基于拓扑滤波与改进Canny算子的锂离子电池电极缺陷检测

孙浩然，李雅雯，韩有军，胡跃明

（1华南理工大学自动化科学与工程学院；2精密电子制造装备教育部工程研究中心/广东省高端芯片智能封测装备工程实验室，广东 广州 510640）

在需要大容量储能设备的应用环境中锂离子电池展现出了巨大的价值，其被广泛应用在新能源汽车、电子通信、航空航天等领域[1]。如何保证锂离子电池的安全性已经成为了工业界与学术界较为关注的课题[2]。电极作为锂离子电池的关键组成部分，直接影响锂离子电池的性能、使用寿命和安全性[3]。因此，锂离子电池电极缺陷检测是保障产品可靠性的关键。电极的生产环境复杂，缺陷形态多变且对比度微小，亟待准确、高效、高速的电极外观缺陷检测算法。

随着视觉检测技术的发展，越来越多的学者将研究方向聚焦在缺陷检测方面。Li 等[4]提出了一种基于机器视觉的电池表面缺陷检测算法，基于传统Canny算子对划痕缺陷进行检测，但该算法未对其他类型的缺陷检测进行研究；Xu等[5]将传统Canny算子与特征融合及支持向量机算法结合起来，可有效检测锂离子电池电极表面的多种缺陷，但该算法需人为选取Canny算子的高低阈值，缺陷检测的鲁棒性较差；Lu 等[6]对传统Canny 算子进行了改进，增加了45°和135°的梯度模板并通过迭代的方式来确定最佳的高低阈值，但该算法难以满足低对比度且背景细小、纹理较多的电极缺陷检测需求。黄梦涛等[7]提出了一种基于Otsu和最大熵算法确定高低阈值的改进Canny算子，缺陷识别可以达到较高的准确率，但该算法对于划痕缺陷的识别精度较低。

针对上述算法出现的检测问题，本文提出了一种基于拓扑学滤波与改进Canny算子的锂离子电池电极缺陷检测算法，该方法先通过拓扑滤波，在突出边缘细节的同时去除背景的无关信息，并通过灰度变换矫正图像整体灰度值，增强缺陷区域的对比度，然后通过改进Canny算子自适应提取缺陷，对于其他算法处理效果较差的划痕缺陷也有着较高的识别精度。

1 系统设计

电极的光学采集系统如图1所示。通过传送带上下的两个2 K分辨率的线阵相机扫描电极，将采集好的图像送入计算机中，进行图像处理与缺陷检测。选取线性光源尽最大可能保证光照均匀，但极耳金属部分的反光增加了图像光照不均的可能性。由于光学采集系统是在开放区域完成的，受到灰尘、光照等周边环境因素的影响，再加上电极本身的细小纹理特征，为缺陷检测增添了很大的难度。

图1 光学采集系统Fig.1 Optical Collection System

采集到的电极图像如图2所示。电极图像整体色彩单一，缺陷部分存在着明显的亮度变化，其中划痕缺陷和漏金属缺陷较为明亮，而孔洞缺陷相对较暗。因此基于HSV 亮度空间将图像中的V 分量(明度)提取出来进行后续的图像处理操作，更易于缺陷的提取。

图2 电极图像Fig.2 lmages of the electrode of(a)scratch defect;(b)Hole defect;(c)Leak metal defect

提取出待测图像的V分量后，将拓扑学相关原理引入滤波模板的设计，对图像进行降噪处理。为矫正图像灰度分布增强图像对比度，对图像进行线性灰度变换。通过本文提出的改进Canny算子，提取缺陷轮廓，并依据3种缺陷的特征，对缺陷进行识别分类。缺陷检测算法的整体流程如图3所示。

图3 电极缺陷检测流程Fig.3 Electrode defect inspection process

2 图像预处理

2.1 图像降噪：拓扑滤波

锂离子电池电极的制作工艺复杂，其表面存在涂覆工艺产生的细小纹理。此外采集图像的过程中受周边环境因素的影响均会对后续的缺陷提取造成干扰。为取得更好的滤波效果，本文将拓扑学概念引入到滤波模板的设计中。

拓扑滤波结合邻域闭曲线概念，以像素点到滤波模板中心点的距离作为计算影响因素的原则。选取滤波模板中心像素点，判断其邻域中符合若尔当曲线定理的简单闭曲线，该曲线经过的4个正交方向像素点为滤波模板处理过程中需要计算的像素点[8]。

