CN103499585A - 基于机器视觉的非连续性锂电池薄膜缺陷检测方法及其装置 - Google Patents

Abstract

本发明涉及利用机器视觉和图像处理技术进行在线检测的技术领域，主要涉及锂电池涂布机现场利用机器视觉系统对非连续性锂电池薄膜缺陷进行在线检测的方法，提供一种基于机器视觉的非连续性锂电池薄膜缺陷在线自动检测方法，该方法采用三条水平扫描线的相邻灰度点求差法得到灰度突变点，从而确定连续性薄膜区间，采用最优阈值算法实现灰度图像的二值化分割，对于二值化图像采用保留大面积缺陷法定位缺陷目标，提取缺陷几何和投影特征作为识别参数，最后采用最小欧式距离实现缺陷目标快速识别和分类。

Description

基于机器视觉的非连续性锂电池薄膜缺陷检测方法及其装置

所属技术领域

本发明涉及利用机器视觉和图像处理技术进行在线检测的技术领域，主要涉及锂电池涂布机现场利用机器视觉系统对非连续性锂电池薄膜缺陷进行在线检测的方法。

背景技术

传统锂电池薄膜表面质量检测通过人工在线目测和离线成品抽检实现的，只适合生产规模小的场合。人工检测以主观印象作为检测标准，很难达到横向的不同产品之间和纵向不同时间上检测的一致性，加之受检测速度和抽检频率的限制，以及受到人眼视觉灵敏度和分辨率的限制，人工检测的产品质量难以得到保证。此外，该方法对检测人员的身体和心理都具有极大的损害。因而开发缺陷自动检测系统取代传统的人工检测，一直是锂电池薄膜表面质量检测技术发展的目标和方向。

机器视觉技术是用机器代替人眼来做测量和判断。机器视觉系统是指通过机器视觉产品（即图像摄取装置）将要检测的目标转换成数字信号，这些数字信号再传送给专用的图像处理系统，图像处理系统根据要检测的任务要求来设置检测任务，然后记录检测结果或者根据判别的结果来控制现场的设备动作。机器视觉技术应用于表面缺陷在线检测，是表面质量在线检测一个新的研究方向。

针对非连续性、间隔有铝膜的锂电池薄膜，若采用常规针对连续性薄膜缺陷检测算法会将铝膜部分判断为薄膜缺陷，产生误判。通过突变点位置的寻找可以实现非连续性薄膜中连续性薄膜的提取，采用图像最优阈值的求解可以实现连续性薄膜中缺陷和背景图像的分割，缺陷图像中的面积、长径和短径之比、周长、圆形度，在零度方向投影特征中的波形特征、脉冲特征、峰值特征、裕度特征、歪度值和峭度值的特征提取可以实现缺陷的识别和分类，最后可以根据缺陷的类型分析得出缺陷产生的是来自于环境因素、工艺因素或设备因素，这样可以从源头上杜绝和减少缺陷的再生，更好的提高质量和降低生产成本。

