一种基于机器视觉的多孔铜箔孔结构异常识别方法与流程
本发明涉及图像处理,尤其涉及一种基于机器视觉的多孔铜箔孔结构异常识别方法。
背景技术:
1、在锂离子电池制造过程中,多孔铜箔作为负极集流体,其孔结构的质量直接影响电池的循环寿命与倍率性能。然而在电沉积法生产多孔铜箔的过程中,受电流密度分布不均、添加剂浓度波动以及电解液流场扰动等因素影响,易产生孔道轴线倾斜类形位异常,具体表现为孔道中心轴线偏离铜箔表面法线方向,形成偏斜孔结构。上述形位异常会严重削弱活性材料与集流体之间的结合强度,导致电池在充放电过程中发生界面剥离,同时引发局部电流密度集中,加速电池失效。
2、目前,通常采用三维霍夫变换方法进行多孔铜箔孔结构的几何参数检测。具体而言,首先通过激光扫描获取孔道的三维体数据,再获取每一层截面图像的孔道圆心坐标,所有深度的圆心坐标共同构成孔道的三维骨架点集,最后利用三维霍夫变换的投票机制,对所有骨架点采用等权重投票规则,统计参数空间中各单元的得票数,得票数最高的单元对应的直线即为孔道的中心轴线,最终基于拟合得到的孔道轴线定量计算孔道的关键几何参数,从而实现孔道形位异常的识别。
3、现有的三维霍夫变换方法的核心在于对每个骨架点进行等权重投票,通过累加器中的峰值响应确定孔道轴线的最优拟合直线。然而在实际生产检测中,孔道内壁不可避免存在毛刺、凹坑等表面缺陷,同时受表面粗糙度不均影响,导致部分骨架点偏离孔道的真实中心轴线。此时等权重投票机制赋予每个骨架点相同的贡献权重,离群点产生的虚假投票会分散累加器中的峰值能量,使真实孔道轴线的响应强度被稀释,最终拟合出的轴线方向发生显著偏移,显著降低孔道形位异常检测的鲁棒性与可靠性。
4、因此,研究一种高精度的多孔铜箔孔道形位异常智能识别方法,对保障电池制造质量、提升良品率具有重要的工程应用价值。
技术实现思路
1、针对上述现有技术中存在的问题,本发明的目的是提出一种基于机器视觉的多孔铜箔孔结构异常识别方法,核心在于构建单截面骨架点拟合质量量化评估机制,首先通过分析孔道截面点云的径向分布特征识别轮廓离群点,再结合轮廓离群点的拓扑分布特征量化评估当前骨架点的拟合质量,据此动态调整各骨架点在三维霍夫变换的投票权重,实现投票机制与孔道实际加工质量的最优适配,从而在复杂工况下稳定提升孔道轴线倾斜异常的检测精度与鲁棒性。
2、为了实现上述技术目的,本发明采用的技术方案为:
3、一种基于机器视觉的多孔铜箔孔结构异常识别方法,步骤如下:
4、采集多孔铜箔的点云数据并进行单孔分割,获得每个孔道的独立三维点云数据;
5、基于每个孔道的独立三维点云数据,通过孔道宏观几何特征进行快速初筛,识别出可疑异常孔道,分析每个可疑异常孔道在每个深度截面上的点云径向分布特征,获得由内壁缺陷导致的轮廓离群点;
6、根据轮廓离群点在对应截面的拓扑分布特征数量占比,量化该孔道各骨架点的拟合质量,动态调整各骨架点在三维霍夫变换中的投票权重;
7、利用自适应加权三维霍夫变换拟合孔道中心轴线,基于孔道中心轴线计算孔道垂直度参数,对孔道轴线倾斜异常进行识别与判定。
8、作为上述方案的进一步优选方案,获得每个孔道的独立三维点云数据,包括:
9、对单孔分割形成的每个孔道的原始点云进行统计滤波处理,并采用随机采样一致性算法拟合每个孔道周边的局部铜箔基准平面;
10、对每个孔道的点云坐标系进行局部归一化处理,使局部铜箔基准平面与基准水平坐标平面重合。
11、进一步地优选方案为,通过孔道宏观几何特征进行快速初筛,识别出可疑异常孔道,包括:
12、沿铜箔孔道轴向进行等间距分层采样,获得若干个平行于基准水平坐标平面的单截面点云切片;
13、针对每个单截面点云切片进行骨架点提取,构建该孔道的三维骨架点集;
14、基于三维骨架点集构建孔道偏移评估的宏观几何特征值,利用宏观几何特征值筛选出可疑异常孔道;所述宏观几何特征值的表达式如下:
15、;
16、式中:tanh[]为双曲正切函数,
