基于ROI区域背景标准化算法的设计与实现

基于ROI区域背景标准化算法的设计与实现

裴自涵,胡晨,李梦涵,屈克诚

（山东协和学院 计算机学院 山东 济南 250107）

摘要：随着新能源行业的迅猛发展，对锂电池的需求大幅度增加。锂电池电极片作为锂电池的核心部件，表面若存在缺陷，会引发如火灾、爆炸等安全事故，故在锂电池实际工业生产过程中对电极片表面进行缺陷检测是十分重要的。本文采用图像预处理首先对采集的电极片表面原始图像进行特征区域提取，进行预处理，提出了一种背景标准化算法来抑制提取出的特征区域图像中背景区域像素点灰度值的波动，消除图像中垂直方向上的明暗条纹。

关键词  机器视觉、极片瑕疵检测、图像预处理

1 引言

当前，动力电池厂商加速产能扩张，巨额锂电设备重大招标和采购订单接连落地，锂电设备企业订单激增，业绩同比大幅增长。根据《新能源汽车产业发展规划》（2021-2035）规定，到2025年新能源汽车新车销售量要达到汽车新车销售总量的20%左右。高工产研电动车研究所（GGII）预计称，仅在 2021 上半年，国内动力电池新增规划产能达745 GWh，投资总额超 2587 亿元，相应的锂电设备投资金额达1490亿元。目前，检测锂电池壳表面质量的方法主要为人工目测法，不仅检测效率低，劳动强度大，而且易受检测人员主观因素的影响造成误检和漏检。如果在检测中操作不慎，还会对锂电池壳表面造成二次损伤。而接触式测量，如三坐标测量机，每次只能获取表面一个点的坐标，测量费时费力，而且测头容易对一些精密表面造成损伤。显微镜检测的靶面则太小，每次只能获取小范围内的表面质量图像，很难实现大面积表面质量的快速检测。为了满足实际生产实时在线精确检测的需求，本文采用机器视觉检测，不仅可以排除人的主观因素的干扰，而且还能够对这些指标进行定量描述，避免因人而异的检测结果，减小检测分级误差，提高生产率和分级精度。

机器视觉就是用机器来代替人眼做测量和判断的系统，它通过光学装置和非接触传感器自动获取目标对象的图像，并由图像处理设备根据所得图像的像素分布、亮度和颜色等信息进行各种运算处理和判别分析，以提取所需的特征信息或根据判别分析结果对某些现场设备进行运动控制。随着深度学习、3D视觉技术、高精度成像技术和机器视觉互联互通技术的持续发展，机器视觉的性能优势将进一步加大。故将该技术应用到锂电池极片检测方面有很强的理论依据。图像预处理是整个电极片表面缺陷检测软件算法流程的重要环节，直接影响后续的缺陷检测算法的检测效果。根据对搭建的硬件平台中图像采集系统拍摄的锂电池电极片表面原始图像的观察，可以发现拍摄得到的电极片表面原始图像中不仅包含实际待检测的电极片区域，还包括其他无需进行缺陷检测的区域，例如电极片传送区域，所以首先需要使用图像处理算法定位和提取出电极片表面原始图像中的实际电极片区域即特征区域。

2 原理介绍

根据对图像采集系统拍摄得到的电极片表面原始图像进行观察和分析，可以明显看出拍摄得到的电极片表面原始图像为灰度值范围为0-255的灰度图像，图像中特征区域与背景区域的灰度边界十分明显，且特征区域是平行于坐标轴的矩形区域。因此本文提出了一种利用机器视觉对背景标准化的一种算法。

本文提出的利用机器视觉对背景标准化算法的具体步骤如下：

1. 将特征区域均分成10个子矩阵。
2. 计算每个子矩阵在垂直方向上的灰度值投影，并分别保存在对应的子矩阵灰度投影数组A中。
3. 计算任意两个子矩阵灰度投影数组A1、A2在相同位置上的元素的绝对误差，当绝对误差的均值小于设定的常数阈值并且当绝对误差的标准差小于设定的常数阈值时，对应的两个子矩阵灰度投影数组就被选中到数组集合中.
4. 根据步骤（3）中求得的数组集合，可计算得到均值数组。
5. 根据均值数组计算求出背景补偿数组B
6. 基于背景补偿数组B建立特征区域的背景补偿图像G

利用建立的背景补偿图像G对原始的特征区域图像进行背景标准化，即将背景补偿图像叠加到原始的特征区域图像上，从而得到背景标准化后的特征区域图像，可明显观察到特征区域经过背景标准化后，图像中前景区域的图像信息在得到有效保护的前提下，图像中背景区域像素点的灰度值波动得到了抑制，图像垂直方向上的明暗条纹消失了。

3 实验与分析

为了进一步对背景标准化算法的性能进行定量分析，本文进行了实验，选取了特征区域图像中部分无缺陷区域（背景区域）和有缺陷区域（前景区域）的图像，分别计算了相应的图像水平方向上的灰度值投影HGVP(Horizontal Gray-Value Projection)和垂直方向上的灰度值投影VGVP(Vertical Gray-ValueProjection)，具体的实验结果如图1和图2所示。本文中所有的实验都是基于InterCore i7-7700HQ处理器、8G内存、Windows操作系统的计算机，其中算法实现的软件环境为Halcon12，数值分析的软件环境为Matlab 2018a，无缺陷区域背景标准化前后灰度值投影对比图所示，对于特征区域图像中的无缺陷区域，其背景标准化前后的HGVP波动情况相似，图像HGVP波动程度较小，波动范围都在2个灰度值单位以内。但是背景标准化前后无缺陷区域图像的VGVP波动情况却有所区别。背景标准化前，图像VGVP的波动较大，波动范围都超过了10个灰度值单位；而背景标准化之后，图像VGVP的波动明显减少了，其波动范围被控制在了3个灰度值单位以内。这说明了背景标准化算法对特征区域图像中的背景区域像素点的灰度值波动确实有较好的抑制作用。

4 结论与展望

本文可以弥补当前锂电池检测领域对该研究的不足之处，在其生产过程进行严格的瑕疵检测以及分类，通过分类反馈的瑕疵种类分析，找到其产生原因，实现快速优化生产的目的，以保证锂电池在出厂之后的安全质量及性能达标，解决了极片生产过程中的人力及经济成本的问题。通过线阵相机采集电极片表面原始图像进行特征区域提取及预处理，围绕此建立一种背景标准化算法，抑制特征区域图像中背景区域像素点灰度值的波动，消除图像垂直方向上的明暗条纹 ，力求实现对锂电池极片的在线实时检测，提高检测效率，将理论成果作用于实践，切实提高实际锂电池工业生产效率与自动化程度。

参考文献

[1]韩九强.机器视觉技术与应用[M].北京:高等教育出版社，2009:1-15.

[2]唐向阳,张勇,李江有,et al.机器视觉关键技术的现状及应用展望[J].昆明理工大学学报(理工版),2004,29(2):36-39.

[3]赵鹏.机器视觉理论及应用[M].北京:电子工业出版社,2011:1-9.

[4]杨冬进,娄建安.锂离子电池及其在线检测前沿与发展综述[J].电源技术,2018,42(09):1402-1403+1419.

1