基于区域生长和BLOB分析的氢能电池涂布缺陷检测

摘 "要：针对氢能燃料电池涂布缺陷检测难度大的问题，提出了基于区域生长与BLOB分析的涂布缺陷图像检测方法。首先对图像进行ROI区域提取及高斯滤波处理，然后利用区域生长分割图像，最后利用Blob分析标记连通区域。实验结果表明，文中方法能够有效检测出氢能电池涂布缺陷，准确率达到检测要求。

关键词：缺陷检测；电池涂布；图像处理；BLOB分析

中图分类号：TP391.41 " " " " " " " " " " " 文献标识码：A 文章编号：1008-5483（2024）03-0051-05

Detection of Coating Defects in Hydrogen Fuel Cells Based on

Region Growth and BLOB Analysis

Wang Wei1， Wang Shenghuai1， Zhong Ming1，2， Yang Shuai1， Chen Zhe1，2

（1. School of Mechanical Engineering， Hubei University of Automotive Technology， Shiyan 442002， China;

2. Wuhan Zoomedu Technology Co. Ltd， Wuhan 430000， China）

Abstract： In view of the difficulty in detecting coating defects in hydrogen fuel cells， an image detection method for coating defects based on region growth and binary large object （BLOB） analysis was proposed. Firstly， the region of interest of the image was extracted and processed by Gaussian filtering. Then， the image was segmented by region growth. Finally， the connected region was marked by BLOB analysis. The experimental results show that the method in this paper can effectively detect the coating defects in hydrogen fuel cells， and the accuracy meets the detection requirements.

Key words： defect detection; battery coating; image processing; BLOB analysis

随着车用燃料电池技术发展方向逐渐明确，我国燃料电池汽车也呈现加快发展趋势，氢能燃料电池在科技界、产业界的热度持续上升［1］。对于电池制造核心工艺而言，涂布表面必须保证干净、完整，其质量直接影响氢能电池的容量、寿命和可靠性。为保证氢能电池使用的安全性和可靠性，提高生产效益和质量，对涂布进行缺陷检测尤为重要。钟健平等［2］提出了基于WOA-BPNN的锂电池极片涂布缺陷检测识别算法，将图像中的缺陷区域分割出来，通过训练神经网络分类模型，用鲸鱼算法辅助调参，能够对常见缺陷类型进行检测，但是参数调节相对困难。马晓雄等［3］提出了金属棒材表面划痕缺陷视觉检测算法，通过非下采样剪切波变换与形态学理论结合，提升了在线生产中检测工序的精度，同时保证了划痕缺陷的检测效率，但是缺陷的检测效率还有待提高。郑彬等［4］用2D相机采集连杆图像信息，通过对图像滤波、提取边缘信息实现缺陷定位，该方法能够对连杆表面的缺陷实现检测，但检测精度仍需要提高。Fu Yongzhong等［5］改进了在频域空间的滤波方法，设计了特殊的网格形状、卷积核滤波器，提出了利用机器视觉系统处理多晶太阳能电池多交叉裂纹的新方法，该方法能够在对比度较低和纹理背景复杂的情况下准确提取裂纹特征，但不适用其他机器视觉系统。WIN M等［6］在介观技术的基础上利用OTSU方法检测图像表面缺陷区域，但该方法只能检测灰度与背景差异变化大的缺陷，其他缺陷则无法检测。为提高氢能电池涂布缺陷检测的准确度，针对上述检测方法的不足，文中提出了结合高斯滤波和区域生长算法的检测系统。系统利用线阵相机采集生产过程中涂布原始图像并提取其感兴趣（region of interest， ROI）区域，通过线性灰度增强方法增强图像的对比度，由区域生长算法分割出图像的缺陷区域，最后通过BLOB分析、标记缺陷区域，输出检测结果。

