基于機(jī)器視覺的新能源電池蓋帽質(zhì)量智能檢測

關(guān)鍵詞：電池蓋帽；質(zhì)量檢測；機(jī)器視覺；深度學(xué)習(xí)

0 前言

新能源電池蓋帽生產(chǎn)制造環(huán)節(jié)的自動(dòng)化程度相對較高，但產(chǎn)品質(zhì)量檢驗(yàn)環(huán)節(jié)的自動(dòng)化水平較低，目前主要依靠人工檢測，這是整個(gè)自動(dòng)化生產(chǎn)線上的瓶頸之一。目前，該產(chǎn)品采用的檢測技術(shù)還比較落后，只能實(shí)現(xiàn)缺件、錯(cuò)件等特征有無的判斷，無法實(shí)現(xiàn)偏焊、虛焊等隨機(jī)特征的識別和分類；部分生產(chǎn)企業(yè)雖然嘗試使用人工智能（AI）技術(shù)，但是識別功能不穩(wěn)定，對生產(chǎn)線的正常運(yùn)轉(zhuǎn)影響較大，性價(jià)比不高，無法滿足批量生產(chǎn)需求。

本文針對新能源電池帽焊接質(zhì)量在線自動(dòng)化檢測需求，基于機(jī)器視覺和深度學(xué)習(xí)技術(shù)，開發(fā)一套能夠自主識別電池帽焊接質(zhì)量缺陷的智能檢測系統(tǒng)，實(shí)現(xiàn)了該產(chǎn)品檢驗(yàn)環(huán)節(jié)的機(jī)器替代人工，最終完成檢驗(yàn)工序自動(dòng)化。

1 技術(shù)方案

1. 1 檢測系統(tǒng)實(shí)施方案

將電池帽放置于一定要求的成像系統(tǒng)下［1］，通過相機(jī)獲取電池帽圖片。對圖片信息進(jìn)行預(yù)處理，通過內(nèi)置軟件進(jìn)行快速匹配，完成對不同缺陷的識別和分類，并將判斷結(jié)果反饋給上級主控系統(tǒng)，由主控系統(tǒng)根據(jù)識別結(jié)果向執(zhí)行機(jī)構(gòu)發(fā)布指令，完成電池帽的缺陷分選工作。

檢測系統(tǒng)由上料盤、輸送帶、檢測工位1、變位機(jī)、檢測工位2、分選機(jī)和料筐組成。上料盤通過連續(xù)振動(dòng)，將電池蓋帽按照順序要求和姿態(tài)要求排列并轉(zhuǎn)入輸送帶；輸送帶按照設(shè)定的速度傳輸電池帽并依次通過檢測工位1、變位機(jī)、檢測工位2 和分選機(jī)；輸送帶上設(shè)置有編碼器，可記錄每個(gè)進(jìn)入檢測系統(tǒng)的電池帽的實(shí)時(shí)位置，在檢測系統(tǒng)內(nèi)將產(chǎn)品的實(shí)時(shí)位置、采集圖片和識別結(jié)果等幾種信息一一對應(yīng)關(guān)聯(lián)。檢測工位1 設(shè)置了一套成像系統(tǒng)［2］，包括 1 臺(tái)頂部相機(jī)、3 臺(tái)側(cè)面相機(jī)和1 臺(tái)光源，頂部相機(jī)在電池帽的上方，對電池帽點(diǎn)焊面成像并拍照取樣， 3 臺(tái)側(cè)面相機(jī)圍繞電池帽四周呈120°夾角均勻分布，相機(jī)軸線與水平面呈40°夾角，實(shí)現(xiàn)電池帽四周成像并拍照取樣；變位機(jī)將電池帽180°翻轉(zhuǎn)，使電池帽弧焊面朝上。檢測工位2 設(shè)置有另一套成像系統(tǒng)，包括1臺(tái)頂部相機(jī)和1 臺(tái)光源，對電池帽弧焊面成像并拍照取樣。每道檢測工位后均設(shè)置分選機(jī)，系統(tǒng)根據(jù)識別分類結(jié)果，向分選機(jī)發(fā)送指令，分選缺陷電池帽。檢測系統(tǒng)總體結(jié)構(gòu)如圖1 所示。

