CN119027422B - 基于机器视觉的电池配件质量检测方法及系统 - Google Patents

Abstract

本发明涉及图像处理技术领域，具体涉及基于机器视觉的电池配件质量检测方法及系统，包括：获取待检测电池配件的图像及其四个顶点的位置，并为每个顶点设定预设窗口，以提取相应预设窗口内像素点的深度值并构成顶点矩阵；利用改进的二分图算法，将待检测图像的顶点矩阵与标准电池配件图像的标准顶点矩阵进行匹配，获得四个矩阵对；基于所述矩阵对，调整待检测电池配件图像各顶点的位置，使其与标准电池配件图像各顶点的位置对应；比较标准电池配件图像与调整后的待检测电池配件图像中对应位置的像素深度值，若差值小于设定阈值，则判定待检测电池配件为正常；反之，则判定为缺陷。本发明提高了对电池配件检测过程中的准确性。

Description

基于机器视觉的电池配件质量检测方法及系统

技术领域

本发明涉及图像处理技术领域。更具体地，本发明涉及基于机器视觉的电池配件质量检测方法及系统。

背景技术

在现代工业中，电池配件的质量控制是确保电池性能和可靠性的关键环节。随着电动汽车和可再生能源设备的普及，电池技术的不断进步对电池配件的制造精度和质量要求也日益提高。电池配件通常包括电池壳体、端子、隔板和其他组件，其精度和表面质量直接影响电池的安全性、寿命及性能。因此，在生产线上的大规模生产和高速度生产环境中，传统的人工检测方法已无法满足高效、准确的质量控制需求。

随着计算机视觉技术的发展，机器视觉已成为解决这些问题的有效工具。在机器视觉领域，常常需要解决特征匹配、图像配准、目标跟踪等问题，而这些问题可以通过二分图算法来解决，带权二分图中，边的权重表示成本或收益。常见的带权二分图算法有匈牙利算法、KM算法和最小费用最大流算法，它们通过权重优化来找到最优匹配，目标是使得总权重最小化或最大化。这些算法广泛应用于任务分配和资源调度等场景。

申请公布号为CN110220910A的专利申请文件公开了一种基于机器视觉的锂电池全面质量在线监测系统及方法。该专利申请文件公开了一种基于机器视觉的锂电池全面质量在线监测系统，包括：图像采集模块，用于采集锂电池的多个角度的图像；数据传输模块；图像处理模块，用于对数据传输模块传输的图像进行处理；分析模块，用于对图像处理模块抽取出的锂电池特征进行分析，找出质量缺陷；显示模块；还公开了一种基于机器视觉的锂电池全面质量在线监测方法，该基于机器视觉的锂电池全面质量在线监测方法通过采集锂电池的多个角度的图像，对图像进行处理，抽取出锂电池的特征，对锂电池特征进行分析，找出质量缺陷。然而，上述技术方案仅仅依赖于单一的特征分析，往往会忽略在电池配件质量检测中发生位置偏移和深度匹配误差的问题，从而可能影响检测过程中的准确性。

发明内容

为解决上述背景技术中提出的依赖于简单的机械测量和视觉检测，往往会导致对电池配件质量检测准确性不高的问题，本发明在如下的多个方面中提供方案。

在第一方面中，本发明提供了基于机器视觉的电池配件质量检测方法，包括：

获取大小为的待检测电池配件的图像以及图像四个顶点的位置，确定各顶点的预设窗口；其中，四个顶点分别位于不同的预设窗口内；确定图像中四个预设窗口内像素点的深度值；将各预设窗口内所有深度值构成顶点矩阵；利用改进的二分图算法对所述待检测电池配件图像的各顶点矩阵与标准电池配件图像的各标准顶点矩阵进行匹配，得到四个矩阵对；各标准顶点矩阵由标准电池配件图像中各预设窗口内像素点的深度值构成；基于所述矩阵对，调整待检测电池配件图像各顶点的位置，使其与标准电池配件图像各顶点的位置相对应；响应于标准电池配件图像与调整后的待检测电池配件图像中对应位置像素点深度值的差值小于等于设定阈值时，待检测电池配件为正常，反之，待检测电池配件为缺陷；其中，改进的二分图算法中的权重为：各标准顶点矩阵与各顶点矩阵之间的相似度，所述相似度与对应标准顶点矩阵中像素点的深度值正相关，与预设窗口的大小、对应顶点矩阵中像素点的深度值负相关。

