机器视觉检测软包装锂离子电池表面凸点缺陷

软包装锂离子电池的外包装采用一层铝塑膜，厚度通常不超过0.1mm，虽轻便但极易受损。在过充电、撞击或高温等恶劣工况下，电池内部电解液容易分解并释放气体，导致铝塑膜凸起——这便是业内常说的凸点缺陷[1]。若这些缺陷未能被及时发现，不仅会缩短电池寿命，还可能引发安全隐患。问题在于，软包装锂离子电池表面的凸点缺陷在常规光照下辨识度极低，加之表面本身存在凹凸纹理，视觉分辨效果大打折扣；同时，不同型号的电池中间还会凸起一个位置不固定、形状不规则的长方体区域；更棘手的是，铝塑膜材料存在明显的反光现象。这些特性叠加，严重影响了计算机视觉对凸点缺陷的识别效果。目前，电池生产商尚无成熟的自动化方案，主要依赖人工检测，成本高昂且误检与漏检难以避免。因此，开发一种低成本、高准确率的检测方法成为关键——用计算机替代人眼检测，无疑是理想路径。

由于软包装锂离子电池表面形貌复杂，缺陷难以检出，现有检测技术也存在局限。Y.G.Chen等[2]曾用Sobel算子提取电池表面肉眼难辨的凹坑，再通过形态学去除非凹坑区域，但Sobel算子对图像边缘定位不准，后续形态学处理难以展开。刘春等[3]对比了四种边缘检测算子检测橡胶圈凸点缺陷的效果，最终选用了Canny算子——然而对于电池表面本身凹凸不平的情况，该方法检测精度低，容易将合格区域误判为缺陷。黄梦涛等[4]提出了改进Canny算子的方法，专门用于检测锂离子电池极片表面的划痕缺陷，对图像梯度信息更敏感，但应用于形貌复杂的电池表面时，局限性依然存在。肖艳军等[5]对采集的轧辊图像进行前景提取，去除背景干扰后，再用维纳滤波去除噪声、保留缺陷信息——该方法对检测反光物体表面缺陷有借鉴意义，但面对软包装锂离子电池的凸点，仍无法准确识别。

针对上述问题，本文提出一种基于机器视觉的软包装锂离子电池表面凸点缺陷检测方法。具体思路为：首先通过离散傅里叶变换（DFT）将被测物体的灰度图从空间域转换到频域；接着在频域中用高斯滤波器对图像进行过滤，以去除大部分背景噪声；然后通过傅里叶逆变换将过滤后的图像转回空间域并保存；最后，利用这些图像训练一个基于语义分割的深度学习模型进行识别——旨在提高检测准确率。

1　软包装锂离子电池表面缺陷检测系统

软包装锂离子电池视觉检测系统如图1所示。整个系统检测单只电池的时间不足0.5秒，完全能够满足实际生产需求。

图1　视觉检测系统示意图

实验中使用的锂离子电池（武汉产）样品尺寸为长55mm、宽25mm、厚5mm，正极材料为锰酸锂（LiMn2O4），负极材料为石墨烯，额定电压3.7V。依据GB/T 33143—2022《锂离子电池用铝及铝合金箔》[6]的要求，需检测直径大于1mm的凸点。为确保拍摄的电池图像满足标准中横向分辨率0.09mm的要求，系统选用了一台500万像素的工业相机和12mm焦距的镜头。为获得最佳拍摄效果，对比了三种光源的效果，如图2所示，圈内为凸点缺陷。

图2　3种光源拍摄效果对比图

从图2(a)可以看出，低角度环形光拍摄时，四周反光严重，中间区域无法分辨凸点；图2(b)的同轴光拍摄，凸点较小时很难辨识；而图2(c)的单侧条形光，利用凸点凸起的特点，能够更清晰地辨别出凸点。

系统选用Halcon-21.11开发平台进行图像编程处理，满足GB/T 33143—2022对设备精度的要求。为避免铝塑膜反光影响，选用三种条形照明光源，分别从三个方向斜向下45°对电池进行照射，使表面有凸点的位置形成一边亮、一边暗的效果，从而增强凸点缺陷的辨识度。采集到的图像如图3所示。

图3　缺陷品和合格品对比图

在生产工艺中，铝塑膜被冲压到电池上时，边角区域难免会形成凹坑或凸点，而电池中间会凸起一个位置不固定且不规则的长方形[7]。这些区域都会干扰凸点缺陷的检测，尤其在凸点直径较小时，更难将凸点区域与合格区域区分开。为突出图像中的凸点区域，拍摄时适当减小了曝光值，以降低反光和高亮度区域的影响。

图4是图3中凸点缺陷图的灰度直方图，图5显示了凸点区域的灰度分布——其中深黑色区域是灰度值在75到80之间的所有像素点。

图4　锂离子电池的灰度直方图

图5　凸点区域灰度示意图

从图4可以明显看出，凸点部分区域的灰度值与邻域灰度值非常接近，无法直接区分。因此，如果直接将这样的图像输入基于语义分割的深度学习模型进行识别，准确率必然受到影响。

