一种基于图像识别的极耳层数检测方法发明专利

专利名称：一种基于图像识别的极耳层数检测方法

专利类型：发明专利

专利申请号：CN202311453317.6

专利申请（专利权）人：上海贝特威自动化科技有限公司
权利人地址：上海市嘉定区马陆镇横仓公路2465号2幢301室

专利发明（设计）人：李学斌,黄金妮,赵金戈,夏利明,陈红光,卢兴中

专利摘要：本发明公开一种基于图像识别的极耳层数检测方法，其步骤为：A1，进行图像分割；A2，进行二值化和腐蚀预处理；A3，用Zhang‑Suen算法；A4，选出满足条件的连通域；A5，选出包含的极耳层数；A6，进行求和。本发明通过使用相机设备获取待检测极耳图片，然后依靠集成的图像识别算法实现极耳层数的自动化检测，不仅降低了人工检测成本，而且还提高了检测效率，本方法在进行极耳识别时，采用深度学习和传统图像预处理相结合的设计思路，兼顾了深度学习在目标分割中适应性强、分割精度高以及传统预处理对数据需求少、计算资源要求低等优势，可以在复杂环境和低耗时的条件下提高极耳层数的检测精度。

主权利要求：
1.一种基于图像识别的极耳层数检测方法，其特征在于：检测方法步骤为：
A1，使用深度学习预先训练的模型对待检测极耳图片进行分割，具体为：使用拍照设备记录采集极耳图片，对其进行标注、训练，再使用深度学习预先训练的模型进行分割，得到极耳标签图；
A2，使用从二值化标签图中获取极耳ROI区域的方法，从已得到的极耳标签图中获取极耳的ROI区域进行二值化和腐蚀预处理；
A3，使用Zhang‑Suen算法对预处理后的极耳的ROI区域进行骨架提取，获得极耳线条；
A4，根据骨架提取后获得的线数，并根据筛选极耳连通域的方法筛选出满足条件的极耳连通域；
A5，根据计算单条极耳连通域包含极耳层数的方法，获取每条连通域包含的极耳层数；
A6，对所有连通域中包含的极耳层数进行求和;所述从二值化标签图中获取极耳ROI区域的方法包括：B1，从得到的极耳标签图中遍历查找像素值不为零的坐标点集;B2，计算该坐标点集中X轴、Y轴两个方向上最大坐标值和最小坐标值；
B3，所求的极耳ROI区域由左上角点和右下角点围成的区域构成；
所述筛选极耳连通域的筛选方法包括：C1，统计极耳ROI区域内连通域的条数；
C2，用宽乘以一个预先设置的比例系数；
C3，得到最小面积阈值，并逐条检测ROI区域内的连通域；
C4，保留大于该阈值的连通域；
所述计算单条极耳连通域包含极耳层数的方法包括：D1,使用从二值化标签图中获取极耳ROI区域的方法得到ROI区域；
D2,基于预先设置的分段数和间隔阈值，对极耳ROI区域进行区域分割；
D3,使用宽乘以一个预先设置的比例系数得到最小面积阈值；
D4,分别计算各个分割区域中连通域面积大于该阈值条数；
D5,条数最大值作为当前连通域中包含的极耳层数。
2.根据权利要求1所述的一种基于图像识别的极耳层数检测方法，其特征在于：所述Zhang‑Suen算法是一种图像细化算法，用于将二值化的图形变薄，所述深度学习预先训练的模型是一种经过大量数据训练、习得通用特征的模型；
所述Zhang‑Suen算法在细化过程中会产生一些细节误差，为了提高算法的准确性，引入精细的形态学操作处理误差。 说明书 : 一种基于图像识别的极耳层数检测方法技术领域[0001] 本发明涉及电池极耳检测技术领域，更具体地说，本发明涉及一种基于图像识别的极耳层数检测方法。背景技术[0002] 锂电池作为一种高效、环保的电池，现已被广泛应用于移动电子设备、电动汽车等领域。锂电池的正负极分别由锂离子正极材料和碳负极材料组成，而极耳则是连接电池极片和电池外部电路的重要部件。除此之外，极耳还具有固定电池极片和保护电池的作用，因此在锂电池的设计和制造过程中，需要对极耳的材料、结构和制造工艺等方面进行精细的设计和优化，以确保电池的性能和使用寿命。[0003] 在电池生产过程中，由于极耳材料质地较薄，其内部的极耳经过多层叠片或周转运输后，可能在极耳某一层中出现肉眼难以分辨的褶皱或者缺失，由此引起的极耳层数误检，容易造成电池在生产或使用过程中出现短路、容量降低、低压发热等异常情况，这不仅影响电池的性能和正常使用，还增加了电池返工的可能性，更严重的还存在失控着火等安全隐患。因此，如何在复杂环境下实时、高效、准确地检测极耳层数，依然是电池生产工艺中不可避免和急需解决的问题。发明内容[0004] 为了克服现有技术的不足，本发明提供了一种基于图像识别的极耳层数检测方法，具有实时、高效、准确检测的优点。[0005] 为实现上述目的，本发明提供如下技术方案：.