基于图像处理与卷积神经网络的锂电池极片缺陷检测与分类

针对锂电池生产过程中极片缺陷检测存在精度差、速度慢的问题,提出了一种基于图像处理和卷积神经网络(Convolutional Neural Networks,CNN)的缺陷检测与分类方法。首先,利用双边滤波、灰度变换、阈值分割、形态学处理、Canny检测和最小外接矩形提取等方法,分别实现图像去噪、对比度增强、图像分割、区域填充、边缘检测和缺陷轮廓标定;然后,对极片的裂纹、破损、黑斑和压孔四种缺陷图像进行变换,扩充数据集,搭建卷积神经网络模型;最后,将标定轮廓区域延展图像输入到搭建的模型,确定缺陷类型。结果表明,该方法对锂电池极片缺陷的检测与分类具有较高的准确率,能够实现对锂电池极片缺陷的自动化检测。

基于改进YOLOv4的锂电池缺陷检测方法

针对传统方法检测锂电池表面缺陷精度低、速度慢的问题,提出一种改进的YOLOv4算法。首先,在CSPDarknet-53骨干网络中使用空洞卷积代替传统卷积,提高了对不同尺度缺陷的检测。其次,将通道注意力机制插入到颈部网络中,自适应地选择一维卷积核的大小,降低模型的复杂度和计算量。最后,在分类和边界框回归中融合条件卷积来提高网络性能,并扩大数据集以解决由于缺陷样本太少而导致的网络训练过拟合问题。实验结果表明,改进后的YOLOv4算法可以有效检测锂电池表面缺陷并提高对于缺陷的识别和定位能力。改进算法的平均精度均值为93.46%,相较原算法提高了3.03%。

基于漫水填充与环形校正结合的极耳缺陷检测

为了实现锂电池极耳缺陷自动化检测,提出了一种基于漫水填充与环形校正结合的锂电池极耳缺陷检测算法。采用分段线性变换进行图像预处理;使用漫水填充算法分割极耳缺陷图像,利用形态学处理去除雪花噪声;通过Canny算子获取极耳缺陷轮廓边缘,在计算极耳缺陷关键参数的基础上,提出环形校正方法对关键参数进行修正,以实现缺陷的准确检测。为了验证该算法的检测性能,选取2 000个样本进行测试。实验结果表明,该算法能够准确检测多种极耳缺陷,检测准确率平均值为99.45%。

基于改进YOLOv5的锂电池极片缺陷检测

针对传统目标检测法在锂电池极片缺陷检测中存在小目标缺陷漏检率高的问题,提出了一种改进的YOLOv5算法。首先,输入端引入图像增强预处理(IEP),提高图像对比度;其次,采用深度可分离卷积(DSC)替换标准卷积,降低模型参数;然后,添加卷积注意力模块(CBAM),增强网络对空间和通道的关注度;最后,扩充多尺度检测结构(MDS),提升模型对小目标缺陷的检测性能。结果表明:改进的YOLOv5-IDCM算法对锂电池极片缺陷检测的平均精度均值达93.1%,相比原始YOLOv5算法提高了2.4%,网络权重缩减至10.3MB,与其他主流检测算法相比具备一定的优势。

基于双边滤波与区域生长的锂电池极片缺陷检测方法

针对目前人工检测方法在检测锂电池极片缺陷时存在效率低、自动化程度低、准确度低等问题,提出一种基于图像双边滤波与区域生长算法结合的缺陷检测方法。首先利用ROI方法提取锂电池极片区域的图像,并采用双边滤波算法进行去噪;然后利用灰度变换增强图像对比度,突出缺陷区域,并采用区域生长算法分割图像;最后利用形态学方法和Canny算子处理图像,完成对缺陷轮廓的标定。实验结果表明文中方法可以对锂电池极片划痕、漏金属、黑斑、污迹、破损等多种缺陷进行较为精确的检测,能够应用于工业领域中并取代人工检测的方法。