一种产品表面缺陷检测方法

1.本发明涉及计算机视觉技术领域，尤其涉及到一种产品表面缺陷检测方法。


背景技术：

2.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。
3.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。
4.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。
5.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。
6.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。
7.需要说明的是，在上述背景技术部分公开的信息仅用于对本技术的背景的理解，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。


技术实现要素：

8.本发明的主要目的在于克服上述背景技术的缺陷，提供一种产品表面缺陷检测方法。
9.为实现上述目的，本发明采用以下技术方案：
10.一种产品表面缺陷检测方法，包括如下步骤：
11.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；
12.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；
13.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；
14.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。
15.进一步地：
16.所述产品为锂电池极片。
17.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。
18.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。
19.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。
20.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。
21.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。
22.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。
23.所述异常检测网络检测大尺寸贯穿状缺陷。
24.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。
25.本发明具有如下有益效果：
26.本发明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，本发明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。本发明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
27.图1是本发明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
28.以下对本发明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，而不是为了限制本发明的范围及其应用。
29.参阅图1，本发明实施例提供一种产品表面缺陷检测方法，包括如下步骤：
30.s1、采集产品表面的图像；
31.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；
32.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；
33.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；
34.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。
35.本发明尤其适于快速检测出存在表面缺陷、不合格的锂电池极片。但本发明的表面缺陷检测方法并不仅仅只适用于锂电池极片。
36.以下进一步描述本发明检测锂电池极片的具体实施例。
37.在一些实施例中，本发明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测，对于检出缺陷的极片标记为不合格；将前述两道网络中被标记不合格的极片信息反馈到系统进行缺陷极片的检出。
38.在进一步的实施例中，一种锂电池极片表面缺陷检测方法，包括如下步骤：
39.s1，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；
40.s2，建立无监督异常检测网络检测大尺寸贯穿状缺陷，人工选取50张合格图像并将合格图像4次下采样送入该网络进行特征提取，将网络特征提取器的第2层与第3层网络特征稀疏化后进行保存；
41.s3，采集锂电池极片表面图像，将图像4次下采样送入s2所述异常检测网络提取图像特征，计算图像特征与s2保存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；
42.s4，建立目标检测网络检测小尺寸颗粒状缺陷，对s3中判为合格的图像原图切块送入检测网络，对检出缺陷的图像标记为不合格。
43.在一些实施例中，在所述步骤s1中，锂电池极片采集平台对沿水平方向传送的锂电池极片使用线性扫描相机进行图像采集。平台包含上方线性扫描相机和下方线性扫描相机，上方线性扫描相机对传送平台上的锂电池极片正面进行图像采集，下方线性扫描相机对传送平台上的锂电池极片背面进行图像采集。
44.在一些实施例中，在所述步骤s2中，对于用于大尺寸贯穿状缺陷的异常检测网络，使用深度残差网络建立无监督异常检测网络特征提取器，对50张合格图像进行特征提取，提取特征为深度残差网络的第2层特征与第3层特征。
45.在一些实施例中，在所述步骤s3中，对前述网络所提取特征进行稀疏化处理，特征稀疏化方式为主成分分析特征降维，对前述提取的第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，对特征矩阵进行降维。