一种基于图像识别的极耳层数检测方法，[0006] 其检测方法步骤为：[0007] A1，使用深度学习预先训练的模型对待检测极耳图片进行分割，使用拍照设备记录采集极耳的图片，在对其进行标注、训练，在使用深度学习训练的分割模型进行分割得到标签图；[0008] A2，使用二值化标签图中获取极耳ROI区域的方法，从已分割的极耳标签图中获取极耳的ROI区域进行二值化和腐蚀预处理；[0009] A3，使用Zhang‑Suen提出的细化算法，对预处理后的极耳区域进行骨架提取，获得需极耳要线条；[0010] A4，根据从骨架提取后获得的条数，并根据筛选极耳连通域的方法筛选出满足条件的极耳连通域；[0011] A5，根据计算单条极耳连通域包含极耳层数的方法，选出的每条连通域包含的极耳层数；[0012] A6，对所有连通域中包含的极耳层数进行求和。[0013] 作为本发明的一种优选技术方案，[0014] 所述借助深度学习工具在使用深度学习训练的分割模型对待检测，在对待检测的极耳图片进行图像分割。[0015] 作为本发明的一种优选技术方案，[0016] 所述从二值化标签图中获取极耳ROI区域的方法；[0017] B1，从已分割的极耳标签图中遍历查找像素值不为零的坐标点集；[0018] B2，计算该坐标点集中X轴、Y轴两个方向上最大坐标值和最小坐标值B3，所求的极耳ROI区域由左上角点和右下角点，围成的区域构成。[0019] 作为本发明的一种优选技术方案，[0020] 所述筛选极耳连通域的方法；[0021] C1，统计极耳ROI区域内连通域条数；[0022] C2，用宽乘以一个预先设置的比例系数；[0023] C3，得到最小面积阈值，并逐条将检测；[0024] C4，保留大于该阈值优选的。[0025] 作为本发明的一种优选技术方案，[0026] 所述计算单条极耳连通域包含极耳层数的方法；[0027] D1,所述二值化标签图中获取极耳ROI区域的方法得到ROI区域；[0028] D2,基于预先设置分段数和间隔阈值优选的，对极耳ROI区域进行区域分割；[0029] D3,使用宽乘以一个预先设置的比例系数得到最小面积阈值；[0030] D4,分别计算各个分割区域中连通域面积大于该阈值条数；[0031] D5,条数最大值作为当前连通域中包含的极耳层数。[0032] 作为本发明的一种优选技术方案，[0033] 所述Zhang‑Suen算法是一种图像细化算法，以便进行更高效的图像处理作为本发明的一种优选技术方案，[0034] 所述深度学习模型；[0035] 是一种经过大量数据训练，习得一定通用特征的模型。[0036] 作为本发明的一种优选技术方案，[0037] 所述Zhang‑Suen算法在细化过程中可能会产生一些细节误差。为了提高算法的准确性，可以引入一些细节处理方法。[0038] 与现有技术相比，本发明的有益效果如下：[0039] 本发明通过使用相机设备获取待检测极耳图片，然后依靠集成的图像识别算法实现极耳层数的自动化检测，不仅降低了人工检测成本，而且还提高了检测效率。本方法在进行极耳识别时，采用深度学习和传统图像预处理相结合的设计思路，兼顾了深度学习在目标分割中适应性强、分割精度高以及传统预处理对数据需求少、计算资源要求低等优势，可以在复杂环境和低耗时的条件下提高极耳层数的检测精度。附图说明[0040] 图1为本发明检测步骤流程图；[0041] 图2为本发明二值化标签图中获取极耳ROI区域的方法流程图；[0042] 图3为本发明筛选极耳连通域的方法流程图；[0043] 图4为本发明计算单条极耳连通域包含极耳层数的方法流程图。具体实施方式[0044] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0045] 如图1至图4所示，本发明提供一种基于图像识别的极耳层数检测方法，[0046] 其步骤为：[0047] A1，使用深度学习预先训练的模型对待检测极耳图片进行分割，使用拍照设备记录采集极耳的图片，在对其进行标注、训练，在使用深度学习训练的分割模型进行分割得到标签图；[0048] A2，使用二值化标签图中获取极耳ROI区域的方法，从已分割的极耳标签图中获取极耳的ROI区域进行二值化和腐蚀预处理；[0049] A3，使用Zhang‑Suen提出的细化算法，对预处理后的极耳区域进行骨架提取，获得需极耳要线条；[0050] A4，根据从骨架提取后获得的条数，并根据筛选极耳连通域的方法筛选出满足条件的极耳连通域；[0051] A5，根据计算单条极耳连通域包含极耳层数的方法，选出的每条连通域包含的极耳层数；[0052] A6，对所有连通域中包含的极耳层数进行求和。