孫浩然，李雅雯，韓有軍，胡躍明

（1華南理工大學(xué)自動(dòng)化科學(xué)與工程學(xué)院；2精密電子制造裝備教育部工程研究中心/廣東省高端芯片智能封測(cè)裝備工程實(shí)驗(yàn)室，廣東 廣州 510640）

在需要大容量?jī)?chǔ)能設(shè)備的應(yīng)用環(huán)境中鋰離子電池展現(xiàn)出了巨大的價(jià)值，其被廣泛應(yīng)用在新能源汽車、電子通信、航空航天等領(lǐng)域[1]。如何保證鋰離子電池的安全性已經(jīng)成為了工業(yè)界與學(xué)術(shù)界較為關(guān)注的課題[2]。電極作為鋰離子電池的關(guān)鍵組成部分，直接影響鋰離子電池的性能、使用壽命和安全性[3]。因此，鋰離子電池電極缺陷檢測(cè)是保障產(chǎn)品可靠性的關(guān)鍵。電極的生產(chǎn)環(huán)境復(fù)雜，缺陷形態(tài)多變且對(duì)比度微小，亟待準(zhǔn)確、高效、高速的電極外觀缺陷檢測(cè)算法。

隨著視覺(jué)檢測(cè)技術(shù)的發(fā)展，越來(lái)越多的學(xué)者將研究方向聚焦在缺陷檢測(cè)方面。Li 等[4]提出了一種基于機(jī)器視覺(jué)的電池表面缺陷檢測(cè)算法，基于傳統(tǒng)Canny算子對(duì)劃痕缺陷進(jìn)行檢測(cè)，但該算法未對(duì)其他類型的缺陷檢測(cè)進(jìn)行研究；Xu等[5]將傳統(tǒng)Canny算子與特征融合及支持向量機(jī)算法結(jié)合起來(lái)，可有效檢測(cè)鋰離子電池電極表面的多種缺陷，但該算法需人為選取Canny算子的高低閾值，缺陷檢測(cè)的魯棒性較差；Lu 等[6]對(duì)傳統(tǒng)Canny 算子進(jìn)行了改進(jìn)，增加了45°和135°的梯度模板并通過(guò)迭代的方式來(lái)確定最佳的高低閾值，但該算法難以滿足低對(duì)比度且背景細(xì)小、紋理較多的電極缺陷檢測(cè)需求。黃夢(mèng)濤等[7]提出了一種基于Otsu和最大熵算法確定高低閾值的改進(jìn)Canny算子，缺陷識(shí)別可以達(dá)到較高的準(zhǔn)確率，但該算法對(duì)于劃痕缺陷的識(shí)別精度較低。

針對(duì)上述算法出現(xiàn)的檢測(cè)問(wèn)題，本文提出了一種基于拓?fù)鋵W(xué)濾波與改進(jìn)Canny算子的鋰離子電池電極缺陷檢測(cè)算法，該方法先通過(guò)拓?fù)錇V波，在突出邊緣細(xì)節(jié)的同時(shí)去除背景的無(wú)關(guān)信息，并通過(guò)灰度變換矯正圖像整體灰度值，增強(qiáng)缺陷區(qū)域的對(duì)比度，然后通過(guò)改進(jìn)Canny算子自適應(yīng)提取缺陷，對(duì)于其他算法處理效果較差的劃痕缺陷也有著較高的識(shí)別精度。

1 系統(tǒng)設(shè)計(jì)

電極的光學(xué)采集系統(tǒng)如圖1所示。通過(guò)傳送帶上下的兩個(gè)2 K分辨率的線陣相機(jī)掃描電極，將采集好的圖像送入計(jì)算機(jī)中，進(jìn)行圖像處理與缺陷檢測(cè)。選取線性光源盡最大可能保證光照均勻，但極耳金屬部分的反光增加了圖像光照不均的可能性。由于光學(xué)采集系統(tǒng)是在開(kāi)放區(qū)域完成的，受到灰塵、光照等周邊環(huán)境因素的影響，再加上電極本身的細(xì)小紋理特征，為缺陷檢測(cè)增添了很大的難度。

