背景技术：
：：电池拥有巨大的消费市场，随着电池消费者对电池的品质要求日益提高，在激烈的市场竞争下，高品质的电池更容易在众多电池厂商中脱颖而出，并且不良品电池也有各种危害，如电池表面的磕碰伤可能导致漏液，对人体造成伤害；又如电池的电压如果低于或高于额定，会可能对用电设备造成损伤。目前电池的检测多采用人工抽样检测，这种检测方式有明显的缺点，如漏检、缺少统一标准、人工长时间工作易疲劳等等，所以传统的电池检测方式已经无法满足现有的电池生产需求，随着视觉算法理论与计算机硬件性能的不断发展，使得通过视觉技术实时检测电池缺陷存在可行性。技术实现要素：发明目的：本发明提供一种基于视觉检测的形锂电池圆周面凹坑的方法，其目的是解决以往所存在的问题，其代替人工检测，通过计算机实现凹坑缺陷的自动化检测。该方法首次利用梯度图像生成共生矩阵获取纹理特征并首次提出加权迹这一特征用于锂电池圆周面凹坑检测。技术方案：一套基于视觉检测的柱形锂电池圆周面检测方法，其特征在于该方法的步骤如下：(1)利用图像处理算法对定位图像中电池：1)确定电池搜索范围，因为电池图像为固定位置触发捕获，电池在图像中的位置总是在一个可以确定的范围；2)使用canny边缘检测，利用边缘宽度和图像的位置，找到电池最上边缘：由于canny算子能有效地去除图像中的伪边缘点，在电池感兴趣区域定位出来之后，采用canny算子提取电池边缘，canny算子的计算步骤为高斯滤波、计算图像梯度的幅值和方向、非极大值抑制，最后使用双阈值t_h和t_l去除伪边缘点。经过实验调试，本文中取t_h＝225，t_l＝45°确定水平跨度大于30个像素点且垂直方向在最上方的边缘为所要定位的边缘；3)确定电池位置和大小，因为相机与电池的距离固定，根据拍摄到的图像测量即可确定大小。根据上步骤确定的边缘计算边缘的中心点，首先计算边缘上所有点横坐标的均值，在求出位于边缘上距离均值点最近的点作为中心点。以中心点为最上边的中点按电池大小绘制矩形，该矩形即电池的区域。(2)利用图像处理算法生成电池缺陷特征：1)计算电池图像的垂直方向梯度，使用sobel算子来计算梯度；2)缩减图像的灰度级规模，图像原灰度级数为256，本发明中缩减至16；3)从梯度图像计算灰度共生矩阵，共生矩阵的生成方向为90°，像素对距离为1；4)从共生矩阵生成4种常见的特征，即角二阶矩、对比度、倒数差分矩和熵，并根据缺陷的特点，生成本发明定义的加权迹特征。角二阶矩的定义为：对比度的定义为：倒数差分矩的定义为：熵的定义为：由于缺陷在梯度图像中表现为较明显的块状区域，缺陷的出现会影响元素对出现的频次，通过观察大量样本生成的共生矩阵，发现矩阵左上角的对角线上的元素(下标较小的元素)值在不同样本的矩阵中的差值不大，矩阵右下角的对角线元素(下标较大的元素)在无缺陷样本中通常等于零或接近于零，而在有缺陷样本中通常为大于零的值，可以通过使下标较小的元素获得较小的权值，以缩小对迹的结果的影响。使下标较大的元素获得较大的权值，以放大对迹的结果的影响。本文创新地将其定义为共生矩阵的加权迹(wtr)，并用之描述缺陷样本的特征，wtr定义为：(3)进行特征筛选，从上步中获得的特征筛选出对缺陷分类效果最好的特征组合：1)列出所有的特征向量组合，角二阶矩(asm)、对比度(con)、倒数差分矩(idf)、熵(ent)和加权迹(wtr)等五种特征的组合共30种，其中使用两种特征的组合共10种，使用三种特征的组合共9种，使用四种特征的组合共5种，使用五种特征的组合共1种；2)对所有的特征向量组合，使用测试图库进行测试，每种组合测试多次，综合结果的漏识率、漏识率方差等信息，确定最好的特征组合。(4)确定人工神经网络分类器的隐含层单元数：隐含层单元数由实验确定，使用测试图库对不同隐含层单元数测试，每种单元数测试多次，综合多次实验漏识率结果，结果取漏识率最小以及单元数较小的。