发明内容

本发明的目的：提供一种基于机器视觉的非连续性锂电池薄膜缺陷在线自动检测方法，其既可降低工人检测劳动强度，又可提高锂电池薄膜的生产效率。

本发明的基于机器视觉的非连续性锂电池薄膜缺陷检测方法，包括如下步骤：

阈值判断法实现非连续性无缺陷薄膜中提取连续性无缺陷薄膜由步骤1实现，连续性缺陷薄膜模板特征值的构建由步骤2实现。

步骤1、采用阈值判断法实现非连续性无缺陷薄膜中提取连续性无缺陷薄膜；

步骤1.1、设置拍摄清晰图像的工业摄像机的参数；

步骤1.2、采用工业摄像机拍摄非连续性无缺陷薄膜，将获得的标准图像输送至计算机；

步骤1.3、对标准图像进行灰度化处理；

步骤1.4、对灰度化处理后的标准图像进行3×3中值滤波；

步骤1.5、在标准图像竖直方向上分别选取1/4、1/2和3/4高度的水平扫描线；

步骤1.6、寻找突变点位置；

步骤1.7、选取3条扫描线上灰度突变点的最小值减去最小值的10%，即为从含有铝箔的非连续性无缺陷薄膜提取连续性无缺陷薄膜的阈值Gat，公式如下：

Gat=min(ωω(0),ωω(1),ωω(2))-min(ωω(0),ωω(1),ωω(2))×10%

步骤2、缺陷图像模板特征库的构建；

步骤2.1、设置拍摄清晰图像的工业摄像机的参数；

步骤2.2、采用工业摄像机拍摄非连续性有缺陷薄膜，将获得的有缺陷薄膜图像输送至计算机；

步骤2.3、对有缺陷薄膜图像进行灰度化处理；

步骤2.4、对灰度化处理后的有缺陷薄膜图像进行3×3中值滤波；

步骤2.5、对有缺陷薄膜图像进行图像最优阈值的求解；

步骤2.6、取最优阈值，对步骤2.4处理后的图像进行二值化处理,将灰度值小于或等于最优阈值的像素点赋值0，灰度值大于最优阈值的像素点赋值1；

步骤2.7、对二值化处理后的图像，保留1值像素所构成最大面积区域，将最大面积区域以外的其它1值像素赋值为0；

步骤2.8、特征参数提取(该步骤见下方)；

步骤3、提取待检测锂电池薄膜连续性图像区域；

步骤3.1、设置拍摄清晰图像的工业摄像机的参数；

步骤3.2、采用工业摄像机拍摄待检测锂电池薄膜，将获得的待检测锂电池薄膜图像输送至计算机；

步骤3.3、对待检测锂电池薄膜图像进行灰度化处理；

步骤3.4、对待检测锂电池薄膜图像进行3×3中值滤波；

步骤3.5、在待检测锂电池薄膜图像竖直方向上选取1/2高度的水平扫描线，统计1/2高度扫描线上大于步骤1.7中的阈值Gat的灰度突变点个数，

若灰度突变点个数为0，即为待检测锂电池薄膜连续性图像；

若灰度突变点个数为1，且突变点最大位置值小于图像水平像素值的一半，如图1(b)所示，取灰度突变点中最大位置再加4，与锂电池薄膜右边界，构成待检测锂电池薄膜连续性图像；

若突变点个数为1，且突变点最小位置值大于图像水平像素值的一半，如图1(f)所示，取锂电池薄膜左边界，灰度突变点中最小位置再减4，构成连续性锂电池薄膜区域；

若突变点个数为2，如图1(c-e)所示，取锂电池薄膜左边界，左侧灰度突变点最小位置再减4，构成连续性锂电池薄膜区域1，取右侧灰度突变点中最大位置再加4，与锂电池薄膜右边界，构成连续性锂电池薄膜区域1，区域1和区域2构成连续性锂电池薄膜区域；

步骤4、待检测锂电池薄膜连续性图像的特征提取、检测和识别

步骤4.1、由步骤3得到待检测锂电池薄膜连续性图像；

步骤4.2、对待检测锂电池薄膜连续性图像进行图像最优阈值的求解；

步骤4.3、取最优阈值，对待检测锂电池薄膜连续性图像进行二值化处理，将灰度值小于或等于最优阈值的像素点赋值0，灰度值大于最优阈值的像素点赋值1；

步骤4.4、对二值化处理后的图像，保留1值像素所构成最大面积区域，最大面积区域以外的其它1值像素赋值为0；

步骤4.5、特征参数提取；

步骤4.6、设置检测参量的精度范围，所述检测参量为二值化处理后的图像中1值像素占图像像素百分比；

步骤4.7、待测图像的检测判断。

若百分比值达到精度范围，则为连续性无缺陷薄膜，计算机判断薄膜为合格。否则为连续性缺陷薄膜，判断为不合格；

步骤4.8、待测图像的识别。

由步骤4.7，若薄膜判断为不合格，则将步骤4.5中实时拍摄的连续性缺陷薄膜图像所提取的特征参数与步骤2.8中识别模板所提取的特征参数采用最小欧式距离算法实现快速识别和分类。

上述的基于机器视觉的非连续性锂电池薄膜缺陷检测方法，其中所述的图像最优阈值的求解具体步骤如下：

(a)将进行灰度化处理后获得的图像，按照像素点的灰度值分为256级，i为像素点的级数，i的取值范围为0～255，图像总像素点个数为N，

其中N_i表示第i级像素点的个数，第i级像素出现的概率为P_i，P_i=N_i/N；

(b)取阈值k(0≤k≤255)，将每个像素点分为两类：第一类像素点为灰度值在0～k闭区间内的像素点，第一类像素点的集合为C₀，第二类像素点为所有灰度值在k+1～255闭区间内的像素点，第二类像素点的集合为C₁；

(c)计算图像的总平均灰度级μ_μ，

C₀的平均灰度级为μ₀(k)，C₁的平均灰度级为μ₁(k)，μ₁(k)=μ_T-μ₀(k)；

(d)计算C₀所占面积的比例ω₀，

计算C₁所占面积的比例ω₁，

${\mathrm{\ω}}_1=\underset{i=k+1}{\overset{255}{\mathrm{\Σ}}}{P}_1=1-{\mathrm{\ω}}_0;$