圖1 光學(xué)采集系統(tǒng)Fig.1 Optical Collection System

采集到的電極圖像如圖2所示。電極圖像整體色彩單一，缺陷部分存在著明顯的亮度變化，其中劃痕缺陷和漏金屬缺陷較為明亮，而孔洞缺陷相對(duì)較暗。因此基于HSV 亮度空間將圖像中的V 分量(明度)提取出來(lái)進(jìn)行后續(xù)的圖像處理操作，更易于缺陷的提取。

圖2 電極圖像Fig.2 lmages of the electrode of(a)scratch defect;(b)Hole defect;(c)Leak metal defect

提取出待測(cè)圖像的V分量后，將拓?fù)鋵W(xué)相關(guān)原理引入濾波模板的設(shè)計(jì)，對(duì)圖像進(jìn)行降噪處理。為矯正圖像灰度分布增強(qiáng)圖像對(duì)比度，對(duì)圖像進(jìn)行線性灰度變換。通過(guò)本文提出的改進(jìn)Canny算子，提取缺陷輪廓，并依據(jù)3種缺陷的特征，對(duì)缺陷進(jìn)行識(shí)別分類。缺陷檢測(cè)算法的整體流程如圖3所示。

圖3 電極缺陷檢測(cè)流程Fig.3 Electrode defect inspection process

2 圖像預(yù)處理

2.1 圖像降噪：拓?fù)錇V波

鋰離子電池電極的制作工藝復(fù)雜，其表面存在涂覆工藝產(chǎn)生的細(xì)小紋理。此外采集圖像的過(guò)程中受周邊環(huán)境因素的影響均會(huì)對(duì)后續(xù)的缺陷提取造成干擾。為取得更好的濾波效果，本文將拓?fù)鋵W(xué)概念引入到濾波模板的設(shè)計(jì)中。

拓?fù)錇V波結(jié)合鄰域閉曲線概念，以像素點(diǎn)到濾波模板中心點(diǎn)的距離作為計(jì)算影響因素的原則。選取濾波模板中心像素點(diǎn)，判斷其鄰域中符合若爾當(dāng)曲線定理的簡(jiǎn)單閉曲線，該曲線經(jīng)過(guò)的4個(gè)正交方向像素點(diǎn)為濾波模板處理過(guò)程中需要計(jì)算的像素點(diǎn)[8]。

為區(qū)分濾波模板的中心像素點(diǎn)與其鄰域像素點(diǎn)的重要性，將其依據(jù)距離賦予不同的權(quán)值。將模板內(nèi)像素權(quán)重之和歸一化處理，即濾波模板中心像素點(diǎn)的權(quán)重賦予0.5，鄰域閉曲線經(jīng)過(guò)的4 個(gè)像素點(diǎn)共享剩余權(quán)重且各個(gè)權(quán)重相等。對(duì)角線像素點(diǎn)因距模板中心點(diǎn)較遠(yuǎn)，因此忽略其對(duì)中心像素點(diǎn)的影響。濾波模板K如下所示，濾波處理后模板中心點(diǎn)的灰度值由式(1)可得：

