基于機器視覺的新能源電池蓋帽質量智能檢測

關鍵詞：電池蓋帽；質量檢測；機器視覺；深度學習

0 前言

新能源電池蓋帽生產制造環節的自動化程度相對較高，但產品質量檢驗環節的自動化水平較低，目前主要依靠人工檢測，這是整個自動化生產線上的瓶頸之一。目前，該產品采用的檢測技術還比較落后，只能實現缺件、錯件等特征有無的判斷，無法實現偏焊、虛焊等隨機特征的識別和分類；部分生產企業雖然嘗試使用人工智能（AI）技術，但是識別功能不穩定，對生產線的正常運轉影響較大，性價比不高，無法滿足批量生產需求。

本文針對新能源電池帽焊接質量在線自動化檢測需求，基于機器視覺和深度學習技術，開發一套能夠自主識別電池帽焊接質量缺陷的智能檢測系統，實現了該產品檢驗環節的機器替代人工，最終完成檢驗工序自動化。

1 技術方案

1. 1 檢測系統實施方案

將電池帽放置于一定要求的成像系統下［1］，通過相機獲取電池帽圖片。對圖片信息進行預處理，通過內置軟件進行快速匹配，完成對不同缺陷的識別和分類，并將判斷結果反饋給上級主控系統，由主控系統根據識別結果向執行機構發布指令，完成電池帽的缺陷分選工作。

檢測系統由上料盤、輸送帶、檢測工位1、變位機、檢測工位2、分選機和料筐組成。上料盤通過連續振動，將電池蓋帽按照順序要求和姿態要求排列并轉入輸送帶；輸送帶按照設定的速度傳輸電池帽并依次通過檢測工位1、變位機、檢測工位2 和分選機；輸送帶上設置有編碼器，可記錄每個進入檢測系統的電池帽的實時位置，在檢測系統內將產品的實時位置、采集圖片和識別結果等幾種信息一一對應關聯。檢測工位1 設置了一套成像系統［2］，包括 1 臺頂部相機、3 臺側面相機和1 臺光源，頂部相機在電池帽的上方，對電池帽點焊面成像并拍照取樣， 3 臺側面相機圍繞電池帽四周呈120°夾角均勻分布，相機軸線與水平面呈40°夾角，實現電池帽四周成像并拍照取樣；變位機將電池帽180°翻轉，使電池帽弧焊面朝上。檢測工位2 設置有另一套成像系統，包括1臺頂部相機和1 臺光源，對電池帽弧焊面成像并拍照取樣。每道檢測工位后均設置分選機，系統根據識別分類結果，向分選機發送指令，分選缺陷電池帽。檢測系統總體結構如圖1 所示。

相機拍攝的視頻照片經過圖片預處理、特征識別、識別結果和分類4 個步驟，實現圖像特征的識別分類，并將結果上傳至主控系統，再通過分選機構，實現電池帽的分選。同時，每次獲得的圖片連同一一對應的識別結果等數據再上傳至服務器，由事先編制好的篩選軟件，將處于概率范圍內的圖片篩選出來，由人工定期篩查；人工智能網絡模型將根據篩查結果更新算法和識別模型，不斷提高識別正確率。檢測系統軟件運行流程如圖2 所示。

2 圖像處理算法技術路線

電池蓋帽的主要缺陷類別為：① 弧焊類，焊不上、虛焊、漏焊、偏移、炸點；② 點焊類，漏焊、焊穿、點偏、炸黑、炸珠；③ 其他類，尺寸、裝配（漏裝、錯裝等）、外觀、涂膠。

針對以上缺陷的特點、缺陷判斷依據及缺陷發生概率等因素，用圖像處理和神經網絡模型識別分析相結合的方法對缺陷進行識別分類。具體路線如圖3 所示。

2. 1 視頻信息預處理

解碼之后的視頻是分層結構，視頻分為若干個場景，每個場景分為若干個鏡頭，每個鏡頭包含1 個或多個關鍵幀。采用基于圖像信息的關鍵幀提取方法，計算每1 幀前后的像素變化值，即可對視頻進行時空切片，得到1 個完整電池蓋帽的圖像。

2. 2 圖像處理

在獲取電池蓋帽圖像并處理完畢后，提取灰度化后的圖像，用霍夫圓檢測算法檢測該幀中電池蓋帽是否完整，然后使用直方圖均衡法進行圖像增強來突出蓋帽特征，使用高斯濾波對其進行降噪，使用開閉運算進行去毛邊、去噪點，再用OpenCV 軟件中的快速匹配算法得到旋轉矯正后的蓋帽，以便于后續使用模板匹配等方法進行對比識別。針對電池蓋帽缺陷的識別分類，制定了3 種處理模式。

