及可读介质 |
| CN115035050A (zh) * | 2022-05-23 | 2022-09-09 | 广东人工智能与先进计算研究院 | 一种电池极片表面缺陷检测方法、装置、设备及产品 |
| KR102467590B1 (ko) * | 2022-08-23 | 2022-11-17 | (주)니어스랩 | 풍력발전기 점검을 위한 ai 기반 이미지 스티칭 장치 및 방법 |
| CN115908415A (zh) * | 2023-01-06 | 2023-04-04 | 深圳新视智科技术有限公司 | 基于边缘的缺陷检测方法、装置、设备及存储介质 |
| CN116416268A (zh) * | 2023-06-09 | 2023-07-11 | 浙江双元科技股份有限公司 | 基于递归二分法的锂电池极片边缘位置检测方法及装置 |
| CN116757990A (zh) * | 2023-01-09 | 2023-09-15 | 河南省科学院应用物理研究所有限公司 | 基于机器视觉的铁路扣件缺陷在线检测与识别方法 |
-
2024
- 2024-01-09 CN CN202410028864.8A patent/CN117541585B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103295227A (zh) * | 2013-05-03 | 2013-09-11 | 苏州市职业大学 | 一种基于梯度方向分割的圆检测方法 |
| CN108346138A (zh) * | 2017-12-04 | 2018-07-31 | 广东嘉铭智能科技有限公司 | 一种基于图像处理的表面缺陷检测方法及系统 |
| CN110717889A (zh) * | 2019-09-06 | 2020-01-21 | 深圳新视智科技术有限公司 | 基于数码印刷的缺陷检测方法、装置、终端及可读介质 |
| CN115035050A (zh) * | 2022-05-23 | 2022-09-09 | 广东人工智能与先进计算研究院 | 一种电池极片表面缺陷检测方法、装置、设备及产品 |
| KR102467590B1 (ko) * | 2022-08-23 | 2022-11-17 | (주)니어스랩 | 풍력발전기 점검을 위한 ai 기반 이미지 스티칭 장치 및 방법 |
| CN115908415A (zh) * | 2023-01-06 | 2023-04-04 | 深圳新视智科技术有限公司 | 基于边缘的缺陷检测方法、装置、设备及存储介质 |
| CN116757990A (zh) * | 2023-01-09 | 2023-09-15 | 河南省科学院应用物理研究所有限公司 | 基于机器视觉的铁路扣件缺陷在线检测与识别方法 |
| CN116416268A (zh) * | 2023-06-09 | 2023-07-11 | 浙江双元科技股份有限公司 | 基于递归二分法的锂电池极片边缘位置检测方法及装置 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117876379A (zh) * | 2024-03-13 | 2024-04-12 | 山东鑫国矿业技术开发有限公司 | 基于图像特征的锚杆缺陷智能化检测方法 |
| CN117876379B (zh) * | 2024-03-13 | 2024-05-24 | 山东鑫国矿业技术开发有限公司 | 基于图像特征的锚杆缺陷智能化检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117541585B (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107507173B (zh) | 一种全切片图像的无参考清晰度评估方法及系统 | |
| CN117541585B (zh) | 一种锂电池极片露箔缺陷检测方法及装置 | |
| CN111462076B (zh) | 一种全切片数字病理图像模糊区域检测方法及系统 | |
| CN111179229A (zh) | 一种基于深度学习的工业ct缺陷检测方法 | |
| CN113313677B (zh) | 一种卷绕锂电池x光图像的质量检测方法 | |
| CN110544231B (zh) | 基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法 | |
| CN108489996B (zh) | 一种绝缘子的缺陷检测方法、系统及终端设备 | |
| CN115100221A (zh) | 一种玻璃缺陷分割方法 | |
| CN114581446B (zh) | 一种叠片电池的电芯异常检测方法及系统 | |
| CN116416268B (zh) | 基于递归二分法的锂电池极片边缘位置检测方法及装置 | |
| CN115908415B (zh) | 基于边缘的缺陷检测方法、装置、设备及存储介质 | |
| CN110599453A (zh) | 一种基于图像融合的面板缺陷检测方法、装置及设备终端 | |
| CN116503348B (zh) | 一种卷绕锂电池的电芯阴阳极片对齐度的检测方法及设备 | |
| CN114049313A (zh) | 一种基于改进YOLOv4的锂电池缺陷检测方法 | |
| CN113487563B (zh) | 一种基于el图像的光伏组件隐裂自适应检测方法 | |
| CN114119462A (zh) | 一种基于深度学习的锂电池电芯铝壳蓝膜外观检测算法 | |
| CN116485779B (zh) | 自适应晶圆缺陷检测方法、装置、电子设备及存储介质 | |
| CN112308854A (zh) | 一种芯片表面瑕疵的自动检测方法、系统及电子设备 | |
| CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
| CN115601379A (zh) | 一种基于数字图像处理的表面裂纹精确检测技术 | |
| CN116597343A (zh) | 基于集成学习算法的高速公路气象识别方法及装置 | |
| CN115797314A (zh) | 零件表面缺陷检测方法、系统、设备及存储介质 | |
| CN116433978A (zh) | 一种高质量瑕疵图像自动生成与自动标注方法及装置 | |
| CN115861315A (zh) | 缺陷检测方法和装置 | |
| CN115100546A (zh) | 一种基于mobilenet的电力设备小目标缺陷识别方法及系统 |
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 |