一种薄膜材料的缺陷检测系统及其方法技术方案

本发明专利技术公开了一种薄膜材料的缺陷检测系统及其方法，针对薄膜的特性，将用于输送薄膜的输送线安装在线阵相机和光源之间，光源从下往上发射高亮线光，使得线阵相机在背光的环境下对薄膜材料进行清晰拍照，而拍照所得的图像呈灰色，能突显薄膜的纹理，增加缺陷与背景的对比度。另外，使用深度学习的方法，同时设计在线数据增强方法，使得小样本的数据量得到二次增加，从而提高缺陷检测效果，降低漏检误检的机率。最后，使用改进的Yolov4检测模型进行薄膜材料的缺陷检测，有效提高缺陷的检测效果。有效提高缺陷的检测效果。有效提高缺陷的检测效果。

【技术实现步骤摘要】
一种薄膜材料的缺陷检测系统及其方法


[0001]本专利技术涉及机器视觉检测及图像处理的
，尤其涉及到一种薄膜材料的缺陷检测系统及其方法。

技术介绍

[0002]薄膜材料(又称隔膜)是锂电池的重要组件之一，在电池制造成本中占不少比重。此材料是一层多孔的塑料薄膜，具备良好的绝缘性，在电解液中能保持良好的耐碱性，能够隔离电池中的铝极和镍极，为电子提供流动通路。电池应用广泛，如常见的电子产品(手机、笔记本、移动电源)和新能源汽车等。在市场需求的推动下，薄膜的产量也逐渐增长。薄膜的性能影响着锂电池性能，关系着锂电池制造和产品的安全性，薄膜在生产过程中可能会因为制备工艺或运输过程中产生瑕疵，比如划痕、折痕、黑点、针孔等缺陷，这些瑕疵会给电池带来安全隐患。因此要确保薄膜的生产质量。
[0003]随着视觉技术的不断发展，一些厂商在薄膜的缺陷检测中，使用传统的图像处理方案。具体为，薄膜由工业相机拍照获取缺陷数据，经图像处理，如使用blob分析，将图像二值化，对连通区域进行几何分析获得特征，最后对缺陷进行检测。
[0004]但传统图像处理方案应用到薄膜的缺陷检测中，存在以下缺点：
[0005]1)主要依靠人工设计的特征提取器，很大程度上取决于技术人员的技术知识和进行复杂的调参过程，而且设计方案针对具体的工业应用，其泛化能力较差。
[0006]2)薄膜缺陷检测中，针对折痕这类缺陷，其灰度与背景极为相似，传统图像算法的检测效果并不好。
[0007]3)当缺陷样本或数据集较少时，检测精度较低。r/>
技术实现思路

[0008]本专利技术的目的在于克服现有技术的不足，提供一种薄膜材料的缺陷检测系统，
[0009]为实现上述目的，本专利技术所提供的技术方案为：
[0010]一种薄膜材料的缺陷检测系统，包括图像采集平台、线阵相机、光源、用于输送薄膜的输送线、检测电脑以及安装架；
[0011]其中，所述光源铺设在图像采集平台上，从下往上发射高亮线光；
[0012]所述线阵相机通过安装架固定在光源上方；
[0013]所述输送线安装在线阵相机和光源之间，沿着光源的铺设方向延伸；
[0014]所述检测电脑与线阵相机连接。
[0015]为实现上述目的，本专利技术另外提供一种电子薄膜材料的检测方法，包括以下步骤：
[0016]S1、将薄膜铺设在输送线上，并沿着输送线的行进方向移动；
[0017]S2、光源从下往上发射高亮线光，为线阵相机创造背光的拍照环境；
[0018]S3、线阵相机从上往下拍照，获取灰色的薄膜图像，并将薄膜图像发送给检测电脑；
[0019]S4、检测电脑接收薄膜图像，并进行缺陷检测。
[0020]进一步地，所述步骤S4中，进行缺陷检测的过程包括：
[0021]S4
‑
1、人为筛选出包括划痕、折痕、漏涂、针孔在内缺陷的薄膜图像，构建缺陷数据集和完好数据集；
[0022]S4
‑
2、对步骤S4
‑
1构建得到的缺陷数据集和完好数据集进行预处理；
[0023]S4
‑
3、进行在线数据增强，以再次增加缺陷数据集中图像的数量；
[0024]S4
‑
4、构建改进的Yolov4检测模型；
[0025]S4
‑
5、通过图像数量增加后的缺陷数据集和完好数据集对改进的Yolov4检测模型进行训练；
[0026]S4
‑
6、采用训练好的改进的Yolov4检测模型进行薄膜材料的缺陷检测。
[0027]进一步地，所述步骤S4
‑
2具体包括：
[0028]S4
‑2‑
1、对缺陷数据集和正常的数据集中的图像进行裁剪；
[0029]S4
‑2‑
2、对缺陷数据集中裁剪后的图像进行调整处理，以增加缺陷数据集中图像的数量；
[0030]S4
‑2‑
3、使用labelImg标注软件对数量增加后的缺陷数据集中的图像进行标注，生成缺陷的坐标信息和缺陷类别。
[0031]进一步地，所述调整处理包括对图像分别进行90
°
、180
°
和270
°
的旋转、水平和垂直翻折。
[0032]进一步地，所述步骤S4
‑
3具体包括：
[0033]S4
‑3‑
1、从缺陷数据集中选取缺陷图像a，并从缺陷图像a的缺陷区域中随机截取部分带缺陷的区域A，然后改变该区域A的属性；属性包括亮度、对比度、饱和度和色调；
[0034]S4
‑3‑
2、从缺陷数据集或完好数据集中选取图像b，并从图像b中随机截取尺寸与区域A相同的区域B，然后生成区域B在图片b中的坐标信息和复制区域A中的缺陷类别；
[0035]S4
‑3‑
3、将区域A和区域B进行泊松融合操作，生成区域C；
[0036]S4
‑3‑
4、将区域B和区域C进行加权融合，生成区域D；
[0037]S4
‑3‑
5、将区域D覆盖在图像b的区域B中，从而生成新的缺陷图像。
[0038]进一步地，所述步骤S4
‑3‑
3的具体过程包括：
[0039]a、计算区域B和区域A的梯度场；
[0040]b、把区域A的梯度场覆盖至区域B的梯度场上，求取融合区域的梯度场；
[0041]c、求取融合区域的散度；
[0042]d、进行泊松重建，求解泊松方程组,重建融合区域，即得到区域C。
[0043]进一步地，所述步骤S4
‑3‑
4中，采用Opencv中的cv2.addWeighte函数，将区域B和区域C的像素通道值各自按设定的权重比例取值来相加，从而实现将区域C融合到区域B时保留区域B的部分背景。
[0044]进一步地，所述步骤S4
‑
4中，构建的改进的Yolov4检测模型包括主干网络CSPDarknet53、颈部网络CSPSPP+PANet、Yolo head；
[0045]其中，主干网络CSPDarknet53由多个残差结构构成，包含多层卷积层；
[0046]CSPSPP结合CSP结构，增加感受野；
[0047]PANet通过结合注意力机制与CSP结构，与多个卷积进行堆叠，使模型更加关注电
子薄膜的缺陷区域；
[0048]Yolo head用于目标预测，由一个卷积核为3的卷积和一个卷积核为1的卷积块组成。
[0049]进一步地，对改进的Yolov4检测模型进行训练时，
[0050]将训练图像传入主干网络CSPDarknet53中，利用各个卷积块对训练图像进行特征提取，图像的高和宽不断被压缩，通道数不断增加，最终获得多个有效特征层；
...