上述技术方案解决了在电池配件质量检测过程中，由于图像位置偏移和深度信息不匹配所引起的检测误差问题。通过在图像的四个顶点处分别设立预设窗口，能够精确定位关键边界区域，从而减少整体计算量和匹配的复杂度。同时，采用改进的二分图算法匹配待检测图像与标准图像的顶点矩阵，基于预设窗口中的像素深度值进行调整，确保两者的顶点位置对齐。通过比较调整后图像与标准图像中对应像素点的深度值差异来判断电池配件是否存在缺陷。

进一步地，所述相似度为：

；

式中，表示顶点矩阵和顶点矩阵之间的相似度，表示预设窗口的大小，表示在顶点矩阵中第行第列的深度值，表示在顶点矩阵中第行第列的深度值，表示经验常数，且。

上述技术方案通过相似度公式对标准电池配件和待检测电池配件的顶点矩阵进行精准匹配。通过计算两矩阵对应像素点的深度值差异，并引入窗口大小的调节，能够有效衡量两图像在顶角区域的相似性，提高对电池配件细微差异的检测精度，进而减少由于位置偏移或形变带来的误判，使得检测结果更具鲁棒性和可靠性。

进一步地，还包括，获取历史电池配件存在位置偏移的图像，设定多个不同大小的预设窗口对所述图像进行匹配，计算所述图像在不同大小的预设窗口下匹配的准确率，响应于准确率最大的预设窗口为最优预设窗口；所述准确率为：

；

式中，表示在第个预设窗口大小下匹配的准确率，表示在第个预设窗口大小下匹配正确的数量，表示在第个预设窗口大小下匹配错误的数量。

上述技术方案通过采集历史电池配件中存在位置偏移的图像，计算在不同窗口大小下的匹配准确率，通过调整窗口大小，有效减少了匹配误差，提高了匹配的鲁棒性和灵活性，确保了在各种复杂场景下仍能获得稳定、可靠的检测结果。

进一步地，所述二分图算法为匈牙利算法或KM算法。

上述技术方案通过采用匈牙利算法或KM算法作为二分图算法，用于匹配标准电池配件和待检测电池配件的顶点矩阵。匈牙利算法和KM算法在解决匹配问题时具有高效性和全局最优性，能够确保在多种匹配场景下快速找到最优匹配组合，从而提升整个电池配件质量检测过程的准确性和鲁棒性。

进一步地，通过三维立体相机待检测电池配件的图像以及图像四个顶点的位置。

进一步地，基于所述矩阵对，调整待检测电池配件图像各顶点的位置，使其与标准电池配件图像各顶点的位置相对应，具体为：提取所述矩阵对中的平移矩阵、缩放矩阵和旋转矩阵，将所述平移矩阵、缩放矩阵和旋转矩阵构成仿射变换矩阵，通过所述仿射变换矩阵对待检测电池配件图像进行平移、缩放和旋转调整，使待检测电池配件图像各顶点的位置与标准电池配件图像的各顶点位置相对应。

上述技术方案解决了待检测电池配件图像与标准图像之间由于位置、比例和旋转差异导致的图像对齐问题。通过提取平移、缩放、旋转矩阵并构成仿射变换矩阵，对待检测图像进行相应的调整，确保其顶点位置与标准图像对齐，从而提高配件质量检测的精度和一致性。

进一步地，还包括，对标准电池配件图像与待检测电池配件图像进行灰度化处理和中值滤波处理。

在第二方面中，本发明提供了基于机器视觉的电池配件质量检测系统，包括存储器和处理器，所述存储器内存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现以上任意一项所述的基于机器视觉的电池配件质量检测方法。

本发明的有益效果在于：

本发明通过获取待检测图像和标准图像的四个顶点位置以及像素点的深度值，构建顶点矩阵，并利用改进的二分图算法进行匹配，精确处理检测过程中的位置偏移问题。使用深度值检测代替传统的二维图像检测，使得电池配件的三维形状差异得以负映，从而提高了质量检测的精确度。通过设定不同大小的预设窗口，并基于匹配准确率选择最优窗口，能够适应不同尺寸和形状的电池配件检测需求。为了进一步提升匹配精度，同时采用仿射变换矩阵进行图像的平移、缩放和旋转调整，确保图像几何位置一致性。此外，灰度化处理和中值滤波减少了图像噪声和干扰，确保了检测结果的稳定性和准确性，进而综合提升了电池配件质量检测的可靠性和适应性。

