多层次图像处理与深度学习模型协同的电池缺陷检测方法

技术领域

本发明属于电池制造和工业检测技术领域，具体涉及多层次图像处理与深度学习模型协同的电池缺陷检测方法。

背景技术

碱性电池作为一种常见的电源设备，在工业生产中广泛应用于各种便携式电子设备、传感器、遥控器等场景。然而，由于生产过程中的不可避免的缺陷可能导致电池性能下降、电池寿命缩短，甚至造成设备故障和生产线中断。因此，在工业产线中进行及时准确的缺陷检测对于确保产品质量、提高生产效率和降低成本具有重要意义。

在这一背景下，图像处理和深度学习技术逐渐成为工业产线电池缺陷检测的关键技术。但是目前的电池缺陷检测方法中，图像处理和深度学习技术的应用存在以下问题：

传统的图像处理算法通常基于手动设计的特征提取器，无法捕捉复杂的电池缺陷模式，限制了缺陷检测方法的准确性和鲁棒性；工业产线中电池的外观缺陷种类繁多，而传统算法很难对所有类型的缺陷进行有效检测和区分；深度学习技术在图像处理领域取得了显著进展，但其在工业产线中应用受到标记数据的限制；获取足够的标记数据是一项耗时且昂贵的任务，特别是针对电池的各类缺陷，标记数据的收集和标注成本很高，因此限制了深度学习方法在工业产线中的实际应用；并且当前的电池缺陷检测方法往往只关注于单一检测算法，而在工业产线中，电池缺陷外观特征不规律，因此采用单一阶段的检测方法具有特征提取局限性、适应性不足、效率低下等问题。

发明内容

针对现有技术中存在的上述问题，本发明的目的在于提供一种多层次图像处理与深度学习模型协同的电池缺陷检测方法，该方法利用传统算法对原始图像进行处理并利用霍夫圆检测算法进行轮廓提取，根据提取结果进行初步判定；若圆轮廓提取成功，则通过圆心进行图片剪裁，只保留电池区域去除背景，将剪裁后的电池图片输入至深度学习模型进行后续缺陷检测；该方法充分利用传统算法在快速定位电池轮廓方面的优势，并通过深度学习模型提高检测准确性和鲁棒性，为电池制造业提供高效、可靠的质量控制手段。

本发明提供如下技术方案：多层次图像处理与深度学习模型协同的电池缺陷检测方法，包括以下步骤：

步骤1、通过图像采集系统对电池产线数据进行实时采集，对电池原始样本进行灰度处理；

步骤2、对预处理后的图片进行轮廓提取，并根据轮廓有无进行初步判断；

步骤3、若轮廓存在，则根据轮廓半径及坐标信息进行图像裁剪，去除背景信息保留电池图像区域；

步骤4、对裁剪后的图像进行变换处理进一步减少背景信息干扰；

步骤5、将剪裁后的电池图片输入至预先训练的深度学习模型，进行后续缺陷检测。

进一步的，所述步骤2中，对预处理后的图片进行轮廓提取的具体过程如下：

1)对经过灰度处理的图片进行双边滤波处理，在保持边缘信息和图像清晰度的同时有效地去除图像中的噪声；

2)利用canny算子，基于图像梯度的变化进行边缘检测，找到边缘像素点获取电池图像的边缘轮廓；

3)对经过步骤2)处理后的图像进行Hough变换来探测图像中的圆，通过设置min_Radius和max_Radius参数过滤除电池样本轮廓外的圆，设定边缘检测阈值获取电池样本最外侧的圆轮廓，并进行初步检测，若没有检测到圆，则判定为NG样本。

进一步的，所述步骤3中，根据轮廓半径及坐标信息进行图像裁剪的具体过程如下：

1)根据识别到的电池图像圆轮廓，利用边界矩形函数获取圆轮廓的最大外接矩形的位置和尺寸信息；

其中尺寸信息包括外界矩形的左上角X坐标，外界矩形的左上角Y坐标，矩形框的宽度W,矩形框的高度H；

2)根据原始图像和圆轮廓的外界矩形的信息，并设定尺寸包容阈值r，计算裁剪区域的坐标(X

3)从原图中裁剪出指定区域，并计算裁剪区域的新圆心位置(new_x_center,new_y_center)，用于后续操作；

4)计算裁剪区域的最大半径(max_radius)，作为圆的半径信息，用于后续操作。

进一步的，，所述步骤4中，对裁剪后的图像进行变换处理提取最大的圆形区域，减少背景信息的干扰，具体步骤包括：

1)根据剪裁之后的图像尺寸信息创建一个大小相同的掩膜(mask)；

2)根据步骤3所获取的(new_x_center,new_y_center)作为新圆心坐标，max_radius作为半径在掩膜上绘制白色(255,255,255)的圆；

3)利用包容阈值扩展掩膜的大小，同时使用掩膜对裁剪后的图像进行按位与操作，提取最大圆形区域，获取新电池图像作为后续模型输入。

通过采用上述技术，与现有技术相比，本发明的有益效果如下：

1)综合特征提取：本发明采用传统算法和深度学习模型相结合，充分利用传统算法能够进行初步特征提取，而深度学习模型可以学习更高级别特征表达的优点，实现综合特征提取，能够更好地捕捉电池缺陷的多样性和复杂性；

