System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及一种锂电池极片表面缺陷快速检测方法,适用于锂电池一致性检测。
技术介绍
1、由于工业的快速发展,环境污染和能源危机等问题逐渐凸显出来,石油的大量消耗给地球带来了非常严重的空气污染,还引发了新能源危机。这些环绕在我们周围的问题已对当下世界各国的发展产生直接影响,可见未来也会影响人类的生存。因此,新能源技术的发展和应用得到了全球范围内的关注和支持,锂电池作为其中重要的一环,凭借本身具有的绿色环保、寿命长、能量密度高、体积小等优点从现代商业化应用中脱颖而出,被广泛应用到各个邻域。
2、随着锂电池相关技术的发展和多类高性能锂电池产品的深入应用,其也逐渐暴露出一些安全隐患。作为锂电池制造的重要元件之一,正负极片在原料制备、涂布和轧制等生产流程中很容易产生压痕、破损、脱碳等缺陷。极片表面缺陷不仅会直接影响锂电池的性能和寿命,也会成为锂电池使用过程中潜在的安全隐患。因此,在生产过程中对极片表面进行缺陷检测是必须的一步。
技术实现思路
1、锂电池极片表面缺陷部分特征不够明显,会存在一些非缺陷痕迹的干扰,使得单种特征在缺陷识别时准确度较低。为此,本专利技术从多特征方向入手,从分割出缺陷区域图像上依次提取图像的纹理、边缘和hog特征,并组合作为缺陷识别的特征向量,采用不同加权系数的改进灰色关联度量化模型进行准确、高效的锂电池极片表面缺陷识别。
2、为实现上述目的,本专利技术提供如下技术方案:
3、一种基于改进灰关联模型的锂电池极片表面缺陷检测方法,基于
4、所述改进灰色关联度量化模型为:
5、
6、
7、其中,参考序列xi(k)为未知情况下锂电池极片表面识别参数特征值;比较序列x0(k)为已知情况下锂电池极片表面识别参数特征值,x0(k)包含以下六种参数:x01(k)、x02(k)、x03(k)、x04(k)、x05(k)、x06(k),分别对应于正常、破损、压痕、漏箔、气泡、脱碳时的锂电池极片表面识别参数,即对比度、能量、熵、相关度、像素梯度值、hog特征值六种参数;β(k)为因子k的权重;λ1为对绝对位置差异的权重,λ2为变化率差异的权重,λ1,λ2≥0,且λ1+λ2=1,ζ为绝对位置差异辨识系数,η1为一阶变化率差异的辨识系数,η1+ζ=1;δx0i(k)=x0(k)-xi(k),为比较序列x0(k)和参考序列xi(k)在点k时的绝对位置差,为一阶序列的变化率差;i=1,2,…,m;k=2,3,…,n。
8、进一步地,所述因子k的权重β(k)的表达式如下:
9、
10、其中η(k)为因子k的相对权重,ω为相对权重之和。
11、进一步的,所述六种参数中,对比度、能量、熵和相关度来源于图像的灰度共生矩阵方法,其用于描述图像中像素对之间的空间关系和灰度值关系,用于计算图像的纹理特征,其中每个元素表示一对像素在给定方向上共同出现的频率和灰度值差异。
12、进一步地,从0°、45°、90°、135°四个方位角上选定参数值,选定能量、对比度、熵、相关度四个参数,通过对其统计分析提取多种纹理特征,根据所选取的特征参数,计算每个图像的灰度共生矩阵,并提取相应的特征值。
13、进一步的,所述六种参数中,像素梯度值来源于canny算法,并且使用sobel算子对灰度图像进行卷积运算,计算出每个像素点的梯度值。
14、进一步的,所述sobel算子分为水平和垂直两个方向的算子模板,分别计算像素点在水平和垂直方向的梯度大小;然后,根据水平和垂直梯度的变化,计算出每个像素点的梯度大小和梯度方向;最后,基于最大熵和otsu算法自动获取图像的高、低阈值,通过逻辑与运算对两种算法阈值分割后的检测结果进行边缘融合。
15、进一步的,所述以上六种参数中,hog特征值来源于hog特征分析。
16、进一步的,首先在图像预处理时将待检测的图像转换为灰度图像或彩色空间的一个通道,并对图像进行调整,以消除包括光照因素的影响;接着计算梯度图像使用指定的导数滤波器,即sobel算子计算图像的水平和垂直方向上的梯度值,进而计算每个像素点的梯度幅值和方向;然后划分细胞将图像分成大小相等的细胞,每个细胞内包含若干个像素,统计每个细胞中的梯度方向直方图,对每个细胞中的像素梯度方向进行统计,可以使用垂直方向分成若干个bin,以每个bin为间隔统计梯度方向落在其中的像素数量,从而形成细胞的梯度方向直方图;最后组合多个细胞的直方图,将若干个细胞的梯度方向直方图组合成一个大的向量表示整个图像的特征。
17、与现有技术相比,本专利技术的有益效果是:
