軟包裝鋰離子電池表面劃痕的檢測方法

谷 峰,王正家,昝 傲,權佳怡

(1.湖北工業大學機械工程學院,湖北 武漢 430068; 2.現代制造質量工程湖北省重點實驗室,湖北 武漢 430068; 3.湖北工業大學底特律綠色工業學院,湖北 武漢 430068)

軟包裝鋰離子電池在制造過程中由于受外力影響,可能會導致表面出現劃痕等缺陷,直接影響產品的安全與性能。在生產過程中快速有效地檢測電池表面的缺陷,確保產品的質量十分關鍵。軟包裝鋰離子電池表面凹凸不平且具有反光現象,很大程度上增加了檢測難度,因此在現代化生產中對缺陷進行自動化視覺檢測非常困難,目前仍采用傳統的人工檢測方法。針對表面凹凸不平且具有反光現象的軟包裝鋰離子電池表面劃痕檢測是研究的重點。

基于機器視覺的缺陷檢測算法具有成本低、效率高等優點,廣泛用于產品表面缺陷檢測。目前,已有研究者針對待測物體表面凹凸不平且存在反光的現象進行了探索。王進峰等[1]通過四光源光度立體法對金屬表面缺陷進行檢測,將平均曲率圖像轉換為灰度圖像進行閾值篩選,從而提取缺陷,但由于缺陷大小及深度不可預測,以及軟包裝鋰離子電池表面反光的影響,直接對缺陷進行閾值篩選效果不好,很難進一步對圖像進行形態學處理。鄭魁敬等[2]通過采樣支持向量機多種分類法作為訓練特征,完成對手機電池的表面缺陷檢測,并且精度高,但用于表面環境復雜的軟包裝電池時,仍有一定的局限。黃夢濤等[3]提出一種基于改進Canny算子的電池極片表面缺陷檢測方法,使得對圖像的梯度信息更敏感,但此方法在軟包裝鋰離子電池表面劃痕不明顯時,提取效果不佳且魯棒性不高。閔永智等[4]設計自適應背景平滑濾波器,解決易受光照變化,鋼軌表面反射不均的影響,但此方法無法有效識別軟包裝鋰離子電池表面的典型缺陷。

針對軟包裝鋰離子電池表面凹凸不平且因反光而導致視覺檢測準確率低的問題,目前的檢測算法效果不佳。本文作者提出一種基于光度立體法[5]、高斯卷積和非線性灰度變換的融合檢測算法,以提高劃痕檢測的辨識度和準確率。

1 軟包裝電池劃痕檢測方案

軟包裝鋰離子電池(長55 mm×寬25 mm×厚5 mm,武漢產),額定電壓為3.7 V,正負極活性物質分別為錳酸鋰和石墨烯,表面劃痕樣本圖見圖1,劃痕檢測流程圖見圖2。

圖1 軟包裝鋰離子電池表面劃痕Fig.1 Surface scratches of pouch Li-ion battery

圖2 電池表面劃痕檢測算法流程圖Fig.2 Flow chart of battery surface scratch detection algorithm

檢測流程包括圖像預處理和缺陷區域檢測與定位。圖像預處理主要包括光度立體法處理、平滑處理、非線性變換,擴大數值較小的灰度范圍,并計算自適應閾值范圍。缺陷區域檢測與定位主要包括對軟包裝電池表面進行全局閾值分割,并根據劃痕特征,識別表面劃痕區域。

2 圖像預處理

2.1 光度立體法的檢測原理

光度立體法是一種非接觸式測量方法,可應用于三維重建、物體識別、工業檢測等領域,測量精度高。它通過拍攝的不同光照條件下的圖像來計算物體表面的方向梯度,獲得圖像的三維信息。打光布置方式見圖3。

圖3 光度立體法打光布置方式Fig.3 Photometric stereoscopic lighting arrangement

理想的Lambertian散射模型[6]公式為:

式(1)中:I為圖像表面亮度;ρ為某點圖像表面反照率;L=(Lx,Ly,Lz)為光源的方向向量;N=(Nx,Ny,Nz)T為某點的單位法向量。

通過3組光源對被測物進行照射時,圖像中某點的光亮I1、I2、I3通過式(1)可表示為:

