一种产品表面缺陷检测方法技术

一种产品表面缺陷检测方法，包括如下步骤：S1、采集产品表面的图像；S2、使用基于残差块的异常检测网络对人工选取的合格图像提取特征矩阵并保存，同时用合格图像计算特征距离分数的阈值；S3、对于采集的待检测产品图像，在所述异常检测网络中提取特征并计算与所述特征矩阵的距离分数，对于距离分数超过所述阈值的产品标记为不合格；S4、对步骤S3检测为合格的产品使用预训练的目标检测网络进行小尺寸颗粒缺陷检测，对于检出缺陷的产品标记为不合格；由此，可实现对存在各种不同类型表面缺陷的不合格锂电池极片快速准确检出的效果。的不合格锂电池极片快速准确检出的效果。的不合格锂电池极片快速准确检出的效果。

【技术实现步骤摘要】
一种产品表面缺陷检测方法


[0001]本专利技术涉及计算机视觉
，尤其涉及到一种产品表面缺陷检测方法。

技术介绍

[0002]锂电池具有能量密度高、使用寿命长、污染小等优点，因此被广泛应用于新能源汽车、动力电源、储能等领域。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。
[0003]作为制造锂电池的关键材料，极片在实际生产过程中受原料、生产设备、人工操作等因素影响，很容易出现压痕、漏金属、气泡颗粒等多种质量缺陷。因此，对极片缺陷检测是确保锂电池性能和安全的重要环节。
[0004]传统的基于机器视觉的表面缺陷检测方法,往往采用常规图像处理算法或人工设计特征加分类器方式。通常利用被检测表面或缺陷的不同性质设计相应的成像方案，从而获得光照均匀的图像并将物体表面缺陷明显地体现出来。这种精心构造的成像方案能够大大减轻传统检测算法设计的难度，但也增加了检测系统的应用成本。同时在很多开放式的工业环境下，期待设计的成像系统完全消除场景或者被检材料等变化对检测系统的影响,往往不太现实。近年来随着以卷积神经网络为代表的深度学习模型在诸多计算机视觉领域成功应用，不少基于深度学习的缺陷检测方法也广泛应用在各种工业场景中。同时，在应用深度学习到工业领域的过程中，缺陷检测的需求逐渐变得综合化。
[0005]目前在锂电池极片生产过程中进行检测的算法多为传统机器视觉方案，需要人工定义缺陷特征并使用传统图像算法提取缺陷特征边缘并进行分类等，这些方案都不具有泛化性，不易识别新的缺陷类型。
[0006]CN 112858334 A公开了一种锂电池极片检测方法，其算法使用相机定位测量方式检测缺陷，对生产环境的相机参数要求苛刻且识别缺陷类型少。
[0007]需要说明的是，在上述
技术介绍
部分公开的信息仅用于对本申请的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

