基于机器视觉的锂电池正负极冗余度缺陷检测

陈家智，吴永明

(广东工业大学机电工程学院，广州 510006)

0 引言

在锂电池充电过程中，锂离子会从电池的正极往负极移动，当负极没有足够的能力容纳全部正极过来的锂离子时，就会出现析锂现象[1]。析出的锂离子慢慢形成了会刺穿隔膜的锂枝晶，导致电池内部短路，引起热失控，严重时可能会引起爆炸等重大事故[2]。为了防止锂枝晶的出现，要求锂电池的负极比正极有一定长度的冗余，并且电极要排列整齐，不能出现较大程度的弯曲和变形。锂电池的制造工艺是影响电池性能的主要因素。制造锂电池的工艺流程主要有以下几道工序：混料、涂布、干燥、辊压、卷绕或叠片、注液、封口、化成和成型等[3]。在卷绕或叠片的过程中，电池正负极片的相对位置会产生一定波动，使正负极片的边界距离发生变化，可能会有负极冗余度过大或无冗余度等质量问题的发生[4]。

近年来，机器视觉技术已被大量运用到工业检测当中，在锂电池负极片冗余区域的缺陷检测方面也有一些研究成果和应用。周佳禾等[5]提出了一种以卷积神经网络(CNN)为核心的锂电池电极缺陷检测算法，构建轻量级的CNN来提取图像的相关特征信息，并使用支持向量机(SVM)得出最终的预测结果，检测的准确性较高，但算法只识别出了有无褶皱缺陷。王东昆等[6]运用图像识别技术检测锂电池的正负极距离，通过灰度拉伸、阈值分割、角点检测等技术处理后，计算得出电池的正负极覆盖率，但该算法需要从多方向进行图像采样，较为耗工耗时。葛春平等[7]提出了一种叠片式锂电池的射线检测算法，算法重点描述了对叠片电池的射线影像分析，但算法的抗干扰性略微不足。

针对上述情况，本文提出一种锂电池正负极冗余度缺陷检测算法，先采用多种图像处理技术提取出冗余区域，再利用LSD(Line Segment Detector)直线检测技术寻找目标冗余量线段，最后运用SVM进行分类，得到检测结果。实验结果表明，相对于文献[6]中算法，本文算法操作更为简洁，只需单方向取样检测，减少了一些不必要的采样和检测时间；相对于文献[5]和文献[7]中算法，本文算法会精确检测每一段冗余度数值，更能准确显示各部位实际的质量状况。

1 锂电池正负极冗余度缺陷检测

实验图像均通过X射线检查机采集，图像会因相机的配置、外界的震动、光管的衰减以及中间的多级传输和处理等造成质量受损。因此，需要先提升图像质量，排除非目标部位与干扰项，再进行目标检测。锂电池正负极冗余度缺陷检测算法流程如图1所示。

图1 锂电池正负极冗余度检测算法流程

图像预处理阶段，对X射线原始图像进行感兴趣区域提取后，在频域上进行图像降噪，得到预处理后图像。

冗余区域提取阶段，对预处理后的图像进行图像分割，把电池的正负极区域分离开，得到冗余区域图像。

冗余度检测阶段，先在冗余区域图像中寻找出电池正负极片端点，再根据端点确定目标冗余线段，最后得出冗余度数值。

分类器设计阶段，通过提取得到的特征信息，进行分类器的设计。

1.1 图像预处理

为减少不必要的图像处理时间，先要进行ROI的提取，如图2a所示，再把图像转化为便于后续处理的灰度图像。

一般的图像去噪多在空域上进行，通过灰度图像与均值滤波、中值滤波、高斯滤波等做卷积操作，得到平滑图像，减少噪声干扰。由于所获取X射线图像的噪声不以椒盐噪声为主，而频域上的图像去噪对非椒盐噪声往往会有更好的效果[8]，故采取在频域上的去噪方式。

常用的频域低通滤波器有巴特沃斯低通滤波器(BLPF)和高斯低通滤波器(GLPF)两种[9]。本实验选取了BLPF对图像进行频域去噪。巴特沃斯低通滤波器如公式1所示。其中， (u,v)为点坐标，D(u,v)为点(u,v)到中心点的距离，D0为截止距离，n为滤波器的阶数。经BLPF去噪后的图像如图2b所示。

(1)

(a) ROI图像 (b) 去噪后图像图2 去噪前后对比图

1.2 冗余区域提取

电池正负极的粘连状况对冗余线段的提取有很大的干扰，需要先把正负极区域分割开，得到冗余区域。本阶段总共有4步操作：①边缘检测；②区域填充；③提取正极区域；④提取冗余区域。

(1) 边缘检测

电池极片图像的信息重点是极片边缘的线段特征，为了增强图像的细节部分，需要对图像进行边缘检测。边缘检测常用的滤波算子有Laplacian算子、Sobel算子和Prewitt算子[10]。Laplacian算子是最简单的各向同性二阶微分线性算子，具有旋转不变性[11]。本实验图像经Laplacian算子(图3)处理后得到了很好的锐化效果。

图3 Laplacian算子模板

具有45°的旋转不变性。图像经过Laplacian算子锐化后效果如图4a所示。

(2) 区域填充

图像经过边缘检测之后，电池极片区域已被初步分割成两部分。由于这两部分内部并不连通，无法直接找到区域轮廓，所以需要对区域进行填充操作。区域填充将采用形态学操作进行处理，经多次形态学操作之后，两区域都得到了很好的填充，区域轮廓连续，且两部分也不存在粘连现象。填充后的图像如图4b所示。

