基于LO-RANSAC的锂电池极片表面痕类缺陷检测_姜宝超.pdf
《基于LO-RANSAC的锂电池极片表面痕类缺陷检测_姜宝超.pdf》由会员分享,可在线阅读,更多相关《基于LO-RANSAC的锂电池极片表面痕类缺陷检测_姜宝超.pdf(9页珍藏版)》请在咨信网上搜索。
1、第 12 卷 第 2 期2023 年 2 月Vol.12 No.2Feb.2023储能科学与技术Energy Storage Science and Technology基于LO-RANSAC的锂电池极片表面痕类缺陷检测姜宝超1,2,曾勇1,2,韩有军1,2,胡跃明1,2(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 510641)摘要:针对锂电池极片表面的痕类缺陷检测准确率低、误检率和漏检率高的问题,提出了一种基于局部最优化的随机抽样一致性(locally optimized random sample conse
2、nsus,LO-RANSAC)的痕类缺陷检测算法。首先,针对锂电池极片表面存在的椒盐噪声、大噪点多的问题,提出了一种改进的自适应中值滤波和基于连通域的滤波算法。其次,针对检测痕类缺陷准确率达不到预期以及误检率漏检率较高的问题,引入一种局部最优化的RANSAC算法。最后,给出了一种基于LO-RANSAC的痕类缺陷分类方法。实验结果表明:本文所提算法相较于标准RANSAC检测准确率提高了5.9%,相较于基于卷积神经网络算法准确率提高了15%,达到了98.2%;多种算法中本工作算法对于痕类缺陷的检测误检率和漏检率最低;平均检测速度较标准RANSAC算法提高了1.7倍,每秒钟检测的图片数量FPS(fr
3、ame per second)达到12.49。本工作算法具有较高的检测准确率、较低的误检率及漏检率,检测速度达到实时检测要求,因此可满足锂电池极片表面的痕类缺陷检测需求,解决了锂电池极片表面痕类缺陷自动检测难题。关键词:痕类缺陷;自适应中值滤波;RANSAC;缺陷检测doi:10.19799/ki.2095-4239.2022.0678 中图分类号:TP 391.41 文献标志码:A 文章编号:2095-4239(2023)02-593-09Scratch defect detection of lithium battery electrode based on LO-RANSAC algo
4、rithmJIANG Baochao1,2,ZENG Yong1,2,HAN Youjun1,2,HU Yueming1,2(1College of Automation Science and Engineering,South China University of Technology;2Enginering Research Center for Precision Electronic Manufacturing Equipment,Ministry of Education&Guangdong Provincial Engineering Laboratory for Advanc
5、ed Chip Intelligent Packaging Equipment,South China University of Technology,Guangzhou 510641,Guangdong,China)Abstract:An algorithm based on locally optimized RANSAC(locally optimized random sample consensus,LO-RANSAC)is recommended for the problems of low trace defect detection accuracy,high false
6、detection rate,and high missed detection rate of scratch defect detection on the surface of a lithium battery.First,in response to the problem of pepper noise,large noises that exist on the scratch defects of lithium batteries,a filtering algorithm based on improved adaptive median filtering and con
7、nected domains filtering is proposed.Secondly,to address the problems that the detection accuracy of detecting trace defects does not meet expectations and the false detection and missed detection rates are high,a locally optimized RANSAC algorithm is introduced.Finally,a scratch defect classificati
8、on based on the LO-储能测试与评价收稿日期:2022-11-16;修改稿日期:2022-11-21。基金项目:国家重大科技专项02专项(2014ZX02503)。第一作者:姜宝超(1998),男,硕士研究生,研究方向为图像处理和深度学习,E-mail:;通讯作者:曾勇,博士,研究方向为图像处理、模式识别和深度学习,E-mail:。2023 年第 12 卷储能科学与技术RANSAC algorithm is proposed.The experimental results demonstrate that when compared to the standard RANSA
