基于图像识别的热电池装配缺陷检测

周 围，肖 鑫*，汪 芮，刘志博，伊纪禄

（1.河北工业大学 机械工程学院，天津 300130；2.中国电子科技集团公司第十八研究所，天津 300381）

0 引言

热电池作为现代化武器的一种理想电源,在航空航天、军事领域占有重要位置[1]。因此,对于热电池的安全性、可靠性有较高的要求[2]。热电池的装配采用人工操作,不可避免会出现装配失误,这将导致热电池存在极大的安全隐患,因此,必须对装配后的热电池进行缺陷检测。由于热电池是一次性储备电池,传统的电化学性能检测与内部物质形态检测并不适用。无损检测（nondestructive testing,NDT）作为一种有效的电磁检测技术[3],在热电池内部缺陷检测中的得到了广泛地应用。适用于热电池的无损检测技术包括X射线成像、计算机层析成像（CT）和空气耦合超声检测[4],X射线成像因具有对内部体积性缺陷灵敏度比超声检测高且检测周期比CT短的优势,结合图像处理分析成为热电池缺陷检测系统的重要手段。

近年来,研究者们提出了许多应用于热电池缺陷的图像分析方法和检测方法。秦琴[5]提出了一种单体热电池多参数自动化检测方法,可以有效检测生产过程中热电池质量；邓士梅[6]设计了一个热电池性能测试系统,并对电池X图像内部结构进行分析；张思祥[7]等人通过模板匹配对单体热电池进行分割,在此基础上对单体电池缺陷特征进行研究。虽然不同的方法在特定的应用场景取得了一定的研究成果,但仍有许多不足之处。对于单体电池数目较多的热电池,单体电池厚度、系统光照条件和拍摄位置等因素均易引起图像匹配精度的降低。本文针对上述问题,提出一种基于改进灰度标准化和自适应模板匹配的热电池装配缺陷检测方法,能够对热电池装配缺陷进行准确和有效地检测识别。

1 热电池内部结构缺陷分析

热电池主要由多层单体电池装配而成,利用X射线对热电池内部不同材料结构穿透量存在差异的原理,在成像板上形成不同灰度的热电池X图像,如图1(a)所示。

图1 热电池X图像与单体结构

热电池在装配时是按四片层单体电池、集流片、四片层单体电池循环顺序进行装配,正确的装配次序如图1(b)所示。四片层单体电池是不可分的整体,每层的厚度按顺序为0.2mm、0.3mm、0.2mm、0.5mm,负极位于单体电池的顶部,在X图像中可以比较清晰的看到一条白线。集流片是一层0.1mm的钢片,作用是将负极与加热药剂隔离,在X图像中通过放大可以看到一条细小的黑线。

装配失误导致的装配缺陷主要有漏装集流片或单体电池、单体电池整体倒装和装配次序错误,装配缺陷主要集中在由单体电池构成的电池堆区域,如图1(a)所示的虚线框区域。该区域形状是比较规则的矩形,但是由于背景图像的干扰加上单体电池的轮廓比较复杂,对电池堆区域轮廓进行提取较为困难,因此使用模板匹配可以相对简单地提取出电池堆所在矩形区域。

2 热电池装配缺陷检测方法

热电池装配缺陷检测方法流程如图2所示。利用改进的灰度标准化方法对输入的待检测热电池图像和电池堆区域模板库图像进行预处理,通过模板库粗匹配得到最相似的模板,并利用自适应模板匹配法对模板尺寸大小、旋转角度进行自适应调整,对电池堆区域进行精准提取。

图2 热电池图像缺陷检测流程

提取的电池堆区域可能存在小角度旋转的情况,通过角点检测计算出旋转角度,利用仿射变换对电池堆区域角度进行矫正,再对电池堆缺陷特征进行提取,与电池缺陷库的缺陷特征进行匹配,结合单体特征自对比,将计算结果输入到CART（classification and regression tree）分类器实现热电池装配缺陷的检测。

3 改进灰度标准化

热电池X图像受光照环境、射线源聚焦位置和功率等影响,在灰度分布上可能存在着很大的差异,对于X射线聚焦的区域,单体电池结构纹理特征较为清晰,而其它区域则相对模糊,这对后续的缺陷特征提取和识别有很大的影响,因此需要对电池X图像进行灰度标准化处理[8]。

3.1 待检图像灰度标准化

传统的灰度标准化是将图像的灰度均值和方差转化为统一的设定值,该方法适用性较差,不适合灰度范围较广的热电池图像。为此,本文提出一种改进的灰度标准化方法。先对输入的待检测热电池图像进行灰度标准化,对于的点,有：

