基于機(jī)器視覺的鋰電池極耳焊接缺陷檢測(cè)技術(shù)研究與分析

高堂盼

（廣東利元亨智能裝備股份有限公司，廣東惠州 516000）

0 引言

隨著新能源產(chǎn)業(yè)的飛速發(fā)展，市場(chǎng)對(duì)鋰離子動(dòng)力電池的需求逐步增大。極耳焊接工藝是鋰電芯整個(gè)生產(chǎn)工藝鏈中較為關(guān)鍵的一部分，其焊接質(zhì)量和焊接精度會(huì)影響整個(gè)鋰電芯的性能和使用壽命，嚴(yán)重者可直接導(dǎo)致產(chǎn)品報(bào)廢。常規(guī)的軟包電芯的極耳是片狀、柔軟的多層結(jié)構(gòu)，常用的焊接方式有激光焊接、超聲波焊接等，在焊接過程中容易因裝夾、壓刀收攏等工序而產(chǎn)生褶皺、破損及翻折等缺陷。目前，國內(nèi)對(duì)極耳焊后產(chǎn)生的的缺陷檢測(cè)主要是依靠人工經(jīng)驗(yàn)肉眼檢測(cè)判斷，缺乏相應(yīng)的、比較系統(tǒng)的缺陷檢測(cè)規(guī)程作指導(dǎo)，而且受人為主觀因素的影響很大，很難保證檢測(cè)的準(zhǔn)確度和效率[1－2]。

隨著計(jì)算機(jī)技術(shù)、圖像處理技術(shù)的快速發(fā)展，近年來，很多國內(nèi)外學(xué)者、企業(yè)開始聚焦于機(jī)器視覺，希望借助機(jī)器視覺技術(shù)快速和精準(zhǔn)地實(shí)現(xiàn)鋰電芯極耳焊后的缺陷檢測(cè)[3－4]。機(jī)器視覺檢測(cè)技術(shù)是一種非接觸式的全新高效檢測(cè)技術(shù)，具備高精準(zhǔn)度、高效率、對(duì)產(chǎn)品零損傷等優(yōu)點(diǎn)，可有效地實(shí)現(xiàn)設(shè)備的生產(chǎn)自動(dòng)化以及高效柔性化，因此，利用機(jī)器視覺技術(shù)對(duì)鋰電芯焊后極耳檢測(cè)必將是未來的一大趨勢(shì)[5]。

本文首先對(duì)鋰電芯極耳焊后視覺檢測(cè)系統(tǒng)進(jìn)行了設(shè)計(jì)；然后基于圖像處理原理對(duì)采集的圖像進(jìn)行圖像預(yù)處理，并利用圖像差分的方法提取相應(yīng)的缺陷特征，實(shí)現(xiàn)缺陷的識(shí)別檢測(cè)；最后對(duì)整個(gè)視覺檢測(cè)系統(tǒng)進(jìn)行效果驗(yàn)證，驗(yàn)證機(jī)器視覺檢測(cè)方法的可行性及合理性。

1 機(jī)器視覺檢測(cè)系統(tǒng)

本文研究的機(jī)器視覺檢測(cè)系統(tǒng)是對(duì)鋰電芯多層極耳焊接后的質(zhì)量進(jìn)行自動(dòng)化檢測(cè)，其中焊點(diǎn)數(shù)量不足、焊點(diǎn)位置偏移、極耳折疊翻折的均為有缺陷的不合格產(chǎn)品，其檢測(cè)流程如圖1所示。

圖1 鋰電芯極耳缺陷檢測(cè)流程

圖2 所示為鋰電芯極耳焊后視覺檢測(cè)系統(tǒng)的方案設(shè)計(jì)，其中關(guān)鍵部分包括相機(jī)、鏡頭、同軸光源、球積分無影光、夾具、工控機(jī)以及視覺軟件。該檢測(cè)系統(tǒng)的視覺軟件是利用康耐視的圖像處理庫VisionPro 做圖像采集以及圖像處理，并在Visual Studio 2015 的編譯環(huán)境下進(jìn)行UI 界面二次封裝開發(fā)，實(shí)現(xiàn)圖像顯示、通訊設(shè)置、參數(shù)修改以及數(shù)據(jù)存儲(chǔ)等功能。

圖2 極耳缺陷檢測(cè)系統(tǒng)

2 焊后圖像預(yù)處理

圖像預(yù)處理的目的是去掉圖像中的噪點(diǎn)、干擾特征以及其他不相關(guān)的數(shù)據(jù)信息，加強(qiáng)圖像中的有用信息，提升后續(xù)特征提取的準(zhǔn)確性和穩(wěn)定性。