9、C algorithm,the proposed algorithms average detection accuracy is increased by 5.9%,when compared to the convolution-based neural network algorithm is increased by more than 15%,reaching 98.2%.Among several algorithms,the algorithm achieves the lowest false positive and false negative rate for trace
10、 defects.The average detection speed is 1.7 times faster than the standard RANSAC algorithm,with an FPS(frame per second)of 12.49 images detected per second.The proposed algorithm has a high detection accuracy,a low false detection rate,and missed detection rate,and a detection speed that meets real
11、-time detection requirements,allowing it to meet the detection needs of trace defect on the surface of lithium battery pole pieces and solve the problem of automatic detection of trace defects on the surface of lithium battery pole pieces.Keywords:scratch defect;adaptive median filtering;RANSAC;defe
12、ct detection锂电池制造技术的进步以及规模扩大带来的成本降低直接推动电动汽车普及度的提高1。随着锂电池产量的扩大,锂电池的使用安全变得尤为重要。在锂电池极片的制造以及辊压过程中难以避免由于涂布机和辊压机的问题导致的极片表面出现划痕、漏金属、脱碳、鼓泡等缺陷,其中最常见的缺陷就是各种痕类缺陷,而这些缺陷会对锂电池的使用寿命以及安全产生不可磨灭的影响,严重时甚至会导致电池短路并引起汽车自燃2-3。因此,对于锂电池的缺陷检测显得尤为必要,并且为安全起见,对于锂电池的缺陷检测要在不影响检测准确率的条件下漏检率要尽可能达到最低。针对锂电池极片缺陷的检测,黄梦涛等4提出了一种基于改进CANNY算
13、子的锂电池极片表面缺陷检测算法,该算法对其他非痕类缺陷检测准确率达 98%以上,不过对于痕类缺陷无法准确检测。孙浩然等5提出了一种基于拓扑滤波与改进Canny算子的锂电池电极缺陷检测算法。Xu等6提出了一种基于机器视觉的自动光学检测系统检测锂电池极片表面缺陷。Liu等7提出了一种基于传统区域提取方法,锂电池痕类缺陷也可以看作是低对比度图片8-10下的缺陷检测。Song等8提出了一种基于深度卷积神经网络检测金属部件表面弱划痕算法。张建国等9提出了一种基于机器视觉的手机屏幕表面划痕检测方法。针对工业上的弱划痕缺陷10,该文章通过聚合丰富的多维特征进行划痕表示,提出了一种DeepScratchNet
14、用于自动弱划痕检测。目前,对于低对比度下的痕类缺陷检测问题并没有很好的解决方案,各种算法检测准确率及运行时间达不到工业生产水平,因此迫切需要提供更准确的算法提高低对比度下的痕类缺陷检测准确率。在检测痕类缺陷前,本文提出了一种自适应中值滤波与基于连通域的噪点滤波方法。针对痕类缺陷低对比度以及灰度不均匀等问题,本文在标准RANSAC算法的研究基础上改进了检测精度达不到预期以及迭代时间过长的问题,引入一种局部最优化的RANSAC算法(LO-RANSAC)。1 算法设计针对痕类缺陷与背景灰度值相差不大的问题,首先进行图像差分和LOG算子的图像增强方法;接着提出一种基于改进的自适应中值和基于连通区域相结
15、合的噪声滤波算法;然后对滤波后的多线段进行基于改进的RANSAC算法拟合,得到各线段的数学模型并且将多线段整合成完整的缺陷图像;最后提出了一种基于RANSAC算法的痕类缺陷分类方法,具体流程如图1所示。1.1改进的滤波算法由于极片缺陷噪声分布特点,因此采用改进的自适应中值滤波与基于连通域去噪点相结合的方式对样本进行滤波。1.1.1改进的自适应中值滤波算法自适应中值滤波(adaptive median filtering,AMF)的设计思路:通过自适应调节中值滤波窗口达到只对噪声点滤除,而对非噪声点进行很好地保留。AMF对椒盐噪声的滤除自适应性表现为两点:一是自动区分图像中的噪声区域与非噪声区域
