周文一, 李林升, 陶怡帆, 毛偉生

(上海電機學院 電氣學院,上海 201306,E-mail: 492171611@qq.com)

鋰電池制造過程工序繁多,對設備精度要求較高。鋰電池極片是鋰電池的重要組成部分,加工過程中振動或受外力不均勻時均容易造成極片缺陷,缺陷會對鋰電池的性能造成嚴重的影響。為提高鋰電池極片缺陷檢測效率,很多學者探索鋰電池缺陷自動化檢測方法。黃夢濤等[1]針對傳統(tǒng)Canny算子的缺點,提出了一種改進的Canny算子的鋰電池極片缺陷檢測方法。陳功等[2]采用最大熵閾值實現(xiàn)圖像分割并用高斯模型實現(xiàn)缺陷目標的分類。胡玥紅等[3]使用中值濾波器和Sobel算子結合的方法對鋰電池極耳檢測。上述方法對圖像背景存在大量雜波的缺陷適用性較弱,而Gabor濾波器能夠實現(xiàn)有背景雜波的缺陷檢測。史漫麗等[4]通過構造Gabor核函數來自適應構建Gabor濾波器實現(xiàn)對紅外弱小目標檢測。屈爾慶等[5]對傳統(tǒng)Gabor濾波器進行復合差分進化,提高了Gabor濾波器的效率。而鋰電池極片圖像背景與缺陷灰度差異較小,背景噪聲較多,上述方法對鋰電池極片缺陷檢測適用性不強。

為了提高鋰電池極片缺陷檢測的準確性,本文提出一種基于自適應Gabor濾波器和分水嶺分割算法融合的檢測方法。該方法首先增加調整參數,并根據圖像灰度值比例,自適應調整Gabor濾波器參數,得到濾除背景的缺陷,然后使用分水嶺算法[6]實現(xiàn)缺陷的邊緣提取,最終實現(xiàn)鋰電池極片的缺陷檢測。

1 檢測流程

本文檢測方法流程如圖1所示。主要步驟為圖像預處理,便于后續(xù)檢測;傳統(tǒng)Gabor濾波器改進的自適應Gabor濾波器;分水嶺邊緣檢測算法提取缺陷輪廓;缺陷框定,輸出檢測結果。

圖1 算法流程圖

2 圖像預處理

在鋰電池的缺陷檢測工作中,使用CCD相機對極片表面進行圖像采集。采集后的原圖像缺陷大小不一,采用截圖,縮放等操作,統(tǒng)一處理為300×300大小的圖像。然后再進行圖像灰度化,便于后續(xù)的Gabor濾波。預處理前的圖像如圖2(a)所示,預處理后的圖像如圖2(b)所示。

圖2 預處理前后圖像

3 圖像Gabor濾波

3.1 Gabor變換與Gabor函數

為了消除缺陷圖中存在的噪聲干擾,對圖像進行Gabor濾波。

Gabor函數的基本形式[7]如(1)所示:

(1)

其中:ga(t)為窗函數。

對于圖像處理,使用二維的Gabor濾波器,即一個正弦函數與高斯函數作為窗函數進行疊加,可以得到二維Gabor函數的表達式[7]如(2)所示:

(2)

其中:x′=xcosθ+ysinθ,y′=-xsinθ+ycosθ;參數λ表示濾波的波長;θ表示Gabor核函數圖像的傾斜角度;ψ表示相位偏移量,方差σ取值范圍是-180°～180°,表示高斯函數的標準差;γ表示長寬比,決定這Gabor核函數圖像的橢圓率,通常取0.5。傳統(tǒng)的Gabor濾波采用固定權值的方式,通過設定上述參數進行濾波,提取圖像特征。

3.2 Gabor濾波器的改進

Gabor濾波器共有5個參數可以調整,傳統(tǒng)Gabor濾波通常使用多個Gabor濾波器形成多通道Gabor濾波器提取多尺度多方向下的特征提取。基于Gabor小波和SVM的人臉算法識別研究[8]中使用了5個尺度,8個方向的Gabor濾波器;基于Gabor濾波的虹膜多特征提取及融合識別方法研究[9]中使用了5個尺度,8個方向的Gabor濾波器;形狀標記圖Gabor小波的交通標志識別[10]中使用了6個尺度,6個方向的Gabor濾波器。

