王正家,昝 傲,谷 峰

(湖北工業(yè)大學a.機械工程學院;b.現(xiàn)代質(zhì)量制造工程湖北省重點實驗室,武漢 430068)

0 引言

軟包鋰錳電池由于其安全性能好、質(zhì)量輕、循環(huán)性能好以及設計結構巧妙等優(yōu)點,產(chǎn)量逐漸上升[1]。由于生產(chǎn)工藝的問題,鋰錳軟包電池常出現(xiàn)凹點、凸點等缺陷問題。工廠對這些缺陷的一般檢測方法為人工目檢,效率較低,而且消耗大量寶貴的人力資源。對此,本文提出一種檢測鋰錳軟包電池缺陷的方法,可以有效代替人工目檢,減輕工作負荷,提高工作質(zhì)量。

目前針對軟包電池主流的檢測方法還是進行人工目檢的方法,此方法效率低下且人工長時間工作容易產(chǎn)生視覺疲勞;其他檢測方法多適用于鋰離子電池,因為鋰錳軟包電池在采集圖片的過程中容易受到反射的影響,這些鋰離子電池檢測方法對鋰錳軟包池檢測效果不佳。黃夢濤等[2]提出了一種改進Canny算子的鋰電池極片的檢測方法,但軟包電池極片與極片上缺陷的對比度較大,不適合放在電池主體的檢測上。郭紹陶等[3]提出了對圓柱鋰電池端面采用時域平均和剔除異常值方法對6張圖像進行融合得到基準面圖像,然后根據(jù)凹坑的缺陷分布曲線,提取凹凸曲線段峰谷差與寬度比的方法來進行凹坑的檢測,在軟包電池的檢測中,難以根據(jù)特征融合得到基準面圖像。劉飛飛等[4]提出的Gabor重建圖像的皮革檢測方法應用到軟包電池上,軟包電池表面的反光特性影響檢測的精度。鄭魁敬等[5]提出的是子圖像遍歷的方法來處理手機鋰電池的缺陷,該方法并不適用于反光特性較高的軟包鋰錳電池的檢測上。檀甫貴等[6]提出了Canny與Close_Edge算子融合的邊緣檢測算法,對于圖片效果特別明顯的缺陷可以較好識別,但是無法識別不明顯的凸點缺陷。

本文針對鋰錳軟包電池表面的反光特性影響視覺檢測精度的特點,設計了一種機器視覺檢測方法,提出了基于光度立體法重構圖像和Gabor濾波處理圖像的檢測方法。首先根據(jù)光度立體法采集3張光源入射方向不同的照片,然后重構圖片梯度信息,可以有效消除電池表面反光的影響,然后對生成的反照率圖像在頻域進行Gabor濾波操作,生成Gabor和Hilbert圖像,再轉(zhuǎn)到空域計算兩幅圖像的局部對比度,使用中值濾波去除由于反光生成的椒鹽噪聲,用一矩形掩膜提取缺陷區(qū)域,最后進行形態(tài)學操作細化缺陷。實驗結果表明,該方法可以最大程度去除電池表面反光對檢測造成的影響,提高缺陷的識別精度。

1 視覺檢測方案設計

1.1 視覺系統(tǒng)設計

視覺檢測平臺由光源、相機和鏡頭組成。檢測平臺如圖1所示。因為電池具有金屬色澤,所以載物平臺選擇純黑背景,這樣可以很好突出電池與背景的對比度差異,然后基于光度立體法進行拍照,鏡頭選用遠心鏡頭,使用3個平板光源,入射角與鏡頭夾角分別為35°、32°、40°,投影光束與起點夾角分別為0°、120°、240°。這樣采集出的一組圖片經(jīng)過圖像融合后可以突出表面深度信息的變化。

圖1 檢測平臺效果圖

因為光度立體法的前提條件是假設相機執(zhí)行正交投影,所以選用遠心鏡頭3個平板光源發(fā)出的光是平行且均勻的光束。CMOS相機選用的是BASLER公司的相機,型號為acA1300-60gm,分辨率為130萬。

圖2展示了一組不同方向光源拍攝的圖片,可以看出不同方向缺陷展示的效果不同,本文就這3組圖片進行光度立體法的重建,可以更好突出圖片的深度信息。

(a) 0°打光效果 (b) 120°打光效果 (c) 240°打光效果

1.2 視覺檢測方案流程

采用基于光度立體法和Gabor濾波結合的軟包電池表面缺陷檢測方法主要是利用光度立體法融合采集的圖像,然后在頻域內(nèi)對圖像進行Gabor濾波的操作,檢測具體流程如圖3所示。

圖3 視覺檢測流程圖

2 光度立體法檢測原理

Woodham首次提出改進的光度立體算法[8],主要針對的是具有朗伯反射特性的物體來重構其表面。對于軟包電池的表面檢測,本文光度立體算法主要針對的是重構圖片中的反照率圖片,可以清楚地識別出電池表面的缺陷。重構圖像表達式如下:

