陳家智，吳永明

(廣東工業(yè)大學機電工程學院，廣州 510006)

0 引言

在鋰電池充電過程中，鋰離子會從電池的正極往負極移動，當負極沒有足夠的能力容納全部正極過來的鋰離子時，就會出現(xiàn)析鋰現(xiàn)象[1]。析出的鋰離子慢慢形成了會刺穿隔膜的鋰枝晶，導致電池內部短路，引起熱失控，嚴重時可能會引起爆炸等重大事故[2]。為了防止鋰枝晶的出現(xiàn)，要求鋰電池的負極比正極有一定長度的冗余，并且電極要排列整齊，不能出現(xiàn)較大程度的彎曲和變形。鋰電池的制造工藝是影響電池性能的主要因素。制造鋰電池的工藝流程主要有以下幾道工序：混料、涂布、干燥、輥壓、卷繞或疊片、注液、封口、化成和成型等[3]。在卷繞或疊片的過程中，電池正負極片的相對位置會產生一定波動，使正負極片的邊界距離發(fā)生變化，可能會有負極冗余度過大或無冗余度等質量問題的發(fā)生[4]。

近年來，機器視覺技術已被大量運用到工業(yè)檢測當中，在鋰電池負極片冗余區(qū)域的缺陷檢測方面也有一些研究成果和應用。周佳禾等[5]提出了一種以卷積神經(jīng)網(wǎng)絡(CNN)為核心的鋰電池電極缺陷檢測算法，構建輕量級的CNN來提取圖像的相關特征信息，并使用支持向量機(SVM)得出最終的預測結果，檢測的準確性較高，但算法只識別出了有無褶皺缺陷。王東昆等[6]運用圖像識別技術檢測鋰電池的正負極距離，通過灰度拉伸、閾值分割、角點檢測等技術處理后，計算得出電池的正負極覆蓋率，但該算法需要從多方向進行圖像采樣，較為耗工耗時。葛春平等[7]提出了一種疊片式鋰電池的射線檢測算法，算法重點描述了對疊片電池的射線影像分析，但算法的抗干擾性略微不足。

針對上述情況，本文提出一種鋰電池正負極冗余度缺陷檢測算法，先采用多種圖像處理技術提取出冗余區(qū)域，再利用LSD(Line Segment Detector)直線檢測技術尋找目標冗余量線段，最后運用SVM進行分類，得到檢測結果。實驗結果表明，相對于文獻[6]中算法，本文算法操作更為簡潔，只需單方向取樣檢測，減少了一些不必要的采樣和檢測時間；相對于文獻[5]和文獻[7]中算法，本文算法會精確檢測每一段冗余度數(shù)值，更能準確顯示各部位實際的質量狀況。

1 鋰電池正負極冗余度缺陷檢測

實驗圖像均通過X射線檢查機采集，圖像會因相機的配置、外界的震動、光管的衰減以及中間的多級傳輸和處理等造成質量受損。因此，需要先提升圖像質量，排除非目標部位與干擾項，再進行目標檢測。鋰電池正負極冗余度缺陷檢測算法流程如圖1所示。

圖1 鋰電池正負極冗余度檢測算法流程

圖像預處理階段，對X射線原始圖像進行感興趣區(qū)域提取后，在頻域上進行圖像降噪，得到預處理后圖像。

冗余區(qū)域提取階段，對預處理后的圖像進行圖像分割，把電池的正負極區(qū)域分離開，得到冗余區(qū)域圖像。

冗余度檢測階段，先在冗余區(qū)域圖像中尋找出電池正負極片端點，再根據(jù)端點確定目標冗余線段，最后得出冗余度數(shù)值。

分類器設計階段，通過提取得到的特征信息，進行分類器的設計。

1.1 圖像預處理

為減少不必要的圖像處理時間，先要進行ROI的提取，如圖2a所示，再把圖像轉化為便于后續(xù)處理的灰度圖像。

一般的圖像去噪多在空域上進行，通過灰度圖像與均值濾波、中值濾波、高斯濾波等做卷積操作，得到平滑圖像，減少噪聲干擾。由于所獲取X射線圖像的噪聲不以椒鹽噪聲為主，而頻域上的圖像去噪對非椒鹽噪聲往往會有更好的效果[8]，故采取在頻域上的去噪方式。

