一种锂电池单元缺陷检测方法
【技术领域】
[0001] 本发明涉及自动化生产中的缺陷检测领域，尤其涉及一种锂电池单元缺陷检测方 法。
【背景技术】
[0002] 近年来，随着微电子技术的发展，小型化设备日益增多，锂电池在日常生活中随处 可见，广泛应用于手机、笔记本电脑等数码产品，以及汽车、轮船等交通运输工具中。
[0003] 本发明中检测的锂电池单元采用叠片工艺，将电池正负极片及隔膜放在一起进行 热合，组成电池单元片，通过单元片的叠加形成电堆，容量设计空间大。这种锂电池生产工 艺的特点是：采用电极集流体材料预处理工艺及负极材料和电极金属网格粘接剂配方，使 电极材料能更好的粘接，降低接触电阻，提高基体材料和活性材料的粘和强度，并适用于高 倍率充放电环境；采用隔膜技术使电池安全性和功能性大大提高，并与其电解液有好的相 溶性，具有高低温性能和耐充耐穿刺性能。该工艺的优点是，采用网状集体流，可瞬间分散 大电流，分散热量高；高分子隔膜，无游离态电解质，安全性高；可塑性强，形状不受限制， 可做成三角形、圆形等任意形状；循环寿命高。但这种工艺的缺点是对于制作精度要求高， 尤其是对于锂电池单元的要求很高。在锂离子电池生产过程中，如果锂电池单元出现质量 问题，会直接影响电池的性能和使用安全。因此，对于锂电池单元进行缺陷检测是生产中一 个必不可少的环节。传统的依靠人工检测的方法检测效率低、工人劳动强度大，也无法满 足锂电池大批量生产的要求，因此急需一种能够准确和有效进行锂电池单元质量检测的方 法。本发明采用机器视觉的方法进行锂电池单元的缺陷检测，可以准确、高效地判断锂电池 单元质量，提高生产效率和产品质量，降低成本。该方法通过工业相机采集到锂电池单元的 图像，通过计算机处理算法判断锂电池单元的质量。
[0004] Corinna Cortes 和 Vladimir Vapnik 在 1995 年提出 了支持向量机（Support Vector Machines，SVM)，用于解决二分类问题[1]。由于它可以较好地解决小样本、非线性以 及维数灾难等问题，近年来被广泛应用与于模式分类和回归问题等多种领域 [2]，例如人脸 识别、文本分类等。在随后的发展中，主成分分析（PCA)[3]、非负矩阵分解 [4]等数据处理方 法被应用在图像分类中，可以有效的将高维图像投影到低维子空间中，降低计算复杂程度， 提高运算速度。但是SVM在图像分类过程中，需要将每幅图像用一个行向量或列向量表示， 因此每个训练样本对应一个很大的向量空间，运算时间很长，还可能破坏图像矩阵的二维 结构，导致分类准确度低、分类速度慢。
【发明内容】
[0005] 针对目前人工检测锂电池单元缺陷成本高、效率低，无法满足快速、高质量生产锂 电池的要求，本发明提出一种锂电池单元缺陷检测方法，该方法利用机器视觉技术，获取锂 电池单元的图像，在对锂电池单元图像进行图像预处理之后，采用支持Tucker机的方法， 对缺陷进行机器学习和分类，从而得到高准确率的缺陷检测结果。该发明的优点在于：一方 面克服了锂电池单元人工检测的低效率、低准确性的问题，另一方面应用支持Tucker机的 学习方法，对图像进行高维数据分解，保持图像数据的多维结构中的特征，解决了支持向量 机等常用学习方法存在的图像二维结构被破坏而引起的检测结果不准确的问题，从而能够 得到准确的高质量的锂电池单元检测结果，提高锂电池的产品质量。
[0006] 采用机器视觉技术，利用工业相机，配合机械手的转动，可以获取锂电池单元正反 两面的图像。锂电池单元的缺陷分为极耳缺陷、隔膜缺陷和极网缺陷，本发明针对锂电池单 元的缺陷，采用锂电池单元的图像，进行基于机器学习方法的缺陷检测。
[0007] 本发明中，以张量为基础，采用支持Tucker机（Support Tucker Machines，STuMs)
[5]的方法对锂电池单元的缺陷进行检测。支持Tucker机是通过Tucker分解 [6]得到一个 张量形式的权重参数。此方法的优点在于，权重参数用张量表示，以张量形式输入图像数 据，从而使得图像结构得到更有效的保留。Tucker分解把一个张量分解成一个核心张量沿 每一阶乘以一个矩阵的形式，当合理选择系数矩阵的时候，最重要的主成分可以得到保留。
[0008] 本发明的主要思想如下：采用机器视觉技术采集得到锂电池单元的图像，首先 利用数字图像处理的方法，对采集到的锂电池单元图像进行图像预处理，然后运用支持 Tucker机，对预处理后的有缺陷和无缺陷的图像进行训练，得到权重张量和核心张量，最后 通过得到的参数，对锂电池单元图像进行预测，完成锂电池单元有无缺陷的分类，实现对于 锂电池单元质量的检测。
[0009] 下面先介绍支持Tucker机分类方法，然后对本发明的具体步骤进行详细说明。
