极耳褶皱缺陷的识别

　　在卷绕工序中，容易产生极耳褶皱等缺陷，但是极耳的褶皱对后续的电芯应用会带来严重的安全风险，因此生产过程中的缺陷检测环节必不可少。uHI机器视觉检测设备_CCD视觉检测_外观缺陷检测系统_精质视觉

　　目前的主流路线是：在缺陷检测时，使用数字化X射线摄影技术生成极耳的结构影像，然后对影像中的缺陷部分进行筛查。采用机器学习算法构建的AI视觉检测技术，可以大大地提高了褶皱缺陷筛查的准确率和泛化能力。uHI机器视觉检测设备_CCD视觉检测_外观缺陷检测系统_精质视觉

　　主要步骤如下：uHI机器视觉检测设备_CCD视觉检测_外观缺陷检测系统_精质视觉

　　1.极耳影像的预处理uHI机器视觉检测设备_CCD视觉检测_外观缺陷检测系统_精质视觉

　　通过对影像中的极耳位置调整，倾斜校正和极耳图像分割，使得极耳有效位置为同一位置，通过倾斜校正可以减小电池姿态对成像的影像。通过简单的图像分割，可以获得极耳有效区域的图像。uHI机器视觉检测设备_CCD视觉检测_外观缺陷检测系统_精质视觉

　　2.扩大数据集的规模，生成数据集将预处理后的图像以中心为圆心，随机旋转，扩展极片图像数量;并用重叠分割方式将极耳图像裁剪成大量的小尺寸子图数据集。以便降低后续卷积神经网络规模，减少计算量和耗时。uHI机器视觉检测设备_CCD视觉检测_外观缺陷检测系统_精质视觉

uHI机器视觉检测设备_CCD视觉检测_外观缺陷检测系统_精质视觉

　　3.基于卷积神经网络(CNN)的特征提取通过卷积神经网络的算法，可以对上述数据集中的特征进行提取。可以得到一定尺寸的置信度结果图。4.SVM(支持向量机)图像分类uHI机器视觉检测设备_CCD视觉检测_外观缺陷检测系统_精质视觉

　　最后，通过上述卷积神经网络预测输出的置信度结果图作为特征来训练SVM，并以SVM的图像分类作为极耳缺陷的最终检测结果。基于上述CNN和SVM相结合的机器学习算法，该褶皱缺陷检测准确率可以达到99%以上。uHI机器视觉检测设备_CCD视觉检测_外观缺陷检测系统_精质视觉