2)多阶段判定：本发明采用多阶段的检测方式，利用图像处理传统算法进行初步筛查，去除明显非缺陷区域，再由深度学习模型进行深入判断；多阶段判定可以提高检测效率，并降低深度学习模型的运算量，使得缺陷检测更加高效和快速，并且大幅提高了电池缺陷检测的准确率和灵敏度；这对于保障电池质量和安全至关重要；

3)泛化能力强：本发明采用多阶段的检测策略，使得深度学习模型能够更好地泛化于新的电池缺陷样本，降低了过拟合的风险，从而提高了模型的鲁棒性和可靠性；即使在面对未知类型的缺陷，该方法仍能够具备较强的检测能力；

4)实时性与高效性：本发明中，由于采用了多阶段判定和深度学习模型的优势，可以在相对较短的时间内完成电池缺陷检测；适用于电池生产线等需要实时检测的场景，能够有效地提高生产线的生产效率。

附图说明

图1为本发明的整体结构流程图；

图2为本发明的传统图像处理算法和深度学习模型协同检测示意图；

图3为本发明中，利用霍夫圆变换进行轮廓提取和裁剪的图像变换示意图；

图4为本发明中，电池标准图像样本和双阶段所处理的典型缺陷样本示例图，其中，(a)为标准样品，(b)为缺陷实例1，(c)为缺陷实例2。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合说明书附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。

请参阅图1-4，多层次图像处理与深度学习模型协同的电池缺陷检测方法，包括以下步骤：

步骤1：通过图像采集系统对电池产线数据进行实时采集，对电池原始样本进行灰度处理。

步骤2：对预处理后的图片进行轮廓提取，并根据轮廓有无进行初步判断；其中，对预处理后的图片进行轮廓提取的具体过程如下：

1)对经过灰度处理的图片进行双边滤波处理，在保持边缘信息和图像清晰度的同时有效地去除图像中的噪声；

2)利用canny算子，基于图像梯度的变化进行边缘检测，找到边缘像素点获取电池图像的边缘轮廓；

3)对经过步骤2)处理后的图像进行Hough变换来探测图像中的圆，通过设置min_Radius和max_Radius参数过滤除电池样本轮廓外的圆，设定边缘检测阈值获取电池样本最外侧的圆轮廓，并进行初步检测，若没有检测到圆，则判定为NG样本。

步骤3：若轮廓存在，则根据轮廓半径及坐标信息进行图像裁剪，去除背景信息只保留电池图像区域；具体过程如下：

步骤3.1、将输入图像转换成灰度图，并对灰度图进行双边滤波，去除噪声并保留边缘信息，利用Canny边缘检测获取图像中的圆轮廓；

步骤3.2、对步骤1中获取的所有圆轮廓依次进行遍历，依次进行外接矩形，并获取最大外界矩形的位置和尺寸信息(X,Y,W,H)，设定尺寸包容阈值r，获取裁剪区域的坐标(X

其中：(X

步骤3.3、计算裁剪后的新图像的中心坐标(new_x_center,new_y_center)和最大半径(max_radius)，创建一个与新图像大小相同的掩膜，并在掩膜上以新图像的中心坐标为圆心，(max_radius+residual)为半径绘制白色圆形，该掩膜将用于剪切出电池的圆形区域，去除背景信息干扰；

步骤3.4、使用位运算将掩膜应用到裁剪后的新图像上，得到剪切出的圆形区域图像作为深度学习模型的输入进行后续检测。

步骤4：对裁剪后的图像进行变换处理进一步减少背景信息干扰，将后续深度学习模型焦点放在电池区域上，减少对无关信息的处理，提高深度学习模型的效率；具体步骤如下：

步骤4.1、根据剪裁之后的图像尺寸信息创建一个大小相同的掩膜(mask)；

步骤4.2、根据步骤3所获取的(new_x_center,new_y_center)作为新圆心坐标，max_radius作为半径在掩膜上绘制白色(255,255,255)的圆；

步骤4.3、利用包容阈值扩展掩膜的大小，同时使用掩膜对裁剪后的图像进行按位与操作，提取最大圆形区域，获取新电池图像作为后续模型输入。

步骤5：将剪裁后的电池图片输入至预先训练的深度学习模型，进行后续缺陷检测；具体如下：

在后续检测阶段，采用ResNet-50作为深度学习模型的架构，并将原始全连接层转换为OK和NG的二分类问题；将步骤4所获取的新电池裁剪图像作为模型输入，使得模型更加专注于特定的任务，避免背景信息干扰，深度学习模型能够更加准确地对电池样本进行二分类判断，判定其是否为NG样本，从而实现对电池缺陷的有效检测。

本发明方法基于图像处理传统算法与深度学习的多阶段碱性电池缺陷检测方法拥有实时性与高效性、自适应性、可解释性以及数据增强和迁移学习等多方面的技术优势，这些优势共同为电池缺陷检测提供了全面而强大的支持，使得该方法成为一种颇具潜力和竞争力的创新技术，为电池制造和应用领域带来实质性的进步，为电池缺陷检测的高效、准确和可靠实现提供了新的可能性。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。