买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：慧泉智能科技(苏州)有限公司

摘要：本发明公开了一种对钮扣电池表面压伤缺陷进行检测的方法，具体包括以下步骤：S1、先对产品表面进行光学成像：采用专业定制无影面光源，光源表面有激光蚀刻的点阵，点阵投影到钮扣电池正极表面形成类似栅格状的图案，如果电池表面存在压伤缺陷，栅格图案会发生一定的光学形变，即使是轻微的压伤，这种光学形变仍然存在，涉及电池表面检测技术领域。该对钮扣电池表面压伤缺陷进行检测的方法，极大提高了产品缺陷检出的准确性和效率，完成了钮扣电池正极表面压伤的成像与检测，替代了传统人工检测过程中人为因素带来的漏判和误判等不可控因素，效率高，准确率高，极大的节省了生产的成本，提高了产品品质。

主权项：1.一种对钮扣电池表面压伤缺陷进行检测的方法，其特征在于：具体包括以下步骤：S1、先对产品表面进行光学成像：采用专业定制无影面光源，光源表面有激光蚀刻的点阵，点阵投影到钮扣电池正极表面形成类似栅格状的图案，如果电池表面存在压伤缺陷，栅格图案会发生一定的光学形变，即使是轻微的压伤，这种光学形变仍然存在；S2、形成训练样本和测试样本；收集大量的正极带缺陷的钮扣电池样本，用高分辨率工业CCD进行图像采集，形成训练样本和测试样本图像库；S3、对训练样本表面的缺陷特征进行人工标注；利用S2中的图片标注缺陷，使用自主开发的图像标注工具进行标注，OK产品与NG产品都要参与标注，压伤缺陷位置需要用一种颜色画笔按照像素区域标记出来，生成的标注图像为除了标记区域有颜色，其它部分都呈现黑白的图片；S4、将标注后的图像进行增加，并利用卷积神经网络训练；对S3中的图像增加是把标注后的图像区域进行尺度变换，旋转、缩放、镜像、对比度变换一种或两种以上的组合，扩大训练基数，形成新的训练样本库，把增加后的样本库输入卷积神经网络中进行训练，通过多次迭代达到稳定收敛的准确率为止，这样在样本较少的情况下也能获得优秀的卷积神经网络模型；S5、输入测试样本到卷积神经网络中预测结果；保存S4生成的卷积神经网络模型，对输入的测试样本图像进行预测，每一张测试样本图像经过预测生成N张特征图，该N张特征图中每个像素代表在原图中该像素位置上的特征属于N-1种缺陷中的一种概率得分，即可生成一个网络模型；S6、用BLOB分析提取需要的目标信息；对步骤S5中压伤缺陷的概率得分设置一个阈值，生成聚类索引图，用BLOB分析面积过滤的方式即可提取缺陷区域所在的位置信息。

全文数据：一种对钮扣电池表面压伤缺陷进行检测的方法技术领域[0001]本发明涉及电池表面检测技术领域，具体为一种对钮扣电池表面压伤缺陷进行检测的方法。背景技术[0002]纽扣电池也称扣式电池，是指外形尺寸象一颗小纽扣的电池，一般来说直径较大，厚度较薄，纽扣电池是从外形上来对电池来分，同等对应的电池分类有柱状电池，方形电池，异形电池，纽扣电池因体形较小，故在各种微型电子产品中得到了广泛的应用，直径从4.8mm至30mm，厚度从1.〇mm至7.7mm不等，一般用于各类电子产品的后备电源，如电脑主板、电子表、电子词典、电子秤、记忆卡、遥控器、电动玩具、心脏起搏器、电子助听器、计数器和照相机等，纽扣电池也分为化学电池和物理电池两大类，其化学电池应用最为普遍，它们由阳极正极剂、阴极负极剂及其电触液等组成，钮扣电池在生产过程中，表面容易出现压伤缺陷，目前，各个生产工厂都是由工人对每颗电池表面进行检测，由于其缺陷几何特征的随机性和对光照的高反特性，工人需要把电池变换各个角度进行详细观察，如果出现压伤，电池正极表面会出现暗斑或亮斑等特征，但是人工由于长时间用眼，在识别缺陷过程中容易出现漏判，误判等问题，导致不良品流到客户端，引起用户投诉退货。