李錦棠

（廣州市機電技師學院，廣州 510000）

機器視覺是智能制造業(yè)的核心技術(shù)，可以利用機器代替人眼和大腦對物體進行測量、判斷以及精準定位。文章以機器視覺技術(shù)和深度學習為基礎(chǔ)，對鋰電池極片涂布缺陷進行檢測和分類研究，并設(shè)計集成了一套功能完善的缺陷檢測系統(tǒng)。該系統(tǒng)包含如下工作：根據(jù)鋰電池表面缺陷特征，提出了一種針對鋰電池的缺陷檢測定位算法；使用神經(jīng)網(wǎng)絡(luò)的深度學習進行分類，確定一種適用于鋰電池缺陷分類場合的分類模型及數(shù)據(jù)庫；使用Qt Creator 開發(fā)整套軟件綜合檢測平臺，并設(shè)計用戶圖形操作界面，使其具備圖像顯示、圖像缺陷檢測及分類結(jié)果顯示等若干功能。文章為鋰電池缺陷檢測過程提供了算法支持方案，整套檢測系統(tǒng)能夠滿足0.05 mm 的檢測精度和60 m·min-1的檢測速度要求，在鋰電池智能制造領(lǐng)域具有一定的參考價值。

1 基于深度學習的機器視覺檢測系統(tǒng)整體框架

文章研究以電動汽車鋰電池生產(chǎn)工藝為例。為了檢測智能制造中鋰電池缺陷特征，提出基于深度學習的機器視覺系統(tǒng)整體架構(gòu)，主要包括檢測定位系統(tǒng)（傳動系統(tǒng)、照明系統(tǒng)、傳感系統(tǒng)以及中央控制系統(tǒng)）、數(shù)據(jù)收集系統(tǒng)（運動控制模塊、缺陷檢測模塊、缺陷分類識別模塊、后臺數(shù)據(jù)管理模塊）等子系統(tǒng)以及用戶操作界面模塊等若干子模塊。各個子系統(tǒng)與子模塊之間相互協(xié)調(diào)配合，共同完成鋰電池極片缺陷檢測與識別的復雜任務。

2 鋰電池缺陷檢測與定位

鋰電池表面的缺陷通常表現(xiàn)為印刷圖案中的異常特征。為實現(xiàn)高精度的印刷位置檢測，通過操作將電動汽車導引至指定區(qū)域?？浚源_保電池在成像區(qū)域內(nèi)。

在求解電池三維姿態(tài)時，首先獲取物體圖像的二維坐標，可以通過方向性FAST 特征點檢測和旋轉(zhuǎn)BRIEF 描述子（Oriented FAST and Rotated BRIEF，ORB）特征提取算法實現(xiàn)。但是，這些二維坐標并不能直接映射到實際物理世界坐標系，因此需要進行特征點的合理匹配，以計算三維坐標，從而更方便地選擇匹配模板圖像。特征點的信息包括世界坐標系下的三維坐標、坐標信息和特征描述子信息。

在整體姿態(tài)識別的過程中，物體注冊是不可或缺的步驟。首先，根據(jù)圖像模型尺寸，有效輸入關(guān)鍵點信息（通常需要手動獲取關(guān)鍵點的相關(guān)信息），這些關(guān)鍵點的像素坐標用于計算該狀態(tài)下的位姿信息。其次，獲取所有物體的特征點，特征點的三維空間坐標可以根據(jù)位姿信息進行計算。最后，需要存儲特征點的特征描述子及相應的三維坐標，以便進行特征點匹配。此計算在姿態(tài)識別操作中發(fā)生，并生成與之對應的三維坐標。

在定位檢測電池缺陷之前，需要保存模板特征，并利用光學系統(tǒng)采集電池圖像，然后使用ORB特征算法提取電池表面的特征。根據(jù)模板特征點進行匹配性計算，最終獲取對應的2D-3D 特征點，從而準確求解電池的位姿信息。該求解過程可采用改進的隨機抽樣一致性（Random Sample Consensus，RANSAC）算法[1-2]。

3 缺陷圖像分類技術(shù)研究

反向傳播（Back Propagation，BP）神經(jīng)網(wǎng)絡(luò)可分為3 層，分別是輸入層、隱含層和輸出層，其中輸入層負責接收信號，隱含層負責加工處理信號，輸出層負責輸出信號。層與層之間的神經(jīng)元通過全連接結(jié)構(gòu)建立聯(lián)系，并且使用連接權(quán)重來表示聯(lián)系的緊密程度。鋰電池極片涂布缺陷分類程序主要采用模式識別與深度學習的思想，大致過程如下：首先提取缺陷圖像數(shù)據(jù)的特征，其次將提取到的特征進行特征融合后用于分類模型的訓練，最后使用訓練后的模型分類數(shù)據(jù)。算法分類模型及數(shù)據(jù)庫建立模型如圖1 所示。

圖1 算法分類及數(shù)據(jù)庫建立模型

3.1 缺陷分類數(shù)據(jù)集建立

作為神經(jīng)網(wǎng)絡(luò)的高階發(fā)展產(chǎn)物，深度學習通過大腦仿生使得計算機從經(jīng)驗中學習知識，根據(jù)層次化概念體系理解環(huán)境，進而解決難以形式化描述的任務。數(shù)據(jù)集質(zhì)量的高低是深度學習效果好壞的決定性因素，而且網(wǎng)絡(luò)訓練效果在一定程度上會受到數(shù)據(jù)集質(zhì)量的影響。顯著的標簽特征是大規(guī)模的圖像數(shù)據(jù)屬性，以此確保深度學習在監(jiān)督下有效開展。隨著網(wǎng)絡(luò)深度的持續(xù)增加，訓練的參數(shù)也會相應增加，而規(guī)模過擬合極易在小規(guī)模數(shù)據(jù)集中發(fā)生。由于本研究成像方式的指定性和檢測對象的特殊性，全部的數(shù)據(jù)集都源自大量的現(xiàn)場圖像，并通過分割處理獲取不同缺陷和背景圖像。先要確認是否可采用人工手動標記，然后通過數(shù)據(jù)增強的模式得到訓練圖像。