附图说明

通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：

图1是示意性示出根据本发明的实施例的基于机器视觉的电池配件质量检测方法流程图；

图2是示意性示出根据本发明的实施例的二分图算法匹配顶点矩阵对的示意图；

图3是示意性示出根据本发明的实施例的基于机器视觉的电池配件质量检测系统的结构框图。

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。

下面结合附图来详细描述本发明的具体实施方式。

基于机器视觉的电池配件质量检测方法实施例。

如图1所示，本发明的实施例的基于机器视觉的电池配件质量检测方法流程图，包括以下步骤：

S1：获取待检测电池配件的图像以及图像四个顶点的位置，确定各顶点的预设窗口。

在一个实施例中，首先，使用三维立体相机分别获取标准电池配件图像和待检测电池配件的图像；图像采集完成后，分别提取大小为的标准电池配件图像和待检测电池配件的图像中四个顶点的位置，确定各顶点的预设窗口；其中，四个顶点分别位于不同的预设窗口内，上述预设窗口的大小可以设为3×3像素，当然也可以根据实际情况进行设定。

在另一个实施例中，还包括，对标准电池配件图像与待检测电池配件图像进行灰度化处理和中值滤波处理，通过将彩色图像转换为灰度图像，不仅减少了数据量并提升了处理效率，同时降低了颜色干扰，使关键形状和深度信息更突出。通过中值滤波去除噪声，保留了边缘特征，提高了图像清晰度和算法鲁棒性。

S2：确定图像中四个预设窗口内像素点的深度值；将各预设窗口内所有深度值构成顶点矩阵。

在一个实施例中，首先确定图像中四个预设窗口内像素点的深度值，具体为：通过结构光扫描捕捉到电池配件表面的三维结构，并生成图像数据和相应的深度值。接着，对于每个预设窗口，提取每个像素点的二维位置和深度值；每个像素点的二维位置可通过其在图像中的行列坐标表示，例如，对于预设窗口内左上角的第一个像素点，其坐标表示为(0,0)；在获取到预设窗口内的所有像素点的位置和深度值后，基于所述位置和深度值构造对应的顶点矩阵；该顶点矩阵不仅包含每个像素的深度值，还负映其在预设窗口内的空间位置，从而为后续的匹配和分析提供必要的基础数据。这种方法确保了在图像处理中深度信息的有效利用，为后续的质量检测提供了更为精准的依据。

示例性地：分别构建标准电池配件图像中的四个顶点矩阵和待检测电池配件图像中的四个顶点矩阵。每个顶点矩阵表示预设窗口区域内像素点的深度分布情况；其中，顶点矩阵的构建方式为：对于每个预设窗口内的像素点，按照其在图像中的二维坐标顺序，如行列索引，排列为一个矩阵。

假设某一预设窗口区域内的像素点的深度值为，，，，，，，，；其中，表示预设窗口区域内第一行第一列像素点的深度值，按照像素点在图像中的二维坐标顺序，将预设窗口区域内所有像素点的深度值构成顶点矩阵，则该预设窗口对应的顶点矩阵为。

S3：利用改进的二分图算法对所述待检测电池配件图像的各顶点矩阵与标准电池配件图像的各标准顶点矩阵进行匹配，得到四个矩阵对。

在一个实例中，二分图算法可以为匈牙利算法或KM算法。

示例性地，以匈牙利算法为例，利用改进的匈牙利算法对所述标准电池配件图像中的四个顶点矩阵和待检测电池配件图像中的四个顶点矩阵进行匹配，得到四个矩阵对。其中，改进的匈牙利算法中的权重为：各标准顶点矩阵与各顶点矩阵之间的相似度，所述相似度与对应标准顶点矩阵中像素点的深度值正相关，与预设窗口的大小、对应顶点矩阵中像素点的深度值负相关；所述相似度为：

；

式中，表示顶点矩阵和顶点矩阵之间的相似度，表示预设窗口的大小，表示在顶点矩阵中第行第列的深度值，表示在顶点矩阵中第行第列的深度值，表示经验常数，如可以取值为1，且。