圖3 傳統(tǒng)Gabor濾波后的圖像

由圖3可知,傳統(tǒng)Gabor濾波方法并不能有效得到缺陷狀態(tài)特征,且相差π方向的特征圖存在重復。

圖4 改進的Gabor濾波生成的部分圖像

3.3 Gabor濾波器的自適應

由圖4可知,改進后的Gabor濾波器能夠得到缺陷特征圖,但仍存在缺陷邊緣缺失,背景存在噪音且使用改進后的濾波器對白色缺陷進行濾波效果不理想等問題。

為了解決上述問題,本文從以下三個方面實現(xiàn)Gabor濾波器自適應。

首先,理想濾波后的圖片的具有以下特征:除了缺陷部分外大部分為白色的背景,且沒有噪音,較符合人眼的直觀缺陷觀測。通過實驗可知,調整參數σ能夠在細節(jié)上控制缺陷的邊緣,微調噪聲對圖片的影響。因此,選取σ為0.8、0.9、1.0、1.1、1.2,用于生成圖片后的細節(jié)調整,抑制噪聲。

其次,由于需要調整四個不同的參數,生成的圖片數量為240張,人為選擇理想的圖片較為耗時。根據理想圖片的特征,需要找到缺陷為黑色或灰色,背景為白色的圖片。通過實驗可知,最大的缺陷面積約占整個圖片的10%。為了粗略篩選出白色背景的圖片,因此,設置閾值為85%,即圖片中白色像素(灰度值255)比例達到閾值以上,則認定為白色背景圖片。再按照黑灰色像素(灰度值0到254)值比例排序白色背景圖片,比例最大的即為理想圖片。

最后,針對白色缺陷的濾波效果不理想的問題,對白色缺陷的圖片進行反相。觀察圖片背景可知,背景噪聲較多,大部分像素灰度值較低。因此,計算灰度值較高的像素比例,合理設置閾值,即可判定圖片缺陷顏色。

為了確定灰度值閾值大小,使用不包含缺陷的圖像直方圖大致判定噪聲灰度值范圍。實驗表明,背景灰度值范圍在40至80之間。那么黑色和白色缺陷,可以看作一個簡單的分類問題。采用統(tǒng)計閾值到最大灰度值(255)的像素點所占比例判斷黑白缺陷。公式如下:

(3)

其中:P表示所占比例,k表示設定的閾值,L表示圖片的長,W表示圖片的寬。

為了提高黑白缺陷分類的魯棒性,實驗以80為基準,選取80,100和120分別作為閾值,計算了部分圖片中高于閾值像素點所占比例,得到表1。

表1 選取不同閾值P的值/%

通過表格,可以觀察到,當閾值為80時,圖片1白色缺陷比例為0.977%,圖片7黑色缺陷比例為0.688%;當閾值為120時,圖6中白色缺陷比例接近0。因此,選取閾值100,P取0.000 1作為臨界值,使用決策樹[15]方法,對不同缺陷的圖片進行分類。實驗表明,能夠很好的區(qū)分數據集中的黑色與白色缺陷。

通過上述改進,Gabor濾波器在本文數據集上實現(xiàn)了自適應,自適應Gabor濾波器最終輸出圖如圖5所示。

圖5 自適應Gabor濾波最終輸出圖像

為驗證本文算法的有效性。將本文方法分別與高斯濾波[16]、雙邊濾波[17]做比較。從圖中可以看出,高斯濾波對圖片背景中的噪聲濾波效果較弱。而雙邊濾波與自適應的Gabor濾波能夠過濾背景噪聲。高斯濾波的卷積核取3;雙邊濾波模板取7。采用改進Canny算子中一致的高斯濾波與雙邊濾波參數。實驗結果如圖6所示,通過對比可以看出,高斯濾波處理后的結果仍然存在噪聲干擾。雙邊濾波與自適應Gabor濾波可以較好的濾除背景噪聲,但雙邊濾波相比Gabor濾波對黑斑缺陷與條痕缺陷會丟失一些邊緣細節(jié),如圖6(c3)、(d3)、(c4)、(d4)放大后的圖7所示。自適應的Gabor濾波既能夠較好的平滑圖像,又可以凸顯缺陷目標。

圖6 圖像濾波結果

圖7 圖像放大后的邊緣細節(jié)對比

4 缺陷邊緣檢測算法

4.1 閾值二值化

對于Gabor濾波后的圖像,部分缺陷與背景對比度較低,因此需要對圖像進行閾值二值化[18],從而突出缺陷區(qū)域,便于后續(xù)的分水嶺算法分割。

閾值分割采用大津法(OTSU)[19],大津法能夠對Gabor濾波后的圖像進行快速閾值二值化,二值化后的圖像如圖8所示。

圖8 閾值二值化后的圖像

4.2 分水嶺邊緣檢測算法

分水嶺邊緣檢測算法[20-21],其思想來源于地質學,使圖像的不同灰度級的像素對應不同的高度,簡單理解為將圖像升維,灰度值大的像素點高。由此構成圖像中不同高度的山峰和山谷。Gabor濾波后的最終輸出圖像的三維圖,如圖9所示。