[0003]目前的纽扣电池产品缺陷检出的准确性和效率较低，不能实现对钮扣电池正极表面压伤的成像与检测，无法替代了传统人工检测过程中人为因素带来的漏判和误判等不可控因素，效率和准确率低，极大的浪费了生产的成本，无法提局产品的品质，现有的缺陷检测过程中不能排除灰尘等其它因素造成的干扰，不能实现在生产过程中提取少量样本也可以获得优秀的网络模型，达到预期的效果，从而不能达到解决在生产过程中质量控制标准不统一、漏判和误判严重难题的目的。发明内容[0004]一解决的技术问题[0005]针对现有技术的不足，本发明提供了一种对钮扣电池表面压伤缺陷进行检测的方法，解决了现有的纽扣电池产品缺陷检出的准确性和效率较低，不能实现对钮扣电池正极表面压伤的成像与检测，效率和准确率低，极大的浪费了生产成本的问题。[0006]二技术方案[0007]为实现以上目的，本发明通过以下技术方案予以实现:一种对钮扣电池表面压伤缺陷进行检测的方法，具体包括以下步骤：、[0008]S1、先对产品表面进行光学成像:采用专业定制无影面光源，光源表面有激光蚀刻的点阵，点阵投影到钮扣电池正极表面形成类似栅格状的图案，如果电池表面存在压伤缺陷，栅格图案会发生一定的光学形变，即使是轻微的压伤，这种光学形变仍然存在；一[0009]S2、形成训练样本和测试样本;收集大量的正极带缺陷的钮扣电池样本，用高分辨率工业CCD进行图像采集，形成训练样本和测试样本图像库；[0010]S3、对训练样本表面的缺陷特征进行人工标注;利用S2中标注缺陷的图片，使用自主开发的图像标注工具进行标注，0K产品与NG产品都要参与标注，压伤缺陷位置需要用一种颜色画笔按照像素区域标记出来，生成的标注图像为除了标记区域有颜色，其它部分都呈现黑白的图片；[0011]S4、将标注后的图像进行增强，并利用卷积神经网络训练;对S3中的图像增加是把标注后的图像区域进行尺度变换，如旋转、缩放、镜像、对比度变换等一种或两种以上的组合，扩大训练基数，形成新的训练样本库，把增加后的样本库输入卷积神经网络中进行训练，通过多次迭代达到稳定收敛的准确率为止，这样在样本较少的情况下也能获得优秀的卷积神经网络模型；[0012]S5、输入测试样本到神经网络中预测结果;保存S4生成的网络模型，对输入的测试样本图像进行预测，每一张测试样本图像经过预测生成N张特征图，该N张特征图中每个像素代表在原图中该像素位置上的特征属于N-1种缺陷中的一种概率得分，即可生成一个网络模型；[0013]S6、用BLOB分析提取需要的目标信息;对步骤S5中压伤缺陷的概率得分设置一个阈值，生成聚类索引图，用BLOB分析面积过滤的方式即可提取缺陷区域所在的位置信息。[0014]优选的，所述步骤S5中的卷积神经网络是一种前馈神经网络，人工神经元可以响应周围单元，可以进行大型图像处理，卷积神经网络包括卷积层和池化层，卷积神经网络包括一维卷积神经网络、二维卷积神经网络以及三维卷积神经网络，一维卷积神经网络常应用于序列类的数据处理;二维卷积神经网络常应用于图像类文本的识别；三维卷积神经网络主要应用于医学图像以及视频类数据识别。[0015]优选的，所述步骤S6中的BLOB在计算机视觉中是指图像中的具有相似颜色、纹理等特征所组成的一块连通区域，BLOB分析是将图像进行二值化，分割得到前景和背景，然后进行连通区域检测，从而得到BLOB区域块的过程。[0016]三有益效果[0017]本发明提供了一种对钮扣电池表面压伤缺陷进行检测的方法。