2.2 圖像增強(qiáng)：灰度矯正

電極圖像提取V分量后整體灰度值較高且缺陷對(duì)比度較低，不利于后續(xù)處理。因此通過(guò)線性灰度變換將待測(cè)電極的灰度值矯正在灰度級(jí)中值處，同時(shí)增強(qiáng)缺陷特征[9]。設(shè)提取V分量后的圖像為l(x，y)，灰度矯正后的圖像為lz(x，y)，公式如下所示。

kZ為圖像變換的斜率，k0為對(duì)圖像整體的偏置值。其中0＜lz(x，y)＜255。如果kZ的絕對(duì)值大于1，則圖像的對(duì)比度增強(qiáng)，明暗差別增大；如果kZ＜0，則圖像灰度值低的地方變高，高的地方變低。若l(x，y)的平均灰度值大小為m，為使矯正后的lz(x，y)在增加對(duì)比度的同時(shí)，平均灰度級(jí)保持在中值，選取kZ為1.6，偏置值k0為150-1.6m。變換前后的灰度直方圖如圖4(a)所示，通過(guò)觀察，灰度矯正前圖像灰度級(jí)集中分布在150～200，灰度區(qū)間比較窄，圖像整體的灰度值過(guò)高，不利于缺陷的識(shí)別?；叶瘸C正后灰度區(qū)間得到拉伸，對(duì)后續(xù)的邊緣檢測(cè)更加有利。實(shí)驗(yàn)結(jié)果如圖4(b)所示。

圖4 灰度矯正實(shí)驗(yàn)結(jié)果Fig.4 Experiment results of(a)grayscale histogram before and after correction;(b)Experimental results before and after correction

通過(guò)觀察灰度直方圖和實(shí)驗(yàn)結(jié)果，易發(fā)現(xiàn)矯正后圖像亮度適中，缺陷和背景區(qū)域的對(duì)比度明顯增強(qiáng)，邊緣細(xì)節(jié)更加突出，說(shuō)明該方法可以達(dá)到較好的處理效果。

3 改進(jìn)Canny算子的邊緣檢測(cè)方法

3.1 傳統(tǒng)Canny算子

邊緣提取是通過(guò)差分運(yùn)算計(jì)算圖像的梯度，捕捉圖像中的高頻輪廓信息。由于二階微分算子對(duì)圖像中的紋理結(jié)構(gòu)和噪聲較為敏感，而待測(cè)電極圖像表面存在許多細(xì)小紋理，故選用一階微分算子。相對(duì)于其他一階微分算子，Canny算子[10]具有更好的信噪比和檢測(cè)精度，其優(yōu)點(diǎn)主要體現(xiàn)在以下三方面[11]：①邊緣標(biāo)定的準(zhǔn)確率高；②邊緣定位精確；③邊緣點(diǎn)不會(huì)重復(fù)標(biāo)定。

3.2 改進(jìn)Canny算子

對(duì)于鋰離子電池電極圖像的缺陷檢測(cè)問(wèn)題，傳統(tǒng)Canny算子難以達(dá)到理想的效果，因此對(duì)其進(jìn)行改進(jìn)，采用雙邊濾波替換原有的高斯濾波，克服了高斯模糊的問(wèn)題；引入多尺度細(xì)節(jié)增強(qiáng)算法，改善光照不均的同時(shí)增強(qiáng)圖像細(xì)節(jié)信息；采用4 方向Sobel 算子盡可能多地獲取邊緣信息；引入最大熵算法自適應(yīng)確定高低閾值；對(duì)提取出的輪廓圖像進(jìn)行形態(tài)學(xué)閉運(yùn)算，進(jìn)一步改善輪廓的完整性與連續(xù)性，最終得到鋰離子電池電極缺陷提取的結(jié)果。流程圖如圖5所示。

圖5 改進(jìn)Canny算子流程圖Fig.5 lmproved Canny operator flow chart

3.2.1 雙邊濾波

雙邊濾波在去除噪聲點(diǎn)的同時(shí)，可以最大程度地保持圖像邊緣細(xì)節(jié)。雙邊濾波采用基于高斯分布的加權(quán)平均方法，計(jì)算中心像素點(diǎn)時(shí)加入空間域的空間權(quán)重和像素范圍域的相似權(quán)重[12]。