示例性地：假设预设窗口大小为3×3像素，即=3，标准电池配件图像的顶点矩阵，待检测电池配件图像的顶点矩阵，取值为1，将上述顶点矩阵中的数据代入上述相似度公式，可以得到顶点矩阵和顶点矩阵之间的相似度，同理，可以计算其他两两矩阵对之间的相似度。

如图2所示，本发明的实施例的二分图算法匹配顶点矩阵对的示意图，包括：标准电池配件图像中的四个顶点矩阵、、、和待检测电池配件图像中的四个顶点矩阵、、、，表示顶点矩阵和顶点矩阵之间的相似度，表示顶点矩阵和顶点矩阵之间的相似度，表示顶点矩阵和顶点矩阵之间的相似度，表示顶点矩阵和顶点矩阵之间的相似度。

对于电池配件质量检测还包括，获取历史电池配件存在位置偏移的图像，设定多个不同大小的预设窗口对所述图像进行匹配，计算所述图像在不同大小的预设窗口下匹配的准确率，响应于准确率最大的预设窗口为最优预设窗口；上述准确率为：

；

式中，表示在第个预设窗口大小下匹配的准确率，表示在第个预设窗口大小下匹配正确的数量，表示在第个预设窗口大小下匹配错误的数量。

示例性地：采集历史电池配件中存在位置偏移的电池配件图像在不同窗口下的匹配结果，匹配正确表示为：在第个预设窗口大小下，待检测电池配件图像的顶点矩阵与标准电池配件图像的顶点矩阵成功匹配，即当两个矩阵中的对应位置像素点的深度值差异小于等于设定的阈值时，认为该预设窗口的匹配是正确的，大于设定的阈值时，认为该预设窗口的匹配是错误的。

假设在第一窗口大小为3×3像素下匹配正确的数量，匹配错误的数量；在第二窗口大小为5×5像素下匹配正确的数量，匹配错误的数量；在第三窗口大小为7×7像素下匹配正确的数量，匹配错误的数量；代入上述公式计算每个窗口下的准确率：

；；；

通过比较不同窗口大小的准确率，可以得出以下结论：第一窗口大小的准确率为72%，第二窗口大小的准确率最高，为83.3%，第三窗口大小的准确率为75%，在本实例中，第二窗口大小具备最高的准确率，因此被选择为最优的预设窗口大小。

S4：基于所述矩阵对调整待检测电池配件图像顶点位置，使其与标准图像顶点位置对应；当对应位置的像素点深度值差值不超过设定阈值时，判断电池配件正常，否则为缺陷。

在一个实施例中，基于所述矩阵对，调整待检测电池配件图像各顶点的位置，使其与标准电池配件图像各顶点的位置相对应，具体为：

提取所述矩阵对中的平移矩阵、缩放矩阵和旋转矩阵，上述矩阵用于表示待检测图像相对于标准图像的偏移、比例差异及旋转角度，将所述平移矩阵、缩放矩阵和旋转矩阵构成仿射变换矩阵，通过所述仿射变换矩阵对待检测电池配件图像进行平移、缩放和旋转调整，使待检测电池配件图像各顶点的位置与标准电池配件图像的各顶点位置相对应，从而保证待检测图像与标准图像几何位置的一致性，为后续的质量检测提供基础。

上述设定阈值取值可以为0.3，当然，还可以根据实际情况进行确定。

示例性地，若标准电池配件与旋转调整后的待检测电池配件图像中对应位置像素点深度值的差值为0.1，小于设定阈值0.3，则判定待检测图像为质量正常。

本发明的方案针对电池配件质量检测中存在检测不准确的问题进行了有效解决。通过获取图像顶点的深度值并应用改进的二分图算法进行顶点矩阵匹配，方案成功克服了传统方法中因位置偏移引发的匹配不准的问题。深度值的引入确保了对电池配件三维形状的准确检测，显著提升了检测的精度。同时，方案设定了多种尺寸的预设窗口，基于匹配的准确率自动选择最优窗口，从而增强了检测方法的灵活性和适用性。在调整图像位置时，通过提取平移、缩放和旋转矩阵并进行仿射变换，确保了待检测图像与标准图像在几何位置上的精确对应。此外，方案还引入了灰度化和中值滤波处理，降低了噪声和图像干扰对检测结果的影响。整体而言，上述技术方案有效解决了传统电池配件检测方法中存在的精度不足、位置匹配误差和噪声处理难题，优化了质量检测流程，提升了可靠性。