与现有技术相比具备以下有益效果:该对钮扣电池表面压伤缺陷进行检测的方法，具体包括以下步骤:S1、先对产品表面进行光学成像:采用专业定制无影面光源，光源表面有激光蚀刻的点阵，点阵投影到钮扣电池正极表面形成类似栅格状的图案，S2、形成训练样本和测试样本;收集大量的正极带缺陷的钮扣电池样本，用高分辨率工业CCD进行图像采集，形成训练样本和测试样本图像库，S3、对训练样本表面的缺陷特征进行人工标注;利用S2中标注缺陷的图片，使用自主开发的图像标注工具进行标注，〇K产品与NG产品都要参与标注，S4、将标注后的图像进行增强，并利用卷积神经网络训练;对S3中的图像增加是把标注后的图像区域进行尺度变换，S5、输入测试样本到神经网络中预测结果;保存S4生成的网络模型，对输入的测试样本图像进行预测，每一张测试样本图像经过预测生成N张特征图，S6、用BLOB分析提取需要的目标信息;对步骤S5中压伤缺陷的概率得分设置一个阈值，生成聚类索引图，用BLOB分析面积过滤的方式即可提取缺陷区域所在的位置信息，实现了采用特殊打光方式对正极表面进行成像，利用人工智能深度学习算法对缺陷图像分析，从而对产品表面缺陷进行智能化判断的方法，极大提高了产品缺陷检出的准确性和效率，采用专业定制无影面光源对钮扣电池正极表面进行成像，压伤缺陷表现为成像表面产生光学形变，突破了高反光产品表面凹坑特征成像的技术难点，也排除了灰尘等其它因素造成的千扰，实现了对训练样本采用数据增加功能，在生产过程中少量样本也可以获得优秀的网络模型，达到预期的效果，同时采用深度学习算法对成像中的光学形变特征进行识别，突破了传统机器视觉算法在外观缺陷分析中检出率不够的瓶颈，同时替代人工检验，解决了生产过程中质量控制标准不统一、漏判和误判严重的难题，从而完成了钮扣电池正极表面压伤的成像与检测，替代了传统人工检测过程中人为因素带来的漏判和误判等不可控因素，效率高，准确率高，极大的节省了生产的成本，提闻了广品品质。具体实施方式[0018]下面将结合本发明实施例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。[0019]本发明提供一种技术方案：一种对钮扣电池表面压伤缺陷进行检测的方法，具体包括以下步骤：t〇〇2〇]S1、先对产品表面进行光学成像:采用专业定制无影面光源，光源表面有激光蚀刻的点阵，点阵投影到钮扣电池正极表面形成类似栅格状的图案，如果电池表面存在压伤缺陷，栅格图案会发生一定的光学形变，即使是轻微的压伤，这种光学形变仍然存在；[0021]S2、形成训练样本和测试样本;收集大量的正极带缺陷的钮扣电池样本，用高分辨率工业CCD进行图像采集，形成训练样本和测试样本图像库；[0022]S3、对训练样本表面的缺陷特征进行人工标注；利用S2中标注缺陷的图片，使用自主开发的图像标注工具进行标注，0K产品与NG产品都要参与标注，压伤缺陷位置需要用一种颜色画笔按照像素区域标记出来，生成的标注图像为除了标记区域有颜色，其它部分都呈现黑白的图片；[0023]S4、将标注后的图像进行增强，并利用卷积神经网络训练;对S3中的图像增加是把标注后的图像区域进行尺度变换，如旋转、缩放、镜像、对比度变换等一种或两种以上的组合，扩大训练基数，形成新的训练样本库，把增加后的样本库输入卷积神经网络中进行训练，通过多次迭代达到稳定收敛的准确率为止，这样在样本较少的情况下也能获得优秀的卷积神经网络模型；[0024]S5、输入测试样本到神经网络中预测结果;保存S4生成的网络模型，对输入的测试样本图像进行预测，每一张测试样本图像经过预测生成N张特征图，该N张特征图中每个像素代表在原图中该像素位置上的特征属于N-1种缺陷中的一种概率得分，即可生成一个网络模型；[0025]S6、用BLOB分析提取需要的目标信息;对步骤S5中压伤缺陷的概率得分设置一个阈值，生成聚类索引图，用BLOB分析面积过滤的方式即可提取缺陷区域所在的位置信息。