(e)k由0开始逐渐增加，令μ₀=μ₀(k)/ω₀，μ₁=μ₁(k)/ω₁，其中μ₀为C₀的平均灰度级和C₀所占面积比例ω₀的比值，μ₁为C₁的平均灰度级和C₁所占面积比例ω₀的比值，计算ω₀(μ₀-μ_T)²+ω₁(μ₁-μ_T)²，当ω₀(μ₀-μ_T)²+ω₁(μ₁-μ_T)²最大时，此时的阈值即为最优阈值。

上述的基于机器视觉的非连续性锂电池薄膜缺陷检测方法，其中所述的特征参数提取具体步骤如下：

提取相应的特征参数存储于计算机，作为识别特征库模板，所述的特征参数包括缺陷图像的几何特征中的面积、长径和短径之比、周长和圆形度，在零度方向投影特征中的波形特征、脉冲特征、峰值特征、裕度特征、歪度值和峭度值，所述的特征参数为本领域公式的内容，特征参数的公式如下：

(a)面积S：

其中x₁为横坐标，y₁为纵坐标，R_d为像素值为1的区域，n₁为区域点个数；

(b)长径和短径之比

其中L₁是长径，L₂是短径；

(c)周长PP：

其中x₂为横坐标，y₂为纵坐标，R_b为像素值为1的区域，n₂为区域点个数；

(d)圆形度e：

其中S为面积，PP为周长；

(f)投影波形特征F_B：

其中xx(t)为零度方向投影值，1≤t≤T，T为零度方向投影总数值；

(g)投影脉冲特征F_M： $F_M=\frac{\max \left(\right|\mathrm{xx}\left(t\right)\left|\right)}{\frac{1}{T}\underset{t}{\mathrm{\Σ}}\left|\mathrm{xx}\left(t\right)\right|};$

(h)投影峰值特征F_F： $F_F=\frac{\max \left(\right|\mathrm{xx}\left(t\right)\left|\right)}{\sqrt{\frac{1}{T}\underset{t}{\mathrm{\Σ}{\mathrm{xx}}^2\left(t\right)\mathrm{dt}}}};$

(i)投影裕度特征F_Y： $F_Y=\frac{\max \left(\right|\mathrm{xx}\left(t\right)\left|\right)}{\left(\frac{1}{T}\underset{t}{\mathrm{\Σ}}{\left|\mathrm{xx}\left(t\right)\right|}^{\frac{1}{2}}{\mathrm{dt}}^2\right)};$

(j)投影歪度值F_S：

其中为p(xx)为xx(t)的概率密度函数；

(k)投影峭度值F_K： $F_K=\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\mathrm{xx}{\left(t\right)}^{4}p\left(\mathrm{xx}\right).$

上述的基于机器视觉的非连续性锂电池薄膜缺陷检测方法，其中所述的寻找突变点位置具体步骤如下：

记扫描线上像素点右侧最近的3个像素点的灰度值A₁,A₂,A₃，记扫描线上像素点左侧最近的3个像素点的灰度值B₁,B₂,B₃，

A₁=xy₁(v₁-3)+xy₁(v₁-2)+xy₁(v₁-1)

A₂=xy₂(v₂-3)+xy₂(v₂-2)+xy₂(v₂-1)

A₃=xy₃(v₃-3)+xy₃(v₃-2)+xy₃(v₃-1)

B₁=xy₁(v₁+1)+xy₁(v₁+2)+xy₁(v₁+3)

B₂=xy₂(v₂+1)+xy₂(v₂+2)+xy₂(v₂+3)

B₃=xy₃(v₃+1)+xy₃(v₃+2)+xy₃(v₃+3)

其中v₁、v₂、v₃分别为1/4、1/2、3/4高度的水平扫描线的像素点的横坐标值，4≤v₁≤MM-4，4≤v₂≤MM-4，4≤v₃≤MM-4，MM为图像横坐标最大值；其中xy₁(v₁)为1/4高度的水平扫描线上v₁的像素值，xy₂(v₂)为1/2高度的水平扫描线上v₂的像素值，xy₃(v₃)为3/4高度的水平扫描线上v₃的像素值；

A₁与B₁差值的绝对值、A₂与B₂差值的绝对值、A₃与B₃差值的绝对值分别记为C₁,C₂,C₃；则C₁=|A₁-B₁|，C₂=|A₂-B₂|，C₃=|A₃-B₃|；