設z=(x,y)為圖像中某點坐標,z點在圖像上的表面梯度在x和y方向上的分量p和q可表示為[7]:

表面法向量N垂直于該表面的切平面,因此可寫成:

綜上所述,如果能夠得到物體表面的3個不同光照方向拍照的圖像,對于圖像中所有點(x,y),都可以求解出該點的表面梯度(p,q),從而最終恢復物體的表面形狀。

采用表1參數從3個光照方向對劃痕進行拍攝。表1的參數,滿足采用光度立體法相機的光軸和照明方向之間的角度(Slant角度)一般為30°～60°,以及光的方向之間的夾角(Tilt角度)均勻分布在被測物體周圍的要求。

表1 光度立體法的角度參數Table 1 Angle parameters of photometric stereoscopic method

2.2 圖像平滑濾波處理

光度立體法所生成的反照率圖像[圖4(a)]能很好地突出電池表面劃痕,但存在許多噪聲,影響圖像特征的穩定性,而導致誤判。圖像降噪中常用濾波主要有高斯濾波、均值濾波和中值濾波等。均值濾波以目標像素周圍的8鄰域為中心,創建濾波模板,再對模板內所有像素的像素值求平均值來代替中心像素值,以消除圖像中的尖銳噪聲,實現圖像的平滑、模糊等作用,效果圖見圖4(b),公式為[8]:

圖4 圖像平滑前后的效果對比Fig.4 Effect comparison before and after image smoothing

式(6)中:u表示行;v表示列;F(u,v)為濾波窗口輸出的灰度值;g(u,v)為濾波前的像素點灰度值;n為濾波窗口中包含像素點的總個數;k為濾波窗口內的像素點集合。

2.3 基于高斯函數導數的卷積操作

圖像邊緣是指圖像中像素灰度值發生較大變化的位置或區域,通常亮度或顏色會有明顯變化。在圖像處理中,高斯函數的導數可用來檢測圖像中的邊緣和角點。對于二維圖像,高斯函數的一階導數可反映灰度梯度的變換,并通過計算得到圖像在水平和垂直方向上的梯度。通過計算梯度,可檢測出圖像中的邊緣,對圖像進行分割、特征提取。表面曲率信息反映了電池表面的局部深度變化,因此,先將均值濾波處理后的反照率圖像進行高斯卷積處理,再由高斯函數及一階和二階導數公式[9],得到平均曲率圖像,見圖5。

圖5 經高斯函數卷積后的圖像Fig.5 Image convolved by Gaussian function

高斯函數為:

式(7)中:A為幅度系數;x為像素單位;f為表面梯度;σ為標準差;e為自然對數的底數。

高斯一階導數為:

高斯二階導數為:

平均曲率K的計算公式為[1]:

式(10)中:下標x、y分別為f對x和y的偏導數;xx、yy分別為f對x和y的二階偏導數;xy、yx分別為f先對x求偏導數后對y求偏導數和先對y求偏導數后對x求偏導數。

2.4 非線性灰度變換

非線性灰度變換可通過調整曲線的形狀來壓縮或擴展圖像的動態范圍,避免一些過曝或欠曝的問題,使圖像的細節和信息更豐富。從圖5可知,劃痕缺陷處的灰度值,相對于非缺陷區域整體偏高,但由于電池表面凹凸不平且劃痕局部的深度不一,閾值臨界點選擇相對困難等原因,導致表面劃痕檢測精度較低。若對劃痕直接使用閾值分割及邊緣處理,無法突出劃痕部位信息等情況,灰度直方圖如圖6所示。圖7中深色區域是對完整劃痕進行閾值分割時,與劃痕灰度值相近的所有像素點。從圖7可知,由于軟包裝鋰離子電池表面凹凸不平導致存在許多噪聲,使得劃痕提取效果不佳。

圖6 經高斯函數卷積后的灰度直方圖Fig.6 Gray histogram after convolution of Gaussian function

圖7 閾值分割后的效果圖Fig.7 Effect diagram after threshold segmentation

為改善此情況,增大劃痕與背景之間的對比度信息,并使電池表面非缺陷區域之間的像素值分布均勻,從而提高圖像質量,采用γ變換的非線性灰度變換算法,公式為[10]:

式(11)中:h(x,y)為圖像中某點的灰度值;E(x,y)為經過γ變換后的輸出灰度值。

經過γ變換后的結果如圖8所示。

圖8 γ變換后的效果圖及灰度直方圖Fig.8 Effect diagram and gray histogram after γ transformation

2.5 劃痕提取

全局閾值分割是一種基于像素灰度值的圖像分割方法,基本思想是將像素根據灰度值與預設的閾值進行比較,將圖像分割成兩個區域。從圖8(a)可知,經過γ變換后的灰度值整體偏低,峰值基本出現在直方圖中的臨界處,隨著灰度值的增加,對應的像素個數逐漸減少,且灰度直方圖與零均值高斯分布外形相近。實驗對軟包裝鋰離子電池表面劃痕采用全局閾值的分割方法,選取梯度的均方差σ2作為全局閾值分割的臨界點。經過非線性變換后的劃痕圖像相對于背景偏亮,對灰度值范圍進行歸一化,使圖像中的最小灰度值對應到σ2,最大灰度值對應到255,獲取灰度直方圖中較小像素數量中的最大灰度值θ。劃痕提取流程見圖9。

圖9 劃痕檢測流程Fig.9 Scratch detection process

3 驗證實驗

檢測實驗平臺由BASLER型號acA 1300-60gm黑白CCD相機(德國產)、遠心鏡頭(德國產)和3個紅色平板光源等組成。軟件實驗平臺采用的處理器為Intel Core i7-12700H、運行內存為16 G、視覺檢測軟件為Halcon21.11。

外層膜能更好地保護軟包裝鋰離子電池的中間層,但外層膜厚度薄且易受損,同時在制造過程中產生劃痕缺陷時,優先出現在外層膜區域,若不能及時檢出,不僅會影響電池的外觀,還會造成一定的安全隱患[11]。選取劃痕外層膜樣本圖像800張,驗證所提算法對劃痕提取的效果,將所提算法與文獻[1]四光源光度立體法和文獻[3]基于改進Canny算子中的檢測算法,分別從劃痕提取效果、檢出率和誤檢率進行對比,檢測統計結果見表2,對比效果圖見圖10。

表2 不同算法的誤檢率和檢出率對比Table 2 Comparison of false detection rate and detection rate of different algorithms

圖10 不同分割結果的對比 Fig.10 Comparison of different segmentation results

從表2可知,所提算法的劃痕提取效果、檢出率、誤檢率均優于文獻中的算法。從圖10可知,針對軟包裝鋰離子電池表面凹凸不平,相鄰像素之間的梯度和灰度變化差別不大的問題,文獻[1]中的檢測算法經過光度立體法后,存在大量的高頻噪聲的影響,同時閾值分割時,閾值臨界點選擇相對困難,算法魯棒性不高。文獻[3]中的檢測算法對劃痕提取效果相對較好,提取后圖像中存在少量噪聲,可通過形態學對噪聲進行屏蔽,但提取的劃痕中間存在不連續(即斷層現象),容易導致在劃痕檢測時出現漏檢、誤檢等情況。

4 結論

本文作者針對軟包裝鋰離子電池表面反光且凹凸不平的特點,提出一種基于光度立體法、高斯卷積和非線性灰度變換的表面劃痕檢測算法。實驗結果表明,該方法通過重建軟包裝鋰離子電池表面深度信息,能夠降低由于電池表面反光對劃痕檢測所產生的影響;通過高斯卷積操作,突出表面劃痕的紋理信息,結合非線性灰度變換增強圖像的紋理信息,避免了因表面凹凸不平,對劃痕檢測結果產生的影響;最后,通過閾值分割,提取軟包裝鋰離子電池表面劃痕。

驗證實驗將所提檢測算法分別與文獻[1]和文獻[3]的檢測算法在檢出率、誤檢率和提取效果等方面進行對比,所提算法劃痕檢出率高達97.5%,在軟包裝鋰離子電池表面劃痕檢測精度方面優于其他算法。