基于Gabor濾波與分水嶺算法的鋰電池極片缺陷檢測(cè)方法

周文一, 李林升, 陶怡帆, 毛偉生

(上海電機(jī)學(xué)院 電氣學(xué)院,上海 201306,E-mail: 492171611@qq.com)

鋰電池制造過(guò)程工序繁多,對(duì)設(shè)備精度要求較高。鋰電池極片是鋰電池的重要組成部分,加工過(guò)程中振動(dòng)或受外力不均勻時(shí)均容易造成極片缺陷,缺陷會(huì)對(duì)鋰電池的性能造成嚴(yán)重的影響。為提高鋰電池極片缺陷檢測(cè)效率,很多學(xué)者探索鋰電池缺陷自動(dòng)化檢測(cè)方法。黃夢(mèng)濤等[1]針對(duì)傳統(tǒng)Canny算子的缺點(diǎn),提出了一種改進(jìn)的Canny算子的鋰電池極片缺陷檢測(cè)方法。陳功等[2]采用最大熵閾值實(shí)現(xiàn)圖像分割并用高斯模型實(shí)現(xiàn)缺陷目標(biāo)的分類。胡玥紅等[3]使用中值濾波器和Sobel算子結(jié)合的方法對(duì)鋰電池極耳檢測(cè)。上述方法對(duì)圖像背景存在大量雜波的缺陷適用性較弱,而Gabor濾波器能夠?qū)崿F(xiàn)有背景雜波的缺陷檢測(cè)。史漫麗等[4]通過(guò)構(gòu)造Gabor核函數(shù)來(lái)自適應(yīng)構(gòu)建Gabor濾波器實(shí)現(xiàn)對(duì)紅外弱小目標(biāo)檢測(cè)。屈爾慶等[5]對(duì)傳統(tǒng)Gabor濾波器進(jìn)行復(fù)合差分進(jìn)化,提高了Gabor濾波器的效率。而鋰電池極片圖像背景與缺陷灰度差異較小,背景噪聲較多,上述方法對(duì)鋰電池極片缺陷檢測(cè)適用性不強(qiáng)。

為了提高鋰電池極片缺陷檢測(cè)的準(zhǔn)確性,本文提出一種基于自適應(yīng)Gabor濾波器和分水嶺分割算法融合的檢測(cè)方法。該方法首先增加調(diào)整參數(shù),并根據(jù)圖像灰度值比例,自適應(yīng)調(diào)整Gabor濾波器參數(shù),得到濾除背景的缺陷,然后使用分水嶺算法[6]實(shí)現(xiàn)缺陷的邊緣提取,最終實(shí)現(xiàn)鋰電池極片的缺陷檢測(cè)。

1 檢測(cè)流程

本文檢測(cè)方法流程如圖1所示。主要步驟為圖像預(yù)處理,便于后續(xù)檢測(cè);傳統(tǒng)Gabor濾波器改進(jìn)的自適應(yīng)Gabor濾波器;分水嶺邊緣檢測(cè)算法提取缺陷輪廓;缺陷框定,輸出檢測(cè)結(jié)果。

圖1 算法流程圖

2 圖像預(yù)處理

在鋰電池的缺陷檢測(cè)工作中,使用CCD相機(jī)對(duì)極片表面進(jìn)行圖像采集。采集后的原圖像缺陷大小不一,采用截圖,縮放等操作,統(tǒng)一處理為300×300大小的圖像。然后再進(jìn)行圖像灰度化,便于后續(xù)的Gabor濾波。預(yù)處理前的圖像如圖2(a)所示,預(yù)處理后的圖像如圖2(b)所示。

圖2 預(yù)處理前后圖像

3 圖像Gabor濾波

3.1 Gabor變換與Gabor函數(shù)

為了消除缺陷圖中存在的噪聲干擾,對(duì)圖像進(jìn)行Gabor濾波。

Gabor函數(shù)的基本形式[7]如(1)所示:

(1)

其中:ga(t)為窗函數(shù)。

對(duì)于圖像處理,使用二維的Gabor濾波器,即一個(gè)正弦函數(shù)與高斯函數(shù)作為窗函數(shù)進(jìn)行疊加,可以得到二維Gabor函數(shù)的表達(dá)式[7]如(2)所示:

(2)