逐步增加v₁，v₂，v₃值，当C₁达到最大值时，对应的像素位置即为1/4扫描线上的灰度突变点ωω(0)；当C₂达到最大值时，对应的像素位置即为1/2扫描线上的灰度突变点ωω(1)；当C₃达到最大值时，对应的像素位置即为3/4扫描线上的灰度突变点ωω(2)。

本发明的优点：提供一种基于机器视觉的非连续性锂电池薄膜缺陷在线自动检测方法，该方法采用三条水平扫描线的相邻灰度点求差法得到灰度突变点，从而确定连续性薄膜区间，采用最优阈值算法实现灰度图像的二值化分割，对于二值化图像采用保留大面积缺陷法定位缺陷目标，提取缺陷几何和投影特征作为识别参数，最后采用最小欧式距离实现缺陷目标快速识别和分类。本发明提供基于机器视觉的识别方法，参数可根据实际需要进行调整，识别效率高，识别率稳定，能够提高生产效率并降低生产成本。

附图说明

图1为六种非连续性锂电池薄膜图像，其中灰色代表锂电池薄膜，白色代表铝膜。

图2图像竖直方向上选取的1/4、1/2和3/4高度的水平扫描线示意图。

图3缺陷图像模板特征库的构建流程图。

图4从含有铝箔的非连续性无缺陷薄膜提取连续性无缺陷薄膜的阈值确定流程图。

图5待测缺陷图像的识别流程图。

具体实施方式

实施例1、

本发明的基于机器视觉的非连续性锂电池薄膜缺陷检测方法，包括如下步骤：

阈值判断法实现非连续性无缺陷薄膜中提取连续性无缺陷薄膜由步骤1实现，连续性缺陷薄膜模板特征值的构建由步骤2实现。

步骤1、采用阈值判断法实现非连续性无缺陷薄膜中提取连续性无缺陷薄膜；

步骤1.1、设置拍摄清晰图像的工业摄像机的参数；

步骤1.2、采用工业摄像机拍摄非连续性无缺陷薄膜，将获得的标准图像输送至计算机；

步骤1.3、对标准图像进行灰度化处理；

步骤1.4、对灰度化处理后的标准图像进行3×3中值滤波；

步骤1.5、在标准图像竖直方向上分别选取1/4、1/2和3/4高度的水平扫描线；

步骤1.6、寻找突变点位置；

步骤1.7、选取3条扫描线上灰度突变点的最小值减去最小值的10%，即为从含有铝箔的非连续性无缺陷薄膜提取连续性无缺陷薄膜的阈值Gat，公式如下：

Gat=min(ωω(0),ωω(1),ωω(2))-min(ωω(0),ωω(1),ωω(2))×10%

步骤2、缺陷图像模板特征库的构建；

步骤2.1、设置拍摄清晰图像的工业摄像机的参数；

步骤2.2、采用工业摄像机拍摄非连续性有缺陷薄膜，将获得的有缺陷薄膜图像输送至计算机；

步骤2.3、对有缺陷薄膜图像进行灰度化处理；

步骤2.4、对灰度化处理后的有缺陷薄膜图像进行3×3中值滤波；

步骤2.5、对有缺陷薄膜图像进行图像最优阈值的求解；

步骤2.6、取最优阈值，对步骤2.4处理后的图像进行二值化处理,将灰度值小于或等于最优阈值的像素点赋值0，灰度值大于最优阈值的像素点赋值1；

步骤2.7、对二值化处理后的图像，保留1值像素所构成最大面积区域，将最大面积区域以外的其它1值像素赋值为0；

步骤2.8、特征参数提取(该步骤见下方)；

步骤3、提取待检测锂电池薄膜连续性图像区域；

步骤3.1、设置拍摄清晰图像的工业摄像机的参数；

步骤3.2、采用工业摄像机拍摄待检测锂电池薄膜，将获得的待检测锂电池薄膜图像输送至计算机；

步骤3.3、对待检测锂电池薄膜图像进行灰度化处理；

步骤3.4、对待检测锂电池薄膜图像进行3×3中值滤波；

步骤3.5、在待检测锂电池薄膜图像竖直方向上选取1/2高度的水平扫描线，统计1/2高度扫描线上大于步骤1.7中的阈值Gat的灰度突变点个数，

若灰度突变点个数为0，即为待检测锂电池薄膜连续性图像；

若灰度突变点个数为1，且突变点最大位置值小于图像水平像素值的一半，如图1(b)所示，取灰度突变点中最大位置再加4，与锂电池薄膜右边界，构成待检测锂电池薄膜连续性图像；