2　基于频域图像增强的凸点缺陷检测

针对软包装锂离子电池表面的形貌特性，为提高凸点检测准确率，先对图像进行预处理，再将处理后的图像送入深度学习模型进行识别。整个方法的研究流程见图6。

图6　研究方法流程图

2.1　图像预处理

由于电池表面图像中缺陷区域与邻域的对比度不高，直接用于深度学习模型会导致大量误判。为突出缺陷区域，需先对图像进行灰度化和去噪处理。

2.1.1　将灰度图从空间域转到频域

图像去噪处理分为空间域和频域两大类[8]。频域法的思路是将原始图像分解为不同频率的信号，通过对这些信号分别处理来实现图像增强[9]。当在空间域难以对图像进行增强或去噪时，在频域上处理往往更简单。将图像从空间域转换到频域，常用离散傅里叶变换（DFT）[10]，公式如下：

式(1)中：M、N分别是图像的长和宽；x、y是空间域的值；u、v是频域的值；e、j是常数；F(u,v)是图像f(x,y)的变换函数。

将软包装锂离子电池灰度图（图5）从空间域转换到频域后，结果如图7所示。

图7　傅里叶转换后的频域图

2.1.2　用高斯滤波器对图像进行卷积

经过对比多种滤波方法后，最终选用高斯滤波进行去噪处理。高斯滤波是一种线性平滑滤波，通过对整幅图像进行加权平均来达到降噪目的——每个像素点的值都由它本身和邻域内其他像素值经过加权平均得到[11]：

式(2)中：σ是高斯函数的标准差。高斯滤波的特点是中心点权重最大，离中心越远的像素权重越小，最后计算邻域内各个像素值不同权重的和。经高斯滤波器卷积处理后，得到的结果如图8所示。

图8　高斯滤波器卷积后的图

2.1.3　将图像从频域转回空间域

将经过高斯滤波器卷积后的图像从频域转回空间域，采用傅里叶逆变换[12]，公式如下：

转换后的处理效果如图9所示。

图9　经傅里叶逆变换后的效果

经过预处理后，凸点区域的灰度图如图10所示。

图10　预处理后图像的凸点区域灰度

对比图10和图5，可以明显看到凸点缺陷区域与邻域的对比度有了显著提升。不过，电池边缘与长方形区域的断续点状部分，其灰度值和形状仍与凸点缺陷区域相似，如果直接采用形态学分析，仍然难以将凸点单独提取出来。

2.2　基于语义分割模型对图像进行处理

这里引入深度学习进行进一步处理，选用语义分割方法[13]。语义分割模型可以将图像中的每一个像素按照预设的语义标签进行分类[14]，适用于更复杂场景的分割任务。训练模型前，共采集了400张软包装锂离子电池图片。先使用Halcon自带的打标签软件DLtool对预处理后的图像进行标注，然后将数据集分为训练集300张、测试集50张和验证集50张。

Epoch设置为40（一个Epoch表示一个完整数据集训练一次），学习率设为0.0001——这些参数通常根据经验确定。经过约34分钟的训练，完成40个Epoch后，评估结果如图11所示，损失率约为0.0581。

图11　训练评估结果图

2.3　检测结果

检测完成后，将识别到的缺陷区域叠加标注到原图上，结果如图12所示。

图12　缺陷品和合格品检测结果示意图

3　验证结果

为验证所提方法的可行性，进行了对比实验：将采集到的400张图片直接打标签，跳过频域预处理步骤，直接进行深度学习训练。由于电池本身凹凸不平，结果产生了大量误判（如图13所示），最终检验准确率仅为44.00%。具体数据见表1。

图13　缺陷检测误判示意图

表1　对比实验检测结果表

接下来，采用本文提出的方法对合格样品和存在凸点的样品各200只（共400只）进行检测，结果见表2。

表2　实验检测结果表

从表2可以看出，将合格区域误检为缺陷的比例为4.25%，整体检验准确率达到95.75%。

进一步随机抽取10个凸点缺陷，根据检测结果的外接圆直径和真实外接圆直径，计算出绝对误差和相对误差，结果见表3。

表3　误差分析表

从表3可知，所有相对误差均在5%以内，与实测值高度吻合。

4　结论

针对软包装锂离子电池表面图像凸点缺陷对比度低、反光严重、表面凹凸不平，导致难以准确检测与识别的问题，本文在频域上使用高斯滤波对图像进行预处理，再将处理后的图像送入训练好的深度学习模型进行检测。主要成果包括：

第一，建立了软包装锂离子电池图像凸点缺陷检测系统，通过合理设计照明系统有效避免了反光干扰，显著提高了凸点缺陷图像的辨识度。

第二，在频域上使用高斯滤波对图像进行处理，有效减少了缺陷邻域的噪声，改善了缺陷区域与邻域对比度差的问题，这对提高深度学习模型的识别率至关重要。本文提出的锂离子电池凸点缺陷视觉检测方法，最终检验准确率达到95.75%；而相同图像未经预处理直接进行深度学习处理时，准确率仅为44.00%——数据充分证明了该方法的可行性与实用价值。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：机器视觉检测软包装锂离子电池表面凸点缺陷要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题