高堂盼

（廣東利元亨智能裝備股份有限公司，廣東惠州 516000）

0 引言

隨著新能源產(chǎn)業(yè)的飛速發(fā)展，市場對鋰離子動力電池的需求逐步增大。極耳焊接工藝是鋰電芯整個生產(chǎn)工藝鏈中較為關(guān)鍵的一部分，其焊接質(zhì)量和焊接精度會影響整個鋰電芯的性能和使用壽命，嚴(yán)重者可直接導(dǎo)致產(chǎn)品報廢。常規(guī)的軟包電芯的極耳是片狀、柔軟的多層結(jié)構(gòu)，常用的焊接方式有激光焊接、超聲波焊接等，在焊接過程中容易因裝夾、壓刀收攏等工序而產(chǎn)生褶皺、破損及翻折等缺陷。目前，國內(nèi)對極耳焊后產(chǎn)生的的缺陷檢測主要是依靠人工經(jīng)驗肉眼檢測判斷，缺乏相應(yīng)的、比較系統(tǒng)的缺陷檢測規(guī)程作指導(dǎo)，而且受人為主觀因素的影響很大，很難保證檢測的準(zhǔn)確度和效率[1－2]。

隨著計算機技術(shù)、圖像處理技術(shù)的快速發(fā)展，近年來，很多國內(nèi)外學(xué)者、企業(yè)開始聚焦于機器視覺，希望借助機器視覺技術(shù)快速和精準(zhǔn)地實現(xiàn)鋰電芯極耳焊后的缺陷檢測[3－4]。機器視覺檢測技術(shù)是一種非接觸式的全新高效檢測技術(shù)，具備高精準(zhǔn)度、高效率、對產(chǎn)品零損傷等優(yōu)點，可有效地實現(xiàn)設(shè)備的生產(chǎn)自動化以及高效柔性化，因此，利用機器視覺技術(shù)對鋰電芯焊后極耳檢測必將是未來的一大趨勢[5]。

本文首先對鋰電芯極耳焊后視覺檢測系統(tǒng)進行了設(shè)計；然后基于圖像處理原理對采集的圖像進行圖像預(yù)處理，并利用圖像差分的方法提取相應(yīng)的缺陷特征，實現(xiàn)缺陷的識別檢測；最后對整個視覺檢測系統(tǒng)進行效果驗證，驗證機器視覺檢測方法的可行性及合理性。

1 機器視覺檢測系統(tǒng)

本文研究的機器視覺檢測系統(tǒng)是對鋰電芯多層極耳焊接后的質(zhì)量進行自動化檢測，其中焊點數(shù)量不足、焊點位置偏移、極耳折疊翻折的均為有缺陷的不合格產(chǎn)品，其檢測流程如圖1所示。

圖1 鋰電芯極耳缺陷檢測流程

圖2 所示為鋰電芯極耳焊后視覺檢測系統(tǒng)的方案設(shè)計，其中關(guān)鍵部分包括相機、鏡頭、同軸光源、球積分無影光、夾具、工控機以及視覺軟件。該檢測系統(tǒng)的視覺軟件是利用康耐視的圖像處理庫VisionPro 做圖像采集以及圖像處理，并在Visual Studio 2015 的編譯環(huán)境下進行UI 界面二次封裝開發(fā)，實現(xiàn)圖像顯示、通訊設(shè)置、參數(shù)修改以及數(shù)據(jù)存儲等功能。

圖2 極耳缺陷檢測系統(tǒng)

2 焊后圖像預(yù)處理

圖像預(yù)處理的目的是去掉圖像中的噪點、干擾特征以及其他不相關(guān)的數(shù)據(jù)信息，加強圖像中的有用信息，提升后續(xù)特征提取的準(zhǔn)確性和穩(wěn)定性。