若突变点个数为1，且突变点最小位置值大于图像水平像素值的一半，如图1(f)所示，取锂电池薄膜左边界，灰度突变点中最小位置再减4，构成连续性锂电池薄膜区域；

若突变点个数为2，如图1(c-e)所示，取锂电池薄膜左边界，左侧灰度突变点最小位置再减4，构成连续性锂电池薄膜区域1，取右侧灰度突变点中最大位置再加4，与锂电池薄膜右边界，构成连续性锂电池薄膜区域1，区域1和区域2构成连续性锂电池薄膜区域；

步骤4、待检测锂电池薄膜连续性图像的特征提取、检测和识别

步骤4.1、由步骤3得到待检测锂电池薄膜连续性图像；

步骤4.2、对待检测锂电池薄膜连续性图像进行图像最优阈值的求解；

步骤4.3、取最优阈值，对待检测锂电池薄膜连续性图像进行二值化处理，将灰度值小于或等于最优阈值的像素点赋值0，灰度值大于最优阈值的像素点赋值1；

步骤4.4、对二值化处理后的图像，保留1值像素所构成最大面积区域，最大面积区域以外的其它1值像素赋值为0；

步骤4.5、特征参数提取；

步骤4.6、设置检测参量的精度范围，所述检测参量为二值化处理后的图像中1值像素占图像像素百分比；

步骤4.7、待测图像的检测判断。

若百分比值达到精度范围，则为连续性无缺陷薄膜，计算机判断薄膜为合格。否则为连续性缺陷薄膜，判断为不合格；

步骤4.8、待测图像的识别。

由步骤4.7，若薄膜判断为不合格，则将步骤4.5中实时拍摄的连续性缺陷薄膜图像所提取的特征参数与步骤2.8中识别模板所提取的特征参数采用最小欧式距离算法实现快速识别和分类。

上述的基于机器视觉的非连续性锂电池薄膜缺陷检测方法，其中所述的图像最优阈值的求解具体步骤如下：

(a)将进行灰度化处理后获得的图像，按照像素点的灰度值分为256级，i为像素点的级数，i的取值范围为0～255，图像总像素点个数为N，

其中N_i表示第i级像素点的个数，第i级像素出现的概率为P_i，P_i=N_i/N；

(b)取阈值k(0≤k≤255)，将每个像素点分为两类：第一类像素点为灰度值在0～k闭区间内的像素点，第一类像素点的集合为C₀，第二类像素点为所有灰度值在k+1～255闭区间内的像素点，第二类像素点的集合为C₁；

(c)计算图像的总平均灰度级μ_T，

C₀的平均灰度级为μ₀(k)，C₁的平均灰度级为μ1(k)，μ₁(k)=μ_T-μ₀(k)；

(d)计算C₀所占面积的比例ω₀，计算C₁所占面积的比例ω₁，

(e)k由0开始逐渐增加，令μ₀=μ₀(k)/ω₀，μ₁=μ₁(k)/ω₁，其中μ₀为C₀的平均灰度级和C₀所占面积比例ω₀的比值，μ₁为C₁的平均灰度级和C₁所占面积比例ω₀的比值，计算ω₀(μ₀-μ_T)²+ω₁(μ₁-μ_T)²，当ω₀(μ₀-μ_T)²+ω₁(μ₁-μ_T)²最大时，此时的阈值即为最优阈值。

上述的基于机器视觉的非连续性锂电池薄膜缺陷检测方法，其中所述的特征参数提取具体步骤如下：

提取相应的特征参数存储于计算机，作为识别特征库模板，所述的特征参数包括缺陷图像的几何特征中的面积、长径和短径之比、周长和圆形度，在零度方向投影特征中的波形特征、脉冲特征、峰值特征、裕度特征、歪度值和峭度值，上述特征公式如下：

(a)面积S：

其中x₁为横坐标，y₁为纵坐标，R_d为像素值为1的区域，n₁为区域点个数；

(b)长径和短径之比

其中L₁是长径，L₂是短径；

(c)周长PP：

其中x₂为横坐标，y₂为纵坐标，R_b为像素值为1的区域，n₂为区域点个数；

(d)圆形度e：

其中S为面积，PP为周长；

(f)投影波形特征F_B：

其中xx(t)为零度方向投影值，1≤t≤T，T为零度方向投影总数值；

(g)投影脉冲特征F_M： $F_M=\frac{\max \left(\right|\mathrm{xx}\left(t\right)\left|\right)}{\frac{1}{T}\underset{t}{\mathrm{\Σ}}\left|\mathrm{xx}\left(t\right)\right|};$

