陈 功， 朱锡芳， 许清泉， 徐安成， 杨 辉

（常州工学院，江苏常州 213022）

目前磷酸铁锂电池的应用并非尽善尽美，主要是受制于电池组的一致性问题。用作汽车动力的锂离子电池是将大量单体电池串并联而成的电池组，目前单体磷酸铁锂电池的寿命超过2 000次，在将多个电池组成电池组时，只有在电池性能高度一致时，电池组的循环寿命才能接近单体电池的寿命。由于目前国内大部分磷酸铁锂生产厂商的制造设备及制备工艺都不成熟，产品品质容易出现波动，使得电池产品的一致性受到影响，因此，目前应用在电动汽车上存在一定的障碍。表面缺陷是锂电池极片表面质量的重要因素，直接影响着产品的性能和质量。因此，基于机器视觉技术的极片表面质量自动检测已逐渐成为研究的重点。

从国内外相关研究领域来看，文献[1]针对塑料薄膜表面缺陷提出了固定阈值分割的方法实现缺陷的提取。文献[2-4]则未考虑视觉图像中可能同时存在多个缺陷，文献[5]采用聚类解决上述问题，但是该方法计算复杂，实时性差。文献[6-8]采用模板匹配中误差和相关性算法来识别缺陷，上述算法计算量大，且未能充分反映同类数据本身的相似度特性。针对上述问题，构建锂电池在线极片缺陷识别系统，该系统采用最大熵阈值法实现阈值分割，经缺陷面积排序定位最大缺陷目标，提取缺陷中的几何形状和投影参数作为特征值，识别部分采用高斯混合模型(Gaussian Mixture Model，GMM)算法实现对缺陷目标的分类。

采用CCD对锂电池薄膜成像时，由于镜头到薄膜距离有限，获得的图像一般中部偏亮、两侧偏暗。因此本文采用图像灰度补偿算法[3]和平滑滤波算法减少图像采集质量不稳定的影响。

1 锂电池极片缺陷类型

锂电池极片缺陷依据产生原因可划分为以下几种。由于设备因素引起的亮划痕、暗划痕；由工艺因素引起的漏箔、起泡、针孔；由环境因素引起的表面异物。图1为主要研究的缺陷目标。

2 阈值分割和特征提取

针对固定阈值取值的复杂性，本文采用一维最大熵阈值法[9]，其基本思路是：统计图像中每一个灰度级出现的概率，计算该灰度级的熵假设以灰度级T分割图像，图像中低于T灰度级的像素点构成目标物体，高于灰度级T的像素点构成背景，则分布概率分别为：Pi/pti=1，2，…，t，Pi/pti=t+1，t+2，…，L-1，则熵函数定义为：

图1 主要研究的缺陷目标

当熵函数取得最大值时对应的灰度值t就是所求得最佳阈值，即经图像分割后，得到黑白二值化锂电池极片图像。该图像中可能存在多个缺陷目标，通常缺陷目标呈现较大的面积特征，因此缺陷目标面积排序的方法可定位出最大缺陷目标。

锂电池极片图像识别是一个多特征、多类别的识别问题，需要大量特征精确地描述缺陷。根据工业生产过程中极片缺陷图像的特点，本文提取了几何形状和投影特征。实际生产过程中，划痕特征通常保持同一方向，采取0°方向投影，将二维数据映射成一维数据可有效区分缺陷目标。图2为不同缺陷目标的11个特征值的分布图，其中纵坐标为归一化幅值。这11个特征值分别为几何特征中的面积、长径和短径之比、周长、圆形度和离心率；投影特征包括波形特征、脉冲特征、峰值特征、裕度特征、歪度值和峭度值。

图2 不同缺陷目标特征值比较

由图2可知，黑划痕和污物缺陷都呈现暗特征；而白划痕、漏箔以及起泡缺陷均呈现亮特征；黑划痕和亮划痕、污物和漏箔特征差异不明显；漏箔和白划痕相比投影特征近似，但几何特征中面积差异较大。起泡和漏箔、划痕特征相比，则投影特征差异明显。因此本文所提取的几何形状和投影特征是合理的。

3 高斯混合模型的识别

高斯混合模型(GMM)模型[10]是一种基于参数估计的概率统计模型，其将每个缺陷目标的特征在特征空间都构成特定的分布，并且可用多个高斯分布组合对每个缺陷特征分布进行拟合，不同参数的高斯分布组合可用来表征不同的缺陷目标。GMM的优点是可以从统计的角度充分表示数据的分布情况，反映的是同类数据本身的相似度特性。

GMM模型是用M个单高斯分布的线性组合来描述特征在特征空间中的分布。即：

式(3)中：xt中t=1，2，…；T是特征序列；M是GMM模型阶数；d是特征的维数；bi(xt)是均值矢量为μi、协方差矩阵为∑i的单高斯分布函数；Pi是第i个单高斯分布的权重。作为高斯混合分布的加权系数，P应满足使：

在采用高斯混合模型的图像特征参数目标集合中，任一特征参数的模型形式都是一致的，其个性特征由一组参数唯一确定。因此，目标的训练是从己知特征参数中得到这样的一组参数λ使其产生训练的参数概率密度最大。而缺陷目标的识别依最大概率原则选出产生识别缺陷目标概率最大的那一组参数所代表的缺陷目标，即：

图3为基于GMM锂电池极片缺陷目标识别系统原理图。

图3 基于GMM锂电池极片缺陷目标识别系统原理图

表1给出了不同条件下的识别结果。由于几何和投影特征的相对独立性，同时提取两者特征，能有效提高缺陷的平均识别率，提高值分别达到9%和12%。采用缺陷面积排序提取了唯一的缺陷目标，相对于未排序方法平均识别率提高了17%。与模板匹配相关性算法比较，GMM相对于模板匹配相关性从统计的角度充分表示数据的分布情况，反映的是同类数据本身的相似度特性，其识别提高率达到4%。

表1 不同识别条件下的识别结果

4 结论

针对锂电池行业实际生产的需求，构建了基于机器视觉的锂电池极片缺陷在线识别系统。该系统提取双特征值、对缺陷目标排序，采用高斯混合模型对缺陷目标进行准确识别。实验结果表明：几何和投影特征能准确描述缺陷目标，GMM算法优于模板匹配算法，识别准确率达到94%，该方法能改善锂电池极片的表面质量，进一步提高锂电池产品的一致性。

[1]樊向党，林波.塑料薄膜表面疵点检测及识别方法研究[J].工业控制计算机，2011，24(5)：74-75.

[2]刘学山，岳喜顺.一种基于智能相机和机器视觉的电池极片检测系统的设计[J].机械设计与制造，2011(2)：5-6.

[3]杨水山.冷轧带钢表面缺陷机器视觉自动检测技术研究[D].哈尔滨：哈尔滨工业大学，2009.

[4]刘学山.基于机器视觉的锂离子电池极片检测系统的研究与设计[D].上海：华南理工大学，2010.

[5]杨威，张田文，师海峰.一种用于二值图象分割的快速聚类算法[J].计算机研究与发展，1998，35(8)：719-723.

[6]基于机器视觉的电池表面缺陷检测技术研究[D].合肥：中国科学技术大学，2011.

[7]何长涛，马孜.基于图像相似的极片激光损伤识别[J].激光杂志，2007，28(1)：60-61.

[8]何长涛，马孜.基于小波变换的极片激光损伤识别[J].激光技术，2007，28(1)：131-136.

[9]韩九强.机器视觉技术及应用[M].北京：高等教育出版社，2009.

[10]张雄伟.现代语音处理技术及应用[M].北京：机械工业出版社，2003.