一种锂电池电极表面缺陷的分类方法与流程

1.本发明涉及机器视觉检测技术领域，具体涉及一种锂电池电极表面缺陷的分类方法。


背景技术：

2.目前，锂电池以其能量密度高、寿命长、体积小、无污染等优点在电动汽车等领域越来越受到关注。但锂电池给人类生活带来方便性背后的安全隐患也值得关注。除了锂电池内部结构等原因外，生产过程中产生的电极表面缺陷也会造成一定的安全隐患。因此，锂电池的缺陷检测显得尤为重要。值得注意的是，高效准确的缺陷分类可以反过来极大地促进缺陷检测。
3.现如今，许多研究人员将研究重心放在锂电池缺陷的检测上，并提出了一些比较成功的方法。然而，在大多数工作场所，缺陷分类主要依靠人工完成，这是不可靠的。因此，应用一系列机器学习技术对电极表面的各种缺陷进行自动分类，可以显著提高产品的生产效率和质量。
4.目前亟待针对锂电池电极表面缺陷分类研究不足的现状，重点研究其分类问题。本研究中将这六种类型的缺陷按其反射光或吸收光的能力分为亮缺陷和暗缺陷。其中，亮点、漏金属、气泡为亮缺陷，黑点、条痕、脱碳为暗缺陷。由于缺陷的灰度值与背景区域的灰度值相差不大，而且不同类别的一些缺陷非常相似，如黑点和气泡。因此，准确地对这六种类型的缺陷进行分类是具有一定的挑战性的。


技术实现要素：

5.本发明的目的是为了解决现有技术中的上述缺陷，提供一种锂电池电极表面缺陷的分类方法。
6.本发明的目的可以通过采取如下技术方案达到：
7.一种锂电池电极表面缺陷的分类方法，用于对锂电池电极表面的亮缺陷和暗缺陷进行分类，其中，亮缺陷包括亮点、漏金属、气泡，暗缺陷包括黑点、条痕、脱碳，所述分类方法包括以下步骤：
8.s1、预处理：将锂电池电极表面缺陷图像调整为相同尺寸的大小，并进行归一化处理；
9.s2、粗分类：首先使用最小二乘法拟合锂电池电极表面缺陷图像中指定区域的像素变化将亮点和漏金属从缺陷类别中分离出来，再根据特定的环形掩膜和随机森林分类器将气泡与暗缺陷分离，从而将锂电池电极表面缺陷图像分为亮缺陷数据集和暗缺陷数据集两个大类；
10.s3、细分类：在粗分类得到的结果中，利用gabor滤波器对锂电池电极表面缺陷图像进行特征提取，再在亮缺陷数据集和暗缺陷数据集两个大类中各自使用随机森林分类器进行分类得到最终的分类结果。
11.进一步地，所述步骤s1中对锂电池电极表面缺陷图像进行预处理的具体过程如下：
12.s1.1、将锂电池电极表面缺陷图像的大小统一调整为m
×
n；
13.s1.2、对锂电池电极表面缺陷图像进行归一化处理，归一化方法如下：
14.f(i,j)＝(i(i,j)
‑
g
min
)/(g
max
‑
g
min
)
15.其中，i(i,j)是原始锂电池电极表面缺陷图像在(i,j)处的灰度值，f(i,j)是归一化之后的锂电池电极表面缺陷图像在(i,j)处的灰度值，g
max
和g
min
分别是原始锂电池电极表面缺陷图像中最大和最小的灰度值。
16.进一步地，所述步骤s2中对锂电池电极表面缺陷图像进行粗分类的具体过程如下：
17.s2.1、使用最小二乘法拟合缺陷图像中指定区域的像素灰度值变化曲线i
c
得到直线i
l
；
18.s2.2、计算曲线i
c
的波峰、波谷到直线i
l
垂直距离的差值δ：
19.δ＝α
‑
β
20.其中，α是曲线i
c
的波峰到直线i
l
的垂直距离，β是曲线i
c
的波谷到直线i
l
的垂直距离；
21.s2.3、设置一个第一阈值t，δ大于第一阈值t时，对应的缺陷为亮点和漏金属；当小于第一阈值t时，对应的缺陷是除去亮点和漏金属之外其余四种类型的缺陷，第一阈值t的值根据下式自适应求得：
[0022][0023]
其中，m
lm
、m
bs
、m
ds
