基于機器視覺的匣缽缺陷檢測系統

謝禮飛，段紅松，何易鵬，肖 路

(1.湖南爍科熱工智能裝備有限公司，湖南 長沙 410111；2.中國電子科技集團公司第四十八研究所，湖南 長沙 410111)

在國家“碳達峰”、“碳中和”及“十四五”規劃等政策激勵下，新能源汽車發展迅猛，鋰電行業遠景利好，智能化裝備也逐步更新換代，滿足了生產需求。新能源汽車和動力電池的飛速發展促使鋰電正極材料的需求量激增，人工成本越來越高，產品質量難以保證，需要大量的智能化裝備滿足生產需求。因此，國內的鋰電材料企業不僅對設備的自動化、智能化、智慧化等要求越來越高，而且使用可靠穩定的智能裝備替代人工更是大勢所趨。

1 總體架構

1.1 缺陷種類

匣缽是鋰電材料生產過程中的易損品，使用壽命約20~30次的循環周期，每次循環的時間約20 h。每次燒結過程由于高溫、氣體腐蝕、碰撞擠壓等影響，匣缽逐漸會產生裂紋、缺口等缺陷，有可能在燒結過程中碎裂，一旦發生破裂匣缽卡窯的情況，需要停止整條生產線的生產工作，等待窯爐冷卻大約20 h之后才能進行維修，不僅浪費原材料，還導致生產停滯。另外，原料對匣缽的腐蝕使得匣缽內部分表面產生腐蝕（掉皮）缺陷，脫落的匣缽表皮混入鋰電材料原料中，導致成品材料的能量密度下降約4%。鋰電材料生產過程中需要及時在每次循環中檢測并剔除有缺陷的匣缽。

匣缽的缺陷主要有3種：缺口、裂紋、腐蝕，如圖1所示。

圖1 匣缽缺陷的種類

1.2 缺陷檢測方法

經調研，行業內有使用固有頻率法、3D深度視覺法、X射線法以及密封充氣法等方法來檢測匣缽的裂縫、腐蝕、缺口等缺陷[1]。（1）固有頻率法是基于匣缽的正常與缺陷狀態下的固有頻率存在差異所提出的，通過測量使用中匣缽的固有頻率對比標準固有頻率可以檢測到有缺陷的匣缽，對于裂紋裂縫的檢測效果顯著，但是需要通過錘擊的方式獲取固有頻率，這本身就對匣缽有一定的損傷[2]。（2）3D深度視覺法是通過深度相機拍攝匣缽表面并重構匣缽表面的三維模型，通過與標準匣缽模型的對比就能夠檢測出有缺陷的匣缽，優點是識別準確，缺點是需要高精度的深度相機，測量時間慢[3-5]。（3）X射線法是對匣缽的X光圖像進行分析，對于裂紋裂縫等內部缺陷效果顯著，但是對于表面的腐蝕等缺陷無法檢測，同時在車間中使用還存在射線照射對人體的傷害。（4）密封充氣法是使用特殊的密封機構套住匣缽的開口，形成封閉的腔體，再向該腔體內充氣加壓。如果出現裂縫，氣壓則會快速下降，這種方法對于穿透匣缽的裂縫檢測效果明顯，但是對結構的密封性要求較高，對于未穿透的裂紋和腐蝕等缺陷無法檢出。各方法特點總結如表1所示。

表1 各檢測方法特點

經過以上多種方案的對比論證，最終決定采用單目視覺系統結合光度立體算法以及機器學習算法開發了一套基于機器視覺的匣缽缺陷檢測設備?；跈C器視覺的匣缽缺陷檢測裝備的目標是穩定、快速、準確地檢測有缺陷的匣缽并及時剔除，并計劃逐步替代人工檢測，提高鋰電材料生產過程的自動化、智能化程度。

1.3 系統結構

考慮到單目相機低成本的特點，采用單目相機作為測量傳感器，配合多臺光源設備使用。系統設置了匣缽內底面和四周外表面2個工位的缺陷檢測，能夠壓縮系統檢測節拍周期，使得檢測時間滿足節拍要求。在檢測的工位之后還設置了相應的缺陷匣缽剔除補充裝置，用于維持生產線匣缽數量的統一。

系統結構如圖2所示。系統主要包含部分：（1）匣缽輸送定位系統：包括輸送匣缽的傳輸、夾持、阻擋、頂升、旋轉、升降等裝置，從機械結構上實現兩個工位上匣缽的輸送、定位、旋轉、剔除補充、過渡、儲存等功能；（2）電氣控制系統：包括對上述匣缽輸送定位系統的控制等，實現匣缽的輸送控制以及?？吭谡_的位置以方便視覺系統的檢測，同時能夠在輸送/旋轉?？康轿恢蟀l送到位指令給視覺檢測系統，并根據視覺檢測系統的信號對異常的匣缽進行分揀；（3）視覺檢測系統：包括中央處理單元、圖像處理單元、單目工業相機系統、光源系統等，在接受到控制系統的到位信號之后，對匣缽進行實時在線的檢測表面裂紋的位置和寬度、腐蝕面積的百分比以及缺口形態和大小的檢測。檢測到有缺陷不符合使用要求的匣缽之后發送信號到電氣控制系統，操作匣缽輸送系統中的執行機構進行對應的操作。整個過程完全由裝備自主感知、決策并執行，并且在匣缽表面存在各種各樣不同干擾的情況下還能夠良好的運行，具有良好的自適應能力。