为区分滤波模板的中心像素点与其邻域像素点的重要性，将其依据距离赋予不同的权值。将模板内像素权重之和归一化处理，即滤波模板中心像素点的权重赋予0.5，邻域闭曲线经过的4 个像素点共享剩余权重且各个权重相等。对角线像素点因距模板中心点较远，因此忽略其对中心像素点的影响。滤波模板K如下所示，滤波处理后模板中心点的灰度值由式(1)可得：

2.2 图像增强：灰度矫正

电极图像提取V分量后整体灰度值较高且缺陷对比度较低，不利于后续处理。因此通过线性灰度变换将待测电极的灰度值矫正在灰度级中值处，同时增强缺陷特征[9]。设提取V分量后的图像为l(x，y)，灰度矫正后的图像为lz(x，y)，公式如下所示。

kZ为图像变换的斜率，k0为对图像整体的偏置值。其中0＜lz(x，y)＜255。如果kZ的绝对值大于1，则图像的对比度增强，明暗差别增大；如果kZ＜0，则图像灰度值低的地方变高，高的地方变低。若l(x，y)的平均灰度值大小为m，为使矫正后的lz(x，y)在增加对比度的同时，平均灰度级保持在中值，选取kZ为1.6，偏置值k0为150-1.6m。变换前后的灰度直方图如图4(a)所示，通过观察，灰度矫正前图像灰度级集中分布在150～200，灰度区间比较窄，图像整体的灰度值过高，不利于缺陷的识别。灰度矫正后灰度区间得到拉伸，对后续的边缘检测更加有利。实验结果如图4(b)所示。

图4 灰度矫正实验结果Fig.4 Experiment results of(a)grayscale histogram before and after correction;(b)Experimental results before and after correction

通过观察灰度直方图和实验结果，易发现矫正后图像亮度适中，缺陷和背景区域的对比度明显增强，边缘细节更加突出，说明该方法可以达到较好的处理效果。

3 改进Canny算子的边缘检测方法

3.1 传统Canny算子

边缘提取是通过差分运算计算图像的梯度，捕捉图像中的高频轮廓信息。由于二阶微分算子对图像中的纹理结构和噪声较为敏感，而待测电极图像表面存在许多细小纹理，故选用一阶微分算子。相对于其他一阶微分算子，Canny算子[10]具有更好的信噪比和检测精度，其优点主要体现在以下三方面[11]：①边缘标定的准确率高；②边缘定位精确；③边缘点不会重复标定。

3.2 改进Canny算子

对于锂离子电池电极图像的缺陷检测问题，传统Canny算子难以达到理想的效果，因此对其进行改进，采用双边滤波替换原有的高斯滤波，克服了高斯模糊的问题；引入多尺度细节增强算法，改善光照不均的同时增强图像细节信息；采用4 方向Sobel 算子尽可能多地获取边缘信息；引入最大熵算法自适应确定高低阈值；对提取出的轮廓图像进行形态学闭运算，进一步改善轮廓的完整性与连续性，最终得到锂离子电池电极缺陷提取的结果。流程图如图5所示。

图5 改进Canny算子流程图Fig.5 lmproved Canny operator flow chart

3.2.1 双边滤波

双边滤波在去除噪声点的同时，可以最大程度地保持图像边缘细节。双边滤波采用基于高斯分布的加权平均方法，计算中心像素点时加入空间域的空间权重和像素范围域的相似权重[12]。

定义空间权重为wd，该值由像素位置间的欧氏距离决定，如公式(4)所示：

模板窗口的中心像素点为q(k，l)，模板窗口的其他坐标系数为q(i，j)，σd为高斯函数的标准差。相似权重定义为wr，该值是由像素之间的灰度差值决定的，如公式(5)所示：

l(i，j)为模板其他像素点在图像中相对应位置的灰度值，l(k，l)为模板中心像素点在图像中相对应位置的灰度值，σr为高斯函数的标准差。

空间权重和相似权重的值皆在[0，1]之间。双边滤波的权重值w为二者相乘。双边滤波前的图像为l(i，j)，滤波后的图像为lSB(i，j)，如公式(6)所示：

对于图像的背景区域，灰度值变化较小，较为平坦，wr趋于1，wd在双边滤波中起主导作用，此时双边滤波相当于高斯模糊；对于图像的边缘区域，灰度值变化较大，此时wr变大，使得图像在滤波后保持了边缘信息。

3.2.2 多尺度细节增强

双边滤波降噪处理后，将细节增强算法引入Canny算子中，相较于其他的图像增强算法，多尺度细节增强[13]在增强图像细节特征的同时，解决了光照不均的问题，更适用于拍摄环境多变的电极图像。