、m
de
、m
st
、m
bb
分别表示漏金属、亮点、黑点、脱碳、条痕和气泡这六类缺陷数据集的平均差值δ，min(
·
)表示最小值算子，avg(
·
)表示平均值算子；
[0024]
s2.4、根据缺陷形状自适应获得环形掩膜m
r
，在环形掩膜m
r
的作用下，每张锂电池电极表面缺陷图像被分为三个区域:环内区域air，环上区域aar以及环外区域aor；
[0025]
s2.5、等角度分割环形掩膜m
r
，得到两个掩膜t1和t2，将环上区域aar以及环外区域aor各自分为s个小连通域和
[0026]
s2.6、计算每个小连通域和i＝1,2,
…
,s中灰度值的均值和方差，同时，分别计算灰度值为0的像素所占比例和最终，得到一个具有良好区分度的特征：
[0027][0028]
分别表示环上区域和环外区域的灰度值均值，分别表示环上区域和环外区域的灰度值方差，分别表示环上区域和环外区域中0像素的占比，其中，占比，其中，占比，其中，分别是每个和的总像素个数，分别对应环上区域aar以及环外区域aor的小连通域中0像素的个数，分别是每个和中0像素的占比；
[0029]
s2.7、利用随机森林分类器对上一步得到的特征f进行分类，将气泡与包括黑点、条痕、脱碳在内的三种暗缺陷分离，由此得到亮缺陷数据集和暗缺陷数据集。
[0030]
进一步地，所述步骤s3中对锂电池电极表面缺陷图像进行细分类的具体过程如下：
[0031]
s3.1、利用gabor滤波器对锂电池电极表面缺陷图像进行特征提取得到(f
c1
,f
c2
,
…
f
cn
)，其中，c＝1,2,3,4,5，n为利用gabor滤波器提取到的特征向量的维数；
[0032]
s3.2、利用随机森林分类器在亮缺陷数据集和暗缺陷数据集里对步骤s3.1获取的特征进行进一步的细分类，得到最终的分类结果。
[0033]
进一步地，所述步骤s2.4中自适应获取环形掩膜m
r
的过程如下：
[0034]
s2.4.1、定义两个200*1的矩阵c和p，c表示的是图像指定区域的灰度值变化，p是c中每个灰度值对应的位置；
[0035]
s2.4.2、设定第二阈值t'，记录矩阵c中灰度值大于第二阈值t'的点，将其对应在p中的位置值存放在一维数组i中，以图像中心横轴所在的位置为界限，由一维数组i得到一维数组i1和一维数组i2：
[0036]
i1＝[i
t1
],i
t1
＜100,i
t1
∈i
[0037]
i2＝[i
t2
],i
t2
＞100,i
t2
∈i
[0038]
其中，[]表示遍历一维数组i，将其中所有满足条件的值i
t1
或i
t2
取出来构成新的一维数组i1和i2，i
t1
和i
t2
均为属于一维数组i中的元素，一维数组i1存放的是图像上半部分中大于阈值t'的像素点，一维数组i2存放的是图像下半部分中大于阈值t'的像素点；
[0039]
s2.4.3、对一维数组i1的值由大到小进行遍历，标记出绝对间断点的值记为r
11
，同时，对一维数组i2的值由小到大进行遍历，标记出绝对间断点的值记为所述绝对间断点的产生是由于图像在缺陷处像素点十分密集，在缺陷与背景的交界处则变得稀疏；
[0040]
s2.4.4、计算环形掩膜的内径和外径：
[0041][0042][0043]
其中，h是锂电池电极表面缺陷图像的高度；
[0044]
s2.4.4、设置一个h*h的零矩阵，以矩阵中心为圆环的圆心，以r1和r2为圆环的内径和外径构成一个圆环，环上区域像素灰度值设为1，由此构成环形掩膜m
r
。
[0045]
本发明相对于现有技术具有如下的优点及效果：
[0046]
(1)本发明结合环形掩膜处理图像，得到一组类间区分度高的特征，促进了分类的进行；