[0026]本发明中，步骤S5中的卷积神经网络是一种前馈神经网络，人工神经元可以响应周围单元，可以进行大型图像处理，卷积神经网络包括卷积层和池化层，卷积神经网络包括一维卷积神经网络、二维卷积神经网络以及三维卷积神经网络，一维卷积神经网络常应用于序列类的数据处理;二维卷积神经网络常应用于图像类文本的识别;三维卷积神经网络主要应用于医学图像以及视频类数据识别。[0027]本发明中，步骤S6中的BLOB在计算机视觉中是指图像中的具有相似颜色、纹理等特征所组成的一块连通区域，BLOB分析是将图像进行二值化，分割得到前景和背景，然后进行连通区域检测，从而得到BLOB区域块的过程。[0028]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。[0029]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。

权利要求：1.一种对钮扣电池表面压伤缺陷进行检测的方法，其特征在于:具体包括以下步骤：51、先对产品表面进行光学成像:采用专业定制无影面光源，光源表面有激光蚀刻的点阵，点阵投影到钮扣电池正极表面形成类似栅格状的图案，如果电池表面存在压伤缺陷，栅格图案会发生一定的光学形变，即使是轻微的压伤，这种光学形变仍然存在；52、形成训练样本和测试样本;收集大量的正极带缺陷的钮扣电池样本，用高分辨率工业CCD进行图像采集，形成训练样本和测试样本图像库；53、对训练样本表面的缺陷特征进行人工标注;利用S2中标注缺陷的图片，使用自主开发的图像标注工具进行标注，〇K产品与NG产品都要参与标注，压伤缺陷位置需要用一种颜色画笔按照像素区域标记出来，生成的标注图像为除了标记区域有颜色，其它部分都呈现黑白的图片；54、将标注后的图像进行增强，并利用卷积神经网络训练;对S3中的图像增加是把标注后的图像区域进行尺度变换，如旋转、缩放、镜像、对比度变换等一种或两种以上的组合，扩大训练基数，形成新的训练样本库，把增加后的样本库输入卷积神经网络中进行训练，通过多次迭代达到稳定收敛的准确率为止，这样在样本较少的情况下也能获得优秀的卷积神经网络模型；55、输入测试样本到神经网络中预测结果;保存S4生成的网络模型，对输入的测试样本图像进行预测，每一张测试样本图像经过预测生成N张特征图，该特征图中每个像素代表在原图中该像素位置上的特征属于N-1种缺陷中的一种概率得分，即可生成一个网络模型；56、用BLOB分析提取需要的目标信息;对步骤S5中压伤缺陷的概率得分设置一个阈值，生成聚类索引图，用BLOB分析面积过滤的方式即可提取缺陷区域所在的位置信息。2.根据权利要求1所述的一种对钮扣电池表面压伤缺陷进行检测的方法，其特征在于：所述步骤S5中的卷积神经网络是一种前馈神经网络，人工神经元可以响应周围单元，可以进行大型图像处理，卷积神经网络包括卷积层和池化层，卷积神经网络包括一维卷积神经网络、二维卷积神经网络以及三维卷积神经网络，一维卷积神经网络常应用于序列类的数据处理；二维卷积神经网络常应用于图像类文本的识别；三维卷积神经网络主要应用于医学图像以及视频类数据识别。3.根据权利要求1所述的一种对钮扣电池表面压伤缺陷进行检测的方法，其特征在于：所述步骤S6中的BLOB在计算机视觉中是指图像中的具有相似颜色、纹理等特征所组成的一块连通区域，BLOB分析是将图像进行二值化，分割得到前景和背景，然后进行连通区域检测，从而得到BLOB区域块的过程。

百度查询： 慧泉智能科技(苏州)有限公司 一种对钮扣电池表面压伤缺陷进行检测的方法