本发明专利技术属于电池缺陷检测领域，并具体公开了一种锂电池极片多缺陷检测模型及其构建方法和系统，其包括如下步骤：获取多张锂电池极片的原图像；对原图像进行预处理，得到预处理图像，提取预处理图像中的涂布区域；基于涂布区域，提取其中的异常轮廓；遍历所有异常轮廓，根据各异常轮廓的面积、圆形度、灰度特征判断其是否属于缺陷以及缺陷的种类；对于所有具有缺陷的涂布区域，以涂布区域作为图像、对应的缺陷种类和位置信息作为标签，形成训练集；通过训练集对神经网络进行训练，以训练好的神经网络作为锂电池极片多缺陷检测模型。本发明专利技术能自动且快速地检测出锂电池极片图像中的多类缺陷的数量、位置信息。
【技术实现步骤摘要】
本专利技术属于电池缺陷检测领域，更具体地，涉及一种锂电池极片多缺陷检测模型及其构建方法和系统。
技术介绍
1、锂电池的可靠性和性能对于电动汽车、移动设备等日益增长的市场至关重要。在这一背景下，确保电池极片质量成为制造过程中的一项关键挑战。电池的极片由多种材料组成，包括导电材料、粘结剂和导电剂等。由于受到制造环境、材料特性和生产工艺的多方面因素影响，极片容易出现划痕、暗斑、滤波等缺陷。这些缺陷可能直接影响电池性能和寿命，甚至带来安全隐患，因此必须进行及时监测和修复。
2、现有技术中对锂电池极片缺陷检测进行了一些研究，如专利cn114764804a提供了一种锂电池极片缺陷检测方法，其根据mask图像和二值化图像确定检测图像中的缺陷区域，但提取缺陷轮廓的流程较复杂；专利cn115561243a提供了一种锂电池制备中极片质量监测系统及方法，其针对缺陷的识别为单类缺陷，无法实现单张检测图像的多缺陷识别。
技术实现思路
1、针对现有技术的以上缺陷或改进需求，本专利技术提供了一种锂电池极片多缺陷检测模型及其构建方法和系统，其目的在于，实现锂电池极片多种缺陷的自动准确检测。
2、为实现上述目的，按照本专利技术的第一方面，提出了一种锂电池极片多缺陷检测模型构建方法，包括如下步骤：
3、s1、获取多张锂电池极片的原图像；
4、s2、对原图像进行预处理，得到预处理图像，提取预处理图像中的涂布区域；
5、s3、基于涂布区域，提取其中的异常轮廓；</p>6、s4、遍历所有异常轮廓，判断各异常轮廓是否属于缺陷以及缺陷的种类；对某个异常轮廓，判断方法包括：
7、s41、计算异常轮廓的面积si，若si小于面积阈值t1，该异常轮廓不属于任何缺陷，判断完成；否则，进入步骤s42；
8、s42、计算异常轮廓的圆形度fi，若fi小于圆形度阈值t2，该异常轮廓为划痕缺陷，判断完成；否则，进入步骤s43；
9、s43、计算预处理图像中该异常轮廓区域像素点的灰度均值ai，若ai小于灰度阈值t3，该异常轮廓为暗斑缺陷；若ai大于灰度阈值t4，该异常轮廓为露箔缺陷；否则，该异常轮廓为其它缺陷；
10、s5、对于所有具有缺陷的涂布区域，以涂布区域作为图像、对应的缺陷种类和位置信息作为标签，形成训练集；通过训练集对神经网络进行训练，以训练好的神经网络作为锂电池极片多缺陷检测模型。
11、作为进一步优选的，步骤s2，提取预处理图像中的涂布区域，包括如下步骤：
12、预处理图像表示为n×m的像素矩阵a，n为行数，m为列数；初始化数组v，使其长度为m；对像素矩阵a中的任一列j，将第j列所有像素点求均值，并将该均值存储到数组v中，作为下标j的元素，0≤j≤m-1；
13、正常涂布区域的灰度值范围为[g1,g2]，从下标0开始依次递增遍历数组v的元素，当元素值第一次处于[g1,g2]之间时，标记当前下标为涂布区域左边界；然后，从下标m-1开始依次递减遍历数组v的元素，当元素值第一次处于[g1,g2]之间时，标记当前下标为涂布区域右边界；确定涂布区域左右边界后，从预处理图像上提取得到涂布区域。
14、作为进一步优选的，步骤s2，提取预处理图像中的涂布区域，包括如下步骤：
15、通过canny函数对预处理图像进行边缘提取，得到包含涂布边界点的二值图像，该二值图像表示为像素矩阵b；
16、设定左边界波动范围为[l1,l2]，对于像素矩阵b中列号位于[l1,l2]之间且像素值为255的所有边界像素点，将其像素坐标并入到点集p中；基于点集p，使用最小二乘法拟合得到直线方程；计算直线方程与二值图像上、下边界的交点，求两交点的横坐标均值，即为涂布区域左边界；
17、设定右边界波动范围为[r1,r2]，对于图像矩阵b中列号位于[r1,r2]之间且像素值为255的所有边界像素点，将其像素坐标并入点集q中；基于点集q，使用最小二乘法拟合得到直线方程；计算该直线方程与二值图像上、下边界的交点，求两交点的横坐标均值，即为涂布区域右边界；