（1） 弧焊類缺陷處理模式：利用Canny 邊緣檢測算法進行邊緣提取，判斷邊緣是否符合需求，因此可直接識別出漏焊、偏移、炸點等缺陷。對于焊不上、虛焊等復雜問題的檢測，可使用神經網絡方案再進行檢測。

（2） 點焊類缺陷處理模式：對于漏焊、點偏、焊穿等比較明顯的缺陷，可使用霍夫圓檢測確定能包住的最小圓并提取出來，以分水嶺算法識別焊點個數、焊點位置是否正常和焊點是否被焊穿，其他缺陷可使用神經網絡方案進行檢測。

（3）其他類缺陷處理模式：尺寸問題的解決可通過閾值分割提取邊緣后，識別外圓邊與規范圓的匹配程度來確定蓋帽尺寸的規范性；裝配問題需要檢測蓋帽是否發生圈裂、圈傷、圈缺口等缺陷，采用模板匹配即可成功識別；外觀缺陷需要對圖像進行二值化后，設置閾值提取出缺陷部分，統計其長度大小和數量，此外可結合神經網絡進行二次檢測［3］，識別較輕微的劃痕，以達到整體較高的識別率和正確率。

2. 3 神經網絡缺陷識別

對于一些難以識別的錯誤，需要通過訓練神經網絡模型，實現缺陷檢測的需求。神經網絡模型的搭建對樣本量、硬件算力和軟件調參要求較高，因此可選擇YOLOv5 模型算法，降低這些因素對識別效果的影響。神經網絡模型識別分析方案主要有以下4 個步驟［4］。

（1） 樣本獲取：構建電池帽缺陷樣本數據庫，其中70% 用于訓練，15% 用于校驗，15% 用于測試。對電池蓋帽劃分主要屬性為良品與不良品，其中不良品的缺陷包括弧焊類、點焊類、其他類（裝配、劃痕等）。

（2）識別模型搭建：對于YOLOv5 模型算法，使用目前主流的目標檢測器框架（input、backbone、neck 和head）來搭建系統；圖形處理單元（GPU）在卷積層中使用CSPResNeXt50 和CSPDarknet53；視頻處理單元（VPU） 使用分組卷積，包括EfficientNet?lite、MixNet、GhostNet 和MobileNet V3模型。目標是在輸入網絡分辨率、卷積層數、參數數量和層輸出的數量之間找到最佳平衡。

（3）分類優化：先使用NMS 算法實現多目標檢測，該算法能夠將1 個特征的所有位置找出來，由此可得出特征的數量，對存在多個數量的特征進行比較，得出是否為缺陷。再設立小目標檢測，有些特征會存在包容關系，例如檢測點焊缺陷和圈裂缺陷時，檢測圈裂的區域里包括了點焊區域，因此可設置小目標檢測，將大目標和小目標的置信度，以及正確的特征數組建立傳統神經網絡進行訓練，實現對具體特征缺陷的判斷。

（4） 網絡模型定期更新：當樣本數據集中未訓練的樣本數據量大于預設的閾值時，將新數據集導入神經網絡模型進行訓練，獲得新的訓練結果；然后將新舊數據集按照一定規則進行組合，得到復合數據集；再將復合數據集導入使用的神經網絡模型，更新現有的缺陷識別網絡模型，不斷優化檢測效果。

3 檢測方法測試結果

本文分析了機器視覺檢測方案技術路線，并在以下2 個關鍵環節上進行了測試。

（1）特征成像。電池蓋帽的表面特征如弧焊、點焊等，尺寸很小且1 個電池蓋帽由多個零件組成，零件材料涉及金屬材料及絕緣材料，因此要考慮的角度和影響因素較多。經測試發現，選擇1 200 萬像素的面陣相機，搭配紅色環形光源，可滿足檢測要求的成像效果，能夠獲得清晰特征圖片。

（2）圖片處理。將采集到的電池蓋帽正反面圖片用灰值化和濾波處理后進行霍夫圓提取，能滿足模板匹配方案中缺陷識別的要求，同時也能直接輸入神經網絡進行訓練。如圖4 所示。

4 結語

以上方案的實施有助于生產企業電池帽檢測環節的智能化升級，提升電池帽的檢測效率，提高檢測準確率，緩解企業用工壓力，填補檢測環節的短板。同時，自動檢測方案的實施，為檢測結果的復現性和可追溯要求提供了實現基礎，為電池帽整個生產鏈實現從生產、檢測再到糾偏，提供關鍵數據支持。

后續還需要開展的研究主要有：① 進一步研究成像系統中光照強度、曝光時間與生產線速度的匹配關系，為檢測系統與產線聯調提供依據；② 不斷收集電池蓋帽相關數據集，升級迭代神經網絡模型。