其中:x′=xcosθ+ysinθ,y′=-xsinθ+ycosθ;參數(shù)λ表示濾波的波長(zhǎng);θ表示Gabor核函數(shù)圖像的傾斜角度;ψ表示相位偏移量,方差σ取值范圍是-180°～180°,表示高斯函數(shù)的標(biāo)準(zhǔn)差;γ表示長(zhǎng)寬比,決定這Gabor核函數(shù)圖像的橢圓率,通常取0.5。傳統(tǒng)的Gabor濾波采用固定權(quán)值的方式,通過(guò)設(shè)定上述參數(shù)進(jìn)行濾波,提取圖像特征。

3.2 Gabor濾波器的改進(jìn)

Gabor濾波器共有5個(gè)參數(shù)可以調(diào)整,傳統(tǒng)Gabor濾波通常使用多個(gè)Gabor濾波器形成多通道Gabor濾波器提取多尺度多方向下的特征提取。基于Gabor小波和SVM的人臉?biāo)惴ㄗR(shí)別研究[8]中使用了5個(gè)尺度,8個(gè)方向的Gabor濾波器;基于Gabor濾波的虹膜多特征提取及融合識(shí)別方法研究[9]中使用了5個(gè)尺度,8個(gè)方向的Gabor濾波器;形狀標(biāo)記圖Gabor小波的交通標(biāo)志識(shí)別[10]中使用了6個(gè)尺度,6個(gè)方向的Gabor濾波器。

圖3 傳統(tǒng)Gabor濾波后的圖像

由圖3可知,傳統(tǒng)Gabor濾波方法并不能有效得到缺陷狀態(tài)特征,且相差π方向的特征圖存在重復(fù)。

圖4 改進(jìn)的Gabor濾波生成的部分圖像

3.3 Gabor濾波器的自適應(yīng)

由圖4可知,改進(jìn)后的Gabor濾波器能夠得到缺陷特征圖,但仍存在缺陷邊緣缺失,背景存在噪音且使用改進(jìn)后的濾波器對(duì)白色缺陷進(jìn)行濾波效果不理想等問(wèn)題。

為了解決上述問(wèn)題,本文從以下三個(gè)方面實(shí)現(xiàn)Gabor濾波器自適應(yīng)。

首先,理想濾波后的圖片的具有以下特征:除了缺陷部分外大部分為白色的背景,且沒(méi)有噪音,較符合人眼的直觀缺陷觀測(cè)。通過(guò)實(shí)驗(yàn)可知,調(diào)整參數(shù)σ能夠在細(xì)節(jié)上控制缺陷的邊緣,微調(diào)噪聲對(duì)圖片的影響。因此,選取σ為0.8、0.9、1.0、1.1、1.2,用于生成圖片后的細(xì)節(jié)調(diào)整,抑制噪聲。

其次,由于需要調(diào)整四個(gè)不同的參數(shù),生成的圖片數(shù)量為240張,人為選擇理想的圖片較為耗時(shí)。根據(jù)理想圖片的特征,需要找到缺陷為黑色或灰色,背景為白色的圖片。通過(guò)實(shí)驗(yàn)可知,最大的缺陷面積約占整個(gè)圖片的10%。為了粗略篩選出白色背景的圖片,因此,設(shè)置閾值為85%,即圖片中白色像素(灰度值255)比例達(dá)到閾值以上,則認(rèn)定為白色背景圖片。再按照黑灰色像素(灰度值0到254)值比例排序白色背景圖片,比例最大的即為理想圖片。

最后,針對(duì)白色缺陷的濾波效果不理想的問(wèn)題,對(duì)白色缺陷的圖片進(jìn)行反相。觀察圖片背景可知,背景噪聲較多,大部分像素灰度值較低。因此,計(jì)算灰度值較高的像素比例,合理設(shè)置閾值,即可判定圖片缺陷顏色。

為了確定灰度值閾值大小,使用不包含缺陷的圖像直方圖大致判定噪聲灰度值范圍。實(shí)驗(yàn)表明,背景灰度值范圍在40至80之間。那么黑色和白色缺陷,可以看作一個(gè)簡(jiǎn)單的分類問(wèn)題。采用統(tǒng)計(jì)閾值到最大灰度值(255)的像素點(diǎn)所占比例判斷黑白缺陷。公式如下:

(3)