相機(jī)拍攝的視頻照片經(jīng)過圖片預(yù)處理、特征識別、識別結(jié)果和分類4 個(gè)步驟，實(shí)現(xiàn)圖像特征的識別分類，并將結(jié)果上傳至主控系統(tǒng)，再通過分選機(jī)構(gòu)，實(shí)現(xiàn)電池帽的分選。同時(shí)，每次獲得的圖片連同一一對應(yīng)的識別結(jié)果等數(shù)據(jù)再上傳至服務(wù)器，由事先編制好的篩選軟件，將處于概率范圍內(nèi)的圖片篩選出來，由人工定期篩查；人工智能網(wǎng)絡(luò)模型將根據(jù)篩查結(jié)果更新算法和識別模型，不斷提高識別正確率。檢測系統(tǒng)軟件運(yùn)行流程如圖2 所示。

2 圖像處理算法技術(shù)路線

電池蓋帽的主要缺陷類別為：① 弧焊類，焊不上、虛焊、漏焊、偏移、炸點(diǎn)；② 點(diǎn)焊類，漏焊、焊穿、點(diǎn)偏、炸黑、炸珠；③ 其他類，尺寸、裝配（漏裝、錯(cuò)裝等）、外觀、涂膠。

針對以上缺陷的特點(diǎn)、缺陷判斷依據(jù)及缺陷發(fā)生概率等因素，用圖像處理和神經(jīng)網(wǎng)絡(luò)模型識別分析相結(jié)合的方法對缺陷進(jìn)行識別分類。具體路線如圖3 所示。

2. 1 視頻信息預(yù)處理

解碼之后的視頻是分層結(jié)構(gòu)，視頻分為若干個(gè)場景，每個(gè)場景分為若干個(gè)鏡頭，每個(gè)鏡頭包含1 個(gè)或多個(gè)關(guān)鍵幀。采用基于圖像信息的關(guān)鍵幀提取方法，計(jì)算每1 幀前后的像素變化值，即可對視頻進(jìn)行時(shí)空切片，得到1 個(gè)完整電池蓋帽的圖像。

2. 2 圖像處理

在獲取電池蓋帽圖像并處理完畢后，提取灰度化后的圖像，用霍夫圓檢測算法檢測該幀中電池蓋帽是否完整，然后使用直方圖均衡法進(jìn)行圖像增強(qiáng)來突出蓋帽特征，使用高斯濾波對其進(jìn)行降噪，使用開閉運(yùn)算進(jìn)行去毛邊、去噪點(diǎn)，再用OpenCV 軟件中的快速匹配算法得到旋轉(zhuǎn)矯正后的蓋帽，以便于后續(xù)使用模板匹配等方法進(jìn)行對比識別。針對電池蓋帽缺陷的識別分類，制定了3 種處理模式。

（1） 弧焊類缺陷處理模式：利用Canny 邊緣檢測算法進(jìn)行邊緣提取，判斷邊緣是否符合需求，因此可直接識別出漏焊、偏移、炸點(diǎn)等缺陷。對于焊不上、虛焊等復(fù)雜問題的檢測，可使用神經(jīng)網(wǎng)絡(luò)方案再進(jìn)行檢測。

（2） 點(diǎn)焊類缺陷處理模式：對于漏焊、點(diǎn)偏、焊穿等比較明顯的缺陷，可使用霍夫圓檢測確定能包住的最小圓并提取出來，以分水嶺算法識別焊點(diǎn)個(gè)數(shù)、焊點(diǎn)位置是否正常和焊點(diǎn)是否被焊穿，其他缺陷可使用神經(jīng)網(wǎng)絡(luò)方案進(jìn)行檢測。

（3）其他類缺陷處理模式：尺寸問題的解決可通過閾值分割提取邊緣后，識別外圓邊與規(guī)范圓的匹配程度來確定蓋帽尺寸的規(guī)范性；裝配問題需要檢測蓋帽是否發(fā)生圈裂、圈傷、圈缺口等缺陷，采用模板匹配即可成功識別；外觀缺陷需要對圖像進(jìn)行二值化后，設(shè)置閾值提取出缺陷部分，統(tǒng)計(jì)其長度大小和數(shù)量，此外可結(jié)合神經(jīng)網(wǎng)絡(luò)進(jìn)行二次檢測［3］，識別較輕微的劃痕，以達(dá)到整體較高的識別率和正確率。

2. 3 神經(jīng)網(wǎng)絡(luò)缺陷識別

對于一些難以識別的錯(cuò)誤，需要通過訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)缺陷檢測的需求。神經(jīng)網(wǎng)絡(luò)模型的搭建對樣本量、硬件算力和軟件調(diào)參要求較高，因此可選擇YOLOv5 模型算法，降低這些因素對識別效果的影響。神經(jīng)網(wǎng)絡(luò)模型識別分析方案主要有以下4 個(gè)步驟［4］。

