服务粉丝

我们一直在努力
当前位置：首页 > 财经 >

《储能科学与技术》推荐|曾勇 等：基于LO-RANSAC的锂电池极片表面痕类缺陷检测

日期： 来源：储能科学与技术收集编辑：姜宝超 曾勇等

作者：姜宝超1,2(), 曾勇1,2(), 韩有军1,2, 胡跃明1,2

单位：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 ）

引用： 姜宝超,曾勇,韩有军等.基于LO-RANSAC的锂电池极片表面痕类缺陷检测[J].储能科学与技术,2023,12(02):593-601. 

DOI：10.19799/j.cnki.2095-4239.2022.0678

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 consensus， 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(frame 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
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。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。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，黄梦涛等提出了一种基于改进CANNY算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下的缺陷检测。Song等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，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。

图1   缺陷检测算法流程

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，并对噪声区域进行滤除；二是根据噪声的密度自动选择不同尺寸的滤波窗口。实际操作中，AMF对图像的滤波过程如下。
（1）找到像素点处的w×w领域内各点像素值，将w×w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

(1)
式中，s为向量vec的大小；[-]为取整。
（2）若该领域满足min<med<max或窗口尺寸达到设定最大值(本文中最大窗口为9×9)，则将窗口大小调整为3×3；否则将窗口大小调整为(w+2)×(w+2)，并转回(1)。
（3）若f(i, j)满足min<f(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

(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3×3，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<f(i, j)<max时就不对其进行处理，这样会导致很多散粒噪声残留。将这一满足条件调整为若f(i, j)-min≤max-f(i, j)也就是f(i, j)≤(min+max)/2时保持当前灰度值，否则将中值赋给当前像素点。由于图像的背景灰度值低，因此噪声往往灰度值较大，将满足条件修改后可以尽可能多地将噪声滤除。
1.1.2　基于two-pass连通域的滤波算法
上述的中值滤波确实可以滤除一部分面积较小的散粒噪声，假设有一块面积达到自适应中值滤波最大窗口面积的一半以上时，根据滤波的满足条件可知，此时的噪声会被判定为非噪声。因此本文采用基于two-pass的连通域标记及连通区域数据处理将经过自适应中值滤波后残留的噪声滤除。
在使用two-pass方法进行连通域标记及连通区域数据处理之前需要先对图像进行二值化处理。本工作采用最大类间方差法(OTSU)获取自适应阈值对图像进行二值化处理。OTSU法是一种自适应的二值化阈值确定方法。由于方差体现了图像灰度分布均匀性，若图像的类间方差越大，则说明图像背景与缺陷的差别越大。假设图像的大小为M×N，作为图像分割的阈值为T，缺陷部分的像素点数占整幅图像的比例为α1，平均灰度值为β1；背景部分的像素点数占整幅图像的比例为α2，平均灰度值为β2；图像的总平均灰度值为β，类间方差为y。则有如下公式成立

(3)

(4)
将式(3)代入式(4)中可得

(5)
当取得类间方差y最大值时，相应的T值是所获得图像二值化的阈值。
Two-pass法得到对图像连通域的标记结果必须对图像进行两次遍历。经过two-pass遍历后可以得到同一连通域的各点坐标，接着通过对连通域数据的处理将图像中需要滤除的噪声剔除。连通域数据处理设计如下：
（1）依次遍历各连通域，计算各连通域的面积记为Slabel，若该区域的面积小于设定的面积，则将当前label值记录下来，跳过该区域进入下一个区域。
（2）计算当前连通域的中心点，并将其与其他连通域中心点的距离作加权平均，若当前连通域面积较大，说明当前连通域很有可能是缺陷部分，而若当前连通域面积较小则更可能是噪声部分，将加权平均距离记为

(6)
式中，N为连通域数量；Plabel为当前连通域中心；Pi为其他连通域中心；Smed为连通域面积中值；Slabel为当前连通域面积。
若Llabel>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。

1.2　LO-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。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的概率低于设定阈值，概率公式如下所示

(7)

(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；ε=L/N。
由式(7)和式(8)可以看出，基于概率的终止标准η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，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Kθ的点，其中K为取样值，θ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6～8个像素的平行于该直线的两条直线，如图2所示。

图2   痕类缺陷检测模拟
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。

(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；ηl为重叠率。
若重叠率ηl大于等于设定的阈值ηs，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-RCNN。One-stage算法中的代表为YOLO系列，如YOLOv3。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。
1.4.1　Two-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-RCNN提出了根据输入特征自动产生候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。

图3   Faster-RCNN网络结构
1.4.2　One-stage算法
YOLOv3(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，其共有106层网络，整个网络中没有池化层和全连接层；其在网络模型中融合了跳层连接、残差模块、多尺度检测、上采样与特征融合过程等流行结构；在进行前向传播时，通过变化卷积运算时的步长来实现张量的维度变换；YOLOv3共使用了9种候选框(anchor box)，能够在3个尺寸上进行检测；最后，为了实现多分类，网络结构使用了多个独立的逻辑分类器代替softmax函数，在进行目标分类时也直接使用了逻辑分类器。具体的YOLOv3网络结构如图4所示。