1 检测系统方案设计

文中设计了机器视觉检测系统，包含机器视觉硬件平台和软件算法等。

1）缺陷检测流程 缺陷检测流程如图1所示。线阵相机通过色标传感器触发信号采集来料的涂布原料图像，对图像进行预处理，然后对图像中的目标进行定位，消除噪声和干扰，通过图像处理技术输出检测结果。

2）实验平台硬件设计 机器视觉系统硬件部分由实验平台、线阵相机、工业镜头、图像处理工控机组成，见图2。系统检测时，由线阵相机采集涂布图像并上传给工控机，工控机通过图像处理技术返回处理结果。考虑企业保密要求，文中给出系统硬件三维图（图3）。线阵相机型号为DALSA LA-GM-04K08A-00-R，镜头为RICOH FL-YFL 3528型35 mm工业镜头。线扫光源采用OPT条形光源，为相机提供环境光提高成像效果。传感器在经过颜色标定后用于触发线阵相机拍照，当涂布原料通过传感器时会有明显颜色变化，传感器收到信号，电气控制单元控制线阵相机对涂布进行图像采集。

2 图像预处理

2.1 ROI区域定位

相机采集到的氢能电池涂布的图像如图4所示。为了避免底部白色背景区域对电池涂布区域造成不必要的干扰，将ROI区域提取出来。

2.2 滤波处理

线扫相机采集涂布图像时会受到光线等多种因素的影响，因此需要用对采集到的图像进行滤波处理。目前常用的滤波方式有高斯滤波［8］、中值滤波［9］、均值滤波［10］、递归滤波等。高斯滤波是在整个图像内通过计算像素及其邻域内其他像素值的加权平均得到新的像素值，处理图像时用模板（或卷积、掩码）遍历图像中的每个像素，用模板确定的邻域内像素的加权平均灰度值替换模板中心像素的值［11］。对于均值滤波和方框滤波而言，其邻域内每个像素的权重是相等的。在高斯滤波中，会将中心点的权重值加大，远离中心点的权重值减小，在此基础上计算邻域内各个像素不同权重的和，起到较好的去噪效果。公式为

[Gx，y=12πσ2exp-x2+y22σ2] （1）

式中：[Gx，y]为滤波后图像的像素值；[σ]为高斯滤波器的参数。

以某组图像为例，各种滤波方法的处理效果如图5所示。从图5可以看出，均值滤波与中值滤波效果较好，但是容易在一些细小的边缘丢失信息，递归滤波则会夸大缺陷所在的区域，导致图像整体失真，高斯滤波处理后的图像模糊程度最小，缺陷边缘轮廓信息被保留下来，有利于后续的图像分割和特征提取。为验证滤波效果，计算图像检测区域的均方误差（MSE）和峰值信噪比（PSNR）［12］。MSE计算出原始图像与失真图像像素差值的均方值，从而量化图像的失真情况，均方误差值越小则图像处理前后差别越小。PSNR为峰值信号能量与噪声平均能量之比。相关公式 ［13］为

[EMS=1MN0≤i≤N0≤j≤MIi， j-Oi， j2] （2）

[RPSN=20lgGMAX EMS] （3）

式中：[EMS]为MSE值；M、N分别为图像的横、纵向像素个数；[Ii， j]和[Oi， j]为处理前后图像的灰度值；[RPSN]为PSNR的值；[GMAX]为图像上灰度最大的值，取255。编写程序计算PSNR值，结果如表1所示。从表1可以看出，高斯滤波对涂布图像的峰值信噪比最大，均方误差最小，说明高斯滤波效果较好。

2.3 图像增强

在图像处理过程中，往往缺陷区域与背景的灰度差别不明显，容易形成漏判的情况。因此，在确定滤波后图像的灰度值范围后，通过图像增强的方法增大图像的检测区域与背景区域的灰度范围，使其对比度更加明显，便于后期检测。灰度线性变换［14］是图像增强的重要手段之一，可以增强图像的视觉效果，线性变换的公式为