(h)投影峰值特征F_F： $F_F=\frac{\max \left(\right|\mathrm{xx}\left(t\right)\left|\right)}{\sqrt{\frac{1}{T}\underset{t}{\mathrm{\Σ}{\mathrm{xx}}^2\left(t\right)\mathrm{dt}}}};$

(i)投影裕度特征F_Y： $F_Y=\frac{\max \left(\right|\mathrm{xx}\left(t\right)\left|\right)}{\left(\frac{1}{T}\underset{t}{\mathrm{\Σ}}{\left|\mathrm{xx}\left(t\right)\right|}^{\frac{1}{2}}{\mathrm{dt}}^2\right)};$

(j)投影歪度值F_S：其中为p(xx)为xx(t)的概率密度函数；

(k)投影峭度值F_K： $F_K=\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\mathrm{xx}{\left(t\right)}^{4}p\left(\mathrm{xx}\right).$

上述的基于机器视觉的非连续性锂电池薄膜缺陷检测方法，其中所述的寻找突变点位置具体步骤如下：

记扫描线上像素点右侧最近的3个像素点的灰度值A₁,A₂,A₃，记扫描线上像素点左侧最近的3个像素点的灰度值B₁,B₂,B₃，

A₁=xy₁(v₁-3)+xy₁(v₁-2)+xy₁(v₁-1)

A₂=xy₂(v₂-3)+xy₂(v₂-2)+xy₂(v₂-1)

A₃=xy₃(v₃-3)+xy₃(v₃-2)+xy₃(v₃-1)

B₁=xy₁(v₁+1)+xy₁(v₁+2)+xy₁(v₁+3)

B₂=xy₂(v₂+1)+xy₂(v₂+2)+xy₂(v₂+3)

B₃=xy₃(v₃+1)+xy₃(v₃+2)+xy₃(v₃+3)

其中v₁、v₂、v₃分别为1/4、1/2、3/4高度的水平扫描线的像素点的横坐标值，4≤v₁≤MM-4，4≤v₂≤MM-4，4≤v₃≤MM-4，MM为图像横坐标最大值；其中xy₁(v₁)为1/4高度的水平扫描线上v₁的像素值，xy₂(v₂)为1/2高度的水平扫描线上v₂的像素值，xy₃(v₃)为3/4高度的水平扫描线上v₃的像素值；

A₁与B₁差值的绝对值、A₂与B₂差值的绝对值、A₃与B₃差值的绝对值分别记为C₁,C₂,C₃；则C₁=|A₁-B₁|，C₂=|A₂-B₂|，C₃=|A₃-B₃|；

逐步增加v₁，v₂，v₃值，当C₁达到最大值时，对应的像素位置即为1/4扫描线上的灰度突变点ωω(0)；当C₂达到最大值时，对应的像素位置即为1/2扫描线上的灰度突变点ωω(1)；当C₃达到最大值时，对应的像素位置即为3/4扫描线上的灰度突变点ωω(2)。

Claims (4)

