CN115272316B - 基于计算机视觉的电池盖焊接质量智能检测方法 - Google Patents

Abstract

本发明公开了基于计算机视觉的电池盖焊接质量智能检测方法，涉及图像处理领域，该方法包括：获取电池盖表面的图像并分割得到目标图像；获取每一行的灰度突变点，根据每一行的灰度突变点与右侧像素点的灰度差值确定出边界点；利用边界点得到焊缝区域与氧化区域的边界线，获取目标图像中区域中心线和新边界线；根据目标图像中新边界线与区域中心线上像素点的灰度差值以及该新边界线上相邻像素点之间的灰度差值得到新边界线的凹凸系数；获取新边界线与边界线灰度序列差异；根据新边界线的凹凸系数和灰度序列差异得到综合异常程度，根据综合异常程度确定新边界线上是否存在缺陷并确定缺陷类型，本发明能够准确得到焊接区域的缺陷类型。

Description

基于计算机视觉的电池盖焊接质量智能检测方法

技术领域

本发明涉及图像处理技术领域，具体涉及基于计算机视觉的电池盖焊接质量智能检测方法。

背景技术

动力电池生产过程中，壳体与盖板的封口焊接要求很高，其焊接质量直接影响电池的密封程度，焊接不良会导致电池漏液、析锂、等问题，进而影响电池组装系统的安全性。常见的焊接缺陷类型包括咬边缺陷和未融合缺陷，咬边缺陷是由于焊接速度选择不当或焊接角度不正确或电弧热量过高造成的焊缝与母材交接处形成母材缺口或未填满的现象，一般是焊接电弧把焊件边缘熔化后，没有得到焊条熔化金属的补充留下的缺口，易造成应力集中或母材强度降低；未融合缺陷是指焊缝金属与母材金属未熔化结合在一起的缺陷，可能是由于母材表面有污物或焊接速度选择不当或焊接电流选择不当的原因。

在现有技术中，可以通过图像处理的方法检测到焊缝区域的缺陷，但是由于咬边缺陷和未融合缺陷在焊缝区域图像中的灰度和形态较为相似，难以通过现有的阈值分割直接区分咬边缺陷和未熔合缺陷，因此，本发明提出一种基于计算机视觉的电池盖焊接质量智能检测方法。

发明内容

本发明提供基于计算机视觉的电池盖焊接质量智能检测方法，以解决现有的问题。

本发明的基于计算机视觉的电池盖焊接质量智能检测方法，采用如下技术方案：

获取待检测电池盖表面的图像，并获取图像中灰度化的目标图像，目标图像包括焊缝区域和氧化区域；

将目标图像中与焊缝延伸方向垂直的方向作为行，根据目标图像中每一行相邻像素点的灰度值变化得到每一行的灰度突变点，根据每一行中灰度突变点与该灰度突变点右侧相邻像素点的灰度差值从灰度突变点中确定出每一行中氧化区域与焊缝区域的边界点；

利用得到的所有边界点获得焊缝区域与两侧的氧化区域的边界线，获取每一侧氧化区域的边缘线上每一个像素点与该氧化区域的边界线在每一行上对应像素点的中心点，利用每一侧氧化区域得到的中心点获得该侧的氧化区域的区域中心线；