【技术保护点】

【技术特征摘要】
1.一种薄膜材料的缺陷检测系统，其特征在于，包括图像采集平台(1)、线阵相机(2)、光源(3)、用于输送薄膜的输送线(4)、检测电脑(5)以及安装架(6)；其中，所述光源(3)铺设在图像采集平台(1)上，从下往上发射高亮线光；所述线阵相机(2)通过安装架(6)固定在光源(3)上方；所述输送线(4)安装在线阵相机(2)和光源(3)之间，沿着光源(3)的铺设方向延伸；所述检测电脑(5)与线阵相机(2)连接。2.一种薄膜材料的缺陷检测方法，其特征在于，包括以下步骤：S1、将薄膜铺设在输送线上，并沿着输送线的行进方向移动；S2、光源从下往上发射高亮线光，为线阵相机创造背光的拍照环境；S3、线阵相机从上往下拍照，获取灰色的薄膜图像，并将薄膜图像发送给检测电脑；S4、检测电脑接收薄膜图像，并进行缺陷检测。3.根据权利要求2所述的一种薄膜材料的缺陷检测方法，其特征在于，所述步骤S4中，进行缺陷检测的过程包括：S4
‑
1、人为筛选出包括划痕、折痕、漏涂、针孔在内缺陷的薄膜图像，构建缺陷数据集和完好数据集；S4
‑
2、对步骤S4
‑
1构建得到的缺陷数据集和完好数据集进行预处理；S4
‑
3、进行在线数据增强，以再次增加缺陷数据集中图像的数量；S4
‑
4、构建改进的Yolov4检测模型；S4
‑
5、通过图像数量增加后的缺陷数据集和完好数据集对改进的Yolov4检测模型进行训练；S4
‑
6、采用训练好的改进的Yolov4检测模型进行薄膜材料的缺陷检测。4.根据权利要求3所述的一种薄膜材料的缺陷检测方法，其特征在于，所述步骤S4
‑
2具体包括：S4
‑2‑
1、对缺陷数据集和正常的数据集中的图像进行裁剪；S4
‑2‑
2、对缺陷数据集中裁剪后的图像进行调整处理，以增加缺陷数据集中图像的数量；S4
‑2‑
3、使用labelImg标注软件对数量增加后的缺陷数据集中的图像进行标注，生成缺陷的坐标信息和缺陷类别。5.根据权利要求4所述的一种薄膜材料的缺陷检测方法，其特征在于，所述调整处理包括对图像分别进行90
°
、180
°
和270
°
的旋转、水平和垂直翻折。6.根据权利要求4所述的一种薄膜材料的缺陷检测方法，其特征在于，所述步骤S4
‑
3具...

【专利技术属性】
技术研发人员：卢清华，甄志明，陈勇，
申请(专利权)人：佛山科学技术学院，
类型：发明
国别省市：