[0047]
(2)锂电池电极表面的六类缺陷中，部分缺陷之间的相似性极高，且缺陷与背景的灰度值非常接近，造成了分类的不易，本发明利用粗分类先将每种图像归类于亮缺陷和暗缺陷，再在两个大类中进行细致分类，提升了分类的精度；
[0048]
(3)本发明利用gabor滤波器进行特征提取，再结合随机森林进行细分类快速且准确的将每类缺陷分离开。
附图说明
[0049]
图1是本发明公开的锂电池电极表面缺陷的分类方法的流程图；
[0050]
图2是本发明中锂电池电极表面缺陷的样本图像示例图；其中，
[0051]
图2(a)是亮点类型的样本图像；
[0052]
图2(b)是漏金属类型的样本图像；
[0053]
图2(c)是气泡类型的样本图像；
[0054]
图2(d)是条痕类型的样本图像；
[0055]
图2(e)是脱碳类型的样本图像；
[0056]
图2(f)是黑点类型的样本图像；
[0057]
图3是利用指定区域像素灰度值构造一维向量的过程示意图；
[0058]
图4是由向量表示的指定区域灰度值变化的曲线图；
[0059]
图5是使用模板图t1和t2分别将aar和aor划分成s个连通域的结果图，其中，
[0060]
图5(a)是待处理的图像；
[0061]
图5(b)是模板图t1；
[0062]
图5(c)是模板图t2；
[0063]
图5(d)表示的是图5(a)与图5(b)相乘的结果图；
[0064]
图5(e)表示的是图5(a)与图5(c)相乘的结果图；
[0065]
图6是本发明中细分类的流程图。
具体实施方式
[0066]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0067]
实施例
[0068]
本实施例主要针对锂电池电极表面缺陷提出了一种分类方法，用于对锂电池电极表面的亮缺陷和暗缺陷进行分类，其中，亮缺陷包括亮点、漏金属、气泡，暗缺陷包括黑点、条痕、脱碳。该分类方法首先利用指定区域灰度值变化，结合环形掩膜方法将六类缺陷图像分类为亮缺陷数据集和暗缺陷数据集；然后gabor滤波器对缺陷图像进行特征提取，最后利用利用随机森林对提取的特征在亮缺陷数据集和暗缺陷数据集两个大类里进行细分类得到最终的分类结果。
[0069]
图1是本实施例公开的一种锂电池电极表面缺陷的分类方法的流程图，下面通过具体实施例来进行说明。本实施例中分类方法包括以下步骤：
[0070]
s1、预处理：将锂电池电极表面缺陷图像调整为相同尺寸的大小，并进行归一化处理；
[0071]
s2、粗分类：首先使用最小二乘法拟合锂电池电极表面缺陷图像中指定区域的像素变化将亮点和漏金属从缺陷类别中分离出来，再根据特定的环形掩膜和随机森林分类器将气泡与暗缺陷分离，从而将锂电池电极表面缺陷图像分为亮缺陷数据集和暗缺陷数据集两个大类；
[0072]
s3、细分类：在粗分类得到的结果中，利用gabor滤波器对锂电池电极表面缺陷图像进行特征提取，再在亮缺陷数据集和暗缺陷数据集两个大类中各自使用随机森林分类器进行分类得到最终的分类结果。
[0073]
本发明提出的一种锂电池电极表面缺陷的分类方法通过以下技术方案进一步实现：
[0074]
本实施例中，步骤s1中对锂电池电极表面缺陷图像进行预处理的具体过程如下：
[0075]
s1.1、将锂电池电极表面缺陷图像的大小统一调整为m
×
n，此处，m＝n＝200；
[0076]
s1.2、对锂电池电极表面缺陷图像进行归一化处理，归一化方法如下：
[0077]
f(i,j)＝(i(i,j)
‑
g
min
)/(g
max
‑
g
min
)
[0078]