定義空間權(quán)重為wd，該值由像素位置間的歐氏距離決定，如公式(4)所示：

模板窗口的中心像素點(diǎn)為q(k，l)，模板窗口的其他坐標(biāo)系數(shù)為q(i，j)，σd為高斯函數(shù)的標(biāo)準(zhǔn)差。相似權(quán)重定義為wr，該值是由像素之間的灰度差值決定的，如公式(5)所示：

l(i，j)為模板其他像素點(diǎn)在圖像中相對(duì)應(yīng)位置的灰度值，l(k，l)為模板中心像素點(diǎn)在圖像中相對(duì)應(yīng)位置的灰度值，σr為高斯函數(shù)的標(biāo)準(zhǔn)差。

空間權(quán)重和相似權(quán)重的值皆在[0，1]之間。雙邊濾波的權(quán)重值w為二者相乘。雙邊濾波前的圖像為l(i，j)，濾波后的圖像為lSB(i，j)，如公式(6)所示：

對(duì)于圖像的背景區(qū)域，灰度值變化較小，較為平坦，wr趨于1，wd在雙邊濾波中起主導(dǎo)作用，此時(shí)雙邊濾波相當(dāng)于高斯模糊；對(duì)于圖像的邊緣區(qū)域，灰度值變化較大，此時(shí)wr變大，使得圖像在濾波后保持了邊緣信息。

3.2.2 多尺度細(xì)節(jié)增強(qiáng)

雙邊濾波降噪處理后，將細(xì)節(jié)增強(qiáng)算法引入Canny算子中，相較于其他的圖像增強(qiáng)算法，多尺度細(xì)節(jié)增強(qiáng)[13]在增強(qiáng)圖像細(xì)節(jié)特征的同時(shí)，解決了光照不均的問(wèn)題，更適用于拍攝環(huán)境多變的電極圖像。

多尺度細(xì)節(jié)增強(qiáng)算法主要分為以下3個(gè)步驟[14]：

①構(gòu)建由大到小3個(gè)不同尺度的高斯核，和輸入圖像進(jìn)行卷積運(yùn)算，得到三張由不同高斯核平滑處理的圖像；

②對(duì)高斯平滑后的圖像進(jìn)行差分計(jì)算，將兩個(gè)相鄰尺度的高斯模糊圖像進(jìn)行差分，提取3個(gè)不同的細(xì)節(jié)層；

③3 個(gè)不同的細(xì)節(jié)層融合后得到總細(xì)節(jié)層，將其與原圖像相加可得多尺度細(xì)節(jié)增強(qiáng)后的圖像。

3.2.3 改進(jìn)Sobel算子

傳統(tǒng)的Sobel 算子在2×2 鄰域大小內(nèi)計(jì)算梯度幅值，但是準(zhǔn)確度較低，抗干擾能力較差，因此提出基于城市距離3×3 鄰域大小的Sobel 算子。為獲取更多的邊緣信息，考慮了0°、45°、90°以及135°這4 個(gè)方向[15]，分別給出梯度模板，如式(8)所示。

設(shè)g0、g45、g90和g135分別為與相應(yīng)梯度模板計(jì)算后的灰度值，設(shè)ID(x,y)表示多尺度增強(qiáng)后的模板中心點(diǎn)的灰度值。其公式如下所示：

將四個(gè)方向的邊緣檢測(cè)灰度值分別合成到水平方向和垂直方向，相應(yīng)的梯度幅值分別記為gx和gy。為保證改進(jìn)Sobel 算子的抗干擾性，對(duì)各個(gè)方向的權(quán)值進(jìn)行歸一化處理，公式(10)如下：

設(shè)經(jīng)改進(jìn)Sobel 算子求得后的圖像梯度幅值G(x,y)，梯度方向θ(x,y)，可由式(11)得到。

3.2.4 最大熵算法

傳統(tǒng)的Canny算子對(duì)梯度幅值進(jìn)行非極大值抑制處理后，通過(guò)用戶設(shè)定的高低閾值提取并連接邊緣點(diǎn)，考慮到本文1.2 節(jié)所述的灰度矯正，引入最大熵算法實(shí)現(xiàn)自適應(yīng)獲取高低閾值。最大熵算法[16]主要分為以下三個(gè)步驟：統(tǒng)計(jì)圖像像素點(diǎn)的灰度值分布；計(jì)算圖像的總體熵；計(jì)算圖像分割的最優(yōu)門(mén)限值。