图4   YOLOv3网络结构

2 实验结果

为验证本工作痕类缺陷检测的准确性，本工作分为两类实验：①分析本文改进后的滤波方法与高斯滤波、均值滤波、自适应中值滤波以及双边滤波的优劣；②将本文算法与标准RANSAC算法、Faster-RCNN算法和YOLOv3算法进行对比分析。本文的实验环境为Intel Core i7-6700，显卡为RTX 2080，4G显存，8G内存。

2.1　图像采集处理系统

锂电池极片图像采集如图5所示，检测系统采用两个8K分辨率线阵相机拍摄锂电池极片正反面图像，通过控制相机、光源等硬件设备，采集涂布的图像，然后在检测机中通过高速图像处理算法对其进行处理，完成对涂布的质量检测。图像采集处理系统主要包含以下几个模块。

图5   图像采集处理系统
（1）高速图像采集模块：在保证采集分辨率情况下完成高速图像采集，同时把图像存储到检测链表中，保证处理算法的正常进行。
（2）图像处理模块：分析收集的图像以消除干扰。
（3）定位模块：根据不同采集单元，采用不同的定位方法，完成图像校正功能。
（4）表面检测模块：对极片表面缺陷进行分析，包含漏金属、划痕、脱碳等。
（5）缺陷分类模块：对检测完后的图像进行分类统计，根据实际缺陷类型和特征进行分析，确认是否打标。
（6）打标装置：系统自动综合极片外观检测以及分条尺寸检测结果，通过PLC通信输出信号给打标机，实现在一片(两个MARK孔之间)尾端的指定位置自动打标。

2.2　图像滤波算法分析

由于缺陷尺寸占比极片图像极小，为了更直观显示结果，显示的图片为截取缺陷区域。由于本工作采用了改进的自适应中值滤波与基于连通域的滤波方法结合的方式，因此在与高斯滤波、均值滤波、自适应中值滤波以及双边滤波做峰值信噪比比较时，只将改进的自适应中值滤波作为比较对象。部分实验结果如图6所示。

图6   图像滤波结果
为了客观评价各滤波方法的降噪效果，本工作采用峰值信噪比PSNR作为评价去噪效果的指标。PSNR的定义如式(10)、(11)所示：

(10)

(11)
式中，f(i, j)为原图像在(i, j)处的灰度值；g(i, j)为滤波后的图像在(i, j)处的灰度值；MSE为原图像与滤波后的图像的均方误差；MAXI为图像可能的最大像素值，若每个像素由8位二进制表示，则MAXI=255；PSNR的单位为DB。若MSE越小，PSNR越大时，说明降噪效果越好。
为说明一般性，本文采用了256个样本取得各滤波的均值作为结果，各滤波算法的结果为：高斯滤波的均值为33.26；均值滤波的均值为32.06；双边滤波的均值为32.77；自适应中值滤波的均值为33.15；本工作改进的自适应中值滤波的均值为35.40。
从各滤波算法的结果可以看出，本工作滤波算法远比其他滤波方法降噪效果好。经过改进的自适应中值滤波和基于连通域的滤波后，图6中例图的处理结果如图7所示。

图7   图像滤波最终结果
从图7可以看出，经过本工作设计的滤波器后，图像中的噪声基本滤除，并且在滤除噪声的同时尽可能地保留了缺陷的边缘，有利于后续的检测。

2.3　缺陷检测算法分析

为了验证本工作算法对于痕类缺陷检测的准确性，选取了100张痕类缺陷图像、100张无缺陷图像和200张其他类缺陷图像，为了避免数据集数量过少导致深度学习网络模型无法充分学习到缺陷特征，因此对数据集作数据增强，通过旋转、翻转等方法扩充数据集，在通过上述数据增强后，缺陷图像数据集数量扩充到2000张，其中1500张作为训练集，500张作为测试集。
2.3.1　实验评价方法
实验评价方法采用检测精度、检测速度、误检率以及漏检率指标以评价各个算法针对锂电池表面痕类缺陷的检测效果。本工作检测精度指标采用准确率ACC(accuracy)，该值反映了对整个样本的检测准确率，公式如式(12)所示；检测速度指标采用每秒钟可检测图片数量FPS(frame per second)；误检率FPR(false positive rate)反映的是分类器检测正样本纯度的能力，表现为负样本检测为正样本的比例，该值越小则分类器性能越好，如式(13)所示；漏检率FNR(false negative rate)反映了分类器检测负样本纯度的能力，表现为正样本检测为负样本的比例，该值越小则分类器性能越好，如式(14)所示。

(12)

(13)

(14)
式中，FP为假正例的数量；FN为假反例的数量；TP为真正例的数量；TN为真反例的数量。本工作中Faster-RCNN以及YOLOv3算法中，真例和假例的评价标准为若某个检测物体框包含的缺陷的置信度IOU大于等于0.5，则评定为真正例；若IOU小于0.5则判定为假正例；若IOU等于0则判定为假反例。
2.3.2　改进算法有效性对比实验
实验引入标准RANSAC算法，Faster-RCNN和YOLOv3作为本文算法的对比实验算法。最佳性能用粗体显示，对比实验结果见表1。