获取边界线上每个像素点向所在氧化区域移动多个像素宽度的像素点组成对应氧化区域的新边界线；

根据目标图像中每一侧氧化区域的新边界线与区域中心线上的像素点在同一行的灰度差值以及该新边界线上相邻像素点之间的灰度差值得到该新边界线的凹凸系数；

获取每一侧氧化区域的新边界线上像素点的灰度值均值与边界线上像素点的灰度值均值之间的差异，得到灰度序列差异；

根据新边界线的凹凸系数和灰度序列差异获取该新边界线的综合异常程度，根据综合异常程度确定该新边界线上是否存在缺陷并确定缺陷类型。

进一步，根据目标图像中每一行相邻像素点的灰度值变化得到每一行的灰度突变点的步骤包括：

获取目标图像的每一行中相邻像素点的灰度差异；

若得到的某个相邻像素点的灰度差异大于设定的差异阈值，则该相邻像素点中的后一个像素点为灰度突变点。

进一步，确定出每一行中氧化区域与焊缝区域的边界点的步骤包括：

获取每一行的灰度突变点的右侧多个相邻像素点，若得到的多个像素点的灰度值与灰度突变点的灰度差值小于设定的差值阈值，则该灰度突变点为氧化区域与焊缝区域的边界点；

若得到的多个像素点的灰度值与灰度突变点的灰度差值不小于设定的差值阈值，则该灰度突变点为噪声干扰点。

进一步，边界线包括焊缝区域与左侧氧化区域的边界线以及焊缝区域与右侧氧化区域的边界线。

进一步，得到新边界线的凹凸系数的公式为：

其中，

表示新边界线的凹凸系数；

表示新边界线上第

个像素点的灰度值；

表示新边界线上第

个像素点的灰度值；

表示区域中心线上第

个像素点的灰度值，

表示新边界线上像素点的总数量。

进一步，根据新边界线的凹凸系数和得到的灰度序列差异获取该新边界线的综合异常程度的公式为：

其中，

表示新边界线的综合异常程度；

表示新边界线与边界线上像素点的灰度差异，记为灰度序列差异；

表示新边界线的凹凸系数，

表示新边界线上的总数量；

表示以自然常数

为底的指数函数。

进一步，根据综合异常程度确定该新边界线上是否存在缺陷并确定缺陷类型的步骤包括：

综合异常程度不大于设定的缺陷阈值的新边界线上不存在缺陷，综合异常程度大于缺陷阈值的新边界线上存在缺陷；

综合异常程度大于设定的未熔合缺陷阈值的新边界线上存在未熔合缺陷；

综合异常程度不大于未熔合缺陷阈值且大于缺陷阈值的新边界线上存在咬边缺陷。

本发明的有益效果是：本发明的基于计算机视觉的电池盖焊接质量智能检测方法，通过焊缝区域与氧化区域灰度值的差异得到灰度突变点，进而根据焊缝区域内部像素点灰度值相差不大的特性从得到的突变点中确定出边界点，得到氧化区域和焊缝区域的边界线；通过将边界线向氧化区域移动多个像素点得到新边界线，可以根据区域中心线和新边界线的灰度序列得到新边界线的凹凸系数，即可以得到边界线向氧化区域移动两个像素点时得到的曲线的灰度序列的异常程度；本方案还通过边界线与边界外侧线上像素点的灰度值差异得到了两条曲线之间的灰度序列差异，进而通过咬边缺陷和未熔合缺陷的形态特征之间的差异，以及得到的边界外侧线的凹凸系数和两条曲线的灰度序列差异，可以准确地确定出咬边缺陷和未熔合缺陷。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的基于计算机视觉的电池盖焊接质量智能检测方法的实施例总体步骤的流程图；

图2为新边界线和区域中心线的灰度序列的拟合曲线。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的基于计算机视觉的电池盖焊接质量智能检测方法的实施例，如图1所示，该方法包括：

S1、获取待检测电池盖表面的图像，并获取图像中灰度化的目标图像，目标图像包括焊缝区域和氧化区域。

具体的，本方案需要获取动力电池的电池盖的表面图像，由于待检测电池盖是金属材料，所以在采集图像时，金属表面会发生反光影响采集到的电池盖表面图像的像素点的灰度值，进而影响后续基于图像分析焊接缺陷。

所以在采集图像时需要光照均匀，将光线设置为俯视照射，且设置多个均匀分布的光源，从而形成均匀的光线照射在电池盖的表面，获取电池盖表面的图像，此时得到的电池盖表面图像中包括背景区域，需要从中分割出电池盖表面图像。

可选的，采用DNN语义分割获取准确的电池盖表面图像。DNN网络的相关内容为：使用的数据集为俯视采集的电池盖的表面图像的数据集，电池的样式为多种多样的；需要分割的像素共分为两类，即训练集对应标签标注过程为：单通道的语义标签，对应位置像素属于背景类的标注为0，属于电池盖的标注为1；网络的任务是分类，所有使用的loss函数为交叉熵损失函数。DNN语义分割得到了准确的电池盖表面图像，去除了背景区域的干扰。

再对得到的准确的电池盖表面图像进行同样的DNN语义分割的方法，得到电池盖表面图像中的目标区域，目标区域中包括焊缝区域以及焊缝区域外侧的氧化区域，对得到的目标区域进行灰度化处理得到目标图像。

S2、目标图像中与焊缝延伸方向垂直的方向作为行，根据目标图像中每一行相邻像素点的灰度值变化得到每一行的灰度突变点，根据每一行中灰度突变点与该灰度突变点右侧相邻像素点的灰度差值从灰度突变点中确定出每一行中氧化区域与焊缝区域的边界点。

焊接过程中，焊缝的边缘会形成灰黑色氧化的区域，越靠近焊缝氧化程度越严重，颜色越深，氧化区域的灰度和咬边缺陷的灰度相近，氧化区域位于焊缝区域外侧，咬边缺陷介于氧化区域与焊缝区域之间，因此氧化区域会影响咬边缺陷的识别，需要将氧化区域与焊缝区域分开得到准确的边界线；从氧化区域到焊缝区域灰度是逐渐减小的，焊缝区域的灰度值在图像中最大，因此根据灰度确定边界线。