(1)步骤的“3)”步骤中：提取到上沿的边缘后，通过该边缘定位电池，上沿明亮曲线的中心点十分趋近电池上沿弧线的中点，将该中心点看作电池框定矩形上边的中点，该点的具体计算过程；step1:利用式(1)计算边缘点集合中横坐标的均值xmean；其中为边缘点集合中第i个点的x坐标值，n为点集合中点的数量；step2:边缘的中心点由式(2)计算；即求横坐标中距离横坐标均值最近的点；由于电池在相机视场内的大小固定，根据中心点即可提取电池区域。(2)步骤中：从整幅图像提取的纹理特征值不能很好区分有无缺陷，因此，将卷积后的图像按行等分为k个相同大小的矩形区域，每个区域称为子样本；计算子样本的灰度共生矩阵，可以统计图像中像素对出现的频度，常用于生成图像的纹理特征值；矩阵大小为l*l，其中l为图像灰度级数，考虑在线实时计算效率，灰度级缩放方法见式：统计垂直方向邻接像素对出现的频度，即生成垂直方向像素对位置为1的灰度共生矩阵。由灰度共生矩阵生成的特征值有角二阶矩(asm)、对比度(con)、倒数差分矩(idf)与熵(ent)、加权秩(wtr)5种；将特征组合用“1”和“0”的字符串表示，设使用某特征表示为1，不使用某特征表示为0，如使用第一种、第三种和第四种特征，不使用第二种和第五种特征，则该特征组合可表示为10110；角二阶矩(asm)、对比度(con)、倒数差分矩(idf)、熵(ent)和加权迹(wtr)等五种特征的组合共30种，其中使用两种特征的组合共10种，使用三种特征的组合共9种，使用四种特征的组合共5种，使用五种特征的组合共1种。优点及效果：本发明专利提供一种基于视觉检测的锂电池圆周面凹坑缺陷检测方法，其能有效地通过计算机处理相机捕获的电池图片，并利用图像处理及机器学习算法判断电池有无缺陷。该方法可以通过边缘检测算子和边缘高度及长宽比等信息定位图像中的电池，并截取电池区域用于后续算法。通过生成垂直方向的梯度图像，可以有效排除光照等因素的干扰，获得更可靠的电池纹理信息。通过选择生成梯度图像的灰度共生矩阵，有助于分析图像的纹理信息，从计算量较大的整幅电池图像转到计算量较小的灰度共生矩阵，有效节约程序运行时间，提高检测效率。从灰度共生矩阵中提取特征，在四种常用特征的基础上，根据凹坑缺陷的特征，提出了一种用于表达凹坑缺陷的全新的特征值加权迹，由于共生矩阵左上角的对角线上的元素(下标较小的元素)值在不同样本的矩阵中的差值不大，矩阵右下角的对角线元素(下标较大的元素)在无缺陷样本中通常等于零或接近于零，而在有缺陷样本中通常为大于零的值，通过使下标较小的元素获得较小的权值，以缩小对迹的结果的影响，使下标较大的元素获得较大的权值，以放大对迹的结果的影响，这样使加权迹的最终运算结果在有缺陷样本中数值较大，而无缺陷样本中数值较小。将得到的五种特征进行特征筛选，通过实验选择综合漏识率、方差和零漏识次数，可以进一步提高缺陷检出率和优化检测程序运行时间。最后，通过测试不同隐含层的漏识率，使得漏识率最低的同时，网络结构在尽可能简化。附图说明：图1图像采集平台；图2为硬件位置关系；图3为canny边缘检测结果；图4为电池定位结果；图5为凹坑电池成像；图6为sobel算子运算结果。具体实施方式：本项目模拟电池的真实生产现场设计了图像采集实验平台，平台包括含与实际生产线相同的电池传送装置和本项目组设计的图像采集系统。电池传送装置上的滚轮可在向前运动的同时自转，自转带动电池旋转，在电池旋转时连续拍摄4张图片，实现捕获完整的电池圆周面。图像采集平台装置详见图1。平台中的图像采集系统包括黑白面阵相机，条形白色辅光源。为使凹坑缺陷在电池成像中表现出明显的灰度变化，辅光源从电池斜上方入射，面阵相机则垂直向下拍摄电池。相机、光源与电池的位置关系如图2所示。本文使用该平台采集了394幅电池图像。使用canny算子检测电池边缘，canny算子的计算步骤为高斯滤波、计算图像梯度的幅值和方向、非极大值抑制，最后使用双阈值th和tl去除伪边缘点。