式(1)中：I1(i,j)、M1分别为标准化前待检图像的灰度值和灰度均值,为标准化后待检图像的灰度值。

对于输入的灰度值在(M1/50,M1)区间的像素点,则：

对于I1(i,j)≤M1/50的低灰度级像素点,灰度值输出为0。利用上述方法对待检热电池图像进行处理,效果如图3所示。

图3 待检图像灰度标准化处理

可以看出,使用本文方法对热电池图像进行灰度标准化后,电池堆区域与上下相连的钢片区域的对比度有了明显的改善,并且由于是线性灰度变换,电池堆区域的纹理变化不会受影响。

3.2 相关性灰度标准化

对模板图像使用与待检图像相同的标准化处理方法,并不断调整相关参数,再利用模板匹配的最小归一化平方差作为判断依据,得到待检图像标准化后灰度均值和方差与模板标准化相关参数的10组数据,如图4所示。

图4 灰度标准化互相关参数

通过图4数据可以看出,同一模板标准化参数下均值和方差在以y=100横轴处呈对称关系。因此,本文针对模板标准化参数与待检图像灰度均值的互相关性建立一个线性回归模型。

采用一元线性回归模型,计算得到经验线性回归方程为：

式(3)中：α为模板图像标准化参数,m1为待检图像标准化后灰度均值。

同样,利用相关性灰度标准化对模板图像进行处理,对于I2(i,j)≥M2的像素点,有：

式(4)中：I2(i,j)、M2分别为标准化前模板图像的灰度值和灰度均值,N2(i,j)为标准化后模板图像的灰度值。

对于输入的灰度值(M1/50,M1)在区间的像素点,则如式(5)所示：

对于I2(i,j)≤M2/50的低灰度级像素点,灰度值输出为0。利用上述方法对模板图像进行处理,效果如图5所示。

图5 模板图像灰度标准化处理

比较图3与图5的电池堆区域灰度分布可以发现,本文提出的方法得到的灰度标准化结果中电池堆区域特征更加突出,且与模板标准化后的灰度更加接近,从而更有利于模板的准确匹配。

4 电池堆区域提取

4.1 模板库匹配

根据对热电池X图像的分析,装配缺陷主要集中在形状较为规则的电池堆区域,因此采用了基于灰度的模板匹配法。模板匹配法将事先建立好的模板放在待搜索图像中作平移,在平移过程中不断计算模板和待搜索图像的相似程度来检测目标图像。

常用的模板匹配方法[9,10]有平方差匹配、相关性匹配和相关系数匹配,通过实验可知,归一化平方差法可以相对精准地提取电池堆区域,并减少光照引起的匹配误差。该算法过程为：

式(6)中：T为输入的模板图像,I为输入的待匹配图像,R为输出的结果,区间在[0,1]内,当模板与匹配的子图完全不相关时R(x,y)为1,完全匹配时R(x,y)为0。

模板匹配法对于模板的要求较高,选取的模板质量会直接影响到匹配的结果。一般模板的制作都只是简单地从样本图像中截取出目标模板,若原图中匹配目标的灰度、形状或位置发生变化,匹配容易出现偏差。因此本文在制作标准模板时,对不同型号的热电池样本图像根据灰度、形状和位置进行分类,选取质量较好的样本模板并对其取平均值和滤波处理。将制作的标准模板存入模板库中,分别对应热电池的不同型号,模板库匹配流程如图6所示。

图6 模板库匹配流程图

4.2 自适应模板匹配

热电池X图像的拍摄受角度、环境与设备状况等因素影响较大,因此每张热电池图像中电池堆区域部分的灰度分布、尺寸大小、旋转角度和位置等都存在差异,待检图像与模板图像不可能完全一致。使用传统模板匹配法进行匹配会有一定的匹配误差,这将直接影响热电池缺陷检测的准确率。

本文提出的改进灰度标准化可以改善灰度分布的差异,但无法解决匹配目标尺寸和旋转角度有变化的问题。为了有效解决上述问题,并提升电池堆区域分割的精准度,在传统模板匹配方法的基础上,提出一种基于模板尺寸与角度自适应的改进模板匹配方法[11,12],算法流程如图7所示。

图7 自适应模板匹配流程图

4.3 模板匹配结果对比分析

为确保自适应模板匹配时模板尺寸能够适用,需要对模板尺寸进行预缩放。通过实验发现,模板预放大匹配精度一般比模板预缩小高,模板尺寸放大倍数在1.05～1.20较为合适,匹配过程中模板缩放因子为0.01～1.03,缩放因子过高会使匹配出现偏差。因为电池堆区域旋转角度一般不大,旋转角度步长为1o左右。设置预放大倍数为1.20,缩放因子为0.01,每次旋转角度为1o,最大循环次数为30,自适应模板匹配结果如图8(b)所示。