常用的頻域低通濾波器有巴特沃斯低通濾波器(BLPF)和高斯低通濾波器(GLPF)兩種[9]。本實驗選取了BLPF對圖像進行頻域去噪。巴特沃斯低通濾波器如公式1所示。其中， (u,v)為點坐標，D(u,v)為點(u,v)到中心點的距離，D0為截止距離，n為濾波器的階數(shù)。經(jīng)BLPF去噪后的圖像如圖2b所示。

(1)

(a) ROI圖像 (b) 去噪后圖像圖2 去噪前后對比圖

1.2 冗余區(qū)域提取

電池正負極的粘連狀況對冗余線段的提取有很大的干擾，需要先把正負極區(qū)域分割開，得到冗余區(qū)域。本階段總共有4步操作：①邊緣檢測；②區(qū)域填充；③提取正極區(qū)域；④提取冗余區(qū)域。

(1) 邊緣檢測

電池極片圖像的信息重點是極片邊緣的線段特征，為了增強圖像的細節(jié)部分，需要對圖像進行邊緣檢測。邊緣檢測常用的濾波算子有Laplacian算子、Sobel算子和Prewitt算子[10]。Laplacian算子是最簡單的各向同性二階微分線性算子，具有旋轉不變性[11]。本實驗圖像經(jīng)Laplacian算子(圖3)處理后得到了很好的銳化效果。

圖3 Laplacian算子模板

具有45°的旋轉不變性。圖像經(jīng)過Laplacian算子銳化后效果如圖4a所示。

(2) 區(qū)域填充

圖像經(jīng)過邊緣檢測之后，電池極片區(qū)域已被初步分割成兩部分。由于這兩部分內部并不連通，無法直接找到區(qū)域輪廓，所以需要對區(qū)域進行填充操作。區(qū)域填充將采用形態(tài)學操作進行處理，經(jīng)多次形態(tài)學操作之后，兩區(qū)域都得到了很好的填充，區(qū)域輪廓連續(xù)，且兩部分也不存在粘連現(xiàn)象。填充后的圖像如圖4b所示。

(3) 提取正極區(qū)域

觀察圖4b可以發(fā)現(xiàn)，經(jīng)形態(tài)學操作后，冗余區(qū)域輪廓對比原圖會有較大的缺失現(xiàn)象，而正極區(qū)域輪廓卻變化不大。因此，為提取冗余區(qū)域，需要先對正極區(qū)域進行提取。提取正極區(qū)域，需要用到輪廓檢測技術，經(jīng)輪廓檢測后提取到的正極區(qū)域如圖4c白色部分所示。

(4) 提取冗余區(qū)域

得到正極區(qū)域圖像后，將正極區(qū)域圖像與降噪后的ROI圖像進行疊加操作，得到冗余區(qū)域圖像。如圖4d所示，冗余區(qū)域已被很好地提取出來，排除了來自正極區(qū)域的干擾。

(a) 銳化后圖像 (b) 填充后圖像

(c) 正極區(qū)域 (d) 冗余區(qū)域圖4 冗余區(qū)域提取過程

1.3 冗余度檢測

目標冗余線段是一些橫向的線段，需要通過橫向的空域濾波算子對圖像進行過濾操作來獲取。如圖5a所示，冗余區(qū)域圖像經(jīng)過空域濾波算子過濾后，得到初步的橫向線段圖像。圖像中仍保留許多非目標的細短線段，為了排除這些干擾，需使用形態(tài)學操作，利用腐蝕操作去除干擾線段，圖5b為去除干擾線段后的圖像。排除干擾后，通過目測已可以觀察到所需的冗余線段。

(a) 初步橫向線段 (b) 去除干擾后橫向線段圖5 橫向線段圖

為提取目標線段信息，需要使用直線檢測技術。常用的直線檢測方法有霍夫變換直線檢測法[12]和LSD直線檢測法[13]兩種，本文算法采用檢測速度更快的后者。經(jīng)過LSD直線檢測后，檢測出了圖中有m根線段，如圖6所示，m是大于目標數(shù)量的。原因在于LSD將線段較粗的部分判斷成一些線段相交的部分，導致線段的檢測數(shù)量增多。為了解決這個問題，需要先找出正負極片端點，再根據(jù)端點得出目標冗余線段。