经过实验调试，本文中取th＝225，tl＝45，提取结果如图3。提取到上沿的边缘后，通过该边缘定位电池，如前文所述，上沿明亮曲线的中心点十分趋近电池上沿弧线的中点，可将该中心点看作电池框定矩形上边的中点，下面论述该点的具体计算过程。step1:利用式(1)计算边缘点集合中横坐标的均值xmean。其中为边缘点集合中第i个点的x坐标值，n为点集合中点的数量。step2:边缘的中心点由式(2)计算。即求横坐标中距离横坐标均值最近的点。由于电池在相机视场内的大小固定，根据中心点即可提取电池区域。经过调试，确定电池在图像中的高度为800px，宽度为200px，电池定位结果如图6所示。图5为侧面凹坑的典型成像。对图5使用垂直方向卷积结果如图6所示。由于光源从电池垂直方向入射，凹坑缺陷的灰度值变化在该方向更明显。从整幅图像提取的纹理特征值不能很好区分有无缺陷，因此，将卷积后的图像按行等分为k个相同大小的矩形区域，每个区域称为子样本。计算子样本的灰度共生矩阵，可以统计图像中像素对出现的频度，常用于生成图像的纹理特征值。矩阵大小为l*l，其中l为图像灰度级数，图像灰度级数为256，考虑在线实时计算效率，本文l取值16，灰度级缩放方法见式：由于梯度图像为垂直方向，为了获得该方向的纹理特征，统计垂直方向邻接像素对出现的频度，即生成垂直方向像素对位置为1的灰度共生矩阵，所以本文取d＝1，θ＝90°。由灰度共生矩阵生成的特征值有角二阶矩(asm)、对比度(con)、倒数差分矩(idf)与熵(ent)、加权秩(wtr)5种。将特征组合用“1”和“0”的字符串表示，设使用某特征表示为1，不使用某特征表示为0，如使用第一种、第三种和第四种特征，不使用第二种和第五种特征，则该特征组合可表示为10110。角二阶矩(asm)、对比度(con)、倒数差分矩(idf)、熵(ent)和加权迹(wtr)等五种特征的组合共30种，其中使用两种特征的组合共10种，使用三种特征的组合共9种，使用四种特征的组合共5种，使用五种特征的组合共1种。隐含层单元数在本实验中暂取10、20与30，每次使用75％的样本作为训练集。实验测试所有特征组合的漏识率和错识率，共测试70次，统计所有测试结果平均值、漏识方差与零漏检实验次数，实验结果如表1所示。表1不同特征组合实验结果因为本文分类问题为二分问题，所以输出向量为二维，即正样本输出向量为[0,1]，负样本输出向量为[1,0]；隐含层单元数目前尚无固定明确的方法，一般根据经验和实验结果确定[15]，本文通过实验确定隐含层单元数。从6开始，每次实验测试单元数递增1，分别测试10次，结果取所有次数的平均值。训练使用80％的样本作为训练集，其余样本作为测试集，测试集共142个样本。表2显示了隐含层单元数从6至25的测试结果。根据实际生产需求，为了提高产品质量，希望电池缺陷的漏识率达到最低，。由实验结果可以看出当隐含层单元数为7与8时漏识率在所有测试次中最低，而隐含层单元数为8时，时间开销较小，所以确定8为隐含层单元数量。表2不同隐含层数测试结果对整图样本进行实验，每个样本识别结果从所有子样本的结果统计而来，当至少一个子样本预测为有缺陷时，认为此样本有缺陷，否则认为此样本无缺陷。结合表2的实验结果，取隐含层数为8，整图样本测试实验结果见表3。表3整图测试结果table.3testingresultsofentireimage综上所述：本文提出一种基于视觉检测的柱形锂电池圆周面凹坑检测方法。该方法利用电池的垂直方向梯度图像，生成灰度共生矩阵，提取了角二阶矩、对比度、倒数差分矩和熵四种常用特征，又根据凹坑图像的特征，定义了加权迹这一新的特征用于分类。通过特征组合筛选，得到最佳的特征组合，提升了检测效率和缺陷检出率。通过调整神经网络隐含层的数量，进一步降低了漏识率和误识率。此方法拥有较低的漏识率和误识率，能够很好的实现柱形锂电池柱面凹坑缺陷视觉检测。当前第1页12当前第1页12