基于LO-RANSAC的锂电池极片表面痕类缺陷检测_姜宝超.pdf

第 12 卷 第 2 期2023 年 2 月Vol.12 No.2Feb.2023储能科学与技术Energy Storage Science and Technology基于LO-RANSAC的锂电池极片表面痕类缺陷检测姜宝超1,2，曾勇1,2，韩有军1,2，胡跃明1,2（1华南理工大学自动化科学与工程学院；2精密电子制造装备教育部工程研究中心/广东省高端芯片智能封测装备工程实验室，广东 广州 510641）摘要：针对锂电池极片表面的痕类缺陷检测准确率低、误检率和漏检率高的问题，提出了一种基于局部最优化的随机抽样一致性(locally optimized random sample consensus，LO-RANSAC)的痕类缺陷检测算法。首先，针对锂电池极片表面存在的椒盐噪声、大噪点多的问题，提出了一种改进的自适应中值滤波和基于连通域的滤波算法。其次，针对检测痕类缺陷准确率达不到预期以及误检率漏检率较高的问题，引入一种局部最优化的RANSAC算法。最后，给出了一种基于LO-RANSAC的痕类缺陷分类方法。实验结果表明：本文所提算法相较于标准RANSAC检测准确率提高了5.9%，相较于基于卷积神经网络算法准确率提高了15%，达到了98.2%；多种算法中本工作算法对于痕类缺陷的检测误检率和漏检率最低；平均检测速度较标准RANSAC算法提高了1.7倍，每秒钟检测的图片数量FPS(frame per second)达到12.49。本工作算法具有较高的检测准确率、较低的误检率及漏检率，检测速度达到实时检测要求，因此可满足锂电池极片表面的痕类缺陷检测需求，解决了锂电池极片表面痕类缺陷自动检测难题。关键词：痕类缺陷；自适应中值滤波；RANSAC；缺陷检测doi：10.19799/ki.2095-4239.2022.0678 中图分类号：TP 391.41 文献标志码：A 文章编号：2095-4239（2023）02-593-09Scratch defect detection of lithium battery electrode based on LO-RANSAC algorithmJIANG Baochao1,2,ZENG Yong1,2,HAN Youjun1,2,HU Yueming1,2(1College of Automation Science and Engineering,South China University of Technology;2Enginering Research Center for Precision Electronic Manufacturing Equipment,Ministry of Education&Guangdong Provincial Engineering Laboratory for Advanced Chip Intelligent Packaging Equipment,South China University of Technology,Guangzhou 510641,Guangdong,China)Abstract:An algorithm based on locally optimized RANSAC(locally optimized random sample consensus,LO-RANSAC)is recommended for the problems of low trace defect detection accuracy,high false detection rate,and high missed detection rate of scratch defect detection on the surface of a lithium battery.First,in response to the problem of pepper noise,large noises that exist on the scratch defects of lithium batteries,a filtering algorithm based on improved adaptive median filtering and connected domains filtering is proposed.Secondly,to address the problems that the detection accuracy of detecting trace defects does not meet expectations and the false detection and missed detection rates are high,a locally optimized RANSAC algorithm is introduced.Finally,a scratch defect classification based on the LO-储能测试与评价收稿日期：2022-11-16；修改稿日期：2022-11-21。基金项目：国家重大科技专项02专项（2014ZX02503）。第一作者：姜宝超（1998），男，硕士研究生，研究方向为图像处理和深度学习，E-mail：；通讯作者：曾勇，博士，研究方向为图像处理、模式识别和深度学习，E-mail：。