具体的，获取目标图像中每一行像素点的灰度序列，将目标图像中与焊缝延伸方向垂直的方向作为行，获取每一行中相邻两像素点的灰度差异，若某个像素点与后一个相邻像素点，即与右侧像素点值之间的灰度差异远远大于其他相邻像素点的灰度差异（即若相邻像素点之间的灰度差异

大于设定的差异阈值，则该相邻像素点中的后一个像素点为灰度突变点，可以设置差异阈值为4），则认为该像素点为突变像素点，若突变像素点右侧的五个像素点之间的灰度值相近，则认为该突变像素点为焊缝区域与氧化区域的边界点；即若

，则像素点

为灰度突变点，其中，

、

、

分别表示某一行中第

、

、

个像素点的灰度值；

表示某一行中第

个像素点与第

个像素点之间的灰度差异，即两像素点之间的灰度差异远远大于前一对相邻像素点的灰度差异时，认为组成这两对相邻像素点的三个像素点中间的像素点为灰度突变点。每一行的灰度序列为从左到右的顺序，即从氧化区域到焊缝区域再到氧化区域的顺序，出现灰度突变点即可能是焊缝区域与氧化区域的边界点，也可能是噪声点。

为去除噪声点的干扰，将得到的灰度突变点向后延伸5个像素点，若延伸得到的5个像素点与灰度突变点之间的灰度值相近，即5个像素点与灰度突变点之间的灰度差值不大于设定的差值阈值15，则认为该灰度突变点为焊缝区域与氧化区域的边界点，因为焊缝区域和氧化区域内部像素点的灰度差异不大；若延伸得到的5个像素点之间的灰度差值较大，即灰度差值大于15，则认为该突变点为噪声点，需要去除。

至此，得到了目标图像中每一行的氧化区域与焊缝区域的边界点，每一行包括两个边界点。

S3、利用得到的所有边界点获得焊缝区域与两侧的氧化区域的边界线，获取每一侧氧化区域的边缘线上每一个像素点与该氧化区域的边界线在每一行上对应像素点的中心点，利用每一侧氧化区域得到的中心点获得该侧的氧化区域的区域中心线；获取边界线上每个像素点向所在氧化区域移动多个像素宽度的像素点组成对应氧化区域的新边界线。

具体的，利用目标图像中得到的所有边界点确定出焊缝区域与两侧氧化区域的边界线，包括焊缝区域与左侧氧化区域的边界线和焊缝区域与右侧氧化区域的边界线。

目标图像包括焊缝区域与氧化区域，氧化区域在焊缝区域的外侧，则目标图像的边缘线为氧化区域的边缘线，氧化区域的范围较大，若直接根据氧化区域的边缘线和边界线直接确定咬边缺陷，由于氧化区域边缘线上像素点的灰度变化相对与氧化区域内部灰度变化较为剧烈，所以边缘线两条线上的像素点灰度差异较大，得到的结果不准确，因此需要获取氧化区域的区域中心线。

获取目标图像中每一行的左侧氧化区域边缘线和焊缝区域边界线上两个像素点的中心点，将左侧氧化区域的边缘线和边界线得到的所有中心点相连得到左侧氧化区域的区域中心线，将右侧氧化区域的边缘线和边界线得到的所有中心点相连得到右侧氧化区域的区域中心线。

可选的，获取焊缝区域与左侧氧化区域的边界线上的每个像素点向左两个像素宽度的像素点，将重新得到的像素点相连得到左侧氧化区域的新边界线，同理获取右侧氧化区域的边界线上每个像素点向右两个像素宽度的像素点组成右侧氧化区域的新边界线。

S4、根据目标图像中每一侧氧化区域的新边界线与区域中心线上的像素点在同一行的灰度差值以及该新边界线上相邻像素点之间的灰度差值得到该新边界线的凹凸系数。

咬边缺陷和未熔合缺陷在图像中呈现为黑色的凹坑，其灰度较小，因此根据新边界线上像素点的灰度变化得到边缘的凹陷程度，凹坑越深，内侧形成的阴影越大，其灰度值会越小。

具体的，焊缝区域与氧化区域的边界线分为左侧氧化区域的边界线和右侧氧化区域的边界线，每一侧获得缺陷的处理方法是相同的，所以本步骤以左侧为例进行描述。

获取新边界线的和区域中心线的灰度序列，灰度序列的方向为沿着焊缝延伸的方向。对新边界线和区域中心线的灰度序列进行曲线拟合，得到的两条灰度曲线如图2所示，上面的灰度曲线为区域中心线的灰度曲线，下面的灰度曲线为新边界线的灰度曲线，因为氧化区域的灰度值大于边界线处的灰度值，若新边界线上存在咬边缺陷或者未熔合缺陷，则新边界线的灰度值序列的曲线图中凹陷程度较大，因为咬边缺陷和未融合缺陷的灰度值小于氧化区域的灰度值，也小于边界处的灰度值。