其中，i(i,j)是原始锂电池电极表面缺陷图像在(i,j)处的灰度值，f(i,j)是归一化之后的锂电池电极表面缺陷图像在(i,j)处的灰度值，g
max
和g
min
分别是原始锂电池电极表面缺陷图像中最大和最小的灰度值。
[0079]
本实施例中，步骤s2中对锂电池电极表面缺陷图像进行粗分类的具体过程如下：
[0080]
s2.1、使用最小二乘法拟合缺陷图像中指定区域的像素灰度值变化曲线i
c
得到直线i
l
；
[0081]
s2.2、计算曲线i
c
的波峰、波谷到直线i
l
垂直距离的差值δ：
[0082]
δ＝α
‑
β
[0083]
其中，α是曲线i
c
的波峰到直线i
l
的垂直距离，β是曲线i
c
的波峰到直线i
l
的垂直距离；
[0084]
s2.3、设置一个第一阈值t，δ大于第一阈值t时，对应的缺陷为亮点和漏金属；当小于第一阈值t时，对应的缺陷是除去亮点和漏金属之外其余四种类型的缺陷，第一阈值t的值根据下式自适应求得：
[0085][0086]
其中，m
lm
，m
bs
，m
ds
，m
de
，m
st
，m
bb
分别表示漏金属、亮点、黑点、脱碳、条痕和气泡这六类缺陷数据集的平均δ，min(
·
)表示最小值算子，avg(
·
)表示平均值算子，图3显示了此部分的处理过程，图4则直观地展示了亮点和漏金属与其他四类缺陷的区别；
[0087]
s2.4、根据缺陷形状自适应获得环形掩膜m
r
，在m
r
的作用下，每张锂电池电极表面缺陷图像被分为三个区域:环内区域(air)，环上区域(aar)以及环外区域(aor)；
[0088]
s2.5、等角度分割m
r
，得到两个掩膜t1和t2，他们将aar和aor各自分为s个小连通域和图5显示了利用模板将缺陷图像分为小连通域的结果；
[0089]
s2.6、计算每个小连通域和(i＝1,2,
…
,s)中灰度值的均值和方差，同时，分别计算灰度值为0的像素所占比例和最终，得到一个具有良好区分度的特征：
[0090][0091]
分别表示环上区域和环外区域的灰度值均值，分别表示
环上区域和环外区域的灰度值方差，分别表示环上区域和环外区域中0像素的占比，其中，占比，其中，占比，其中，和分别是每个和的总像素个数，和则是对应的环上区域aar以及环外区域aor的小连通域中0像素的个数；
[0092]
s2.7、利用随机森林分类器对上一步得到的特征f进行分类，将气泡与包括黑点、条痕、脱碳在内的三种暗缺陷分离，由此得到亮缺陷数据集和暗缺陷数据集。
[0093]
本实施例中，步骤s3中对锂电池电极表面缺陷图像进行细分类的具体过程如下：
[0094]
s3.1、利用gabor滤波器对锂电池电极表面缺陷图像进行特征提取得到(f
c1
,f
c2
,
…
f
cn
)，其中，c＝1,2,3,4,5，n为利用gabor滤波器提取到的特征向量的维数，图6表示的是提取的特征；
[0095]
s3.2、利用随机森林分类器在亮缺陷数据集和暗缺陷数据集里对s3.1获取的特征进行进一步的细分类，得到最终的分类结果。
[0096]
本实施例中，步骤s2.4中自适应获取环形掩膜m
r
的具体过程如下：
[0097]
s2.4.1、定义两个200*1的矩阵c和p，c表示的是图像指定区域的灰度值变化，p是c中每个灰度值对应的位置；
[0098]
s2.4.2、设定阈值t'，记录矩阵c中灰度值大于t'的点，将其对应在p中的位置值存放在一维数组i中，以图像中心横轴所在的位置为界限，由一维数组i得到一维数组i1和一维数组i2：
[0099]
i1＝[i
t1
](i
t1
＜100),i
t1
∈i
[0100]
i2＝[i
t2
](i
t2
＞100),i
t2
∈i
[0101]
