摘要
随着新能源行业的发展，市场对锂电池的需求量以及质量要求越来越高。而极片作为锂电池的重要组成，在辊压、涂覆等环节都有可能导致其破损，出现缺陷，而这些缺陷将会严重影响锂电池的使用寿命与质量。因此，有必要对锂电池极片进行缺陷检测，以保障锂电池使用的可靠性与安全性。然而传统的人工检测方法效率低、误差大，已经不能适应现代工业高精度、高速率的发展需求。因此，进行基于机器视觉的锂电池极片缺陷检测系统的探讨和研究，对提高检测效率、降低生产成本具有重要意义。 本文针对锂电池极片表面出现的一些微小对比度低的缺陷，研究设计了一种基于机器视觉的锂电池极片缺陷检测与识别系统。其主要工作如下： （1）提出了一种基于小波变换的锂电池极片缺陷检测方法。首先使用自适应的伽玛校正，增强图像的对比度，并用加权平均法将其灰度化；其次对图像进行小波分解，得到图像的高频分量与低频分量；然后利用模极大值算法与改进的数学形态学算法分别处理高频分量与低频分量，得到高、低频分量的边缘信息；再通过叠加运算融合高、低频分量的边缘信息，得到原始图像的边缘信息。最后利用提取出的缺陷轮廓，进行缺陷的区域分割，并将其打上标记。该检测方法平均漏检率为1.14%，而平均误检率为0.28%。 （2）研究了锂电池极片缺陷特征的提取方法，根据提取出的缺陷轮廓与分割出的缺陷区域，并提取出相应缺陷的形状、灰度以及纹理特征。然后，利用Fisher判别准则，计算出各个特征的Fisher得分，基于此进行特征的选择。最后，再对选择出的特征进行融合与归一化操作。 （3）提出了一种基于 MVO-BPNN 的锂电池极片缺陷识别方法。针对 BP（Back Propagation）神经网络存在梯度消失，易陷入局部极值的问题。应用多元宇宙优化算法（Multi-Verse Optimizer, MVO）进行辅助调参，进一步提高模型识别的准确率。通过实验验证，该分类方法平均准确率为97.24%，平均耗时为246.5ms。 本文对锂电极片表面缺陷的检测与识别算法进行了研究，实现了锂电极片缺陷的高精度自动化检测，具有一定的理论意义与工程实用价值。
NETL