基于机器视觉的电池配件质量检测系统实施例：

如图3所示，本发明的实施例的基于机器视觉的电池配件质量检测系统的结构框图，包括处理器和存储器。

本发明还提供了基于机器视觉的电池配件质量检测系统。如图3所示，所述系统包括处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现根据本发明上述所述的基于机器视觉的电池配件质量检测方法。

所述基于机器视觉的电池配件质量检测系统还包括通信接口等本领域技术人员熟知的其他组件，其设置和功能为本领域中已知，因此在此不再赘述。

在本发明中，前述的存储器可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质，比如，阻变式存储器RRAM（Resistive RandomAccess Memory）、动态随机存取存储器DRAM（Dynamic Random Access Memory）、静态随机存取存储器SRAM（Static Random-Access Memory）、增强动态随机存取存储器EDRAM（Enhanced Dynamic Random Access Memory）、高带宽内存HBM（High-Bandwidth Memory）、混合存储立方HMC（Hybrid Memory Cube）等等，或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。本发明描述的任何应用或模块可以使用可以由这样的计算机可读介质存储或以其他方式保持的计算机可读/可执行指令来实现。

在本说明书的描述中，“多个”、“若干个”的含义是至少两个，例如两个，三个或更多个等，除非另有明确具体的限定。

虽然本说明书已经示出和描述了本发明的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中，可以采用对本文所描述的本发明实施例的各种替代方案。

Claims (5)

1.基于机器视觉的电池配件质量检测方法，其特征在于，包括：

获取大小为的待检测电池配件的图像以及图像四个顶点的位置，确定各顶点的预设窗口；其中，四个顶点分别位于不同的预设窗口内；

确定图像中四个预设窗口内像素点的深度值；将各预设窗口内所有深度值构成顶点矩阵；

利用改进的二分图算法对待检测电池配件图像的各顶点矩阵与标准电池配件图像的各标准顶点矩阵进行匹配，得到四个矩阵对；各标准顶点矩阵由标准电池配件图像中各预设窗口内像素点的深度值构成；

基于所述矩阵对，调整待检测电池配件图像各顶点的位置，使其与标准电池配件图像各顶点的位置相对应，具体为：

提取矩阵对中的平移矩阵、缩放矩阵和旋转矩阵，将平移矩阵、缩放矩阵和旋转矩阵构成仿射变换矩阵，通过仿射变换矩阵对待检测电池配件图像进行平移、缩放和旋转调整，使待检测电池配件图像各顶点的位置与标准电池配件图像的各顶点位置相对应；

响应于标准电池配件图像与调整后的待检测电池配件图像中对应位置像素点深度值的差值小于等于设定阈值时，待检测电池配件为正常，反之，待检测电池配件为缺陷；

改进的二分图算法中的权重为：各标准顶点矩阵与各顶点矩阵之间的相似度，所述相似度为：

；

式中，表示顶点矩阵和顶点矩阵之间的相似度，表示预设窗口的大小，表示在顶点矩阵中第行第列的深度值，表示在顶点矩阵中第行第列的深度值，表示经验常数，且；

还包括，获取历史电池配件存在位置偏移的图像，设定多个不同大小的预设窗口对图像进行匹配，计算图像在不同大小的预设窗口下匹配的准确率，响应于准确率最大的预设窗口为最优预设窗口；

所述准确率为：

；

式中，表示在第个预设窗口大小下匹配的准确率，表示在第个预设窗口大小下匹配正确的数量，表示在第个预设窗口大小下匹配错误的数量。

2.根据权利要求1所述的基于机器视觉的电池配件质量检测方法，其特征在于，所述二分图算法为匈牙利算法或KM算法。

3.根据权利要求1所述的基于机器视觉的电池配件质量检测方法，其特征在于，通过三维立体相机获取待检测电池配件的图像以及图像四个顶点的位置。

4.根据权利要求1所述的基于机器视觉的电池配件质量检测方法，其特征在于，还包括，对标准电池配件图像与待检测电池配件图像进行灰度化处理和中值滤波处理。

5.基于机器视觉的电池配件质量检测系统，其特征在于，包括存储器和处理器，所述存储器内存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现权利要求1~4任意一项所述的基于机器视觉的电池配件质量检测方法。