設(shè)圖像的灰度級(jí)為{0，1，…，L-1}，pi是灰度值等于i的像素點(diǎn)在圖像中分布的概率。對(duì)于某一未知的分割閾值t，可將圖像內(nèi)的像素點(diǎn)分成灰度值在{0，1，…，t}和{t+1，t+2，…，L-1}兩個(gè)部分，分別記為A、B。這兩部分的信息熵由式(12)求得。

兩區(qū)域信息熵之和為閾值t下圖像的總熵值，記為φ。求解令φ取最大值時(shí)的閾值t＊，該值就是基于最大熵法的最優(yōu)門(mén)限值。設(shè)t＊為低閾值，4＊t＊為高閾值。

3.2.5 邊緣判定與形態(tài)學(xué)

最大熵算法確定高低閾值后，灰度值高于高閾值的像素點(diǎn)被判定為邊緣點(diǎn)；灰度值低于低閾值的像素點(diǎn)被判定為非邊緣點(diǎn)；而灰度值介于高低閾值之間的像素點(diǎn)，若其出現(xiàn)在已被判為邊緣點(diǎn)的鄰域內(nèi)，判定為邊緣像素點(diǎn)，否則判定為非邊緣像素點(diǎn)。

完成邊緣像素的判定后，為改善邊緣輪廓的完整性與連續(xù)性，對(duì)其進(jìn)行形態(tài)學(xué)閉運(yùn)算處理。

4 實(shí)驗(yàn)結(jié)果分析

本文在Windows10 系統(tǒng)環(huán)境下運(yùn)行，基于Visual Studio 2019 的集成開(kāi)發(fā)環(huán)境和OpenCV 機(jī)器視覺(jué)庫(kù)來(lái)實(shí)現(xiàn)代碼。

為驗(yàn)證本文提出的檢測(cè)算法具有更好的性能，進(jìn)行了幾組實(shí)驗(yàn)。第一組實(shí)驗(yàn)通過(guò)和其他幾種常見(jiàn)濾波算法對(duì)比，驗(yàn)證雙邊濾波的性能；第二組實(shí)驗(yàn)通過(guò)將本文提出的改進(jìn)Canny算子和其他常用邊緣檢測(cè)算子對(duì)比，驗(yàn)證了改進(jìn)Canny算子的優(yōu)越性；第三組實(shí)驗(yàn)通過(guò)缺陷檢測(cè)結(jié)果驗(yàn)證了本文檢測(cè)算法的準(zhǔn)確性與高效性。

4.1 濾波算法結(jié)果分析

劃痕缺陷、孔洞缺陷以及漏金屬缺陷經(jīng)均值濾波、高斯濾波、中值濾波以及雙邊濾波處理后的實(shí)驗(yàn)結(jié)果分別如圖6所示。高斯濾波和均值濾波對(duì)圖像的降噪效果較好，但邊緣細(xì)節(jié)被模糊；中值濾波和雙邊濾波可以更好地保留圖像的細(xì)節(jié)信息，其中雙邊濾波的降噪效果更佳。

圖6 各個(gè)濾波處理結(jié)果Fig.6 Each filter processing results

為更客觀地分析各個(gè)濾波算法應(yīng)用在電極圖像上的效果，對(duì)比降噪能力、失真效果以及穩(wěn)定性，引入峰值信噪比(PSNR)的概念。將均值1.5 方差0.01的高斯噪聲加入待測(cè)電極圖像，將各個(gè)濾波的處理結(jié)果與原圖像運(yùn)算，得到PSNR。從數(shù)據(jù)集中選取N張圖像，通過(guò)如下公式計(jì)算出峰值信噪比的平均值PSNRave和標(biāo)準(zhǔn)偏差PSNRv。PSNRave越大代表圖像的降噪性能越好，失真越小，PSNRv越小代表該算法越穩(wěn)定。N取值50。