[0010] -个张量就是一个多维数组。向量是一阶张量，矩阵是二阶张量，三阶及三阶以上 张量为高阶张量。本发明中，用小写字母表示标量（如a)，用加粗小写字母表示向量（如 a)，用大写字母表示矩阵（如A)，用加粗的大写字母表示高阶张量（如A)。％表示向量a 的第i个元素，Au)i表示张量A的第j阶的第i列。
[0011] 支持Tucker机分类器中的权重参数W是通过Tucker分解得到的张量。M阶张量 妒e R/|X/2X' 4'的Tucker分解形式为
【主权项】
1. 一种锂电池单元缺陷检测方法，利用机器视觉方法，获得锂电池单元两面的图像，采 用基于学习的方法根据图像对锂电池单元是否存在缺陷进行检测，其特征在于： (1) 缺陷检测通过以下两个步骤完成： 第一步是支持Tucker机训练，确定训练样本集和测试样本集，其中都含有各类典型 的缺陷图像和无缺陷图像，这些图像都是经过图像预处理的同样大小的图像，其训练基于 STuMs方法，目的是计算出训练样本集的权重张量W，核心张量G和偏置项b，在训练的时候， 读入训练样本集，构成一个三阶张量A： eR~2X/3，1:和I 2分别表示图像的长和宽，I 3表示训 练样本个数，设置样本标签，方法是有缺陷图像的标签为1，无缺陷图像的标签为-1，并设 置最大迭代次数max_iter，停止阈值epsilon和张量的阶数R，算法步骤如下： (a) 随机初始化权重张量W为1X2的单元阵列，核心张量G为RX R大小的张量； (b) 计算权重张量W，方法是对权重张量W的第j阶做如下运算：计算矩阵 尸⑴=;对X的每一阶进行张量展开，得到矩阵X，X = 以/^⑴X，并将 X重构为一个列向量X，将所有样本的χτ组成一个矩阵Phi，把Phi分解为两个分量，其中输 出分量为训练样本标签X_labels，对其进行SVM训练，得到用SVM计算出来的权重，并且重 写为列数为R的矩阵，与相乘，得到权重张量w的第j阶； (C)计算核心张量G，方法是用上一步中得到的权重张量W和X的每一阶相乘，并且 写成一个2I3XR2的矩阵Phi，将Phi分解为两个分量，其中输出分量为训练样本标签X_ labels，对其进行SVM训练得到权重和偏置项b，并将权重写为RX R大小，得到核心张量G ; (d)重复（a)、（b)的步骤，当迭代次数大于最大迭代次数或者W的变化率小于停止阈 值时结束循环，得到权重张量W，核心张量G和偏置项b ; 然后对多个测试样本进行检测，方法是将其余的样本读入，作为测试样本集，构成一个 三阶张量F e RW/4，I4表示测试样本个数，由权重张量W，核心张量G构成一个Tucker张 量，将测试张量与构成的Tucker张量做内积，所得结果加上偏置项b，得到预测标签，大于 零的记为1，即预测为有缺陷图像；小于零的记为-1，即预测为无缺陷图像； 第二步是应用支持Tucker机进行检测，方法是对于要检测的锂电池单元，采用经过图 像预处理后的锂电池单元正反面的图像作为测试集，构成一个三阶张量FeR^4，14表示 要检测的锂电池单元图像的数量，由第一步中训练得到的权重张量W，核心张量G构成一个 Tucker张量，将测试张量与构成的Tucker张量做内积，所得结果加上偏置项b，得到检测结 果，大于零的检测结果为有缺陷图像，小于零的检测结果为无缺陷图像； (2) 前述的图像预处理，是指如下的图像处理方法：如果是彩色图像，先把彩色图像转 化为灰度图像；对图像分别应用均值滤波器和高斯滤波器进行滤波，再将两次滤波得到的 结果图像做差，并将图像进行缩放统一到相同大小； (3) 前述最大迭代次数max_iter，停止阈值epsilon和张量的阶数R参数，其确定方法 是：通过网格法进行参数寻优，并利用交叉验证方法进行测试验证，将样本分割成K个子样 本集，每次保留一个样本集作为测试样本，其余作为训练样本进行验证，平均K次的结果， 得到的分类正确率最高的参数值就确定为最终使用的参数值。
【专利摘要】本发明提供一种锂电池单元缺陷检测方法，其主要思想是，对锂电池单元正反两面图像进行采集，运用支持Tucker机方法，先利用预处理后的有缺陷和无缺陷的电池单元图像集进行训练，得到权重张量和核心张量及其他参数，然后应用训练得到的参数对待检测的单元图像应用支持Tucker机的方法进行判断，完成有缺陷和无缺陷的分类，从而得到检测结果。本发明利用支持Tucker机，使用Tucker分解得到张量形式的权重参数，这种方法可以完整保留图像数据的信息和结构，提高了分类准确度。本发明可以广泛应用于基于图像的缺陷检测。
【IPC分类】G06K9-66, G06T7-00, G06K9-62
【公开号】CN104751447
【申请号】CN201510016568
【发明人】马立勇, 张湧, 马家辰, 胡玥红
【申请人】哈尔滨工业大学（威海）
【公开日】2015年7月1日
【申请日】2015年1月10日