孫浩然，李雅雯，韓有軍，胡躍明

（1華南理工大學自動化科學與工程學院；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裝備工程實驗室，廣東 廣州 510640）

在需要大容量儲能設備的應用環(huán)境中鋰離子電池展現(xiàn)出了巨大的價值，其被廣泛應用在新能源汽車、電子通信、航空航天等領域[1]。如何保證鋰離子電池的安全性已經(jīng)成為了工業(yè)界與學術界較為關注的課題[2]。電極作為鋰離子電池的關鍵組成部分，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是保障產(chǎn)品可靠性的關鍵。電極的生產(chǎn)環(huán)境復雜，缺陷形態(tài)多變且對比度微小，亟待準確、高效、高速的電極外觀缺陷檢測算法。

隨著視覺檢測技術的發(fā)展，越來越多的學者將研究方向聚焦在缺陷檢測方面。Li 等[4]提出了一種基于機器視覺的電池表面缺陷檢測算法，基于傳統(tǒng)Canny算子對劃痕缺陷進行檢測，但該算法未對其他類型的缺陷檢測進行研究；Xu等[5]將傳統(tǒng)Canny算子與特征融合及支持向量機算法結合起來，可有效檢測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，缺陷檢測的魯棒性較差；Lu 等[6]對傳統(tǒng)Canny 算子進行了改進，增加了45°和135°的梯度模板并通過迭代的方式來確定最佳的高低閾值，但該算法難以滿足低對比度且背景細小、紋理較多的電極缺陷檢測需求。黃夢濤等[7]提出了一種基于Otsu和最大熵算法確定高低閾值的改進Canny算子，缺陷識別可以達到較高的準確率，但該算法對于劃痕缺陷的識別精度較低。

針對上述算法出現(xiàn)的檢測問題，本文提出了一種基于拓撲學濾波與改進Canny算子的鋰離子電池電極缺陷檢測算法，該方法先通過拓撲濾波，在突出邊緣細節(jié)的同時去除背景的無關信息，并通過灰度變換矯正圖像整體灰度值，增強缺陷區(qū)域的對比度，然后通過改進Canny算子自適應提取缺陷，對于其他算法處理效果較差的劃痕缺陷也有著較高的識別精度。

1 系統(tǒng)設計

電極的光學采集系統(tǒng)如圖1所示。通過傳送帶上下的兩個2 K分辨率的線陣相機掃描電極，將采集好的圖像送入計算機中，進行圖像處理與缺陷檢測。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。由于光學采集系統(tǒng)是在開放區(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小紋理特征，為缺陷檢測增添了很大的難度。

圖1 光學采集系統(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)提取出來進行后續(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

提取出待測圖像的V分量后，將拓撲學相關原理引入濾波模板的設計，對圖像進行降噪處理。為矯正圖像灰度分布增強圖像對比度，對圖像進行線性灰度變換。通過本文提出的改進Canny算子，提取缺陷輪廓，并依據(jù)3種缺陷的特征，對缺陷進行識別分類。缺陷檢測算法的整體流程如圖3所示。

圖3 電極缺陷檢測流程Fig.3 Electrode defect inspection process

2 圖像預處理

2.1 圖像降噪：拓撲濾波

鋰離子電池電極的制作工藝復雜，其表面存在涂覆工藝產(chǎn)生的細小紋理。此外采集圖像的過程中受周邊環(huán)境因素的影響均會對后續(xù)的缺陷提取造成干擾。為取得更好的濾波效果，本文將拓撲學概念引入到濾波模板的設計中。

拓撲濾波結合鄰域閉曲線概念，以像素點到濾波模板中心點的距離作為計算影響因素的原則。選取濾波模板中心像素點，判斷其鄰域中符合若爾當曲線定理的簡單閉曲線，該曲線經(jīng)過的4個正交方向像素點為濾波模板處理過程中需要計算的像素點[8]。

為區(qū)分濾波模板的中心像素點與其鄰域像素點的重要性，將其依據(jù)距離賦予不同的權值。將模板內像素權重之和歸一化處理，即濾波模板中心像素點的權重賦予0.5，鄰域閉曲線經(jīng)過的4 個像素點共享剩余權重且各個權重相等。對角線像素點因距模板中心點較遠，因此忽略其對中心像素點的影響。濾波模板K如下所示，濾波處理后模板中心點的灰度值由式(1)可得：

2.2 圖像增強：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比度較低，不利于后續(xù)處理。因此通過線性灰度變換將待測電極的灰度值矯正在灰度級中值處，同時增強缺陷特征[9]。設提取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為對圖像整體的偏置值。其中0＜lz(x，y)＜255。如果kZ的絕對值大于1，則圖像的對比度增強，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)在增加對比度的同時，平均灰度級保持在中值，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，通過觀察，灰度矯正前圖像灰度級集中分布在150～200，灰度區(qū)間比較窄，圖像整體的灰度值過高，不利于缺陷的識別?；叶瘸C正后灰度區(qū)間得到拉伸，對后續(xù)的邊緣檢測更加有利。實驗結果如圖4(b)所示。