多尺度细节增强算法主要分为以下3个步骤[14]：

①构建由大到小3个不同尺度的高斯核，和输入图像进行卷积运算，得到三张由不同高斯核平滑处理的图像；

②对高斯平滑后的图像进行差分计算，将两个相邻尺度的高斯模糊图像进行差分，提取3个不同的细节层；

③3 个不同的细节层融合后得到总细节层，将其与原图像相加可得多尺度细节增强后的图像。

3.2.3 改进Sobel算子

传统的Sobel 算子在2×2 邻域大小内计算梯度幅值，但是准确度较低，抗干扰能力较差，因此提出基于城市距离3×3 邻域大小的Sobel 算子。为获取更多的边缘信息，考虑了0°、45°、90°以及135°这4 个方向[15]，分别给出梯度模板，如式(8)所示。

设g0、g45、g90和g135分别为与相应梯度模板计算后的灰度值，设ID(x,y)表示多尺度增强后的模板中心点的灰度值。其公式如下所示：

将四个方向的边缘检测灰度值分别合成到水平方向和垂直方向，相应的梯度幅值分别记为gx和gy。为保证改进Sobel 算子的抗干扰性，对各个方向的权值进行归一化处理，公式(10)如下：

设经改进Sobel 算子求得后的图像梯度幅值G(x,y)，梯度方向θ(x,y)，可由式(11)得到。

3.2.4 最大熵算法

传统的Canny算子对梯度幅值进行非极大值抑制处理后，通过用户设定的高低阈值提取并连接边缘点，考虑到本文1.2 节所述的灰度矫正，引入最大熵算法实现自适应获取高低阈值。最大熵算法[16]主要分为以下三个步骤：统计图像像素点的灰度值分布；计算图像的总体熵；计算图像分割的最优门限值。

设图像的灰度级为{0，1，…，L-1}，pi是灰度值等于i的像素点在图像中分布的概率。对于某一未知的分割阈值t，可将图像内的像素点分成灰度值在{0，1，…，t}和{t+1，t+2，…，L-1}两个部分，分别记为A、B。这两部分的信息熵由式(12)求得。

两区域信息熵之和为阈值t下图像的总熵值，记为φ。求解令φ取最大值时的阈值t＊，该值就是基于最大熵法的最优门限值。设t＊为低阈值，4＊t＊为高阈值。

3.2.5 边缘判定与形态学

最大熵算法确定高低阈值后，灰度值高于高阈值的像素点被判定为边缘点；灰度值低于低阈值的像素点被判定为非边缘点；而灰度值介于高低阈值之间的像素点，若其出现在已被判为边缘点的邻域内，判定为边缘像素点，否则判定为非边缘像素点。

完成边缘像素的判定后，为改善边缘轮廓的完整性与连续性，对其进行形态学闭运算处理。

4 实验结果分析

本文在Windows10 系统环境下运行，基于Visual Studio 2019 的集成开发环境和OpenCV 机器视觉库来实现代码。

为验证本文提出的检测算法具有更好的性能，进行了几组实验。第一组实验通过和其他几种常见滤波算法对比，验证双边滤波的性能；第二组实验通过将本文提出的改进Canny算子和其他常用边缘检测算子对比，验证了改进Canny算子的优越性；第三组实验通过缺陷检测结果验证了本文检测算法的准确性与高效性。

4.1 滤波算法结果分析

划痕缺陷、孔洞缺陷以及漏金属缺陷经均值滤波、高斯滤波、中值滤波以及双边滤波处理后的实验结果分别如图6所示。高斯滤波和均值滤波对图像的降噪效果较好，但边缘细节被模糊；中值滤波和双边滤波可以更好地保留图像的细节信息，其中双边滤波的降噪效果更佳。

图6 各个滤波处理结果Fig.6 Each filter processing results

为更客观地分析各个滤波算法应用在电极图像上的效果，对比降噪能力、失真效果以及稳定性，引入峰值信噪比(PSNR)的概念。将均值1.5 方差0.01的高斯噪声加入待测电极图像，将各个滤波的处理结果与原图像运算，得到PSNR。从数据集中选取N张图像，通过如下公式计算出峰值信噪比的平均值PSNRave和标准偏差PSNRv。PSNRave越大代表图像的降噪性能越好，失真越小，PSNRv越小代表该算法越稳定。N取值50。

MSE 为均方差，m和n为图像长宽的像素大小，I为滤波处理后的图像，K为原图像，PSNRi为N张待测电极图像中的第i张。各个算法计算结果如表1 所示。双边滤波的平均峰值信噪比最大，峰值信噪比标准差较小，说明双边滤波算法降噪效果好且相对比较稳定。因此，双边滤波的性能最为优越，不但能有效滤除背景的无关噪声，同时更好地保持图像的边缘信息。