表1   有效性对比实验结果


由表可知，4种算法中，本文算法除了检测速度低于Faster-RCNN、YOLOv3算法外，其他指标都达到了4种检测算法中的最佳。其中准确率较标准RANSAC算法提高了5.9%。较主流深度学习算法提高了15%，之所以比深度学习算法准确率高如此多的原因有两个：第一个原因是样本数量不足，导致深度学习模型特征表达能力较弱；第二个原因是由于采用的模型没有做出改进，仅使用了算法作者提供的模型，所以对于缺陷尺寸差距较大的图像提取的特征不明显。
本工作检测速度比标准RANSAC算法提高了1.7倍，大大改善了RANSAC算法迭代时间过长的问题，基本可以满足实时检测的要求。本工作算法误检率以及漏检率远低于其它算法，因此认为本工作算法检测效果最优。

3 结论

针对锂电池极片存在的难以检测的痕类缺陷问题，提出一种多种滤波方式结合和改进RANSAC算法的锂电池表面痕类缺陷检测方法。该方法在滤波阶段采用改进的自适应中值滤波结合连通域的滤波算法，在滤除噪声的同时尽可能地保留了缺陷的边缘，有利于后续的检测；针对锂电池极片痕类缺陷检测精度低的问题，通过将局部最优化引入RANSAC算法中，有效改善了RANSAC算法检测精度不够以及迭代时间过长的问题。经过实验表明，相比主目标检测算法而言，本工作算法的准确率更高，误检率以及漏检率远低于其他算法，虽然检测速度小于YOLOv3，这主要是由于LO-RANSAC算法对不同的图像每次都需要重新迭代拟合导致速度难以提高到YOLOv3的检测速度，但是本工作算法检测速度与Faster-RCNN相差并不大。

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：jiangbcy@163.com；

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：auyzeng@scut.edu.cn。

本刊推荐

（点击图片可跳转到相应文章合集）


邮发代号：80-732

联系热线：010-64519601/9602/9643

投稿网址：http://esst.cip.com.cn/CN/2095-4239/home.shtml

文章推荐

相关阅读

  • 涨姿势：10 大主宰世界的牛逼算法！

  • 点击下方卡片，关注“新机器视觉”公众号重磅干货，第一时间送达作者：claudio | 煎蛋Reddit 有篇帖子介绍了算法对我们现在生活的重要性，以及哪些算法对现代文明所做贡献最大。这

  • 算法竞赛系列 | 算法复杂度

  • 本篇的基本算法原理简单，代码易写，但是效率很高，是常用的编码技术，广泛应用于编程和竞赛中，做题时不妨先想想能否结合这个算法。在阅读本系列后续文章算法知识点之前，读者需要通过

  • 新华财经专访：数字中国建设应重视算法建设

  • 新华财经上海3月14日电（记者高少华）“过去几年我国建设的数字躯干已经达到了一定水平，现在到了需要增强建设数字大脑内核的时候。”零点有数(301169.SZ)董事长袁岳近日在接受记

  • 汇总 | 近期单晶金刚石科研前沿

  • 索引1金刚石-氧化镓截面热传导的分子动力学研究2绝缘层/金刚石界面原子级成像3CVD金刚石中硅空位中心的室温光致变色4用于光子应用的飞秒激光辐照应变弛豫硅空位中心纳米金

  • 人工智能的文学创作：实践与问题

  • 　　在阿兰·图灵（Alan Mathison Turing，1912—1954）、马文·明斯基（Marvin Lee Minsky，1927—2016）和唐纳德·米奇（Donald Michie，1923—2007）等先驱者的推动下，人工智能产业已经开花

  • 字节跳动十万员工困在数据里

  • 时代财经APP（tf-app）原创作者 | 徐晓倩编辑 | 史成超入职字节跳动的第一天，研发人员梁爽就感受到了一种无形的压力。浏览了几小时的文档后，他在毫无征兆的情况下，被拉入数个项目

聚合标签

中国 自己的 美国 都是 疫情 的人 的是 亿元 三星 手机 华为 这款 车型 万元 企业 小米 日本 俄罗斯 民警 项目

热门文章

  • “复活”半年后　京东拍拍二手杀入公益事业

  • 京东拍拍二手“复活”半年后，杀入公益事业，试图让企业捐的赠品、家庭闲置品变成实实在在的“爱心”。 把“闲置品”变爱心 6月12日，“益心一益·守护梦想每一步”2018年四

最新文章

  • 【科技】李泓研究员：固态电池，路在何方？

  • 【摘要】固态电池技术已经成为目前世界上最受关注的电池技术。相比于传统商用液态电池，固态电池拥有更好的电化学性能、更高的安全性和更低的成本。本文主要讨论了实现固态电

  • Origin绘图！渐变的氮气吸脱附曲线！

  • 【做计算 找华算】理论计算助攻顶刊，10000+成功案例，全职海归技术团队、正版商业软件版权！经费预存选华算，高至15%预存增值！来源丨科研绝技整理首发←关注Ta背景介绍利用昨天的绘