圖4 灰度矯正實驗結果Fig.4 Experiment results of(a)grayscale histogram before and after correction;(b)Experimental results before and after correction

通過觀察灰度直方圖和實驗結果，易發(fā)現(xiàn)矯正后圖像亮度適中，缺陷和背景區(qū)域的對比度明顯增強，邊緣細節(jié)更加突出，說明該方法可以達到較好的處理效果。

3 改進Canny算子的邊緣檢測方法

3.1 傳統(tǒng)Canny算子

邊緣提取是通過差分運算計算圖像的梯度，捕捉圖像中的高頻輪廓信息。由于二階微分算子對圖像中的紋理結構和噪聲較為敏感，而待測電極圖像表面存在許多細小紋理，故選用一階微分算子。相對于其他一階微分算子，Canny算子[10]具有更好的信噪比和檢測精度，其優(yōu)點主要體現(xiàn)在以下三方面[11]：①邊緣標定的準確率高；②邊緣定位精確；③邊緣點不會重復標定。

3.2 改進Canny算子

對于鋰離子電池電極圖像的缺陷檢測問題，傳統(tǒng)Canny算子難以達到理想的效果，因此對其進行改進，采用雙邊濾波替換原有的高斯濾波，克服了高斯模糊的問題；引入多尺度細節(jié)增強算法，改善光照不均的同時增強圖像細節(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確定高低閾值；對提取出的輪廓圖像進行形態(tài)學閉運算，進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果。流程圖如圖5所示。

圖5 改進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的同時，可以最大程度地保持圖像邊緣細節(jié)。雙邊濾波采用基于高斯分布的加權平均方法，計算中心像素點時加入空間域的空間權重和像素范圍域的相似權重[12]。

定義空間權重為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為q(k，l)，模板窗口的其他坐標系數(shù)為q(i，j)，σd為高斯函數(shù)的標準差。相似權重定義為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)為模板其他像素點在圖像中相對應位置的灰度值，l(k，l)為模板中心像素點在圖像中相對應位置的灰度值，σr為高斯函數(shù)的標準差。

空間權重和相似權重的值皆在[0，1]之間。雙邊濾波的權重值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作用，此時雙邊濾波相當于高斯模糊；對于圖像的邊緣區(qū)域，灰度值變化較大，此時wr變大，使得圖像在濾波后保持了邊緣信息。

3.2.2 多尺度細節(jié)增強

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

多尺度細節(jié)增強算法主要分為以下3個步驟[14]：

①構建由大到小3個不同尺度的高斯核，和輸入圖像進行卷積運算，得到三張由不同高斯核平滑處理的圖像；

②對高斯平滑后的圖像進行差分計算，將兩個相鄰尺度的高斯模糊圖像進行差分，提取3個不同的細節(jié)層；

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

3.2.3 改進Sobel算子

傳統(tǒng)的Sobel 算子在2×2 鄰域大小內計算梯度幅值，但是準確度較低，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 個方向[15]，分別給出梯度模板，如式(8)所示。

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

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

設經(jīng)改進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算子對梯度幅值進行非極大值抑制處理后，通過用戶設定的高低閾值提取并連接邊緣點，考慮到本文1.2 節(jié)所述的灰度矯正，引入最大熵算法實現(xiàn)自適應獲取高低閾值。最大熵算法[16]主要分為以下三個步驟：統(tǒng)計圖像像素點的灰度值分布；計算圖像的總體熵；計算圖像分割的最優(yōu)門限值。

設圖像的灰度級為{0，1，…，L-1}，pi是灰度值等于i的像素點在圖像中分布的概率。對于某一未知的分割閾值t，可將圖像內的像素點分成灰度值在{0，1，…，t}和{t+1，t+2，…，L-1}兩個部分，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取最大值時的閾值t＊，該值就是基于最大熵法的最優(yōu)門限值。設t＊為低閾值，4＊t＊為高閾值。

3.2.5 邊緣判定與形態(tài)學

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

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，對其進行形態(tài)學閉運算處理。

4 實驗結果分析

本文在Windows10 系統(tǒng)環(huán)境下運行，基于Visual Studio 2019 的集成開發(fā)環(huán)境和OpenCV 機器視覺庫來實現(xiàn)代碼。

為驗證本文提出的檢測算法具有更好的性能，進行了幾組實驗。第一組實驗通過和其他幾種常見濾波算法對比，驗證雙邊濾波的性能；第二組實驗通過將本文提出的改進Canny算子和其他常用邊緣檢測算子對比，驗證了改進Canny算子的優(yōu)越性；第三組實驗通過缺陷檢測結果驗證了本文檢測算法的準確性與高效性。