其中，[]表示遍历一维数组i，将其中所有满足条件的值i
t1
或i
t2
取出来构成新的一维数组i1和i2，i
t1
和i
t2
均为属于一维数组i中的元素，一维数组i1存放的是图像上半部分中大于阈值t'的像素点，一维数组i2存放的是图像下半部分中大于阈值t'的像素点；
[0102]
s2.4.3、对一维数组i1的值由大到小进行遍历，标记出绝对间断点的值记为r
11
，同时，对一维数组i2的值由小到大进行遍历，标记出绝对间断点的值记为所述绝对间断点的产生是由于图像在缺陷处像素点十分密集，在缺陷与背景的交界处则变得稀疏；
[0103]
s2.4.4、计算环形掩膜的内径和外径：
[0104][0105][0106]
其中，h是锂电池电极表面缺陷图像的高度，在此处，h＝200；
[0107]
s2.4.4、设置一个h*h的零矩阵，以矩阵中心为圆环的圆心，以r1和r2为圆环的内径和外径构成一个圆环，环上区域像素灰度值设为1，由此构成环形掩膜m
r
，如图5(c)所示。
[0108]
在本实施例中，一共选取2158副缺陷图像进行实验，其中有1165副属于亮缺陷，亮点、漏金属和气泡各自有283、377和505副。至于暗缺陷，一共有993副，其中黑点有215副，脱碳有602副，而条痕只有176副。在实验中，我们分别选取每个类别的20％，15％，10％以及5％作为测试集样本，剩下的则作为训练集样本。实施例中将三种方法与本发明提出的方法
(pm)进行了比较，第一种方法是判别弹性网络正则化线性回归(denlr)，第二种方法是边缘弹性网络正则化线性回归(menlr)，优化的svm分类法(svm )是最后一种方法。
[0109]
本发明中所提出的分类方法在亮缺陷和暗缺陷这两个大类中各自会得到一个分类准确率，为了与其他几种方法进行更合理的对比，下式被用来将两个分类结果结合起来，以得到最终的分类精度：
[0110][0111]
n
b
和n
d
是测试集中亮缺陷和暗缺陷的数量，p
b
和p
d
分别是其对应的分类准确率，p是根据本发明所提方法最终得到的分类准确率。
[0112]
表1显示了不同方法最终的分类精度。粗体部分说明对应算法在每个数据集中的平均精度(mean)最高。斜体部分表示最小的标准差(std)，值越小，说明算法的鲁棒性越好。
[0113]
表1.不同方法在测试集图像数量不同情况下的分类精度表(十次实验平均值
±
标准差％)
[0114]
algdenlrmenlrsvm pm50.8551
±
2.60.8767
±
2.10.9921
±
0.30.9903
±
0.5100.9046
±
1.60.9014
±
1.40.9924
±
0.40.9857
±
0.3150.9229
±
1.00.9418
±
1.30.9938
±
0.30.9941
±
0.2200.9214
±
0.30.9251
±
0.30.9931
±
0.20.9930
±
0.1
[0115]
根据实验结果可以看出，本发明提出的先对缺陷粗分类为亮缺陷和暗缺陷极大的提升了缺陷分类的准确率，而基于svm进行优化后的算法分类准确率与pm非常相近，甚至还优于pm算法，至于为什么pm更胜一筹，表2可以给出答案。考虑到实际工厂的生产环境不仅对分类精度，而且对分类速度也有极高的要求，我们可以看到，在这个数据集中，与pm相比，svm 算法会消耗的大量时间。因此，其在分类精度上的微小优势几乎可以忽略不计。此外，显而易见的是pm的鲁棒性更好。
[0116]
表2.两种算法消耗的时长(秒)对比表
[0117][0118]
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。