贫液电池整理装置的视觉检测系统研究

李一柯，张 荣，刘复兴，杨金堂

（1.冶金装备及其控制教育部重点实验室（武汉科技大学），湖北 武汉 430081；2.机械传动与制造工程湖北省重点实验室（武汉科技大学），湖北 武汉 430081；3.武汉东湖学院机电工程学院，湖北 武汉 430212；4.宝武集团鄂城钢铁有限公司炼钢厂，湖北 鄂州 436099）

1 引言

铅酸蓄电池是世界各类电池中消耗最大的一种，其中的铅金属如果不回收将会造成金属资源的浪费以及环境污染，在不污染环境的情况下，高效地拆解和回收贫液电池十分重要。目前，国内外对废旧贫液电池大多采用“先混后分”的预处理方式［1-3］，会增大电池拆解回收工艺的难度。根据电池拆解工艺要求，需要将随机状态下的贫液电池整理为稳定待切状态。目前国内外仍采用人工搬运来实现电池的整理，但是蓄电池硫酸液和重金属铅会对人体造成极大危害，且成本高、效率低。国内外在自动化整理工艺领域，却鲜有研究。文献［4］设计了蓄电池翻转上线机构，通过ADAMS联合优化进行了优化设计，但是该机构只能完成电池单向翻转180°，无法调整随机状态下的贫液电池。文献［5］提出一种视觉检测干电池的方法，通过图像分割法实现电池组分的图像分割，再利用最小二乘拟合完成尺寸检测，但干电池组分近似圆，所以不适用于贫液电池的尺寸检测。

为满足废旧贫液电池智能化拆解工艺的要求，提供了一种适用于电池切割流水线之前的视觉整理上线装置的设计，先通过梯度投影法结合最小外接矩形、霍夫变换结合滤除算法对预处理后的图像分别实现尺寸测量和极柱面识别，进而完成对贫液电池状态的判断，然后基于视觉检测信息，整理上线装置将随机状态下的电池整理为稳定待切状态，进行后续拆解工艺。

2 整理上线装置及其工艺研究

根据前文。现设计一种绿色高效的整理上线装置及视觉检测系统，提高贫液电池的拆解回收效率。

简化机架后的模型，如图1所示。

该装置包括：控制系统、视觉识别测量系统及上线整理系统。其具体工序为：

（1）将电池放置在三步进平台上，三步进平台输送电池到一号工位；

（2）在一号工位，推动装置将电池推送至平齐位置；

（3）三步进平台将电池输送到二号工位，视觉检测系统检测电池的尺寸信息并反馈给控制系统，之后将电池推送到三号工位；

（4）视觉检测系统检测电池的极柱位置并反馈给控制系统，之后Z向整理部件向下伸出对电池进行位置调整；

（5）完成Z向的位置调整后，电池被输送到四号工位进行Y向的位置调整；

（6）完成Y向的位置调整后，电池被输送到五号工位进行X向的位置调整。三向整理部件执行动作，如表1所示。

表1 电池整理工序Tab.1 Battery Finishing Process

该状态下L为三个尺寸中最长，且极柱面朝向X轴正方向，该状态为稳定待切状态，如图2所示。

图2 稳定待切状态Fig.2 Stable and Waiting State

3 视觉检测硬件系统构建

3.1 视觉检测流程

通过视觉相机测量电池尺寸以及极柱信息判断出电池的随机状态，将结果反馈给控制系统，方便后续贫液电池整理工艺的进行，具体检测流程，如图3所示。

图3 视觉检测流程图Fig.3 Flow Chart of Visual Inspection

3.2 相机成像设置

（1）视野范围：贫液电池最大尺寸为（520×277×249）mm，所以规定相机视野为（700×700）mm较为合适。

（2）硬件选型：提高图像分析质量，视觉检测系统硬件选型，如表2所示。

4 视觉检测算法

视觉检测的目的是完成贫液电池的尺寸检测和极柱面识别以判断电池的规格和状态信息。在此基础上，采取尺寸检测和极柱面识别的并行化算法，通过提升程序的运行速度以提高整体工艺效率，其算法流程，如图4所示。

图4 视觉检测算法Fig.4 Visual Inspection Algorithm

视觉检测分为：预处理、一阶微分锐化、尺寸检测和极柱面识别。采用高斯滤波和灰度化的方法对图像进行预处理，用于减小外部干扰，简化计算；一阶微分锐化可提取图像特征，通过计算梯度幅值加强图像的边缘轮廓；根据前文整理工艺，为完成电池的装夹定位，需检测其规格尺寸，通过Sobel算子对图像进行卷积运算得到梯度图，最后采取梯度投影法寻找边缘峰值和最小外接矩形拟合，完成贫液电池的尺寸检测；通过对极柱面的识别来完成电池状态的判断，基于电池极柱近似圆，首先采用Hough变换并定义圆率参数筛选出符合条件的特征域，然后通过滤除算法滤除掉伪极柱，就能识别极柱面。