其中:P表示所占比例,k表示設(shè)定的閾值,L表示圖片的長(zhǎng),W表示圖片的寬。

為了提高黑白缺陷分類的魯棒性,實(shí)驗(yàn)以80為基準(zhǔn),選取80,100和120分別作為閾值,計(jì)算了部分圖片中高于閾值像素點(diǎn)所占比例,得到表1。

表1 選取不同閾值P的值/%

通過(guò)表格,可以觀察到,當(dāng)閾值為80時(shí),圖片1白色缺陷比例為0.977%,圖片7黑色缺陷比例為0.688%;當(dāng)閾值為120時(shí),圖6中白色缺陷比例接近0。因此,選取閾值100,P取0.000 1作為臨界值,使用決策樹(shù)[15]方法,對(duì)不同缺陷的圖片進(jìn)行分類。實(shí)驗(yàn)表明,能夠很好的區(qū)分?jǐn)?shù)據(jù)集中的黑色與白色缺陷。

通過(guò)上述改進(jìn),Gabor濾波器在本文數(shù)據(jù)集上實(shí)現(xiàn)了自適應(yīng),自適應(yīng)Gabor濾波器最終輸出圖如圖5所示。

圖5 自適應(yīng)Gabor濾波最終輸出圖像

為驗(yàn)證本文算法的有效性。將本文方法分別與高斯濾波[16]、雙邊濾波[17]做比較。從圖中可以看出,高斯濾波對(duì)圖片背景中的噪聲濾波效果較弱。而雙邊濾波與自適應(yīng)的Gabor濾波能夠過(guò)濾背景噪聲。高斯濾波的卷積核取3;雙邊濾波模板取7。采用改進(jìn)Canny算子中一致的高斯濾波與雙邊濾波參數(shù)。實(shí)驗(yàn)結(jié)果如圖6所示,通過(guò)對(duì)比可以看出,高斯濾波處理后的結(jié)果仍然存在噪聲干擾。雙邊濾波與自適應(yīng)Gabor濾波可以較好的濾除背景噪聲,但雙邊濾波相比Gabor濾波對(duì)黑斑缺陷與條痕缺陷會(huì)丟失一些邊緣細(xì)節(jié),如圖6(c3)、(d3)、(c4)、(d4)放大后的圖7所示。自適應(yīng)的Gabor濾波既能夠較好的平滑圖像,又可以凸顯缺陷目標(biāo)。

圖6 圖像濾波結(jié)果

圖7 圖像放大后的邊緣細(xì)節(jié)對(duì)比

4 缺陷邊緣檢測(cè)算法

4.1 閾值二值化

對(duì)于Gabor濾波后的圖像,部分缺陷與背景對(duì)比度較低,因此需要對(duì)圖像進(jìn)行閾值二值化[18],從而突出缺陷區(qū)域,便于后續(xù)的分水嶺算法分割。

閾值分割采用大津法(OTSU)[19],大津法能夠?qū)abor濾波后的圖像進(jìn)行快速閾值二值化,二值化后的圖像如圖8所示。

圖8 閾值二值化后的圖像

4.2 分水嶺邊緣檢測(cè)算法

分水嶺邊緣檢測(cè)算法[20-21],其思想來(lái)源于地質(zhì)學(xué),使圖像的不同灰度級(jí)的像素對(duì)應(yīng)不同的高度,簡(jiǎn)單理解為將圖像升維,灰度值大的像素點(diǎn)高。由此構(gòu)成圖像中不同高度的山峰和山谷。Gabor濾波后的最終輸出圖像的三維圖,如圖9所示。

圖9 Gabor濾波后的三維圖

分水嶺算法基本思想是從山谷最低處(灰度值最低)對(duì)整個(gè)山脈注水,在這之中產(chǎn)生了許多盆地,當(dāng)水平面不斷升高,盆地的邊界則為分水嶺,也就是圖像的邊界。

分水嶺算法的思想簡(jiǎn)單,有計(jì)算速度較快,定位精準(zhǔn),輪廓線封閉性好的優(yōu)點(diǎn),同時(shí)對(duì)微弱邊緣也有良好的響應(yīng)。分水嶺分割后的圖像如圖10所示。