46.在一些实施例中，在所述步骤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。
47.在一些实施例中，在所述步骤s3中，阈值设定标准为，除去训练过程使用图像，再次选取30张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。
48.在一些实施例中，在所述步骤s4中，使用目标检测网络对小尺寸颗粒状缺陷进行检测，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。
49.如图1所示，具体实例的锂电池极片表面缺陷检测方法包括以下步骤：
50.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。平台包含两台线性扫描相机，分别位于平台的上方和下方。上方线性扫描相机主要用于对传送平台上的锂电池极片正面进行图像采集，下方线性扫描相机则用于对锂电池极片的背面进行图像采集。在图像采集过程中，相机依照每行4096像素的宽度逐行扫描锂电池极片表面，并将其转化为数字信号，最终输出为灰度图像。
51.手动选取80张无缺陷极片的合格图像，将其中50张作为训练图片输入异常检测网络进行特征提取。异常检测网络使用残差块作为特征提取模块，对选定的50张合格图片进行4次下采样缩小至128
×
256大小，经残差块结构进行卷积运算，提取残差块第2层与第3层的特征向量。
52.前述提取的两层特征向量中，对第3层提取的特征使用双线性插值方法使之与第2层特征向量维度匹配，将两层特征向量通过自适应平均池化方法进行特征聚合得到合格图像的特征矩阵，使用主成分分析法对特征矩阵进行降维，将特征矩阵降维至原维度的10％，对降维后的特征矩阵记为m并进行保存。
53.在前述选取的80张合格极片图像中，选择训练阶段未使用的其余30张合格图像，对其使用前述异常检测网络的残差特征提取器进行特征提取，对提取的特征与前述保存的训练特征矩阵m使用最近邻检索法计算得到每个特征块的距离分数，将最大距离分数记为s
*
，s
*
为异常检测距离分数阈值。
54.对平台采集的锂电池极片图像，使用前述步骤进行下采样，送入异常检测网络提取特征矩阵并计算距离分数s，对于s＞s
*
的极片标记为不合格。
55.对前述异常检测网络中标记为合格的极片，进一步使用预训练完成的目标检测网络对小尺寸颗粒状缺陷进行检出，每一所述检测结果包括多个颗粒缺陷候选框的位置以及置信度。
56.设置颗粒缺陷的检出置信度为0.5，对每一所述检测结果中置信度高于置信度阈值的多个候选框使用非极大值抑制处理，获得每一所述缺陷的最终检测结果。
57.对前述检出颗粒缺陷的极片标记为不合格。
58.极片图像经异常检测网络、目标检测网络分别检测大尺寸贯穿缺陷与小尺寸颗粒缺陷，将被标记为不合格的极片输出至控制中心进行剔除操作，未被标记为不合格的极片进入后续工位。
59.本发明实施例提出的锂电池极片表面缺陷检测方法包括图像采集方法、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，实现了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。
60.本发明可以提供给电池生产制作商使用，应用于锂电池生产过程中极片的表面缺陷检测，实现自动化缺陷产品检出。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。可在无需改动电池制造产线的前提下引入本发明检测方法，可以提供更快速有效的缺陷检测。
61.本领域技术人员应理解，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
62.本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
63.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
64.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
65.本发明的背景部分可以包含关于本发明的问题或环境的背景信息，而不一定是描述现有技术。因此，在背景技术部分中包含的内容并不是申请人对现有技术的承认。
66.以上内容是结合具体/优选的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，其还可以对这些已描述的实施方式做出若干替代或变型，而这些替代或变型方式都应当视为属于本发明的保护范围。在本说明书的描述中，参考术语“一种实施例”、“一些实施例”、“优选实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。尽管已经详细描述了本发明的实施例及其优点，但应当理解，在不脱离专利申请的保护范围的情况下，可以在本文中进行各种改变、替换和变更。

技术特征：
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。5.如权利要求1至4任一项所述的产品表面缺陷检测方法，其特征在于，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。6.如权利要求1至5任一项所述的产品表面缺陷检测方法，其特征在于，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。7.如权利要求1至6任一项所述的产品表面缺陷检测方法，其特征在于，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。8.如权利要求1至7任一项所述的产品表面缺陷检测方法，其特征在于，所述异常检测网络检测大尺寸贯穿状缺陷。9.如权利要求1至8任一项所述的产品表面缺陷检测方法，其特征在于，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。10.如权利要求1至9任一项所述的产品表面缺陷检测方法，其特征在于，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。

技术总结
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。


技术研发人员：王好谦 李亚栋
受保护的技术使用者：清华大学深圳国际研究生院
技术研发日：2023.03.27
技术公布日：2023/7/7