用w=f(x,y)來表示物體表面在世界坐標系中的關系,物體表面的法向量就應該這樣表示:

(1)

在這種情況下,三維坐標上的點直接對應的是平面圖像上的點,因此可以根據(jù)點的坐標來求取物體表面對應的法向量。選用遠心鏡頭可以很好滿足這一前提條件。

接下來用μ和φ來表示物體表面的特征,S和s表示光源的方位和光強大小。φ和S都是代表三維空間中的單位向量,即該向量的大小為3×1,1可以表示為光源強度,從圖像中可以獲得像素值的大小p,然后就可以用不低于3個方向的不共面光源照射物體上的n個點,從而求解μ和φ。

3個光源入射方向矩陣為S=[S1,S2,S3]T,圖像中的像素向量為pn,則:

φn=|S-1pn|

(2)

μn=(1/φn)S-1pn

(3)

因為有3個光源,所以:

p3=[p11,p12,p13,…,p33]T=φ3Sμ3

(4)

由此可以得到:

φ3=|(STS)-1STp3|

(5)

(6)

式中:μ代表的是重建后的物體的反射率,在軟包鋰錳電池的缺陷檢測過程中,光度立體法生成的反照率圖像可以很好地凸顯出電池表面的缺陷。生成的反照率圖像如圖4所示。

(a) 重構凸點缺陷 (b) 重構凹坑缺陷

通過圖像可以相對于圖2中3種不同方向打光方式來說,光度立體法重構后的圖像效果是最好的,可以很清晰地看出電池表面地凸點、凹坑缺陷,便于下一步進行缺陷地識別檢測。

3 軟包電池檢測算法

光度立體法處理后的圖像經(jīng)過Gabor濾波處理以及Hiblert變換,生成能量圖,然后進行自適應閾值分割,可以很好的提取出軟包電池表面的缺陷。

3.1 Gabor濾波器原理

3.1.1 Gabor濾波

Gabor變換相當于是窗口化的傅里葉變換,最早由GABOR提出[9],Gabor變換所用的窗口函數(shù)為高斯函數(shù),這是一維的Gabor變換,后來TSA等[10]將一維的Gabor函數(shù)運用到二維上,進行圖像處理。二維的Gabor濾波由于其識別能力高,定位性強,穩(wěn)定性高以及對于紋理的提取十分明顯的效果,經(jīng)常運用在圖像處理領域。二維的Gabor濾波是由正弦平面波與二維的高斯核調(diào)制得到的濾波,其數(shù)學表達式為:

(7)

(8)

式中:x,y表示像素的坐標值,θ為Gabor濾波的方向,σx和σy代表高斯核的標準差。

二維的Gabor濾波還可以表示為實數(shù)部分和虛數(shù)部分。

實數(shù)部分可以表示為:

(9)

虛部函數(shù)可以表示為:

(10)

式中:ω代表Gabor濾波的波長,波長的值不能大于圖像分辨率的1/5;θ為濾波器的方向,φ為相對偏移,0和π分別代表著中心和邊緣,σ代表濾波器的橢圓率,當σ的值為1時,此時濾波器為圓形,Gabor濾波參數(shù)如表1所示,生成的Gabor濾波器如圖5所示。

表1 Gabor濾波參數(shù)表

圖5 Gabor濾波器

3.1.2 Hilbert變換

Hilbert變換是數(shù)字信號處理中的一種手段。Hilbert變換就是將原始信號與一個信號做卷積的結果,在軟包電池的檢測過程中,就是將原始的傅里葉頻域信號和Hilbert變換后的信號做卷積。這個用來卷積的信號可以表示為:

(11)

而該信號的Hilbert變換可以表示為:

(12)

卷積的特殊性質(zhì)表示兩個函數(shù)卷積的傅里葉變換等于兩個函數(shù)傅里葉變換的乘積,假如原始信號為h(t),F[f(t)]表示對信號的傅里葉變換,H[f(t)]為對信號的Hilbert變換,則:

(13)

定義的Gabor濾波與Hilbert變換后的能量為:

Energy=G(x,y;ω,θ,φ,σ,γ)2+H[h(t)]2

(14)

經(jīng)過Gabor濾波處理及Hilbert變換后的圖像及灰度直方圖如圖6所示。

(a) Gabor濾波后圖片及灰度直方圖

(b) Hilbert變換后圖片及灰度直方圖

(c) 能量圖

3.2 缺陷的圖片增強與提取

得到Gabor濾波與Hlibert變換的能量圖后,不免有一部分圖片會出現(xiàn)椒鹽噪聲的情況,這些噪聲的灰度值與缺陷區(qū)域無太大明顯差異,干擾最終缺陷的提取與檢測。中值濾波作為一種可以有效剔除椒鹽噪聲的方法,在視覺處理中應用廣泛。中值濾波是一種非線性濾波,它將領域內(nèi)所有點的像素值設置為該區(qū)域內(nèi)領域內(nèi)像素的中值,讓周圍的像素接近真實值,消除個別異常的像素點,圖像在進行中值濾波的處理后,可以明顯增強缺陷的灰度信息。