[0008]本专利技术的主要目的在于克服上述
技术介绍
的缺陷，提供一种产品表面缺陷检测方法。
[0009]为实现上述目的，本专利技术采用以下技术方案：
[0010]一种产品表面缺陷检测方法，包括如下步骤：
[0011]S1、采集产品表面的图像；优选地，在产品图像采集平台，使用线性扫描相机采集沿水平方向传送的产品灰度图；
[0012]S2、使用基于残差块的异常检测网络对人工选取的合格图像提取特征矩阵并保存，同时用合格图像计算特征距离分数的阈值；
[0013]S3、对于采集的待检测产品图像，在所述异常检测网络中提取特征并计算与所述
特征矩阵的距离分数，对于距离分数超过所述阈值的产品标记为不合格；
[0014]S4、对步骤S3检测为合格的产品使用预训练的目标检测网络进行小尺寸颗粒缺陷检测，对于检出缺陷的产品标记为不合格。
[0015]进一步地：
[0016]所述产品为锂电池极片。
[0017]步骤S1中，对沿水平方向传送的产品在上方和下方使用线性扫描相机对产品的正面和背面进行图像采集。
[0018]步骤S2中，使用深度残差网络建立无监督异常检测网络特征提取器，将合格图像4次下采样送入所述异常检测网络进行特征提取，提取的特征为深度残差网络的第2层与第3层网络特征，将第2层与第3层网络特征稀疏化处理后进行保存。
[0019]特征稀疏化处理包括主成分分析特征降维，其中，所述第2层与第3层网络特征进行主成分分析，选取10％的主成分特征作为核心特征，对所述特征矩阵进行降维。
[0020]所述阈值的设定标准为，除去训练过程使用图像，再次选取30张或更多合格图像送入网络推理计算所得最大距离分数，将此距离分数作为阈值。
[0021]步骤S3中，将待检产品图像4次下采样送入所述异常检测网络以提取图像特征，并计算其与步骤S2中保存的所述特征矩阵的合格图像特征之间的距离分数，超出设定阈值的图像标记为不合格。
[0022]步骤S3中，待检测图像特征与合格图像特征距离分数的计算方法为最近邻检索法。
[0023]所述异常检测网络检测大尺寸贯穿状缺陷。
[0024]步骤S4中，使用所述目标检测网络对小尺寸颗粒状缺陷进行检测时，使用非极大值抑制方法过滤误检缺陷，对于置信度大于0.5的缺陷检出并判定对应极片为不合格。
[0025]本专利技术具有如下有益效果：
[0026]本专利技术提供了一种产品表面缺陷检测方法，尤其适于快速检测出锂电池极片表面缺陷，其分步采用异常检测网络和目标检测网络，对采集的锂电池极片图像分别检测大尺寸贯穿缺陷与小尺寸颗粒缺陷，将检出缺陷的极片标记不合格并输出剔除信号，本专利技术通过异常检测方法快速准确检出大尺寸缺陷，并使用目标检测方法检出小尺寸缺陷，实现对存在各种不同类型表面缺陷的不合格锂电池极片快速准确检出的效果。本方法可以检测不同尺寸的锂电池极片缺陷，有效降低漏检率。本方法能够覆盖多种缺陷类型，不必依赖人工定义。不必对现有生产设备进行改造，具有较高的可移植性。本专利技术对于提高锂电池生产过程中的合格率，提高电池安全性，有广阔的应用前景和巨大市场价值。
附图说明
[0027]图1是本专利技术实施例提供的一种锂电池极片表面缺陷检测方法的流程图。
具体实施方式
[0028]以下对本专利技术的实施方式做详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本专利技术的范围及其应用。
[0029]参阅图1，本专利技术实施例提供一种产品表面缺陷检测方法，包括如下步骤：
[0030]S1、采集产品表面的图像；
[0031]优选地，在产品图像采集平台，使用线性扫描相机采集沿水平方向传送的产品灰度图；
[0032]S2、使用基于残差块的异常检测网络对人工选取的合格图像提取特征矩阵并保存，同时用合格图像计算特征距离分数的阈值；
[0033]S3、对于采集的待检测产品图像，在所述异常检测网络中提取特征并计算与所述特征矩阵的距离分数，对于距离分数超过所述阈值的产品标记为不合格；
[0034]S4、对步骤S3检测为合格的产品使用预训练的目标检测网络进行小尺寸颗粒缺陷检测，对于检出缺陷的产品标记为不合格。
[0035]本专利技术尤其适于快速检测出存在表面缺陷、不合格的锂电池极片。但本专利技术的表面缺陷检测方法并不仅仅只适用于锂电池极片。
[0036]以下进一步描述本专利技术检测锂电池极片的具体实施例。
[0037]在一些实施例中，本专利技术的锂电池极片表面缺陷检测方法包括如下过程：在锂电池极片图像采集平台，使用线性扫描相机采集沿水平方向传送的锂电池极片灰度图；使用基于残差块的异常检测网络对合格图像提取矩阵并保存，同时用合格图像计算特征距离分数阈值；对于采集的其他图像，在前述网络中提取特征并计算与保存的特征矩阵的距离分数，对于距离分数超过阈值的极片标记为不合格；对前述检测合格的极片使用预训练的目标检测网络进行小尺寸颗粒缺陷检本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种产品表面缺陷检测方法，其特征在于，包括如下步骤：S1、采集产品表面的图像；优选地，在产品图像采集平台，使用线性扫描相机采集沿水平方向传送的产品灰度图；S2、使用基于残差块的异常检测网络对人工选取的合格图像提取特征矩阵并保存，同时用合格图像计算特征距离分数的阈值；S3、对于采集的待检测产品图像，在所述异常检测网络中提取特征并计算与所述特征矩阵的距离分数，对于距离分数超过所述阈值的产品标记为不合格；S4、对步骤S3检测为合格的产品使用预训练的目标检测网络进行小尺寸颗粒缺陷检测，对于检出缺陷的产品标记为不合格。2.如权利要求1所述的产品表面缺陷检测方法，其特征在于，所述产品为锂电池极片。3.如权利要求1或2所述的产品表面缺陷检测方法，其特征在于，步骤S2中，使用深度残差网络建立无监督异常检测网络特征提取器，将合格图像4次下采样送入所述异常检测网络进行特征提取，提取的特征为深度残差网络的第2层与第3层网络特征，将第2层与第3层网络特征稀疏化处理后进行保存。4.如权利要求3所述的产品表面缺陷检测方法，其特征在于，特征稀疏化处理包括主成分分析特征降维，其中，所述第2层与第3层网络特征进行主成分分析，选取10％的主成分特征作为核心特征，对所述特征矩阵进行降维...

【专利技术属性】
技术研发人员：王好谦，李亚栋，
申请(专利权)人：清华大学深圳国际研究生院，
类型：发明
国别省市：