(3) 提取正极区域

观察图4b可以发现，经形态学操作后，冗余区域轮廓对比原图会有较大的缺失现象，而正极区域轮廓却变化不大。因此，为提取冗余区域，需要先对正极区域进行提取。提取正极区域，需要用到轮廓检测技术，经轮廓检测后提取到的正极区域如图4c白色部分所示。

(4) 提取冗余区域

得到正极区域图像后，将正极区域图像与降噪后的ROI图像进行叠加操作，得到冗余区域图像。如图4d所示，冗余区域已被很好地提取出来，排除了来自正极区域的干扰。

(a) 锐化后图像 (b) 填充后图像

(c) 正极区域 (d) 冗余区域图4 冗余区域提取过程

1.3 冗余度检测

目标冗余线段是一些横向的线段，需要通过横向的空域滤波算子对图像进行过滤操作来获取。如图5a所示，冗余区域图像经过空域滤波算子过滤后，得到初步的横向线段图像。图像中仍保留许多非目标的细短线段，为了排除这些干扰，需使用形态学操作，利用腐蚀操作去除干扰线段，图5b为去除干扰线段后的图像。排除干扰后，通过目测已可以观察到所需的冗余线段。

(a) 初步横向线段 (b) 去除干扰后横向线段图5 横向线段图

为提取目标线段信息，需要使用直线检测技术。常用的直线检测方法有霍夫变换直线检测法[12]和LSD直线检测法[13]两种，本文算法采用检测速度更快的后者。经过LSD直线检测后，检测出了图中有m根线段，如图6所示，m是大于目标数量的。原因在于LSD将线段较粗的部分判断成一些线段相交的部分，导致线段的检测数量增多。为了解决这个问题，需要先找出正负极片端点，再根据端点得出目标冗余线段。

图6 LSD检测结果

通过LSD，从图6中获取了m根线段、2m个端点，目标端点在这2m个点当中。第1步，对这2m个点按纵坐标从小到大进行排序。第2步，对2m个点进行分组，把它们分成与目标线段数量相符。在正常情况下，同层端点的纵坐标差值会很小，不同层端点的纵坐标差值会略大。因此，把纵坐标之差小的点划分为一组。第3步，找出每组点中横坐标最小和最大的点，这些点即为目标正负极片的端点(图7a)，将同组极片端点连接起来，得到目标冗余线段(图7b)。最后，通过每组正负极片端点的坐标即可计算出每条冗余线段的长度(即冗余度)。

(a) 正负极片端点 (b) 目标冗余线段图7 冗余线段提取

1.4 分类器设计

根据获取的冗余线段，提取线段的长度特征和角度特征，再进行分类器的设计，实现对锂电池质量的快速准确判断。

1.4.1 特征提取

对于长度特征，需要提取的是最大冗余长度lmax和最小冗余长度lmin。设冗余线段共有n条，第i(i∈[1,n])条冗余线段的左右端点坐标分别为(xi1,yi1)、(xi2,yi2)，冗余长度为li，则：

(2)

lmax=max{li}

(3)

lmin=min{li}

(4)

对于角度特征，需要提取的是最大弯折角度amax和角度标准差astdev。设第i(i∈[1,n])条冗余线段与水平线的夹角为ai，平均角度为amean，则：

amax=max{ai}

(5)

(6)

(7)

每次检测都会计算lmax、lmin、amax、astdev这四个特征信息，并将它们组成一个特征向量，特征向量为：

featvec=[lmax,lmin,amax,astdev]

(8)

1.4.2 分类器选择

常用的分类器有逻辑回归、朴素贝叶斯、决策树、支持向量机和集成模型等。对于简单的二分类问题，SVM往往更加高效准确。因此，本实验选取了SVM作为分类器。

2 实验结果及分析

本实验在电脑(Intel(R)Core(TM)i5-8250U CPU@1.60GHz 1.80GHz，8G运存，Windows10-64bit)环境下运行，代码使用Visual Studio 2017集成开发环境和OpenCV 3.4.5计算机视觉库实现。

本实验采集的锂电池X射线图像的层数为12层，原始图像大小为1000×1000，ROI图像大小为320×320。图像样本总量为139个，检测结果如表1所示，良品检测结果图与次品检测结果图如图8、图9所示。

表1 实验结果

续表

图8 良品检测结果 图9 次品检测结果

图像符合检测要求的数量为134个，图像检测出异常的数量为5个。图像检测出异常主要有以下两个原因：①电池摆放不正，出现过大的位置偏离，在ROI图像提取的时候无法准确提取到目标部位；②在图像采集的时候，有外界异物进入，遮挡了部分目标部位，改变了目标图像原本的主要结构。检测出异常的产品需要重新采样再检测。

在符合检测要求的图像中，被正确检测的数量为132个，被错误检测的数量为2个。对于被错误检测的情况，主要是因为在过滤干扰项的时候，把一些原本就短的目标线段也一并完全腐蚀掉，导致后续的直线检测检测不到线段，实为良品最后却被检测鉴定为次品。

整体检测时长基本稳定在670～790 ms之间，平均检测时长721 ms。普通锂电池生产线每分钟产出数(PPM)一般为30～35个，约2 s生产一个锂电池产品，因此，算法满足双角模式的在线检测需求。

3 结论

针对锂电池正负极冗余度缺陷的特点，基于机器视觉技术，提出了一种锂电池正负极冗余度缺陷在线检测算法。算法通过频域和空域相结合的方式进行图像处理，间接提取出完整的冗余区域，利用正负极片端点确定目标冗余线段，再使用SVM进行分类操作。实验结果显示，该算法的准确率达98.5%，检测时长稳定在670 ms到790 ms之间，平均运行时间为721 ms。实验表明，该算法具有准确度高、稳定性好、运行速度快等优点，符合工业检测上的应用需求，有望运用在实际的锂电池质量检测当中。