根据下式计算新边界线的凹凸系数：

其中，

表示新边界线的凹凸系数；

表示新边界线上第

个像素点的灰度值；

表示区域中心线上第

个像素点的灰度值，

表示新边界线上像素点的总数量，

就表示目标图像中第

行新边界线上的像素点与区域中心线上像素点的灰度值比值，表示两者之间的差异，区域中心线上像素点的灰度值变化较为平缓，新边界线上像素点的灰度值变化剧烈，所以两者差异越大，说明新边界线上出现凹坑的可能性越大；

表示新边界线上第

个像素点的灰度值，即第

个像素点在该曲线上的相邻像素点，

表示边界线上第

个像素点与第

个像素点的灰度差值，即相邻两像素点的灰度差值，差值越大，表示存在凹坑的可能性越大；然后将每一行在新边界线和区域中心线上的像素点得到的灰度差值和灰度比值求和得到整个新边界线的凹凸程度，记为新边界线的凹凸系数。

S5、获取每一侧氧化区域的新边界线上像素点的灰度值均值与边界线上像素点的灰度值均值之间的差异，得到灰度序列差异；根据新边界线的凹凸系数和灰度序列差异获取该新边界线的综合异常程度，根据综合异常程度确定该新边界线上是否存在缺陷并确定缺陷类型。

未熔合缺陷是在焊接时，焊道与母材之间未完全熔化结合的部分，其特征是未熔合的母材边缘有较为规则的形状，其灰度会发生突变，在凹坑区域，一侧的灰度值明显比另外一侧的灰度值小，灰度值小的一侧的边缘较为规则，并且未熔合缺陷的灰度值比咬边缺陷的灰度值小，是因为凹陷程度大造成的，因此根据此特征将咬边缺陷与未熔合缺陷分开。

本步骤以左侧的新边界线和边界线为例进行描述，右侧通过相同的方法得到，根据新边界线和边界线上像素点之间的灰度值差异来区分咬边缺陷和未熔合缺陷，根据下式计算两条曲线上的灰度差异：

其中，

表示新边界线与边界线上像素点的灰度差异，记为灰度序列差异；

表示新边界线上像素点的灰度值均值；

表示边界线上像素点的灰度值均值，新边界线与边界线的灰度差异程度越大，凹坑程度就越大，因为若不存在凹坑的话，新边界线就属于氧化区域的曲线，与边界线（氧化区域与焊缝区域的边界线）之间的灰度差异不大，但是若存在凹坑，凹陷程度越大，该处的灰度值越小，与边界线的灰度差异越大。

根据新边界线与边界线的灰度差异以及新边界线的凹凸系数计算新边界线的综合异常程度：

其中，

表示新边界线的综合异常程度；

表示新边界线与边界线上像素点的灰度差异，记为灰度序列差异；

表示新边界线的凹凸系数，

表示新边界线上的总数量，

表示利用凹凸系数除以像素点总数量，即得到了整体曲线上的平均凹凸程度，与新边界线上得到的灰度差异相乘得到了新边界线的综合异常程度，

表示以自然常数

为底的指数函数，利用

进行归一化，方便后续设置阈值。

根据经验设置缺陷阈值为0.2，当新边界线的综合异常程度大于0.2时，认为该新边界线上存在缺陷，否则，不存在缺陷；设置未熔合缺陷阈值为0.34，当新边界线的综合异常程度大于0.34时，认为该缺陷为未融合缺陷，当新边界线的综合异常程度