2.1 圖像濾波去噪

圖像在采集過程中會因為臟污、鏡頭污染等環(huán)境等因素導(dǎo)致會存在不同程度的非規(guī)律性的噪點，因此，在不破壞圖像重要特征的前提下需要利用圖像濾波的方法去除無關(guān)的噪點，常用的圖像濾波算法有均值濾波、中值濾波和高斯濾波[6－7]。

均值濾波是一種區(qū)域平均法，該方法是利用一個卷積核（通常為3×3或5×5的奇數(shù)核大?。┭刂鴪D像逐行或者逐列運動，用卷積核區(qū)域內(nèi)的所有像素平均值代替中心像素的值，減少突變像素的影響，實現(xiàn)像素平滑，達到圖像去噪聲的目的。其公式如下：

式中：f (i,j) 為原圖像，是一個M×N 的陣列；v(x,y)為均值濾波后的圖像；U為卷積核；M為卷積核中所包含像素的總個數(shù)。

均值濾波可以實現(xiàn)圖像去噪，但是如果U 過大會同步造成圖像過于模糊，因此使用該方法時需要權(quán)衡圖像模糊程度和抑制噪聲的效果。

中值濾波是采用該像素點鄰域內(nèi)某個尺寸大小的二維卷積核滑動窗口內(nèi)的所有像素點的中值替換該點原有的像素值，適用于去除圖像中單獨的噪聲點。其公式如下：

式中：x1,x2,x3,…,xn為原始數(shù)據(jù)；S1,S2,S3,…,S4為按大小順序排列過后的圖像數(shù)據(jù)。

其示例如圖3所示。

圖3 中值濾波原理

高斯濾波與前兩種方法略有不同，其利用的濾波器不是簡單的求均值或者排序，而是調(diào)用一個二維離散的高斯函數(shù)，其在每一個方向的平滑程度都是一致的，能夠保留圖像更多的細(xì)節(jié)和邊緣特征，圖像相對更為清晰，平滑的效果也更加柔和。

各濾波算法處理效果如圖4 所示，焊點檢測選用的是中值濾波算法，該方法去除孤立的噪聲點比較有效，也能保留大部分邊緣信息，為后續(xù)的焊點輪廓提取奠定圖像基礎(chǔ)。

圖4 圖像濾波效果

2.2 圖像增強及分割

圖像增強的目的是對濾波后的圖像進行灰度增強，突顯圖像中有用特征的信息，增強圖像的辨識度，削弱或消除其他無關(guān)的特征信息，本文使用的圖像增強方法是分段線性灰度增強。

分段線性灰度增強可以對圖像的灰度進行分段線性擴展，增強前景和背景的對比度，壓縮含有不必要特征的圖像灰度。分段線性灰度增強的算法表達式如下：

式中：f (x,y)為原始輸入圖像，其灰度等級是從0 級到M級；g(x,y)為增強后的圖像，其灰度等級是從0 級到N 級；[a,b]是原始圖像的一個灰度區(qū)間；[c,d]為增強后圖像中的一個灰度區(qū)間。

依據(jù)式（3）可知，如果a＝c、b＝d，則變換后的g(x,y)＝f (x,y)，圖像未實現(xiàn)灰度變換；如果a>c，bd，區(qū)間[a,b)內(nèi)的圖像灰度值會被線性縮小，其增強效果如圖5所示。

圖5 圖像增強效果對比

圖像分割是從圖像中提取出鋰電芯極耳焊接處特征ROI的過程，本文采用的是最大類間方差法（也稱OSTU法）對濾波后的圖像進行閾值分割，其基本原理是通過選定的最佳閾值將圖像二值化，最大程度地將圖像的背景與前景區(qū)分開，突顯出所需的特征[8]。

最佳閾值的選取是整個圖像分割過程中最關(guān)鍵的部分，其設(shè)置過程將會影響圖像分割的準(zhǔn)確性和后續(xù)特征提取的準(zhǔn)確性[9－10]。