MSE 為均方差，m和n為圖像長(zhǎng)寬的像素大小，I為濾波處理后的圖像，K為原圖像，PSNRi為N張待測(cè)電極圖像中的第i張。各個(gè)算法計(jì)算結(jié)果如表1 所示。雙邊濾波的平均峰值信噪比最大，峰值信噪比標(biāo)準(zhǔn)差較小，說(shuō)明雙邊濾波算法降噪效果好且相對(duì)比較穩(wěn)定。因此，雙邊濾波的性能最為優(yōu)越，不但能有效濾除背景的無(wú)關(guān)噪聲，同時(shí)更好地保持圖像的邊緣信息。

表1 PSNR評(píng)價(jià)濾波算法Table 1 PSNR evaluation filtering algorithm

4.2 改進(jìn)Canny算子檢測(cè)結(jié)果及分析

為進(jìn)一步驗(yàn)證改進(jìn)邊緣檢測(cè)算子的優(yōu)越性，實(shí)驗(yàn)中將其與傳統(tǒng)Canny算子、基于改進(jìn)Sobel算子的Canny 算法以及改進(jìn)Sobel 的Otsu-Canny 算法進(jìn)行對(duì)比。將傳統(tǒng)Canny 和改進(jìn)Sobel 算子的Canny 算 法 的 高 低 閾 值 皆 設(shè) 為(50，130)，3 種Canny的高斯卷積核大小皆取值為3，得到的處理結(jié)果如圖7所示。

圖7 各個(gè)Canny算子實(shí)驗(yàn)結(jié)果對(duì)比Fig.7 Comparison of experimental results of various Canny operators

傳統(tǒng)的Canny 算子因需人工設(shè)置高低分割閾值，對(duì)每種缺陷的檢測(cè)效果都不理想；改進(jìn)Sobel的Canny算子缺陷檢測(cè)效果有了明顯的改善，但邊緣定位不夠精確，受到背景噪聲影響較大；改進(jìn)Sobel 的Otsu-Canny 算子和以上兩種算法比較，其抗干擾能力顯著增強(qiáng)，但缺陷邊緣細(xì)節(jié)信息損失太多，無(wú)法得到完整連續(xù)的缺陷輪廓圖像。本文提出的改進(jìn)Canny算子不但能夠得到更為完整連續(xù)的缺陷邊緣，且對(duì)背景噪聲的抑制能力更強(qiáng)，輪廓的提取更為精確，相比于其他算子具有更優(yōu)越的邊緣檢測(cè)性能。

4.3 最終檢測(cè)結(jié)果分析

接下來(lái)的實(shí)驗(yàn)對(duì)改進(jìn)Canny算子的檢測(cè)性能進(jìn)行驗(yàn)證，將鋰離子電池電極劃痕、孔洞、漏金屬3 種缺陷類型的各900 張圖像樣本，用上述四種算法進(jìn)行測(cè)試，結(jié)果如下表2所示。傳統(tǒng)Canny算子較其他3 種算法檢測(cè)準(zhǔn)確率偏低；改進(jìn)Sobel 的Canny 算子缺陷檢測(cè)準(zhǔn)確率顯著高于傳統(tǒng)Canny，但還是難以達(dá)到實(shí)際生產(chǎn)需求；改進(jìn)Sobel的Otsu-Canny算子檢測(cè)效果較前兩種算子有所提升，但細(xì)節(jié)損失較為嚴(yán)重，導(dǎo)致劃痕與孔洞缺陷的檢測(cè)效果不佳。本文的改進(jìn)Canny算子對(duì)3種缺陷均有良好的識(shí)別效果，平均準(zhǔn)確率達(dá)98.18%，對(duì)于其他算子難以處理的劃痕缺陷的檢測(cè)準(zhǔn)確率也高達(dá)97.11%。