2.1 圖像濾波去噪

圖像在采集過程中會(huì)因?yàn)榕K污、鏡頭污染等環(huán)境等因素導(dǎo)致會(huì)存在不同程度的非規(guī)律性的噪點(diǎn)，因此，在不破壞圖像重要特征的前提下需要利用圖像濾波的方法去除無關(guān)的噪點(diǎn)，常用的圖像濾波算法有均值濾波、中值濾波和高斯濾波[6－7]。

均值濾波是一種區(qū)域平均法，該方法是利用一個(gè)卷積核（通常為3×3或5×5的奇數(shù)核大?。┭刂鴪D像逐行或者逐列運(yùn)動(dòng)，用卷積核區(qū)域內(nèi)的所有像素平均值代替中心像素的值，減少突變像素的影響，實(shí)現(xiàn)像素平滑，達(dá)到圖像去噪聲的目的。其公式如下：

式中：f (i,j) 為原圖像，是一個(gè)M×N 的陣列；v(x,y)為均值濾波后的圖像；U為卷積核；M為卷積核中所包含像素的總個(gè)數(shù)。

均值濾波可以實(shí)現(xiàn)圖像去噪，但是如果U 過大會(huì)同步造成圖像過于模糊，因此使用該方法時(shí)需要權(quán)衡圖像模糊程度和抑制噪聲的效果。

中值濾波是采用該像素點(diǎn)鄰域內(nèi)某個(gè)尺寸大小的二維卷積核滑動(dòng)窗口內(nèi)的所有像素點(diǎn)的中值替換該點(diǎn)原有的像素值，適用于去除圖像中單獨(dú)的噪聲點(diǎn)。其公式如下：

式中：x1,x2,x3,…,xn為原始數(shù)據(jù)；S1,S2,S3,…,S4為按大小順序排列過后的圖像數(shù)據(jù)。

其示例如圖3所示。

圖3 中值濾波原理

高斯濾波與前兩種方法略有不同，其利用的濾波器不是簡(jiǎn)單的求均值或者排序，而是調(diào)用一個(gè)二維離散的高斯函數(shù)，其在每一個(gè)方向的平滑程度都是一致的，能夠保留圖像更多的細(xì)節(jié)和邊緣特征，圖像相對(duì)更為清晰，平滑的效果也更加柔和。

各濾波算法處理效果如圖4 所示，焊點(diǎn)檢測(cè)選用的是中值濾波算法，該方法去除孤立的噪聲點(diǎn)比較有效，也能保留大部分邊緣信息，為后續(xù)的焊點(diǎn)輪廓提取奠定圖像基礎(chǔ)。

圖4 圖像濾波效果

2.2 圖像增強(qiáng)及分割

圖像增強(qiáng)的目的是對(duì)濾波后的圖像進(jìn)行灰度增強(qiáng)，突顯圖像中有用特征的信息，增強(qiáng)圖像的辨識(shí)度，削弱或消除其他無關(guān)的特征信息，本文使用的圖像增強(qiáng)方法是分段線性灰度增強(qiáng)。

分段線性灰度增強(qiáng)可以對(duì)圖像的灰度進(jìn)行分段線性擴(kuò)展，增強(qiáng)前景和背景的對(duì)比度，壓縮含有不必要特征的圖像灰度。分段線性灰度增強(qiáng)的算法表達(dá)式如下：

式中：f (x,y)為原始輸入圖像，其灰度等級(jí)是從0 級(jí)到M級(jí)；g(x,y)為增強(qiáng)后的圖像，其灰度等級(jí)是從0 級(jí)到N 級(jí)；[a,b]是原始圖像的一個(gè)灰度區(qū)間；[c,d]為增強(qiáng)后圖像中的一個(gè)灰度區(qū)間。

依據(jù)式（3）可知，如果a＝c、b＝d，則變換后的g(x,y)＝f (x,y)，圖像未實(shí)現(xiàn)灰度變換；如果a>c，bd，區(qū)間[a,b)內(nèi)的圖像灰度值會(huì)被線性縮小，其增強(qiáng)效果如圖5所示。

圖5 圖像增強(qiáng)效果對(duì)比

圖像分割是從圖像中提取出鋰電芯極耳焊接處特征ROI的過程，本文采用的是最大類間方差法（也稱OSTU法）對(duì)濾波后的圖像進(jìn)行閾值分割，其基本原理是通過選定的最佳閾值將圖像二值化，最大程度地將圖像的背景與前景區(qū)分開，突顯出所需的特征[8]。

最佳閾值的選取是整個(gè)圖像分割過程中最關(guān)鍵的部分，其設(shè)置過程將會(huì)影響圖像分割的準(zhǔn)確性和后續(xù)特征提取的準(zhǔn)確性[9－10]。