1.基于机器视觉的非连续性锂电池薄膜缺陷检测方法，其特征在于包括如下步骤：

步骤1、采用阈值判断法实现非连续性无缺陷薄膜中提取连续性无缺陷薄膜；

步骤1.1、设置拍摄清晰图像的工业摄像机的参数；

步骤1.2、采用工业摄像机拍摄非连续性无缺陷薄膜，将获得的标准图像输送至计算机；

步骤1.3、对标准图像进行灰度化处理；

步骤1.4、对灰度化处理后的标准图像进行3×3中值滤波；

步骤1.5、在标准图像竖直方向上分别选取1/4、1/2和3/4高度的水平扫描线；

步骤1.6、寻找突变点位置；

步骤1.7、选取3条扫描线上灰度突变点的最小值减去最小值的10%，即为从含有铝箔的非连续性无缺陷薄膜提取连续性无缺陷薄膜的阈值Gat，公式如下：

Gat=min(ωω(0),ωω(1),ωω(2))-min(ωω(0),ωω(1),ωω(2))×10%

步骤2、缺陷图像模板特征库的构建；

步骤2.1、设置拍摄清晰图像的工业摄像机的参数；

步骤2.2、采用工业摄像机拍摄非连续性有缺陷薄膜，将获得的有缺陷薄膜图像输送至计算机；

步骤2.3、对有缺陷薄膜图像进行灰度化处理；

步骤2.4、对灰度化处理后的有缺陷薄膜图像进行3×3中值滤波；

步骤2.5、对有缺陷薄膜图像进行图像最优阈值的求解；

步骤2.6、取最优阈值，对步骤2.4处理后的图像进行二值化处理,将灰度值小于或等于最优阈值的像素点赋值0，灰度值大于最优阈值的像素点赋值1；

步骤2.7、对二值化处理后的图像，保留1值像素所构成最大面积区域，将最大面积区域以外的其它1值像素赋值为0；

步骤2.8、特征参数提取；

步骤3、提取待检测锂电池薄膜连续性图像区域；

步骤3.1、设置拍摄清晰图像的工业摄像机的参数；

步骤3.2、采用工业摄像机拍摄待检测锂电池薄膜，将获得的待检测锂电池薄膜图像输送至计算机；

步骤3.3、对待检测锂电池薄膜图像进行灰度化处理；

步骤3.4、对待检测锂电池薄膜图像进行3×3中值滤波；

步骤3.5、在待检测锂电池薄膜图像竖直方向上选取1/2高度的水平扫描线，统计1/2高度扫描线上大于步骤1.7中的阈值Gat的灰度突变点个数，

若灰度突变点个数为0，即为待检测锂电池薄膜连续性图像；

若灰度突变点个数为1，且突变点最大位置值小于图像水平像素值的一半，如图1(b)所示，取灰度突变点中最大位置再加4，与锂电池薄膜右边界，构成待检测锂电池薄膜连续性图像；

若突变点个数为1，且突变点最小位置值大于图像水平像素值的一半，如图1(f)所示，取锂电池薄膜左边界，灰度突变点中最小位置再减4，构成连续性锂电池薄膜区域；

若突变点个数为2，如图1(c-e)所示，取锂电池薄膜左边界，左侧灰度突变点最小位置再减4，构成连续性锂电池薄膜区域1，取右侧灰度突变点中最大位置再加4，与锂电池薄膜右边界，构成连续性锂电池薄膜区域1，区域1和区域2构成连续性锂电池薄膜区域；

步骤4、待检测锂电池薄膜连续性图像的特征提取、检测和识别

步骤4.1、由步骤3得到待检测锂电池薄膜连续性图像；

步骤4.2、对待检测锂电池薄膜连续性图像进行图像最优阈值的求解；

步骤4.3、取最优阈值，对待检测锂电池薄膜连续性图像进行二值化处理，将灰度值小于或等于最优阈值的像素点赋值0，灰度值大于最优阈值的像素点赋值1；

步骤4.4、对二值化处理后的图像，保留1值像素所构成最大面积区域，最大面积区域以外的其它1值像素赋值为0；

步骤4.5、特征参数提取；

步骤4.6、设置检测参量的精度范围，所述检测参量为二值化处理后的图像中1值像素占图像像素百分比；

步骤4.7、待测图像的检测判断。

若百分比值达到精度范围，则为连续性无缺陷薄膜，计算机判断薄膜为合格。否则为连续性缺陷薄膜，判断为不合格；

步骤4.8、待测图像的识别。

由步骤4.7，若薄膜判断为不合格，则将步骤4.5中实时拍摄的连续性缺陷薄膜图像所提取的特征参数与步骤2.8中识别模板所提取的特征参数采用最小欧式距离算法实现快速识别和分类。

2.根据权利要求1所述的基于机器视觉的非连续性锂电池薄膜缺陷检测方法，其特征在于，其中所述的图像最优阈值的求解具体步骤如下：

(a)将进行灰度化处理后获得的图像，按照像素点的灰度值分为256级，i为像素点的级数，i的取值范围为0～255，图像总像素点个数为N，

其中N_i表示第i级像素点的个数，第i级像素出现的概率为P_i，P_i=N_i/N；

(b)取阈值k(0≤k≤255)，将每个像素点分为两类：第一类像素点为灰度值在0～k闭区间内的像素点，第一类像素点的集合为C₀，第二类像素点为所有灰度值在k+1～255闭区间内的像素点，第二类像素点的集合为C₁；

(c)计算图像的总平均灰度级μ_T，

C₀的平均灰度级为μ₀(k)，C₁的平均灰度级为μ₁(k)，μ₁(k)=μ_T-μ₀(k)；

(d)计算C₀所占面积的比例ω₀，

计算C₁所占面积的比例ω₁，

${\mathrm{\ω}}_1=\underset{i=k+1}{\overset{255}{\mathrm{\Σ}}}{P}_1=1-{\mathrm{\ω}}_0;$