在進行中值濾波去除紋理和區(qū)域內(nèi)的椒鹽噪聲后,對圖像范圍內(nèi)的灰度進行統(tǒng)計,即最大灰度值與最小灰度值的差值,對圖像中的缺陷會用一個矩形掩膜覆蓋缺陷,該算子中的掩膜寬高均為15,對比中值濾波處理后的缺陷效果更好,對比圖如圖7所示。

(a) 中值濾波處理 (b) 矩形掩膜增強(c) 缺陷提取

圖像在經(jīng)過這一系列的處理后,最終要提取出缺陷并對缺陷進行識別定位,需要對圖像進行分割,本文采用全局自適應的閾值分割方法。首先確定灰度值的相對直方圖,然后從直方圖中提取相關的最小值,作為閾值操作的參數(shù)。為了減少最小值的數(shù)量,直方圖采用高斯平滑。掩碼大小被放大,直到直方圖中只有一個最小值,然后將閾值設置為這個最小值的位置。

4 實驗驗證

為了驗證本文光度立體法重構圖像和Gabor濾波提取軟包電池表面缺陷的有效性,隨機抽取凸點與凹坑缺陷樣本各150個,本文實驗環(huán)境為12th Gen Intel(R) Core(TM) i7-12700H、16 GRAM、Halcon21.11。

首先為了驗證該算法受光照條件后的魯棒性,在上述檢測平臺下選取凹坑、凸點缺陷各150張,實驗選取了光照強度不同的時間段對軟包鋰錳電池樣本進行缺陷檢測,實驗的結果分析如表2所示。

表2 缺陷樣本不同光照條件檢測效果

由表2可以看出,在測試光照強度對檢測算法的實驗中,夜晚20:00對算法的影響最小,算法平均準確率達98.3%,在中午12:00時,外接光照強度最大,實驗驗證結果收到一定影響,但是此時的缺陷平均準確率仍可以達到95.35%,驗證了本文算法在不同光照條件下的穩(wěn)定性。

為了進一步驗證本文算法對缺陷的提取效果,用本文算法將同一批缺陷樣品在相同的實驗環(huán)境中分別與文獻[2]、文獻[5]中的缺陷提取效果進行對比,各方法檢測出的缺陷結果示例如圖8所示。

(a) 凸點缺陷提取情況

(b) 凹坑曲線提取情況

本文實驗部分分為3組,分別對600張缺陷樣本進行檢測,分別從算法的運行時間、準確率以及缺陷輪廓的實際信息與算法提取信息的精確度3個方面做出對比,具體幾種算法的檢測效果如圖8所示,實驗檢測結果如表3所示。

表3 對軟包電池表面缺陷檢測不同方法結果統(tǒng)計

由圖8a可以看出,文獻[2]的方法對細微噪聲比較敏感,且Canny算子的分割閾值難以確定;選取的閾值不合適時難以保證檢測算法的魯棒性;圖8b可以看出文獻[5]中的方法對缺陷的提取不夠精細,類似劃痕的缺陷僅提取出一小部分,容易發(fā)生缺陷提取過程中的誤檢漏檢情況。

表3中的數(shù)據(jù)表明本文算法在誤檢率、漏檢率以及檢測速率上相較于文獻[2]和文獻[5]中算法均有優(yōu)勢,且滿足實際檢測工作的要求。

5 結論

本文在傳統(tǒng)Gabor濾波的基礎上,針對軟包鋰錳軟電池表面的反光特性,提出了一種基于光度立體法重構圖像以及Gabor濾波和Hlibert變換的表面缺陷檢測方法。研究結果表明,光度立體法的引入增強了圖像表面的深度信息,極大降低了因圖像本身反光造成的影響,結合光度立體法的Gabor濾波處理強化了圖片邊緣的紋理信息,最后采用二值化閾值分割方法提取電池表面缺陷。

實驗部分與其他兩篇文獻中的方法進行對比,本文算法在檢測速率與精度上優(yōu)于其他算法,其中凸點檢測準確率達到了96.8%,凹坑的檢測精度達到98%,單個樣品檢測時間為0.172 s,滿足企業(yè)檢測需求,對工業(yè)實際生產(chǎn)檢測具有應用意義。后續(xù)工作將繼續(xù)圍繞軟包鋰錳電池的缺陷檢測,建立起一個缺陷檢測系統(tǒng)與缺陷種類與形狀尺寸的樣本庫等。