时，认为该新边界线上存在的缺陷为咬边缺陷。

将得到缺陷类型进行标记，方便进行人工核验，并且可以根据不同的缺陷类型追溯造成缺陷的原因，对焊接的操作过程进行调整，尽量避免再次出现焊接缺陷。

综上所述，本发明提供基于计算机视觉的电池盖焊接质量智能检测方法，通过焊缝区域与氧化区域灰度值的差异得到灰度突变点，进而根据焊缝区域内部像素点灰度值相差不大的特性从得到的突变点中确定出边界点，得到氧化区域和焊缝区域的边界线；通过将边界线向氧化区域移动两个像素点得到新边界线，可以根据区域中心线和新边界线的灰度序列得到新边界线的凹凸系数，即可以得到边界线向氧化区域移动两个像素点时得到的曲线的灰度序列的异常程度；本方案还通过边界线与边界外侧线上像素点的灰度值差异得到了两条曲线之间的灰度序列差异，进而通过咬边缺陷和未熔合缺陷的形态特征之间的差异，以及得到的边界外侧线的凹凸系数和两条曲线的灰度序列差异，可以准确地确定出咬边缺陷和未熔合缺陷。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.基于计算机视觉的电池盖焊接质量智能检测方法，其特征在于：

获取待检测电池盖表面的图像，并获取图像中灰度化的目标图像，目标图像包括焊缝区域和氧化区域；

将目标图像中与焊缝延伸方向垂直的方向作为行，根据目标图像中每一行相邻像素点的灰度值变化得到每一行的灰度突变点，根据每一行中灰度突变点与该灰度突变点右侧相邻像素点的灰度差值从灰度突变点中确定出每一行中氧化区域与焊缝区域的边界点；

利用得到的所有边界点获得焊缝区域与两侧的氧化区域的边界线，获取每一侧氧化区域的边缘线上每一个像素点与该氧化区域的边界线在每一行上对应像素点的中心点，利用每一侧氧化区域得到的中心点获得该侧的氧化区域的区域中心线；

获取边界线上每个像素点向所在氧化区域移动多个像素宽度的像素点组成对应氧化区域的新边界线；

根据目标图像中每一侧氧化区域的新边界线与区域中心线上的像素点在同一行的灰度差值以及该新边界线上相邻像素点之间的灰度差值得到该新边界线的凹凸系数，得到新边界线的凹凸系数的公式为：

其中，

表示新边界线的凹凸系数；

表示新边界线上第

个像素点的灰度值；

表示新边界线上第

个像素点的灰度值；

表示区域中心线上第

个像素点的灰度值，

表示新边界线上像素点的总数量；

获取每一侧氧化区域的新边界线上像素点的灰度值均值与边界线上像素点的灰度值均值之间的差异，得到灰度序列差异；

根据新边界线的凹凸系数和灰度序列差异获取该新边界线的综合异常程度，根据综合异常程度确定该新边界线上是否存在缺陷并确定缺陷类型。

2.根据权利要求1所述的基于计算机视觉的电池盖焊接质量智能检测方法，其特征在于，根据目标图像中每一行相邻像素点的灰度值变化得到每一行的灰度突变点的步骤包括：

获取目标图像的每一行中相邻像素点的灰度差异；

若得到的某个相邻像素点的灰度差异大于设定的差异阈值，则该相邻像素点中的后一个像素点为灰度突变点。

3.根据权利要求1所述的基于计算机视觉的电池盖焊接质量智能检测方法，其特征在于，确定出每一行中氧化区域与焊缝区域的边界点的步骤包括：

获取每一行的灰度突变点的右侧多个相邻像素点，若得到的多个像素点的灰度值与灰度突变点的灰度差值小于设定的差值阈值，则该灰度突变点为氧化区域与焊缝区域的边界点；

若得到的多个像素点的灰度值与灰度突变点的灰度差值不小于设定的差值阈值，则该灰度突变点为噪声干扰点。

4.根据权利要求1所述的基于计算机视觉的电池盖焊接质量智能检测方法，其特征在于，所述边界线包括焊缝区域与左侧氧化区域的边界线以及焊缝区域与右侧氧化区域的边界线。

5.根据权利要求1所述的基于计算机视觉的电池盖焊接质量智能检测方法，其特征在于，根据新边界线的凹凸系数和得到的灰度序列差异获取该新边界线的综合异常程度的公式为：

其中，

表示新边界线的综合异常程度；

表示新边界线与边界线上像素点的灰度差异，记为灰度序列差异；

表示新边界线的凹凸系数，

表示新边界线上的总数量；

表示以自然常数

为底的指数函数。

6.根据权利要求1所述的基于计算机视觉的电池盖焊接质量智能检测方法，其特征在于，根据综合异常程度确定该新边界线上是否存在缺陷并确定缺陷类型的步骤包括：

综合异常程度不大于设定的缺陷阈值的新边界线上不存在缺陷，综合异常程度大于缺陷阈值的新边界线上存在缺陷；

综合异常程度大于设定的未熔合缺陷阈值的新边界线上存在未熔合缺陷；

综合异常程度不大于未熔合缺陷阈值且大于缺陷阈值的新边界线上存在咬边缺陷。

Images