表2 四種不同算法對(duì)電極的缺陷檢測(cè)結(jié)果Table 2 Defect detection results of electrodes by four different algorithms

基于拓?fù)鋵W(xué)濾波與改進(jìn)Canny算子的鋰離子電池電極缺陷檢測(cè)算法的缺陷檢測(cè)效果如圖8所示。本文算法對(duì)鋰離子電池電極生產(chǎn)過(guò)程中可能產(chǎn)生的孔洞、劃痕、漏金屬3種常見(jiàn)的缺陷均有良好的識(shí)別效果，提取的缺陷輪廓邊緣完整且精確，對(duì)背景噪聲與虛假邊緣的抑制效果良好。3種缺陷樣本中，孔洞缺陷與漏金屬缺陷的形狀近似圓形，在缺陷面積一定的情況下輪廓較短，識(shí)別精度更高；劃痕缺陷呈線形，輪廓細(xì)長(zhǎng)，其長(zhǎng)寬和深度多變，缺陷邊緣存在碳粉沉積，檢測(cè)精度略低于上述兩種缺陷，具有提高空間。

圖8 3種缺陷的最終檢測(cè)與標(biāo)定結(jié)果Fig.8 Final inspection and calibration results for three defects(a)hole defect;(b)Scratch defect;(c)Leak metal defect

5 結(jié) 論

本文針對(duì)鋰離子電池生產(chǎn)工藝中易出現(xiàn)的劃痕、漏金屬、孔洞三種常見(jiàn)的缺陷，提出了一種基于拓?fù)鋵W(xué)濾波與改進(jìn)Canny算子的鋰離子電池電極缺陷檢測(cè)算法，經(jīng)實(shí)驗(yàn)驗(yàn)證，得到的結(jié)論如下：

（1）基于拓?fù)鋵W(xué)原理的濾波模板可以很好地抑制電極圖像的背景噪聲，灰度變換可以增強(qiáng)圖像的對(duì)比度，矯正圖像整體灰度值。

（2）改進(jìn)Canny算子對(duì)輸入圖像進(jìn)行了雙邊濾波，降低圖像噪聲的同時(shí)最大程度地保留了缺陷的邊緣信息。通過(guò)驗(yàn)證，雙邊濾波的降噪能力與穩(wěn)定性均優(yōu)于其他濾波算法。

（3）多尺度細(xì)節(jié)增強(qiáng)算法對(duì)圖像邊緣細(xì)節(jié)信息增強(qiáng)的同時(shí)均勻光照，有著較好的性能。

（4）4 方向Sobel 算子可以獲取更多的缺陷邊緣信息，尤其對(duì)于劃痕缺陷，有更好的處理結(jié)果。

（5）最大熵算法實(shí)現(xiàn)了根據(jù)輸入圖像的灰度值分布自適應(yīng)確定高低閾值，解決了傳統(tǒng)Canny邊緣檢測(cè)算子因各類缺陷對(duì)比度存在差異從而難以識(shí)別的問(wèn)題。

由3類缺陷的檢測(cè)結(jié)果可見(jiàn)，本文提出的算法可以良好地檢測(cè)出全部的缺陷類型，提取得到的缺陷邊緣精確完整，平均檢測(cè)準(zhǔn)確率可達(dá)98.18%，可較好地滿足實(shí)際生產(chǎn)過(guò)程中鋰離子電池電極缺陷檢測(cè)的精度需求。3種缺陷類型中，劃痕缺陷的檢測(cè)精度與準(zhǔn)確率略低，在后續(xù)的研究中有待進(jìn)一步改進(jìn)完善。