图8 模板匹配结果对比

图8(a)中使用的是归一化平方差模板匹配方法,由于模板大小固定,匹配结果中包含了电池堆下面的钢片部分区域,顶部则缺少一部分单体电池,匹配得误差较大,对后续的缺陷特征提取有较大影响。在改进灰度标准化的基础上,使用自适应模板匹配可以比较精准的提取电池堆区域,匹配结果中可以明显看出匹配的位置及匹配误差都优于传统的模板匹配方法。

5 电池堆区域特征提取

5.1 仿射变换旋转矫正

提取的电池堆区域如果存在倾斜的情况,需要调整电池堆边角。对电池堆进行二值化、平滑处理后,可以检测到电池堆区域的轮廓,如图9(b)所示。

图9 电池堆调整

通过Shi-Tomasi角点检测算法对电池堆区域左边缘上角点坐标和下角点坐标进行提取,并对两点连线左侧区域进行分割,如图9(c)所示。最后利用仿射变换以为旋转中心,旋转角度计算公式为：

5.2 电池堆区域灰度纵向扫描

电池堆区域经过调整后,对电池堆进行竖直方向的灰度扫描,如图10(a)和图10(c)所示。

实验所用热电池的单体个数为24,由于数量较多加上射线源聚焦区域有限,因此部分电池堆区域单体结构特征不明显。若电池堆区域图像大小为,为了提取有效的特征,需要多个方向进行灰度垂直扫描,即：

式(8)中：为像素点位置的横坐标,为扫描方向系数。

为了避免重影问题,在实验时取0.2、0.6和0.9提取的特征较为准确。图10(b)和图10(d)为方向同一横坐标的相邻5个像素的灰度均值分布。从图中可以看出,每个单体电池从负极到集流片,灰度值逐渐下降。其中峰值表示单体电池顶部位置的灰度值,谷值表示单体电池底部位置集流片灰度值,因为集流片厚度比较小,峰谷值间的像素距离大约是单体电池的厚度。

图10 电池堆竖直方向灰度扫描

对每段曲线的局部波峰和波谷进行计算,通过横坐标的距离和灰度值进行筛选,将得到的每个单体电池波峰和波谷的横坐标分别存入数组和,n为单体电池个数,计算波峰和波谷之间的像素距离：

单体电池纵向自对比得到数组d[i],计算公式为：

标准电池相邻单体电池之间的值变化不大,而从图10(d)中虚线框中可以看出缺陷电池值变化较为明显,该处存在单体倒装缺陷。通过对每段灰度曲线的曲率、波峰和波谷坐标等进行提取[13,14],计算得到单体电池厚度、个数、集流片位置和顶部位置等特征数据,将数据通过特征自对比结合特征匹配计算欧式距离,利用分类器对结果进行分类。

6 实验与结果分析

实验采用的热电池X图像由德国phoenix公司生产的s240D工业射线仪进行实物拍摄,如图11所示。射线源焦点最小为500μm,最大电压可达240kV,可以达到10μm的识别精度。使用高电压和高电流可以使所成X图像更加清晰,但是长时间的使用会加剧设备的损耗。所以实际图像采集时,电压为140kV,电流为35μA,工作台的位置坐标设置为。

图11 热电池样品与X射线仪

热电池无损检测系统的设计基于VC++6.0开发环境、Open CV计算机视觉库和SQL Server数据库。为了验证本文提出的热电池装配缺陷检测方法的实际效果,采用标准热电池图像200个,具有漏装单体电池、漏装集流片、装配次序错误和单体电池倒装缺陷的电池图像样本各50个,对总计400个热电池样本进行实验验证,得到得检测结果如表1所示。

表1 热电池装配缺陷检测结果

从表1数据结果可知,本文检测方法对标准电池、漏装单体电池、次序错误和单体电池倒装缺陷的检测准确率均能达到97.5%以上,而对漏装集流片缺陷的误检率较高。经过分析发现,集流片与X射线源聚集位置和装配时产生的形变有关,这对特征的提取产生较大影响,进而降低了检测的正确率。

7 结语

为了提高热电池图像缺陷检测的效率和准确率,提出了一种基于改进灰度标准化和自适应模板匹配的缺陷检测方法。通过实验证明,该方法能够有效识别出常见的3种装配缺陷,对于热电池样本总数为400的检测准确率能够达到96%,平均每个电池图像的检测时间为2.1s,相比于文献[7],检测效率提高了30%,由于检测所用热电池单体个数的增加和单体厚度的减小,检测的难度也随之升高。该检测方法具有较高的实用性,可以应用于其它型号热电池的缺陷检测。