假設(shè)圖像的灰度級(jí)為K，ni為灰度級(jí)為i 的像素?cái)?shù)，則其像素?cái)?shù)總和N為：

對(duì)直方圖進(jìn)行歸一化處理：

式中：pi為灰度級(jí)，為i的像素?cái)?shù)所占總像素?cái)?shù)的比例。

假設(shè)原始圖像的最佳閾值為t，利用t 可以將圖像劃分為兩類像素集合D0和 D1，其中 D0＝(0,1,2,…,t),D1＝(t＋1,t＋2,…,K)，其出現(xiàn)的概率和均值分別為：

式中：ω0、μ0為像素集合D0在圖像中出現(xiàn)的概率和均值；ω1、μ1為像素集合D1在圖像中出現(xiàn)的概率；μT為整幅圖的平均灰度。

D0集合類以及D1集合類的方差分別為：

式中：σ02為像素集合D0的方差；σ12為像素集合D1的方差。

D0集合類以及D1集合類的類內(nèi)方差和類間方差分別為：

像素集合類的分離性判決準(zhǔn)則為：

根據(jù)η(t)判定準(zhǔn)則，可以求出將圖像分離成D0和D1的最佳閾值t：

利用OSTU閾值分割法對(duì)增強(qiáng)后的圖像進(jìn)行分析，得到最佳閾值t＝112；再利用最佳閾值t 對(duì)原始圖像進(jìn)行二值化處理后，能很好地將背景像素與前景像素分開，如圖6所示[11]。

圖6 圖像分割效果對(duì)比

2.3 特征提取

通過對(duì)鋰電池的焊后圖像進(jìn)行預(yù)處理后，焊印區(qū)域的圖像特征會(huì)最大程度地被突顯出來，以利于對(duì)焊點(diǎn)數(shù)量、焊點(diǎn)位置、多層極耳進(jìn)行識(shí)別檢測(cè)。

針對(duì)鋰電芯焊后的缺陷檢測(cè)，關(guān)鍵在于焊點(diǎn)數(shù)量特征和位置特征的提取，首先利用線性灰度增強(qiáng)后的圖像對(duì)焊后極耳特征進(jìn)行定位，再利用閾值分割圖像找到各焊點(diǎn)中心坐標(biāo)和多層極耳的輪廓邊緣，并依據(jù)各個(gè)焊點(diǎn)中心坐標(biāo)擬合出焊印區(qū)域中心坐標(biāo)，求出焊印區(qū)域的相對(duì)位置，如圖7所示。

圖7 圖像特征提取原理

3 實(shí)驗(yàn)效果

為了驗(yàn)證本文針對(duì)鋰電芯極耳焊后缺陷檢測(cè)所設(shè)計(jì)的機(jī)器視覺檢測(cè)系統(tǒng)的算法穩(wěn)定性和準(zhǔn)確性，本文利用康耐視的Vi?sionPro圖像處理庫基于Visual Studio 2015的IDE編譯環(huán)境，對(duì)生產(chǎn)好的500 個(gè)鋰電芯焊點(diǎn)缺陷進(jìn)行檢測(cè)試驗(yàn)，判定焊點(diǎn)數(shù)量、焊點(diǎn)位置以及極耳狀態(tài)是否符合設(shè)定參數(shù)值，其試驗(yàn)結(jié)果如表1所示。由表可知，合格的產(chǎn)品總共有490個(gè)，其中正確識(shí)別的數(shù)量為484個(gè)，檢出率98.77%，誤判數(shù)為6個(gè)，誤判率1.2%，誤判的原因主要是極耳翻折檢測(cè)參數(shù)規(guī)格設(shè)置過嚴(yán)，后續(xù)持續(xù)優(yōu)化參數(shù)即可解決，不合格的產(chǎn)品數(shù)是10個(gè)，全部檢出。

表1 試驗(yàn)結(jié)果

4 結(jié)束語

本文基于機(jī)器視覺對(duì)鋰電芯極耳焊后缺陷檢測(cè)系統(tǒng)進(jìn)行了設(shè)計(jì)與分析，采用中值濾波、分段線性灰度增強(qiáng)以及OSTU法對(duì)圖像進(jìn)行預(yù)處理，提取了鋰電芯極耳焊后焊點(diǎn)特征，實(shí)現(xiàn)了鋰電芯極耳焊后缺陷的非接觸式實(shí)時(shí)檢測(cè)，并對(duì)整個(gè)視覺檢測(cè)系統(tǒng)進(jìn)行了試驗(yàn)驗(yàn)證，結(jié)果表明本視覺檢測(cè)系統(tǒng)可以滿足檢測(cè)需求。通過本系統(tǒng)可將視覺判定結(jié)果發(fā)送給PLC 控制模塊，控制執(zhí)行端運(yùn)動(dòng)，實(shí)現(xiàn)機(jī)械系統(tǒng)、電氣控制系統(tǒng)以及視覺檢測(cè)系統(tǒng)聯(lián)動(dòng)自動(dòng)運(yùn)行，提高了生產(chǎn)效率以及檢測(cè)精度，具有廣泛的應(yīng)用前景。