4.1 濾波算法結果分析

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驗結果分別如圖6所示。高斯濾波和均值濾波對圖像的降噪效果較好，但邊緣細節(jié)被模糊；中值濾波和雙邊濾波可以更好地保留圖像的細節(jié)信息，其中雙邊濾波的降噪效果更佳。

圖6 各個濾波處理結果Fig.6 Each filter processing results

為更客觀地分析各個濾波算法應用在電極圖像上的效果，對比降噪能力、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電極圖像，將各個濾波的處理結果與原圖像運算，得到PSNR。從數(shù)據(jù)集中選取N張圖像，通過如下公式計算出峰值信噪比的平均值PSNRave和標準偏差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張待測電極圖像中的第i張。各個算法計算結果如表1 所示。雙邊濾波的平均峰值信噪比最大，峰值信噪比標準差較小，說明雙邊濾波算法降噪效果好且相對比較穩(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關噪聲，同時更好地保持圖像的邊緣信息。

表1 PSNR評價濾波算法Table 1 PSNR evaluation filtering algorithm

4.2 改進Canny算子檢測結果及分析

為進一步驗證改進邊緣檢測算子的優(yōu)越性，實驗中將其與傳統(tǒng)Canny算子、基于改進Sobel算子的Canny 算法以及改進Sobel 的Otsu-Canny 算法進行對比。將傳統(tǒng)Canny 和改進Sobel 算子的Canny 算 法 的 高 低 閾 值 皆 設 為(50，130)，3 種Canny的高斯卷積核大小皆取值為3，得到的處理結果如圖7所示。

圖7 各個Canny算子實驗結果對比Fig.7 Comparison of experimental results of various Canny operators

傳統(tǒng)的Canny 算子因需人工設置高低分割閾值，對每種缺陷的檢測效果都不理想；改進Sobel的Canny算子缺陷檢測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，但缺陷邊緣細節(jié)信息損失太多，無法得到完整連續(xù)的缺陷輪廓圖像。本文提出的改進Canny算子不但能夠得到更為完整連續(xù)的缺陷邊緣，且對背景噪聲的抑制能力更強，輪廓的提取更為精確，相比于其他算子具有更優(yōu)越的邊緣檢測性能。

4.3 最終檢測結果分析

接下來的實驗對改進Canny算子的檢測性能進行驗證，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，用上述四種算法進行測試，結果如下表2所示。傳統(tǒng)Canny算子較其他3 種算法檢測準確率偏低；改進Sobel 的Canny 算子缺陷檢測準確率顯著高于傳統(tǒng)Canny，但還是難以達到實際生產(chǎn)需求；改進Sobel的Otsu-Canny算子檢測效果較前兩種算子有所提升，但細節(jié)損失較為嚴重，導致劃痕與孔洞缺陷的檢測效果不佳。本文的改進Canny算子對3種缺陷均有良好的識別效果，平均準確率達98.18%，對于其他算子難以處理的劃痕缺陷的檢測準確率也高達97.11%。

表2 四種不同算法對電極的缺陷檢測結果Table 2 Defect detection results of electrodes by four different algorithms

基于拓撲學濾波與改進Canny算子的鋰離子電池電極缺陷檢測算法的缺陷檢測效果如圖8所示。本文算法對鋰離子電池電極生產(chǎn)過程中可能產(chǎn)生的孔洞、劃痕、漏金屬3種常見的缺陷均有良好的識別效果，提取的缺陷輪廓邊緣完整且精確，對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，識別精度更高；劃痕缺陷呈線形，輪廓細長，其長寬和深度多變，缺陷邊緣存在碳粉沉積，檢測精度略低于上述兩種缺陷，具有提高空間。

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

5 結 論

本文針對鋰離子電池生產(chǎn)工藝中易出現(xiàn)的劃痕、漏金屬、孔洞三種常見的缺陷，提出了一種基于拓撲學濾波與改進Canny算子的鋰離子電池電極缺陷檢測算法，經(jīng)實驗驗證，得到的結論如下：

（1）基于拓撲學原理的濾波模板可以很好地抑制電極圖像的背景噪聲，灰度變換可以增強圖像的對比度，矯正圖像整體灰度值。

（2）改進Canny算子對輸入圖像進行了雙邊濾波，降低圖像噪聲的同時最大程度地保留了缺陷的邊緣信息。通過驗證，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）多尺度細節(jié)增強算法對圖像邊緣細節(jié)信息增強的同時均勻光照，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，尤其對于劃痕缺陷，有更好的處理結果。

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

由3類缺陷的檢測結果可見，本文提出的算法可以良好地檢測出全部的缺陷類型，提取得到的缺陷邊緣精確完整，平均檢測準確率可達98.18%，可較好地滿足實際生產(chǎn)過程中鋰離子電池電極缺陷檢測的精度需求。3種缺陷類型中，劃痕缺陷的檢測精度與準確率略低，在后續(xù)的研究中有待進一步改進完善。