（1） 樣本獲取：構(gòu)建電池帽缺陷樣本數(shù)據(jù)庫，其中70% 用于訓(xùn)練，15% 用于校驗(yàn)，15% 用于測試。對電池蓋帽劃分主要屬性為良品與不良品，其中不良品的缺陷包括弧焊類、點(diǎn)焊類、其他類（裝配、劃痕等）。

（2）識別模型搭建：對于YOLOv5 模型算法，使用目前主流的目標(biāo)檢測器框架（input、backbone、neck 和head）來搭建系統(tǒng)；圖形處理單元（GPU）在卷積層中使用CSPResNeXt50 和CSPDarknet53；視頻處理單元（VPU） 使用分組卷積，包括EfficientNet?lite、MixNet、GhostNet 和MobileNet V3模型。目標(biāo)是在輸入網(wǎng)絡(luò)分辨率、卷積層數(shù)、參數(shù)數(shù)量和層輸出的數(shù)量之間找到最佳平衡。

（3）分類優(yōu)化：先使用NMS 算法實(shí)現(xiàn)多目標(biāo)檢測，該算法能夠?qū)? 個(gè)特征的所有位置找出來，由此可得出特征的數(shù)量，對存在多個(gè)數(shù)量的特征進(jìn)行比較，得出是否為缺陷。再設(shè)立小目標(biāo)檢測，有些特征會(huì)存在包容關(guān)系，例如檢測點(diǎn)焊缺陷和圈裂缺陷時(shí)，檢測圈裂的區(qū)域里包括了點(diǎn)焊區(qū)域，因此可設(shè)置小目標(biāo)檢測，將大目標(biāo)和小目標(biāo)的置信度，以及正確的特征數(shù)組建立傳統(tǒng)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，實(shí)現(xiàn)對具體特征缺陷的判斷。

（4） 網(wǎng)絡(luò)模型定期更新：當(dāng)樣本數(shù)據(jù)集中未訓(xùn)練的樣本數(shù)據(jù)量大于預(yù)設(shè)的閾值時(shí)，將新數(shù)據(jù)集導(dǎo)入神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，獲得新的訓(xùn)練結(jié)果；然后將新舊數(shù)據(jù)集按照一定規(guī)則進(jìn)行組合，得到復(fù)合數(shù)據(jù)集；再將復(fù)合數(shù)據(jù)集導(dǎo)入使用的神經(jīng)網(wǎng)絡(luò)模型，更新現(xiàn)有的缺陷識別網(wǎng)絡(luò)模型，不斷優(yōu)化檢測效果。

3 檢測方法測試結(jié)果

本文分析了機(jī)器視覺檢測方案技術(shù)路線，并在以下2 個(gè)關(guān)鍵環(huán)節(jié)上進(jìn)行了測試。

（1）特征成像。電池蓋帽的表面特征如弧焊、點(diǎn)焊等，尺寸很小且1 個(gè)電池蓋帽由多個(gè)零件組成，零件材料涉及金屬材料及絕緣材料，因此要考慮的角度和影響因素較多。經(jīng)測試發(fā)現(xiàn)，選擇1 200 萬像素的面陣相機(jī)，搭配紅色環(huán)形光源，可滿足檢測要求的成像效果，能夠獲得清晰特征圖片。

（2）圖片處理。將采集到的電池蓋帽正反面圖片用灰值化和濾波處理后進(jìn)行霍夫圓提取，能滿足模板匹配方案中缺陷識別的要求，同時(shí)也能直接輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。如圖4 所示。

4 結(jié)語

以上方案的實(shí)施有助于生產(chǎn)企業(yè)電池帽檢測環(huán)節(jié)的智能化升級，提升電池帽的檢測效率，提高檢測準(zhǔn)確率，緩解企業(yè)用工壓力，填補(bǔ)檢測環(huán)節(jié)的短板。同時(shí)，自動(dòng)檢測方案的實(shí)施，為檢測結(jié)果的復(fù)現(xiàn)性和可追溯要求提供了實(shí)現(xiàn)基礎(chǔ)，為電池帽整個(gè)生產(chǎn)鏈實(shí)現(xiàn)從生產(chǎn)、檢測再到糾偏，提供關(guān)鍵數(shù)據(jù)支持。

后續(xù)還需要開展的研究主要有：① 進(jìn)一步研究成像系統(tǒng)中光照強(qiáng)度、曝光時(shí)間與生產(chǎn)線速度的匹配關(guān)系，為檢測系統(tǒng)與產(chǎn)線聯(lián)調(diào)提供依據(jù)；② 不斷收集電池蓋帽相關(guān)數(shù)據(jù)集，升級迭代神經(jīng)網(wǎng)絡(luò)模型。