圖2 系統結構示意圖

2 系統原理

該檢測系統結合了光度立體算法以及機器學習算法，使用光度立體算法檢測匣缽的腐蝕和裂紋，使用機器學習算法檢測匣缽的缺口。

由視覺系統采集的多角度光照二維圖像恢復出匣缽表面的輪廓紋理信息，相比于傳統的3D視覺設備該技術路線具有低成本、測量速度較快的優勢。該算法原理如下。

由成像原理，每張圖像中像素的亮度值為：

而像素值與光照向量、反射率及匣缽表面法向量均有關，則根據4張不同角度下拍攝的圖片對某個像素坐標為(x，y)處有：

由式(2)計算得到匣缽表面單位法向量為：

此方向向量為某一像素點的方向，擴展至整幅圖像后得到該圖像的“法向量圖”，即圖像中各像素的方向向量。然而僅需針對前景匣缽區域的圖像進行處理，因此有必要實施前景濾波提取出匣缽。

本系統采用幀間差法提取匣缽圖像。其具體方法為：匣缽輸送至檢測工位前拍攝一張圖像，得到無匣缽存在時的背景，待匣缽進入工位并停下來后再拍攝一張圖片，兩張圖片對應的場景的差別在于有無匣缽，因此對這兩張圖片求差得到的圖像中僅在前景像素處其亮度不為0，而在其余位置（背景）處亮度為0或者略大于0。使用二值化方法將該圖像分為2部分，其原理為，設置一個閾值，亮度低于該閾值的像素標記為0，而亮度高于該閾值的像素標記為255，由于幀間差算法處理過后圖像的背景亮度差較小，故此閾值設為10，可以提取出前景圖像，即匣缽圖像。

將前景圖像區域作為掩膜，對得到的法向量圖運行高斯濾波及邊緣檢測算法。由于圖片拍攝時存在噪聲，該噪聲信號由相機的光耦合器件帶來，反應在圖像上則為隨機分布的細小光點。在頻譜中該類噪聲為高頻信號，將會對圖像的邊緣檢測等后續處理造成干擾，因此需要采用濾波器將該噪聲濾去。使用高斯濾波器對這些噪聲信號進行過濾，其二維分布函數為：

在離散化數字圖像處理中其原理為使用一個3×3的掩膜矩陣對圖像進行卷積，該掩膜即高斯分布的離散化形式：

經過圖像的濾波去噪以及光度立體算法測算表面朝向后，可以得到匣缽的表面法向量分布的朝向圖。在該圖像中各像素點的值不再是亮度值，而是物體表面各點法向量中平行于相機光軸（z向）的分量的值。在該圖像中，匣缽的裂紋位置處由于表面的朝向發生突變，導致在朝向圖中表面紋理位置處法向量的z向分量存在不連續，因此使用了Laplace梯度檢測算子對該圖像進行處理，在裂紋位置處的像素對該算子產生極大值響應，而匣缽表面的其他位置則對該算子產生響應較小。統計一塊區域內所有響應較大的像素點，即可得到該裂紋的像素尺寸，將像素尺寸大于一定閾值的區域判定為裂紋，且輸出該裂紋的像素尺寸[6]。

裂紋與腐蝕脫皮缺陷的缺陷本質相同，均為表面不平整出現法向量的突變。對于腐蝕而言，其表面向量不連貫表現為區域狀凹坑，而裂紋的表面向量的不連貫表現為線狀，因此使用斑點特征檢測算法對底面的朝向圖進行處理，得到的結果中響應最大處即腐蝕脫皮形成的凹坑所在位置。統計圖像中所有斑點特征檢測結果的像素數量，即可計算出腐蝕面積占比。

針對匣缽的缺口缺陷，由于其與匣缽的火槽具有相似性，因此使用機器學習的方法對該類缺陷進行判別。前期搜集了大量正常形態和存在缺口的匣缽圖像作為訓練的數據集，并采用卷積神經網絡模型進行訓練，得到模型結果后使用該神經網絡進行缺口判別，以區別于正常形態匣缽的火槽。

識別出裂紋、腐蝕脫皮以及缺口這三類缺陷的其中一種或者多種之后（根據需要設定報警情況），系統將自動記錄缺陷類型，并將存在缺陷匣缽的控制信號發送給電氣控制系統，隨后控制機械執行機構剔除缺陷的匣缽。

3 系統測試與分析

系統軟件采用Visual Studio 2018進行開發和測試，分別測試了帶火槽匣缽和不帶火槽匣缽缺陷檢測情況，如圖3所示。

圖3 匣缽缺陷檢測系統界面

利用該系統針對常見的3種匣缽缺陷，對100個樣例匣缽進行測試，其中有20個缺口匣缽，20個裂紋匣缽，20個腐蝕匣缽和40個正常匣缽。其測試結構如表2所示。

表2 匣缽缺陷測試結果

從表2測試結果對比可以看出，該系統缺口檢測正確率為100%，匣缽出現缺口檢測效果較好；腐蝕檢測正確率為90%，匣缽出現腐蝕檢測效果還有待加強。匣缽缺陷檢測綜合正確率大于95%，系統的檢測正確率和人工識別相比正確率相差無幾，但檢測效率遠遠優于人工。

4 結束語

匣缽缺陷檢測系統采用機器學習算法和光度立體算法判別匣缽缺陷，通過大量包含缺陷的匣缽圖像樣本以及包含干擾的正常匣缽圖像樣本進行訓練，訓練得到的視覺檢測模型，能夠將其他干擾與缺陷區別開來，避免誤檢；結合光度立體算法，能夠由二維圖像計算三維深度信息，計算裂紋位置和匣缽的腐蝕率，能夠排除匣缽表面污濁物帶來的干擾。

因該系統在較好工況下進行實驗，在工業現場高溫粉塵環境還需進一步測試，同時對匣缽腐蝕檢測進行深入研究，提高檢測正確率。