[gi， j=a+b-ab-afi， j-a] （4）

式中：[fi， j]为经过滤波处理之后的图像的像素；[gi， j]为经过线性灰度变换后的图像像素；[a，b]为经过滤波处理之后的图像灰度范围；[a，b]为灰度线性变换之后的灰度范围。变换之后将灰度范围从[30，60]扩展到[40，80]，变换之后的图像见图6。

3 涂布缺陷检测

3.1 图像缺陷区域分割

经过预处理之后的涂布图像中的干扰噪声大幅度降低，缺陷区域更加明显，采用图像分割的方法将缺陷区域完整的提取出来。图像分割的方法有固定阈值［15］、自适应阈值［16］、局部阈值、区域生长等。阈值法简单但阈值难以确定，影响图像分割效果。区域生长方法［17］是基于区域的分割方法，先对需要分割的区域找1个生长起点，然后将生长起点像素和周围邻域中与生长起点像素有相同或相似性质的像素合并到1个区域中，生长到没有像素与生长起点像素相同时，就形成了1个同像素的区域。区域生长过程如图7所示。图7a展示了原始图像像素。第1个生长点[fi， j]以灰度值为7的像素作为起点进行生长，以1或0为标准将待测点与生长点作差。图7b显示了第1次区域生长后的结果，其中[fi-1， j]、[fi， j-1]和[fi， j+1]的灰度值与生长点相差都是1，因此它们被合并到1个区域。在第2次和第3次生长中，继续进行合并操作，结果见图7c。在图7d中可以观察到已经没有满足生长准则的像素点存在，从而停止了生长。

全局阈值、自适应阈值、局部阈值与区域生长的算法分割效果如图8所示。

3.2 形态学处理

形态学处理可以消除感兴趣区域与目标缺陷区域无关的噪声点，基本运算有腐蚀、膨胀、开运算、闭运算。对图像进行闭运算，即先膨胀后腐蚀，闭运算过程可以填充物体内的小空洞，连接邻近的物体，连接断开的轮廓线，同时平滑目标区域边界而不改变面积。经过闭运算处理的图像见图9。

3.3 缺陷检测

对处理完成的区域进行缺陷面积计算，判断是否存在缺陷区域。面积计算公式［18］为

[D=x1，y1∈IQx1，y1] （5）

式中：[I]为图像的缺陷区域；[Qx1，y1]为缺陷区域的像素值；[D]为缺陷区域所有的像素点。当[D大于50] 像素时判断为缺陷区域。Blob分析［19］主要用于识别图像连通区域。对预处理后的图像进行Blob分析，检测图像是否存在连通区域［20］并进行标记，检测出的连联通区域即为缺陷区域，最后计算出缺陷区域面积和周长，检测结果如图10所示，缺陷面积与周长计算结果如表2所示。

4 结果与讨论

为了验证文中方法对缺陷检测的效果，对几种常见电池涂布拉伸缺陷进行测试，结果如图11～12所示。图11a和图12a为涂布采集的缺陷原始图像，图11b和图12b为经过图像处理后Blob分析标记出来的缺陷区域图像。根据2种拉伸缺陷的检测结果可以看出，缺陷区域已经完全被检测出来，说明文中检测系统可以较为准确的对电池涂布缺陷进行检测。

为了使检测效果更直观，用模板匹配方法对图像进行对比检测，检测结果如图13所示。在生产线上对采集到的100张涂布原始缺陷图像进行检测，分别为大面积缺陷和小面积缺陷2种类型。实验统计数据见表3。从表3可以看出，在小面积和单条缺陷检测中，文中的准确率较高。

5 结论

针对电池涂布缺陷区域与背景区域灰度差异小、检测难度大的问题，文中结合高斯滤波、灰度变换、区域生长算法和BLOB分析有效实现了图像缺陷区域的分割和标记。实验证明，该系统检测能够有效地检测出电池涂布的缺陷，检测准确率能够达到检测要求。

参考文献：

［1］ "赵洪雪，李枭，庞知非，等. 氢燃料电池汽车发展现状浅析［J］. 交通节能与环保，2020，16（4）：11-15.

