论文部分内容阅读
锂电池是目前世界上应用最为广泛的动力电源,其中锂电池极片是构成锂电池的重要组成部分。锂电池极片的缺陷会严重影响锂电池的质量,甚至产生安全隐患。把机器视觉技术应用在锂电池极片的缺陷检测中,取代传统的依靠人工进行检测的方法,可以高效率、低成本地完成锂电池极片的缺陷检测,从而提高成品合格率,达到提高锂电池质量和安全性的效果。因此开展基于机器视觉的锂电池极片缺陷检测研究具有重要的理论意义和应用价值。本文针对基于机器视觉的锂电池极片缺陷检测开展工作。锂电池极片缺陷主要包括极耳缺陷、边缘缺陷和极网缺陷,其中极网缺陷主要包括划痕异物缺陷和气泡缺陷。针对缺陷检测设计了总体方案,并详细讨论了各种重要缺陷的具体检测方法。主要包括以下内容:首先,研究了采用图像处理检测极片缺陷的方法,分别针对极片的极耳缺陷、边缘缺陷和极网缺陷设计了不同的检测处理方法。对极耳的缺陷通过图像预处理,并依次使用中值滤波器和Sobel算子等图像处理方法进行检测,可以有效检测出极耳破损、褶皱和缺失等缺陷。对边缘缺陷和极网缺陷,在图像预处理后,运用中值滤波和高斯滤波处理,并将得到的图像做差,从而提取出图像中的缺陷信息。实验结果表明该方法可以有效实现对边缘缺陷和极网缺陷的检测。其次,研究了对极网气泡进行三维重建,获取深度信息进行极网气泡检测的方法。利用激光三角测量法,通过获取激光照射在物体表面得到的轮廓信息,对被测物体进行三维重建,从而得到高度信息,最后结合边缘提取方法将气泡的深度信息提取出来。分别对规则立方体样块和极网气泡进行三维重建,得到了样块和气泡的三维对象模型,对其三维重建的结果和测量误差进行了实验分析。结果表明,该方法可以有效获得极网气泡的深度信息,并且能够满足检测的精度要求。最后,对极网气泡缺陷分类方法进行了研究。极网中有气泡缺陷图像和无缺陷图像构成训练样本集和测试样本集,利用支持Tucker机对训练样本进行学习,并对测试样本进行测试,得到支持Tucker机的分类结果。同时,将实验得到的分类结果与支持向量机等分类方法的结果进行了对比,结果表明本文采用的支持Tucker机方法具有更高的分类准确度和更优的ROC曲线性能。