4.1 图像预处理

图像预处理非常重要，工业相机在采集图像的过程中会因为环境或传感器的原因产生噪声，出现一些非真实的像素值，这些噪声会对后续图片处理造成很大干扰。

（1）高斯滤波去噪：高斯滤波利用对图像加权平均的灰度值代替像素点灰度值的方式，能有效抑制噪声，是一种线性平滑滤波方法，公式如下：

（2）灰度化：视觉相机采集的图像均为RGB彩色图像，导致图像处理的难度很大。通过每个像素点的RGB值统一，简化计算，便于后续图像处理，如式（2）所示。

4.2 一阶微分锐化

图像平滑通常会使图像中待测物的边界、轮廓变得模糊，为减少这类不利影响，需要采取锐化。一阶微分锐化通过微分计算梯度幅值，加强图像边缘细节，清晰提取出图像的特征信息。函数g（x，y）在任意位置（x，y）处的梯度为：

M（x，y）是由g中的所有像素位置变化产生的，亦称为梯度图像，可清晰反应出图像特征，如图5（b）所示。

图5 一阶微分锐化Fig.5 First-Order Differential Sharpening

4.3 尺寸检测

目前，国内外研究学者大多采用边缘检测的方式实现尺寸测量，现以3种常用的边缘检测算法提取贫液电池的特征效果图进行比较，验证其是否可用于贫液电池的尺寸测量，如图6所示。

图6 边缘检测对比Fig.6 Comparison of Edge Detection

如图6所示，各图像均有边缘缺失，检测效果较差。现采取梯度投影法，根据投影曲线峰值来判断边缘位置。

（1）梯度投影：待测目标和背景的灰度值差异，会造成梯度投影曲线发生明显阶跃变化。方向投影Hφ的梯度为：

梯度投影曲线上存在峰值，且峰值位置对应待测目标边缘，峰值间的距离即为待测目标尺寸，如图7所示。

图7 梯度投影差分Fig.7 Gradient Projection Difference

（2）最小外接矩形拟合：贫液电池外形近似矩形，因此拟合出贫液电池的最小外接矩形的尺寸即为所求，如图8（a）所示。根据系统事先测量标准件得出的标定系数实现检测像素值与实际值的转换，就能得到贫液电池的长宽尺寸。

图8 尺寸检测和极柱识别Fig.8 Dimension Detection and Pole Identification

4.4 极柱识别

结合霍夫变换和伪极柱滤除算法实现贫液电池极柱面识别。

（1）霍夫变换：将图像上待测目标的任意边界点（x，y）转换到参数空间上作为圆心（a，b），以半径r画圆，参数空间中的坐标元素进行累加统计，寻找统计单元的峰值，即得到图像圆心，方程如下：

点（a，b）的方程为：

设置检测圆的半径r范围［R1，R2］，将边界点（x，y）映射到参数空间，得到统计单元T，统计单元的数值越大就代表圆心（a，b），半径r的圆存在的可能性越大。根据贫液电池型号以及极柱信息，设置［R1，R2］为［4，100］。设定统计单元值t大于100时，即为极柱，如图8（b）所示。

（2）滤除伪极柱：待测圆上边界点的角度θ标准差为：

通过比较统计单元值t（a，b，r）与标准差σ的大小可判别伪极柱。当σ大于t（a，b，r）时，是伪极柱；当σ小于t（a，b，r）时，则为极柱，滤除结果，如图8（c）所示。

5 实验验证

实验给出六组贫液电池的视觉检测结果，如图9所示。该设计可清晰检测出贫液电池尺寸以及识别极柱。

图9 实验结果Fig.9 Experimental Results

由表3可知，贫液电池的尺寸越大，检测的精度越高。图像中的像素值越高，检测边缘越清晰，精度就越高。其中检测误差不超过1mm，极柱面识别率较高，满足电池整理部件的精度标准，且平均每个电池的检测时间均在1s内，满足贫液电池单一化整理工艺的生产需要。

表3 视觉检测结果Tab.3 Results of Visual Inspection

为检验贫液电池整理上线装置设计的可行性，对其进行样机制作和实验，如图10所示。

图10 电池整理上线装置Fig.10 Battery Arrangement and Online Device

经样机实验，该设计能满足随机状态下贫液电池的状态调整上线的要求。

6 结语

（1）针对贫液电池流水线切割之前的整理上线工艺进行研究，采取视觉检测的方法获取电池状态信息，然后利用整理上线装置，将贫液电池整理为稳定待切状态。该研究能够有效解决贫液电池的单一化整理上线问题。

（2）运用Sobel算子对图像卷积运算得到梯度图，并采取梯度投影法求出边缘位置结合最小外接矩形、霍夫变换结合滤除算法对预处理后的图像分别实现尺寸测量和极柱面识别，进而完成对贫液电池状态的判断。

（3）实验结果表明，设计的视觉系统对贫液电池的尺寸检测误差不超过1mm，且极柱面识别率极高，平均检测时间在1s内，整理上线装置能根据视觉检测信息完成贫液电池的状态调整。