18、本专利技术针对改进灰关联模型分析的不足,考虑了灰关联度计算公式的权重,构建新的改进灰关联模型,从分割出缺陷区域图像上依次提取图像的纹理、边缘和hog特征,并组合作为缺陷识别的特征向量。相对改进灰关联模型新模型更能准确进行锂电池极片表面缺陷识别。
本文档来自技高网...【技术保护点】
1.一种基于改进灰关联模型的锂电池极片表面缺陷检测方法,其特征在于,基于多特征提取,从分割出缺陷区域的图像上依次提取图像的纹理、边缘和HOG特征,并组合作为缺陷识别的特征向量,采用不同加权系数的改进灰色关联度量化模型进行锂电池极片表面的缺陷识别;
2.根据权利要求1所述的一种基于改进灰关联模型的锂电池极片表面缺陷检测方法,其特征在于,所述因子k的权重β(k)的表达式如下:
3.根据权利要求1所述的一种基于改进灰关联模型的锂电池极片表面缺陷检测方法,其特征在于,所述六种参数中,对比度、能量、熵和相关度来源于图像的灰度共生矩阵方法,其用于描述图像中像素对之间的空间关系和灰度值关系,用于计算图像的纹理特征,其中每个元素表示一对像素在给定方向上共同出现的频率和灰度值差异。
4.根据权利要求3所述的一种基于改进灰关联模型的锂电池极片表面缺陷检测方法,其特征在于,从0°、45°、90°、135°四个方位角上选定参数值,选定能量、对比度、熵、相关度四个参数,通过对其统计分析提取多种纹理特征,根据所选取的特征参数,计算每个图像的灰度共生矩阵,并提取相应的特征值
5.根据权利要求1所述的一种基于改进灰关联模型的锂电池极片表面缺陷检测方法,其特征在于,所述六种参数中,像素梯度值来源于Canny算法,并且使用Sobel算子对灰度图像进行卷积运算,计算出每个像素点的梯度值。
6.根据权利要求5所述的一种基于改进灰关联模型的锂电池极片表面缺陷检测方法,其特征在于,所述Sobel算子分为水平和垂直两个方向的算子模板,分别计算像素点在水平和垂直方向的梯度大小;然后,根据水平和垂直梯度的变化,计算出每个像素点的梯度大小和梯度方向;最后,基于最大熵和Otsu算法自动获取图像的高、低阈值,通过逻辑与运算对两种算法阈值分割后的检测结果进行边缘融合。
7.根据权利要求1所述的一种基于改进灰关联模型的锂电池极片表面缺陷检测方法,其特征在于,所述以上六种参数中,HOG特征值来源于HOG特征分析。
8.根据权利要求7所述的一种基于改进灰关联模型的锂电池极片表面缺陷检测方法,其特征在于,首先在图像预处理时将待检测的图像转换为灰度图像或彩色空间的一个通道,并对图像进行调整,以消除包括光照因素的影响;接着计算梯度图像使用指定的导数滤波器,即Sobel算子计算图像的水平和垂直方向上的梯度值,进而计算每个像素点的梯度幅值和方向;然后划分细胞将图像分成大小相等的细胞,每个细胞内包含若干个像素,统计每个细胞中的梯度方向直方图,对每个细胞中的像素梯度方向进行统计,可以使用垂直方向分成若干个bin,以每个bin为间隔统计梯度方向落在其中的像素数量,从而形成细胞的梯度方向直方图;最后组合多个细胞的直方图,将若干个细胞的梯度方向直方图组合成一个大的向量表示整个图像的特征。
...【技术特征摘要】
1.一种基于改进灰关联模型的锂电池极片表面缺陷检测方法,其特征在于,基于多特征提取,从分割出缺陷区域的图像上依次提取图像的纹理、边缘和hog特征,并组合作为缺陷识别的特征向量,采用不同加权系数的改进灰色关联度量化模型进行锂电池极片表面的缺陷识别;
2.根据权利要求1所述的一种基于改进灰关联模型的锂电池极片表面缺陷检测方法,其特征在于,所述因子k的权重β(k)的表达式如下:
3.根据权利要求1所述的一种基于改进灰关联模型的锂电池极片表面缺陷检测方法,其特征在于,所述六种参数中,对比度、能量、熵和相关度来源于图像的灰度共生矩阵方法,其用于描述图像中像素对之间的空间关系和灰度值关系,用于计算图像的纹理特征,其中每个元素表示一对像素在给定方向上共同出现的频率和灰度值差异。
4.根据权利要求3所述的一种基于改进灰关联模型的锂电池极片表面缺陷检测方法,其特征在于,从0°、45°、90°、135°四个方位角上选定参数值,选定能量、对比度、熵、相关度四个参数,通过对其统计分析提取多种纹理特征,根据所选取的特征参数,计算每个图像的灰度共生矩阵,并提取相应的特征值。
5.根据权利要求1所述的一种基于改进灰关联模型的锂电池极片表面缺陷检测方法,其特征在于,所述六种参数中,像素梯度值来源于canny算法,并且使用sobel算子对灰度图像进行卷积运算,计算出每个像素点的梯度值...
【专利技术属性】
技术研发人员:黄丹丹,周珉毅,顾慧君,陈功,张昀,薛雯丽,赵英岐,李波逵,刘江勇,周志豪,张若璐,
申请(专利权)人:常州工学院,
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。