假設(shè)圖像的灰度級為K，ni為灰度級為i 的像素數(shù)，則其像素數(shù)總和N為：

對直方圖進行歸一化處理：

式中：pi為灰度級，為i的像素數(shù)所占總像素數(shù)的比例。

假設(shè)原始圖像的最佳閾值為t，利用t 可以將圖像劃分為兩類像素集合D0和 D1，其中 D0＝(0,1,2,…,t),D1＝(t＋1,t＋2,…,K)，其出現(xiàn)的概率和均值分別為：

式中：ω0、μ0為像素集合D0在圖像中出現(xiàn)的概率和均值；ω1、μ1為像素集合D1在圖像中出現(xiàn)的概率；μT為整幅圖的平均灰度。

D0集合類以及D1集合類的方差分別為：

式中：σ02為像素集合D0的方差；σ12為像素集合D1的方差。

D0集合類以及D1集合類的類內(nèi)方差和類間方差分別為：

像素集合類的分離性判決準(zhǔn)則為：

根據(jù)η(t)判定準(zhǔn)則，可以求出將圖像分離成D0和D1的最佳閾值t：

利用OSTU閾值分割法對增強后的圖像進行分析，得到最佳閾值t＝112；再利用最佳閾值t 對原始圖像進行二值化處理后，能很好地將背景像素與前景像素分開，如圖6所示[11]。

圖6 圖像分割效果對比

2.3 特征提取

通過對鋰電池的焊后圖像進行預(yù)處理后，焊印區(qū)域的圖像特征會最大程度地被突顯出來，以利于對焊點數(shù)量、焊點位置、多層極耳進行識別檢測。

針對鋰電芯焊后的缺陷檢測，關(guān)鍵在于焊點數(shù)量特征和位置特征的提取，首先利用線性灰度增強后的圖像對焊后極耳特征進行定位，再利用閾值分割圖像找到各焊點中心坐標(biāo)和多層極耳的輪廓邊緣，并依據(jù)各個焊點中心坐標(biāo)擬合出焊印區(qū)域中心坐標(biāo)，求出焊印區(qū)域的相對位置，如圖7所示。

圖7 圖像特征提取原理

3 實驗效果

為了驗證本文針對鋰電芯極耳焊后缺陷檢測所設(shè)計的機器視覺檢測系統(tǒng)的算法穩(wěn)定性和準(zhǔn)確性，本文利用康耐視的Vi?sionPro圖像處理庫基于Visual Studio 2015的IDE編譯環(huán)境，對生產(chǎn)好的500 個鋰電芯焊點缺陷進行檢測試驗，判定焊點數(shù)量、焊點位置以及極耳狀態(tài)是否符合設(shè)定參數(shù)值，其試驗結(jié)果如表1所示。由表可知，合格的產(chǎn)品總共有490個，其中正確識別的數(shù)量為484個，檢出率98.77%，誤判數(shù)為6個，誤判率1.2%，誤判的原因主要是極耳翻折檢測參數(shù)規(guī)格設(shè)置過嚴(yán)，后續(xù)持續(xù)優(yōu)化參數(shù)即可解決，不合格的產(chǎn)品數(shù)是10個，全部檢出。

表1 試驗結(jié)果

4 結(jié)束語

本文基于機器視覺對鋰電芯極耳焊后缺陷檢測系統(tǒng)進行了設(shè)計與分析，采用中值濾波、分段線性灰度增強以及OSTU法對圖像進行預(yù)處理，提取了鋰電芯極耳焊后焊點特征，實現(xiàn)了鋰電芯極耳焊后缺陷的非接觸式實時檢測，并對整個視覺檢測系統(tǒng)進行了試驗驗證，結(jié)果表明本視覺檢測系統(tǒng)可以滿足檢測需求。通過本系統(tǒng)可將視覺判定結(jié)果發(fā)送給PLC 控制模塊，控制執(zhí)行端運動，實現(xiàn)機械系統(tǒng)、電氣控制系統(tǒng)以及視覺檢測系統(tǒng)聯(lián)動自動運行，提高了生產(chǎn)效率以及檢測精度，具有廣泛的應(yīng)用前景。