[0053] 使用拍照设备记录和采集足够多极耳的图片来组成样本集，借助深度学习工具对收集的极耳样本集进行标注、训练，在使用深度学习训练的分割模型进行分割得到标签图；通过使用从二值化标签图中获取极耳ROI区域的方法，分割已分割的极耳图片，获得极耳的ROI区域，并对区域先后进行二值化和×大小矩形核的腐蚀预处理；使用Zhang‑Suen提出的细化算法对预处理后的极耳区域进行骨架提取，以获得单像素宽度的极耳线条；从骨架提取后的区域中统计极耳连通域条数，并根据筛选极耳连通域的方法从已检测到的连通域集中初步筛选出满足条件的极耳连通域，设为阈值一；根据阈值一,使用计算单条极耳连通域包含极耳层数的方法，逐条计算筛选出满足条件的极耳连通域，筛选出的每条极耳连通域中包含的极耳层数,设为阈值二；根据阈值二,对所有连通域中包含的极耳层数进行求和，即为最终检测出的极耳层数。[0054] 通过使用相机设备获取待检测极耳图片，然后依靠集成的图像识别算法实现极耳层数的自动化检测，不仅降低了人工检测成本，而且还提高了检测效率。本方法在进行极耳识别时，采用深度学习和传统图像预处理相结合的设计思路，兼顾了深度学习在目标分割中适应性强、分割精度高以及传统预处理对数据需求少、计算资源要求低等优势，可以在复杂环境和低耗时的条件下提高极耳层数的检测精度。[0055] 其中，所述借助深度学习工具在使用深度学习训练的分割模型对待检测，在对待检测的极耳图片进行图像分割。[0056] 通过使用深度学习训练的分割模型对待检测的极耳图片进行图像分割，获得分割后背景像素值为0、极耳像素值为1的标签图。[0057] 其中，所述从二值化标签图中获取极耳ROI区域的方法；[0058] B1，从已分割的极耳标签图中遍历查找像素值不为零的坐标点集；[0059] B2，计算该坐标点集中X轴、Y轴两个方向上最大坐标值和最小坐标值[0060] B3，所求的极耳ROI区域由左上角点和右下角点，围成的区域构成。[0061] 通过分别计算该坐标点集中X轴、Y轴两个方向上最大坐标值Xmax和Ymax以及最小坐标值Xmin和Ymin。则所求的极耳ROI区域由左上角点(Xmin，Ymin)和右下角点X(max，Ymax)围成的区域构成。[0062] 其中，所述筛选极耳连通域的方法；[0063] C1，统计极耳ROI区域内连通域条数；[0064] C2，用宽乘以一个预先设置的比例系数；[0065] C3，得到最小面积阈值，并逐条将检测；[0066] C4，保留大于该阈值优选的。[0067] 先统计出极耳ROI区域内包含的连通域条数，并用ROI区域的宽乘以一个预先设置的比例系数，得到可接受为极耳的最小面积阈值，并逐条将检测到的连通域面积与该阈值进行比较，保留所有大于该阈值的极耳连通域。优选的，设置的比例系数范围为1/20～1/50。[0068] 其中，所述计算单条极耳连通域包含极耳层数的方法；[0069] D1,所述二值化标签图中获取极耳ROI区域的方法得到ROI区域；[0070] D2,基于预先设置分段数和间隔阈值优选的，对极耳ROI区域进行区域分割；[0071] D3,使用宽乘以一个预先设置的比例系数得到最小面积阈值；[0072] D4,分别计算各个分割区域中连通域面积大于该阈值条数；[0073] D5,条数最大值作为当前连通域中包含的极耳层数。[0074] 从单条极耳连通域的点集中如二值化标签图中获取极耳ROI区域所述方法一样得到单条极耳的ROI区域；预先设置一个分段数和间隔阈值，然后对极耳ROI区域进行区域分割。优选的，该分段数范围为20～30；分割的间隔阈值大小由单个分割区域宽的1/10所确定。用单个分割区域的宽乘以一个预先设置的比例系数，得到区域块中可接受为极耳的最小面积阈值，优选的，该比例系数范围为0.7～0.9；分别计算各个分割区域中检测到的连通域面积大于该阈值的极耳连通域条数，并将所有分割区域内检测到的连通域条数最大值作为当前连通域中包含的极耳层数[0075] 其中，所述Zhang‑Suen算法是一种图像细化算法，以便进行更高效的图像处理[0076] 所述Zhang‑Suen算法是一种图像细化算法，用于将二值化的图像变得更薄，以便进行更高效的图像处理。[0077] 其中，所述深度学习模型；[0078] 是一种经过大量数据训练，习得一定通用特征的模型。[0079] 已经经过大量数据训练，并且已经习得一定通用特征的模型。这些模型通常可以直接应用于新的任务中，以便利用其已经训练好的特征进行预测或分类。[0080] 其中，所述Zhang‑Suen算法在细化过程中可能会产生一些细节误差。为了提高算法的准确性，可以引入一些细节处理方法[0081] 例如使用更精细的形态学操作来处理这些误差。这些处理方法可以减少细化结果的误差，提高算法的准确性。[0082] 需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。[0083] 尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

专利地区：上海

专利申请日期：2023-11-02

专利公开日期：2024-09-03

专利公告号：CN117350993B