圖10 分水嶺邊緣檢測(cè)圖

為了驗(yàn)證本文方法的有效性。通過(guò)對(duì)比區(qū)域生長(zhǎng)算法[22],改進(jìn)的Canny算子一文中的方法,對(duì)缺陷進(jìn)行邊緣檢測(cè)。區(qū)域生長(zhǎng)算法使用雙邊濾波后的圖像,選取圖像中坐標(biāo)(1,1)為種子點(diǎn)進(jìn)行區(qū)域生長(zhǎng),再通過(guò)圖像反相處理后得到如圖11(b1)、(b2)、(b3)、(b4)、(b5)所示的缺陷輪廓圖。在基于改進(jìn) Canny 算子的鋰電池極片表面缺陷檢測(cè)一文中,原作者在使用雙邊濾波對(duì)鋰電池極片圖像進(jìn)行降噪后,使用多尺度細(xì)節(jié)增強(qiáng)算法增強(qiáng)圖像;其次使用Sobel算子[23]的3×3梯度模板計(jì)算圖像梯度的方向與幅值;最后,通過(guò)邏輯與運(yùn)算對(duì)最大熵算法與大津法分割后的結(jié)果進(jìn)行邊緣融合,使用閉運(yùn)算和細(xì)化操作得到檢測(cè)邊緣。得到的缺陷輪廓圖如圖11(c1)、(c2)、(c3)、(c4)、(c5)所示。

圖11 缺陷檢測(cè)結(jié)果

由圖11可知,區(qū)域生長(zhǎng)算法可以檢測(cè)出雙邊濾波后的圖像中的缺陷,缺陷邊緣清晰,但是對(duì)于部分缺陷,仍存在少量干擾,如圖11(b1)、(b3)所示。改進(jìn)的Canny算子能夠檢測(cè)出大部分缺陷邊緣,但是雙邊濾波后的部分圖片存在干擾與缺陷邊界模糊的問(wèn)題,因此改進(jìn)的Canny算子對(duì)部分缺陷的檢測(cè)結(jié)果并不理想。圖11(c3)中,并不能檢測(cè)出完整邊緣,且缺陷邊界定位不準(zhǔn)確。由于人眼對(duì)灰度變化不敏感,將圖6(c5)的直方圖[24]12(a)放大得到圖12(b),圖12(b)中可見(jiàn)存在少量像素值值大于200的點(diǎn),這使得雙邊濾波后圖像存在干擾,圖11(c5)與圖11(b5) 存在相同位置的干擾點(diǎn)也同時(shí)說(shuō)明了這一點(diǎn)。

圖12 圖6(c5)的直方圖及直方圖局部細(xì)節(jié)放大

本文提出的算法能夠?qū)θ毕葺^為精準(zhǔn)的檢測(cè),且平滑噪聲能力較強(qiáng)。從圖11(d4)條痕缺陷的檢測(cè)結(jié)果可知,本文方法可以能夠保留更多的細(xì)節(jié)。從圖11(d5)中白斑缺陷的檢測(cè)結(jié)果可以看出,本文提出的方法在保留細(xì)節(jié)的同時(shí)抗干擾能力較強(qiáng)。實(shí)驗(yàn)結(jié)果表明,本文提出的方法對(duì)缺陷定位準(zhǔn)確,且能夠檢測(cè)多種缺陷。

4.3 缺陷輪廓框提取

使用分水嶺分割算法后,可以觀察到圖10中可以獲得完整,清晰的缺陷邊緣。遍歷缺陷邊緣的坐標(biāo),再通過(guò)最小外接矩形法,最終檢測(cè)出的缺陷效果如圖13所示。

圖13 實(shí)際檢測(cè)效果圖

5 結(jié)論

針對(duì)鋰電池極片缺陷難以檢測(cè)的問(wèn)題,本文提出了一種新的鋰電池極片缺陷檢測(cè)方法。通過(guò)改進(jìn)傳統(tǒng)Gabor濾波器參數(shù),判斷圖片灰度值所占比例,簡(jiǎn)單實(shí)現(xiàn)了Gabor濾波器的自適應(yīng),可以有效實(shí)現(xiàn)濾波,提取出缺陷區(qū)域。然后通過(guò)閾值分割實(shí)現(xiàn)二值化,對(duì)缺陷區(qū)域?qū)崿F(xiàn)增強(qiáng),再通過(guò)分水嶺算法對(duì)圖像分割,實(shí)現(xiàn)對(duì)缺陷邊緣的提取。通過(guò)對(duì)比,本文算法抗干擾能力較強(qiáng),能夠有效對(duì)鋰電池極片的脫碳,漏金屬,黑斑,條痕和白斑等缺陷實(shí)現(xiàn)檢測(cè)。