18、确定涂布区域左右边界后，从预处理图像上提取得到涂布区域。
19、作为进一步优选的，步骤s2，对原图像进行预处理，包括如下步骤：
20、对原图像进行灰度化，获取对应的灰度图；采用中值滤波对灰度图进行滤波处理，得到预处理图像。
21、作为进一步优选的，步骤s3，基于涂布区域，提取其中的异常轮廓，包括：
22、根据正常涂布区域的灰度值范围[g1,g2]，通过双阈值法对涂布区域进行图像分割，然后通过findcontours函数提取分割后图像中所有的异常轮廓。
23、作为进一步优选的，步骤s1，通过cis传感器获取锂电池极片的原图像。
24、作为进一步优选的，步骤s5，所述神经网络为yolov5s网络。
25、按照本专利技术的第二方面，提供了一种锂电池极片多缺陷检测模型构建系统，包括处理器，所述处理器用于执行上述锂电池极片多缺陷检测模型构建方法。
26、按照本专利技术的第三方面，提供了一种锂电池极片多缺陷检测模型，采用上述锂电池极片多缺陷检测模型构建方法构建而成。
27、按照本专利技术的第四方面，提供了一种锂电池极片多缺陷检测方法，包括如下步骤：
28、获取待检测锂电池极片的原图像，对原图像进行预处理后，提取其中的涂布区域；将涂布区域输入到上述锂电池极片多缺陷检测模型中，得到锂电池极片的缺陷种类和位置。
29、总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，主要具备以下的技术优点：
30、1.本专利技术先从原图像中分离出涂布区域，并提取异常轮廓，进而基于锂电池极片的特点，根据异常轮廓的面积、圆形度、灰度特征确定具体的缺陷类别，最后通过神经网络训练得到多缺陷检测模型，基于该检测模型可实现锂电池极片多种缺陷准确、高效的自动检测。
31、2.锂电池极片图像包括涂布区域和金属区域，涂布区域中包含了待检测的缺陷信息；但由于制造工艺和噪声等干扰，两类区域的分界线往往呈现不规则曲线分布，常规边缘检测方法难以实现高精度的垂直边界线定位，存在分割区域面积过大或过小的问题，进而造成缺陷的误判或漏判等影响。本专利技术给出了分割涂布区域与金属区域的优化方法，可准确获取涂布区域的左右边界，且具有较强的抗干扰性。
本文档来自技高网...
【技术保护点】
1.一种锂电池极片多缺陷检测模型构建方法，其特征在于，包括如下步骤：
2.如权利要求1所述的锂电池极片多缺陷检测模型构建方法，其特征在于，步骤S2，提取预处理图像中的涂布区域，包括如下步骤：
3.如权利要求1所述的锂电池极片多缺陷检测模型构建方法，其特征在于，步骤S2，提取预处理图像中的涂布区域，包括如下步骤：
4.如权利要求1所述的锂电池极片多缺陷检测模型构建方法，其特征在于，步骤S2，对原图像进行预处理，包括如下步骤：
5.如权利要求1所述的锂电池极片多缺陷检测模型构建方法，其特征在于，步骤S3，基于涂布区域，提取其中的异常轮廓，包括：
6.如权利要求1所述的锂电池极片多缺陷检测模型构建方法，其特征在于，步骤S1，通过CIS传感器获取锂电池极片的原图像。
7.如权利要求1-6任一项所述的锂电池极片多缺陷检测模型构建方法，其特征在于，步骤S5，所述神经网络为YOLOv5s网络。
8.一种锂电池极片多缺陷检测模型构建系统，其特征在于，包括处理器，所述处理器用于执行如权利要求1-7任一项所述的锂电池极片多缺陷检测模型构建方法。
9.一种锂电池极片多缺陷检测模型，其特征在于，采用如权利要求1-7任一项所述的锂电池极片多缺陷检测模型构建方法构建而成。
10.一种锂电池极片多缺陷检测方法，其特征在于，包括如下步骤：
...
【技术特征摘要】
1.一种锂电池极片多缺陷检测模型构建方法，其特征在于，包括如下步骤：
2.如权利要求1所述的锂电池极片多缺陷检测模型构建方法，其特征在于，步骤s2，提取预处理图像中的涂布区域，包括如下步骤：
3.如权利要求1所述的锂电池极片多缺陷检测模型构建方法，其特征在于，步骤s2，提取预处理图像中的涂布区域，包括如下步骤：
4.如权利要求1所述的锂电池极片多缺陷检测模型构建方法，其特征在于，步骤s2，对原图像进行预处理，包括如下步骤：
5.如权利要求1所述的锂电池极片多缺陷检测模型构建方法，其特征在于，步骤s3，基于涂布区域，提取其中的异常轮廓，包括：
6.如权...
【专利技术属性】
技术研发人员：谢经明，邓国强，吴永春，颜国霖，刘默耘，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。