表1 PSNR评价滤波算法Table 1 PSNR evaluation filtering algorithm

4.2 改进Canny算子检测结果及分析

为进一步验证改进边缘检测算子的优越性，实验中将其与传统Canny算子、基于改进Sobel算子的Canny 算法以及改进Sobel 的Otsu-Canny 算法进行对比。将传统Canny 和改进Sobel 算子的Canny 算 法 的 高 低 阈 值 皆 设 为(50，130)，3 种Canny的高斯卷积核大小皆取值为3，得到的处理结果如图7所示。

图7 各个Canny算子实验结果对比Fig.7 Comparison of experimental results of various Canny operators

传统的Canny 算子因需人工设置高低分割阈值，对每种缺陷的检测效果都不理想；改进Sobel的Canny算子缺陷检测效果有了明显的改善，但边缘定位不够精确，受到背景噪声影响较大；改进Sobel 的Otsu-Canny 算子和以上两种算法比较，其抗干扰能力显著增强，但缺陷边缘细节信息损失太多，无法得到完整连续的缺陷轮廓图像。本文提出的改进Canny算子不但能够得到更为完整连续的缺陷边缘，且对背景噪声的抑制能力更强，轮廓的提取更为精确，相比于其他算子具有更优越的边缘检测性能。

4.3 最终检测结果分析

接下来的实验对改进Canny算子的检测性能进行验证，将锂离子电池电极划痕、孔洞、漏金属3 种缺陷类型的各900 张图像样本，用上述四种算法进行测试，结果如下表2所示。传统Canny算子较其他3 种算法检测准确率偏低；改进Sobel 的Canny 算子缺陷检测准确率显著高于传统Canny，但还是难以达到实际生产需求；改进Sobel的Otsu-Canny算子检测效果较前两种算子有所提升，但细节损失较为严重，导致划痕与孔洞缺陷的检测效果不佳。本文的改进Canny算子对3种缺陷均有良好的识别效果，平均准确率达98.18%，对于其他算子难以处理的划痕缺陷的检测准确率也高达97.11%。

表2 四种不同算法对电极的缺陷检测结果Table 2 Defect detection results of electrodes by four different algorithms

基于拓扑学滤波与改进Canny算子的锂离子电池电极缺陷检测算法的缺陷检测效果如图8所示。本文算法对锂离子电池电极生产过程中可能产生的孔洞、划痕、漏金属3种常见的缺陷均有良好的识别效果，提取的缺陷轮廓边缘完整且精确，对背景噪声与虚假边缘的抑制效果良好。3种缺陷样本中，孔洞缺陷与漏金属缺陷的形状近似圆形，在缺陷面积一定的情况下轮廓较短，识别精度更高；划痕缺陷呈线形，轮廓细长，其长宽和深度多变，缺陷边缘存在碳粉沉积，检测精度略低于上述两种缺陷，具有提高空间。

图8 3种缺陷的最终检测与标定结果Fig.8 Final inspection and calibration results for three defects(a)hole defect;(b)Scratch defect;(c)Leak metal defect

5 结 论

本文针对锂离子电池生产工艺中易出现的划痕、漏金属、孔洞三种常见的缺陷，提出了一种基于拓扑学滤波与改进Canny算子的锂离子电池电极缺陷检测算法，经实验验证，得到的结论如下：

（1）基于拓扑学原理的滤波模板可以很好地抑制电极图像的背景噪声，灰度变换可以增强图像的对比度，矫正图像整体灰度值。

（2）改进Canny算子对输入图像进行了双边滤波，降低图像噪声的同时最大程度地保留了缺陷的边缘信息。通过验证，双边滤波的降噪能力与稳定性均优于其他滤波算法。

（3）多尺度细节增强算法对图像边缘细节信息增强的同时均匀光照，有着较好的性能。

（4）4 方向Sobel 算子可以获取更多的缺陷边缘信息，尤其对于划痕缺陷，有更好的处理结果。

（5）最大熵算法实现了根据输入图像的灰度值分布自适应确定高低阈值，解决了传统Canny边缘检测算子因各类缺陷对比度存在差异从而难以识别的问题。

由3类缺陷的检测结果可见，本文提出的算法可以良好地检测出全部的缺陷类型，提取得到的缺陷边缘精确完整，平均检测准确率可达98.18%，可较好地满足实际生产过程中锂离子电池电极缺陷检测的精度需求。3种缺陷类型中，划痕缺陷的检测精度与准确率略低，在后续的研究中有待进一步改进完善。