m为单孔道的截面采样总数,m-2为排除上下表面孔口骨架点后的中间骨架点数量,为中间骨架点到基准轴线的欧氏距离,表示孔道上下孔口基准轴线与理想垂直孔道的轴线方向的夹角,取值范围为[0,],sin为正弦函数。
17、基于上述技术方案,进一步地,针对每个单截面点云切片进行骨架点提取,构建该孔道的三维骨架点集的步骤包括:
18、针对每个单截面点云切片,在基准水平坐标平面内对当前截面的孔道轮廓点云进行圆形拟合,得到当前截面的孔道骨架点;
19、沿孔道轴向的每个单截面点云切片提取对应截面的骨架点,由所有截面的骨架点构成该孔道的三维骨架点集。
20、作为一种较佳的实施方式,分析每个可疑异常孔道在每个深度截面上的点云径向分布特征,获得由内壁缺陷导致的轮廓离群点,具体包括:
21、针对当前截面的孔道轮廓点云集合,提取轮廓点云的凸多边形边界,并基于凸多边形边界构建内外接圆双基准体系;所述内外接圆双基准体系包括采用旋转卡壳算法求解最小外接圆和采用最大空圆算法求解最大内接圆;
22、基于内外接圆双基准体系,建立单截面轮廓点的径向分布特征值;
23、设定离群点判定阈值,根据径向分布特征值与离群点判定阈值的比较结果,判定轮廓离群点。
24、在一些较佳的实施方式中,量化该孔道各骨架点的拟合质量,动态调整各骨架点在三维霍夫变换中的投票权重,包括:
25、基于轮廓离群点,构建单截面骨架点的自适应投票权重;所述单截面骨架点的自适应投票权重的计算公式如下:
26、;
27、式中:为自适应投票权重;为当前截面骨架点的基础投票权重,为第
i个骨架点所在截面内所有轮廓点的数量,为当前截面轮廓离群点的数量;
28、利用自适应投票权重对各骨架点在三维霍夫变换中进行投票权重动态调整。
29、作为进一步地优选方案,利用自适应加权三维霍夫变换拟合孔道中心轴线的具体过程包括:
30、每个骨架点对所有经过自身的候选孔道轴线对应的参数空间单元进行投票,且投票权重与该骨架点的拟合可靠性正相关;
31、完成所有骨架点的投票累加后,将参数空间中得票最高的单元所对应的直线,确定为最终拟合得到的孔道中心轴线。
32、进一步地优选方案为,对孔道轴线倾斜异常进行识别与判定,包括:
33、以铜箔基准平面法向量所在直线为理想垂直孔道的基准方向,计算孔道中心轴线与基准方向之间的夹角,作为孔道的倾斜角;
34、基于预设孔道垂直度合格判断标准,对每个孔道的倾斜角进行判定;
35、针对判定为轴线倾斜异常孔道,标记其在多孔铜箔上的位置并输出对应的倾斜角数值。
36、另一方面,本发明还公开了一种基于机器视觉的多孔铜箔孔结构异常识别系统,所述系统用于实现以上所述方法的步骤,所述系统包括:
37、数据采集模块,用于采集多孔铜箔的点云数据;
38、分割模块,用于对多孔铜箔的点云数据进行单孔分割,获得每个孔道的独立三维点云数据;
39、轮廓离群点识别模块,基于每个孔道的独立三维点云数据,通过孔道宏观几何特征进行快速初筛,识别出可疑异常孔道,分析每个可疑异常孔道在每个深度截面上的点云径向分布特征,获得由内壁缺陷导致的轮廓离群点;
40、投票权重动态调整模块,根据轮廓离群点在对应截面的拓扑分布特征数量占比,量化该孔道各骨架点的拟合质量,动态调整各骨架点在三维霍夫变换中的投票权重;
41、拟合模块,利用自适应加权三维霍夫变换拟合孔道中心轴线;
42、轴线倾斜异常识别模块,基于孔道中心轴线计算孔道垂直度参数,对孔道轴线倾斜异常进行识别与判定。
43、与现有技术相比,本发明能够产生如下有益效果:
44、本发明通过孔道宏观三维几何特征,快速筛选出可能存在明显轴线弯曲或整体倾斜趋势的可疑异常孔道,针对每个可疑异常孔道,通过构建内外接圆双基准体系,融合截面整体圆度特征与单个点的局部径向偏离特征,精确识别由内壁缺陷导致的轮廓离群点,最后根据离群点在孔道纵深方向上的拓扑分布特征,动态评估该孔道各骨架点的整体拟合质量,并根据整体拟合质量动态调整骨架点在三维霍夫变换中的投票权重,从而抑制低质量骨架点对轴线拟合的干扰,从整体上提升了轴线拟合精度与鲁棒性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com