2023 年第 12 卷储能科学与技术RANSAC algorithm is proposed.The experimental results demonstrate that when compared to the standard RANSAC algorithm,the proposed algorithms average detection accuracy is increased by 5.9%,when compared to the convolution-based neural network algorithm is increased by more than 15%,reaching 98.2%.Among several algorithms,the algorithm achieves the lowest false positive and false negative rate for trace defects.The average detection speed is 1.7 times faster than the standard RANSAC algorithm,with an FPS(frame per second)of 12.49 images detected per second.The proposed algorithm has a high detection accuracy,a low false detection rate,and missed detection rate,and a detection speed that meets real-time detection requirements,allowing it to meet the detection needs of trace defect on the surface of lithium battery pole pieces and solve the problem of automatic detection of trace defects on the surface of lithium battery pole pieces.Keywords:scratch defect;adaptive median filtering;RANSAC;defect detection锂电池制造技术的进步以及规模扩大带来的成本降低直接推动电动汽车普及度的提高1。随着锂电池产量的扩大，锂电池的使用安全变得尤为重要。在锂电池极片的制造以及辊压过程中难以避免由于涂布机和辊压机的问题导致的极片表面出现划痕、漏金属、脱碳、鼓泡等缺陷，其中最常见的缺陷就是各种痕类缺陷，而这些缺陷会对锂电池的使用寿命以及安全产生不可磨灭的影响，严重时甚至会导致电池短路并引起汽车自燃2-3。因此，对于锂电池的缺陷检测显得尤为必要，并且为安全起见，对于锂电池的缺陷检测要在不影响检测准确率的条件下漏检率要尽可能达到最低。针对锂电池极片缺陷的检测，黄梦涛等4提出了一种基于改进CANNY算子的锂电池极片表面缺陷检测算法，该算法对其他非痕类缺陷检测准确率达 98%以上，不过对于痕类缺陷无法准确检测。孙浩然等5提出了一种基于拓扑滤波与改进Canny算子的锂电池电极缺陷检测算法。Xu等6提出了一种基于机器视觉的自动光学检测系统检测锂电池极片表面缺陷。Liu等7提出了一种基于传统区域提取方法，锂电池痕类缺陷也可以看作是低对比度图片8-10下的缺陷检测。Song等8提出了一种基于深度卷积神经网络检测金属部件表面弱划痕算法。张建国等9提出了一种基于机器视觉的手机屏幕表面划痕检测方法。针对工业上的弱划痕缺陷10，该文章通过聚合丰富的多维特征进行划痕表示，提出了一种DeepScratchNet用于自动弱划痕检测。目前，对于低对比度下的痕类缺陷检测问题并没有很好的解决方案，各种算法检测准确率及运行时间达不到工业生产水平，因此迫切需要提供更准确的算法提高低对比度下的痕类缺陷检测准确率。在检测痕类缺陷前，本文提出了一种自适应中值滤波与基于连通域的噪点滤波方法。针对痕类缺陷低对比度以及灰度不均匀等问题，本文在标准RANSAC算法的研究基础上改进了检测精度达不到预期以及迭代时间过长的问题，引入一种局部最优化的RANSAC算法(LO-RANSAC)。1 算法设计针对痕类缺陷与背景灰度值相差不大的问题，首先进行图像差分和LOG算子的图像增强方法；接着提出一种基于改进的自适应中值和基于连通区域相结合的噪声滤波算法；然后对滤波后的多线段进行基于改进的RANSAC算法拟合，得到各线段的数学模型并且将多线段整合成完整的缺陷图像；最后提出了一种基于RANSAC算法的痕类缺陷分类方法，具体流程如图1所示。1.1改进的滤波算法由于极片缺陷噪声分布特点，因此采用改进的自适应中值滤波与基于连通域去噪点相结合的方式对样本进行滤波。1.1.1改进的自适应中值滤波算法自适应中值滤波(adaptive median filtering，AMF)的设计思路：通过自适应调节中值滤波窗口达到只对噪声点滤除，而对非噪声点进行很好地保留。AMF对椒盐噪声的滤除自适应性表现为两点：一是自动区分图像中的噪声区域与非噪声区域，并对噪声区域进行滤除；二是根据噪声的密度自动选594第 2 期姜宝超等：基于LO-RANSAC的锂电池极片表面痕类缺陷检测择不同尺寸的滤波窗口11-13。实际操作中，AMF对图像的滤波过程如下。（1）找到像素点处的ww领域内各点像素值，将ww个像素值按升序排列并将值插入到向量vec中，从向量vec中得到最小值min、中值med以及最大值max，也即|min=vec 0med=vec|s2max=vecs-1(1)式中，s为向量vec的大小；-为取整。（2）若该领域满足minmedmax或窗口尺寸达到设定最大值(本文中最大窗口为99)，则将窗口大小调整为33；否则将窗口大小调整为(w+2)(w+2)，并转回(1)。（3）若f(i,j)满足minf(i,j)max，则将其视为非噪声点，不对其进行处理，否则对其进行滤波处理，具体操作如下g(i，j)=f()i，jmin f()i，j maxmedelse(2)式中，g(i,j)为对像素点灰度值滤波后的灰度值。上述的自适应中值滤波存在两处影响滤波效果的地方，若当前窗口尺寸达到最大尺寸时调整当前窗口为33，导致滤波的效果变差使得图像中大部分噪声