［2］ "钟健平，费韬. 基于WOA-BPNN的锂电池极片涂布缺陷检测识别［J］. 储能科学与技术，2022，11（8）：2537-2545.

［3］ "马晓雄，熊晓燕，兰媛，等. 金属棒材表面缺陷的机器视觉检测方法研究［J］. 机械设计与制造，2023（4）：196-200.

［4］ "郑彬，刘创. 基于机器视觉的连杆表面缺陷检测系统［J］. 制造业自动化，2020，42（11）：44-46.

［5］ "Fu Y Z，Ma X L，Zhou H. Automatic Detection of Multi-crossing Crack Defects in Multi-crystalline Solar Cells Based on Machine Vision［J］. Machine Vision and Applications，2021，32（3）：60.

［6］ "Win M，Bushroa A R，Hassan M A，et al. A Contrast Adjustment Thresholding Method for Surface Defect Detection Based on Mesoscopy［J］. IEEE Transactions on Industrial Informatics，2015，11（3）：642-649.

［7］ "许丹丹，马增强，钱荣威，等. 基于自适应ROI算法的光斑中心检测［J］. 组合机床与自动化加工技术，2021（3）：83-86.

［8］ "Yun S，Zanetti R. Sequential Monte Carlo Filtering with Gaussian Mixture Sampling［J］. Journal of Guidance，Control，and Dynamics，2019，42（9）：2069-2077.

［9］ "Huang S，Wan S R. A Total Variation Denoising Method Based on Median Filter and Phase Consistency［J］. Sensing and Imaging，2020，21（1）：19.

［10］ "Yugander P，Tejaswini C H，Meenakshi J，et al. MR Image Enhancement Using Adaptive Weighted Mean Filtering and Homomorphic Filtering［J］. Procedia Computer Science，2020，167：677-685.

［11］ "王诗元，吕子豪，田洪亮. 摄像头组智能车图像预处理算法研究［J］. 无线互联科技，2014（11）：136.

［12］ "李泽文，李子铭，费天禄，等. 基于残差生成对抗网络的人脸图像复原［J］. 计算机科学，2020，47（S1）：230-236.

［13］ "周新颖，胡跃明. 基于小波增强与Canny算法融合的锂电池极片缺陷检测方法［J］. 电子测量技术，2023，46（4）：149-154.

［14］ "张志伟，叶建雄，程群，等. 基于灰度变换的水下焊接图像对比度增强［J］. 热加工工艺，2021（7）：127-131.

［15］ "钱堃，李芳，文益民. 基于颜色和空间距离的显著性区域固定阈值分割算法［J］. 计算机科学，2016，43（1）：103-106.

［16］ "肖军弼，朱风珍，钱志军，等. 加油站中基于自适应阈值分割的车辆停车检测方法［J］. 计算机应用与软件，2019，36（2）：252-257.

［17］ "朱军桃，王雷，赵传，等. 基于区域生长算法的复杂建筑物屋顶点云分割［J］. 国土资源遥感，2019，31（4）：20-25.

［18］ "李小磊，曾曙光，郑胜，等. 基于滑动滤波和自动区域生长的陶瓷瓦表面裂纹检测［J］. 激光与光电子学进展，2019，56（21）：49-55.

［19］ "汤亮，张董洁，龚发云，等. 基于区域分级的陶瓷阀芯表面缺陷检测系统研究与实现［J］. 组合机床与自动化加工技术，2017（10）：82-86.

［20］ "徐雯斐，薛慧慧，王宜宁，等. 基于HALCON汽车牌照的识别［J］. 机械工程师，2015（10）：59-60.