圖6 LSD檢測結果

通過LSD，從圖6中獲取了m根線段、2m個端點，目標端點在這2m個點當中。第1步，對這2m個點按縱坐標從小到大進行排序。第2步，對2m個點進行分組，把它們分成與目標線段數(shù)量相符。在正常情況下，同層端點的縱坐標差值會很小，不同層端點的縱坐標差值會略大。因此，把縱坐標之差小的點劃分為一組。第3步，找出每組點中橫坐標最小和最大的點，這些點即為目標正負極片的端點(圖7a)，將同組極片端點連接起來，得到目標冗余線段(圖7b)。最后，通過每組正負極片端點的坐標即可計算出每條冗余線段的長度(即冗余度)。

(a) 正負極片端點 (b) 目標冗余線段圖7 冗余線段提取

1.4 分類器設計

根據(jù)獲取的冗余線段，提取線段的長度特征和角度特征，再進行分類器的設計，實現(xiàn)對鋰電池質量的快速準確判斷。

1.4.1 特征提取

對于長度特征，需要提取的是最大冗余長度lmax和最小冗余長度lmin。設冗余線段共有n條，第i(i∈[1,n])條冗余線段的左右端點坐標分別為(xi1,yi1)、(xi2,yi2)，冗余長度為li，則：

(2)

lmax=max{li}

(3)

lmin=min{li}

(4)

對于角度特征，需要提取的是最大彎折角度amax和角度標準差astdev。設第i(i∈[1,n])條冗余線段與水平線的夾角為ai，平均角度為amean，則：

amax=max{ai}

(5)

(6)

(7)

每次檢測都會計算lmax、lmin、amax、astdev這四個特征信息，并將它們組成一個特征向量，特征向量為：

featvec=[lmax,lmin,amax,astdev]

(8)

1.4.2 分類器選擇

常用的分類器有邏輯回歸、樸素貝葉斯、決策樹、支持向量機和集成模型等。對于簡單的二分類問題，SVM往往更加高效準確。因此，本實驗選取了SVM作為分類器。

2 實驗結果及分析

本實驗在電腦(Intel(R)Core(TM)i5-8250U CPU@1.60GHz 1.80GHz，8G運存，Windows10-64bit)環(huán)境下運行，代碼使用Visual Studio 2017集成開發(fā)環(huán)境和OpenCV 3.4.5計算機視覺庫實現(xiàn)。

本實驗采集的鋰電池X射線圖像的層數(shù)為12層，原始圖像大小為1000×1000，ROI圖像大小為320×320。圖像樣本總量為139個，檢測結果如表1所示，良品檢測結果圖與次品檢測結果圖如圖8、圖9所示。

表1 實驗結果

續(xù)表

圖8 良品檢測結果 圖9 次品檢測結果

圖像符合檢測要求的數(shù)量為134個，圖像檢測出異常的數(shù)量為5個。圖像檢測出異常主要有以下兩個原因：①電池擺放不正，出現(xiàn)過大的位置偏離，在ROI圖像提取的時候無法準確提取到目標部位；②在圖像采集的時候，有外界異物進入，遮擋了部分目標部位，改變了目標圖像原本的主要結構。檢測出異常的產品需要重新采樣再檢測。

在符合檢測要求的圖像中，被正確檢測的數(shù)量為132個，被錯誤檢測的數(shù)量為2個。對于被錯誤檢測的情況，主要是因為在過濾干擾項的時候，把一些原本就短的目標線段也一并完全腐蝕掉，導致后續(xù)的直線檢測檢測不到線段，實為良品最后卻被檢測鑒定為次品。

整體檢測時長基本穩(wěn)定在670～790 ms之間，平均檢測時長721 ms。普通鋰電池生產線每分鐘產出數(shù)(PPM)一般為30～35個，約2 s生產一個鋰電池產品，因此，算法滿足雙角模式的在線檢測需求。

3 結論

針對鋰電池正負極冗余度缺陷的特點，基于機器視覺技術，提出了一種鋰電池正負極冗余度缺陷在線檢測算法。算法通過頻域和空域相結合的方式進行圖像處理，間接提取出完整的冗余區(qū)域，利用正負極片端點確定目標冗余線段，再使用SVM進行分類操作。實驗結果顯示，該算法的準確率達98.5%，檢測時長穩(wěn)定在670 ms到790 ms之間，平均運行時間為721 ms。實驗表明，該算法具有準確度高、穩(wěn)定性好、運行速度快等優(yōu)點，符合工業(yè)檢測上的應用需求，有望運用在實際的鋰電池質量檢測當中。