圖9 Gabor濾波后的三維圖

分水嶺算法基本思想是從山谷最低處(灰度值最低)對整個山脈注水,在這之中產生了許多盆地,當水平面不斷升高,盆地的邊界則為分水嶺,也就是圖像的邊界。

分水嶺算法的思想簡單,有計算速度較快,定位精準,輪廓線封閉性好的優(yōu)點,同時對微弱邊緣也有良好的響應。分水嶺分割后的圖像如圖10所示。

圖10 分水嶺邊緣檢測圖

為了驗證本文方法的有效性。通過對比區(qū)域生長算法[22],改進的Canny算子一文中的方法,對缺陷進行邊緣檢測。區(qū)域生長算法使用雙邊濾波后的圖像,選取圖像中坐標(1,1)為種子點進行區(qū)域生長,再通過圖像反相處理后得到如圖11(b1)、(b2)、(b3)、(b4)、(b5)所示的缺陷輪廓圖。在基于改進 Canny 算子的鋰電池極片表面缺陷檢測一文中,原作者在使用雙邊濾波對鋰電池極片圖像進行降噪后,使用多尺度細節(jié)增強算法增強圖像;其次使用Sobel算子[23]的3×3梯度模板計算圖像梯度的方向與幅值;最后,通過邏輯與運算對最大熵算法與大津法分割后的結果進行邊緣融合,使用閉運算和細化操作得到檢測邊緣。得到的缺陷輪廓圖如圖11(c1)、(c2)、(c3)、(c4)、(c5)所示。

圖11 缺陷檢測結果

由圖11可知,區(qū)域生長算法可以檢測出雙邊濾波后的圖像中的缺陷,缺陷邊緣清晰,但是對于部分缺陷,仍存在少量干擾,如圖11(b1)、(b3)所示。改進的Canny算子能夠檢測出大部分缺陷邊緣,但是雙邊濾波后的部分圖片存在干擾與缺陷邊界模糊的問題,因此改進的Canny算子對部分缺陷的檢測結果并不理想。圖11(c3)中,并不能檢測出完整邊緣,且缺陷邊界定位不準確。由于人眼對灰度變化不敏感,將圖6(c5)的直方圖[24]12(a)放大得到圖12(b),圖12(b)中可見存在少量像素值值大于200的點,這使得雙邊濾波后圖像存在干擾,圖11(c5)與圖11(b5) 存在相同位置的干擾點也同時說明了這一點。

圖12 圖6(c5)的直方圖及直方圖局部細節(jié)放大

本文提出的算法能夠對缺陷較為精準的檢測,且平滑噪聲能力較強。從圖11(d4)條痕缺陷的檢測結果可知,本文方法可以能夠保留更多的細節(jié)。從圖11(d5)中白斑缺陷的檢測結果可以看出,本文提出的方法在保留細節(jié)的同時抗干擾能力較強。實驗結果表明,本文提出的方法對缺陷定位準確,且能夠檢測多種缺陷。

4.3 缺陷輪廓框提取

使用分水嶺分割算法后,可以觀察到圖10中可以獲得完整,清晰的缺陷邊緣。遍歷缺陷邊緣的坐標,再通過最小外接矩形法,最終檢測出的缺陷效果如圖13所示。

圖13 實際檢測效果圖

5 結論

針對鋰電池極片缺陷難以檢測的問題,本文提出了一種新的鋰電池極片缺陷檢測方法。通過改進傳統(tǒng)Gabor濾波器參數,判斷圖片灰度值所占比例,簡單實現(xiàn)了Gabor濾波器的自適應,可以有效實現(xiàn)濾波,提取出缺陷區(qū)域。然后通過閾值分割實現(xiàn)二值化,對缺陷區(qū)域實現(xiàn)增強,再通過分水嶺算法對圖像分割,實現(xiàn)對缺陷邊緣的提取。通過對比,本文算法抗干擾能力較強,能夠有效對鋰電池極片的脫碳,漏金屬,黑斑,條痕和白斑等缺陷實現(xiàn)檢測。