16、,并对噪声区域进行滤除;二是根据噪声的密度自动选594第 2 期姜宝超等:基于LO-RANSAC的锂电池极片表面痕类缺陷检测择不同尺寸的滤波窗口11-13。实际操作中,AMF对图像的滤波过程如下。(1)找到像素点处的ww领域内各点像素值,将ww个像素值按升序排列并将值插入到向量vec中,从向量vec中得到最小值min、中值med以及最大值max,也即|min=vec 0med=vec|s2max=vecs-1(1)式中,s为向量vec的大小;-为取整。(2)若该领域满足minmedmax或窗口尺寸达到设定最大值(本文中最大窗口为99),则将窗口大小调整为33;否则将窗口大小调整为(w+2)(w
17、+2),并转回(1)。(3)若f(i,j)满足minf(i,j)max,则将其视为非噪声点,不对其进行处理,否则对其进行滤波处理,具体操作如下g(i,j)=f()i,jmin f()i,j maxmedelse(2)式中,g(i,j)为对像素点灰度值滤波后的灰度值。上述的自适应中值滤波存在两处影响滤波效果的地方,若当前窗口尺寸达到最大尺寸时调整当前窗口为33,导致滤波的效果变差使得图像中大部分噪声没有办法滤除并且执行时间变长。因此本文方法将其设置为当窗口尺寸达到最大值之后,判断当前向量vec的平均值是否小于域值,若小于域值则将窗口缩小否则维持窗口大小不变。第三步中的f(i,j)满足条件为min
18、f(i,j)Lmax,则将当前label值记录下来,其中为设定的距离最大值。(3)将所有记录的label值所对应的区域进行滤波处理。1.2LO-RANSAC线段检测算法随机抽样一致算法(random sample consensus,RANSAC),该方法是运用迭代从一组存在噪声的数据集中估算出数据集数学模型的参数15。标准的RANSAC 算法从所有输入数据中随机选择子集,并计算拟合样本的模型参数,计算出模型参数后,可以使用不同的损失函数16进行评估,评价标准为内点的数量,即与模型一致的数据点的数量。随后不断重复直到找到更符合的模型的概率变低,即通过K个样本估算出的模型的缺少内点数量为L的概率
19、低于设定阈值,概率公式如下所示=(1-PL)K(7)PL=j=0m-1L-jN-j m(8)式中,K为选取样本数量;N为总的样本数;PL为从N个数据中随机选取m个未被选取内点的概率;=L/N。由式(7)和式(8)可以看出,基于概率的终止标准受取样值K影响更大,所以标准RANSAC算法从最小集合生成假设,带来的问题就是受噪声影响较大,并且由于需要迭代的次数太多,导致检测速度不高。因此本工作将局部最优化算法引入RANSAC算法中,改进后算法流程如下所示。改进后的RANSAC算法 LO-RANSAC如下。(1)选择最小数据点数Sm个随机样本。(2)估计这个最小集合的模型参数。(3)计算内点的数量IK
20、,其中内点为与预估模型偏差小于设定阈值的点。(4)如果内点数量出现最大值,则运行局部最优化并存储当前最佳模型。(5)若当前估算出的模型的缺少内点数量为L的概率低于设定阈值则停止。其中局部最优化方法为执行新的采样,从所有数据点中选取与预估模型误差小于阈值K的点,其中K为取样值,为预设阈值。通过线性偏移调整预估模型,使得内点数量增加,随后不断降低阈值并且进行迭代直到阈值达到。其中新采样的样本数量对于局部最优化影响较大,新采样数量越少,受噪声影响越大。1.3痕类缺陷检测算法由于痕类缺陷的特点:宽度远远小于长度。因此本工作设计了一种痕类缺陷检测方法。图片经过LO-RANSAC算法检测后,得到多个线段的
21、数学模型参数,对于每个线段的拟合直线方程,在此直线的上下设置两条距离68个像素的平行于该直线的两条直线,如图2所示。因此本工作使用重叠率(缺陷部分在两条直线内的比例)作为判定是否为痕类缺陷的依据。l=NiN(9)式中,Ni为包含在两条直线内的像素点的个数;N为该连通域缺陷像素点总个数;l为重叠率。若重叠率l大于等于设定的阈值s,则判定该缺陷为痕类缺陷,否则判定该缺陷为其他类缺陷。1.4基于卷积神经网络的目标检测算法目前主流基于深度卷积神经网络的目标检测算图2痕类缺陷检测模拟Fig.2Simulation chart of detection of scratch defect596第 2 期姜
22、宝超等:基于LO-RANSAC的锂电池极片表面痕类缺陷检测法分为两种:一种是将目标定位和分类任务同时进行的算法,简称two-stage算法;另一种是将目标定位和分类任务分开进行的算法,简称one-stage算法。Two-stage算法中兼顾速度和准确性的代表算法为Faster-RCNN17。One-stage算法中的代表为YOLO系列,如YOLOv318。本文以这两种算法与本工作算法进行对比,以此验证本工作算法的检测效果。1.4.1Two-stage算法针对 RCNN 以及 Fast-RCNN 采用的选择性搜索算法带来的检测速度低下的问题,Faster-RCNN17提出了根据输入特征自动产生候
23、选框的区域推荐网络(RPN),通过融合特征图和候选框生成候选区域的特征,再通过感兴趣区域池化层将候选区域特征固定为预设尺寸,最后输入分类器实现分类和定位。这种设计方法将选取候选区域和对其分类全部通过卷积神经网络实现,极大提升了算法的检测速度。具体的Faster-RCNN结构如图3所示。1.4.2One-stage算法YOLOv318(you only look once)是YOLO系列YOLOv2的改进版本,YOLOv3在YOLOv2的基础上主要改进:调整网络结构、多尺度特征融合、分类时用逻辑分类器(logistic)取代softmax。具体表现为:基础卷积网络采用的是DarkNet-53,其
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 LO RANSAC 锂电池 表面 缺陷 检测 姜宝超
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。