數(shù)據(jù)集中圖像由凹凸、崩邊、異色、劃痕4 種類型構(gòu)成。其中：生產(chǎn)程序中不均勻的溫度造成某些區(qū)域鋰電池極片不均勻，進而形成凹凸缺陷，成像后呈現(xiàn)亮暗相間的圖像；劃痕缺陷是鋰電池極片上細長的凹痕，主要是開槽、平磨等工序中操作失誤造成的；異色缺陷屬于點狀顏色異常點，主要是絲印生產(chǎn)工序中鋰電池極片邊緣受力不均勻?qū)е卤懒眩撊毕莩潭葒乐厍译y以修復；崩邊是工件由移位變形、進給速度和切割深度、高轉(zhuǎn)速刀片偏擺等造成的表面崩缺[3]。

3.2 缺陷分割數(shù)據(jù)集建立

在智能制造缺陷檢測技術(shù)的應用過程中，針對分類網(wǎng)絡(luò)訓練實踐中的全部數(shù)據(jù)，通過縮放將圖像尺寸統(tǒng)一為151×151。針對輸入圖像的像素類別，可以利用缺陷分割網(wǎng)絡(luò)的算法逐個判斷。本研究通過線陣相機進行圖像采集，得到的像素尺寸為16 000×8 192，而去除黑暗背景后玻璃檢測區(qū)域的圖像分辨率為13 567×6 548，因此訓練中原圖的輸入有很大難度，只能將圖像像素改為600×600。

具體而言，一個鋰電池極片圖像可以被裁剪為小尺寸的圖像，即253（23×11）。在之后的圖像訓練環(huán)節(jié)中，可以在同一個網(wǎng)絡(luò)中訓練兩種圖像。利用Labelme 工具標注智能制造的缺陷后，數(shù)據(jù)集的正樣本圖像數(shù)量為8 516，負樣本圖像數(shù)量為26 033，整體樣本數(shù)量為34 550。鋰電池極片表面主要缺陷由劃痕、凹凸和異色3 種缺陷類型以及對應標注的mask圖像構(gòu)成，如圖2 所示。每一個像素對應的實際物理距離為10.8 μm，這足以證明，在同軸光明場下，微弱劃痕具有良好的成像效果，明場照明環(huán)境下成像清晰，即異色缺陷類型在明場中成像效果較好[4]。

圖2 典型的各類缺陷圖像以及對應標注的mask 圖像

4 基于Qt Creator 的綜合檢測平臺及應用

文章選用Qt Creator 作為集成開發(fā)環(huán)境，開發(fā)設(shè)計圖形用戶界面（Graphical User Interface，GUI），其內(nèi)容主要分為4 個板塊，分別為登錄界面板塊、實時控制與缺陷檢測界面板塊、缺陷識別界面板塊、數(shù)據(jù)管理界面板塊，如圖3 所示。這4 個板塊分別集成了各個軟件功能子模塊，且板塊之間相互關(guān)聯(lián)、緊密協(xié)作。

圖3 基于Qt Creator 的GUI 設(shè)計框架

利用該綜合檢測平臺，分別為每種缺陷隨機挑選50 幅圖像，每幅圖像只含有單類缺陷，且每幅圖像的缺陷個數(shù)為一個或多個。圖像的分辨率均為5 120×4 096，對應的實際成像范圍為250 mm×200 mm。根據(jù)平臺進行缺陷檢測的平均漏檢率為1.68%，平均誤檢率為0%，每幅圖像的平均檢測時間為232.5 ms。在分項漏檢率中，脫碳缺陷的平均漏檢率最高，為6.17%。其次是異污缺陷，為5.56%。經(jīng)分析，這兩種缺陷漏檢的樣例面積并不大，而且灰度與涂布背景灰度十分相近，這給檢測造成了困難[5]。在程序算法速度上，由于在缺陷檢測中要求的檢測速度為60 m·min-1，即每秒掃描檢測的極片面積應為1 000 mm×200 mm，那么每250 ms 應掃描檢測的極片面積為250 mm×200 mm。由于每幅圖像的實際成像范圍為250 mm×200 mm，只要每幅圖像的平均檢測時間不超過250 ms，都可以滿足在線檢測速度要求。

5 結(jié)語

在人工智能和“工業(yè)4.0”時代的技術(shù)碰撞中，生產(chǎn)力的大幅度提升主要表現(xiàn)在生產(chǎn)效率和產(chǎn)品質(zhì)量方面。機器視覺智能檢測技術(shù)發(fā)揮著極其關(guān)鍵的作用，在該技術(shù)中，高質(zhì)量的視覺圖像可借助待測物體的成像獲得，發(fā)揮出人類的視覺功能。利用圖像處理算法提取與識別相關(guān)特征，有助于更精準地獲取特征信息中物體的表面形貌、生產(chǎn)瑕疵、姿態(tài)信息等，進而達到檢測目標，發(fā)揮出人類大腦功能并且具備非接觸、無損傷、準確性高、連續(xù)工作時間長以及高效率等優(yōu)勢。該技術(shù)在精密光學表面缺陷分析、物體自動定位引導、自動裝配等諸多方面具備廣闊的應用前景。