(e)k由0开始逐渐增加，令μ₀=μ₀(k)/ω_ω，μ₁=μ₁(k)/ω₁，其中μ₀为C₀的平均灰度级和C₀所占面积比例ω₀的比值，μ₁为C₁的平均灰度级和C₁所占面积比例ω₀的比值，计算ω₀(μ₀-μ_T)²+ω₁(μ₁-μ_T)²，当ω₀(μ₀-μ_T)²+ω₁(μ₁-μ_T)²最大时，此时的阈值即为最优阈值。

3.根据权利要求1所述的基于机器视觉的非连续性锂电池薄膜缺陷检测方法，其特征在于：其中所述的特征参数提取具体步骤如下：

提取相应的特征参数存储于计算机，作为识别特征库模板，所述的特征参数包括缺陷图像的几何特征中的面积、长径和短径之比、周长和圆形度，在零度方向投影特征中的波形特征、脉冲特征、峰值特征、裕度特征、歪度值和峭度值，上述特征公式如下：

(a)面积S：

其中x₁为横坐标，y₁为纵坐标，R_d为像素值为1的区域，n₁为区域点个数；

(b)长径和短径之比

其中L₁是长径，L₂是短径；

(c)周长PP：其中x₂为横坐标，y₂为纵坐标，R_b为像素值为1的区域，n₂为区域点个数；

(d)圆形度e：

其中S为面积，PP为周长；

(f)投影波形特征F_B：

其中xx(t)为零度方向投影值，1≤t≤T，T为零度方向投影总数值；

(g)投影脉冲特征F_M： $F_M=\frac{\max \left(\right|\mathrm{xx}\left(t\right)\left|\right)}{\frac{1}{T}\underset{t}{\mathrm{\Σ}}\left|\mathrm{xx}\left(t\right)\right|};$

(h)投影峰值特征FF： $F_F=\frac{\max \left(\right|\mathrm{xx}\left(t\right)\left|\right)}{\sqrt{\frac{1}{T}\underset{t}{\mathrm{\Σ}{\mathrm{xx}}^2\left(t\right)\mathrm{dt}}}};$

(i)投影裕度特征FY： $F_Y=\frac{\max \left(\right|\mathrm{xx}\left(t\right)\left|\right)}{\left(\frac{1}{T}\underset{t}{\mathrm{\Σ}}{\left|\mathrm{xx}\left(t\right)\right|}^{\frac{1}{2}}{\mathrm{dt}}^2\right)};$

(j)投影歪度值F_S：其中为p(xx)为xx(t)的概率密度函数；

(k)投影峭度值F_K： $F_K=\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\mathrm{xx}{\left(t\right)}^{4}p\left(\mathrm{xx}\right).$

4.根据权利要求1所述的基于机器视觉的非连续性锂电池薄膜缺陷检测方法，其特征在于，其中所述的寻找突变点位置具体步骤如下：

记扫描线上像素点右侧最近的3个像素点的灰度值A₁,A₂,A₃，记扫描线上像素点左侧最近的3个像素点的灰度值B₁,B₂,B₃，

A₁=xy₁(v₁-3)+xy₁(v₁-2)+xy₁(v₁-1)

A₂=xy₂(v₂-3)+xy₂(v₂-2)+xy₂(v₂-1)

A₃=xy₃(v₃-3)+xy₃(v₃-2)+xy₃(v₃-1)

B₁=xy₁(v₁+1)+xy₁(v₁+2)+xy₁(v₁+3)

B₂=xy₂(v₂+1)+xy₂(v₂+2)+xy₂(v₂+3)

B₃=xy₃(v₃+1)+xy₃(v₃+2)+xy₃(v₃+3)

其中v₁、v₂、v₃分别为1/4、1/2、3/4高度的水平扫描线的像素点的横坐标值，4≤v₁≤MM-4，4≤v₂≤MM-4，4≤v₃≤MM-4，MM为图像横坐标最大值；其中xy₁(v₁)为1/4高度的水平扫描线上v₁的像素值，xy₂(v₂)为1/2高度的水平扫描线上v₂的像素值，xy₃(v₃)为3/4高度的水平扫描线上v₃的像素值；

A₁与B₁差值的绝对值、A₂与B₂差值的绝对值、A₃与B₃差值的绝对值分别记为C₁,C₂,C₃；则C₁=|A₁-B₁|，C₂=|A₂-B₂|，C₃=|A₃-B₃|；

逐步增加v₁，v₂，v₃值，当C₁达到最大值时，对应的像素位置即为1/4扫描线上的灰度突变点ωω(0)；当C₂达到最大值时，对应的像素位置即为1/2扫描线上的灰度突变点ωω(1)；当C₃达到最大值时，对应的像素位置即为3/4扫描线上的灰度突变点ωω(2)。

Images