最大熵和高斯模型在锂电池缺陷识别中的应用_陈功

Á Â Ã Á ÂÁ Á Â Ã Á Â Á Â Ã Ä Á Â Á
研 究 与 设 计
由图 2 可知，黑划痕和污物缺陷都呈现暗特征；而白划 漏箔以及起泡缺陷均呈现亮特征； 黑划痕和亮划痕 、 污物 痕、 和漏箔特征差异不明显； 漏箔和白划痕相比投影特征近似， 但 几何特征中面积差异较大。起泡和漏箔 、 划痕特征相比， 则投 影特征差异明显。因此本文所提取的几何形状和投影特征是 合理的。
研 究 与 设 计
最大熵和高斯模型在锂电池缺陷识别中的应用
陈 功， 朱锡芳， 许清泉， 徐安成， 杨 辉 （常州工学院， 江苏 常州 213022） 摘要： 锂电池极片缺陷在线识别系统中采用最大熵阈值法实现图像的阈值分割， 采用缺陷面积排序的方法取出最大缺 陷目标， 提取二值化图像中缺陷的几何形状和投影参数作为特征值， 最后采用高斯混合模型算法实现对缺陷目标的识 别分类。实验结果表明： 该系统能自动实现阈值分割， 准确提取缺陷特征， 识别准确率达到 ９４％ 。 关键词： 最大熵阈值； 高斯混合模型； 识别 中图分类号： ＴＭ９１２．９ 文献标识码： Ａ 文章编号： １００２－０８７ Ｘ（２０１４）０６－１０６３－０３
1.2 1.0 0.8 0.6 0.4 0.2 0.0 −0.2 1 2 3 4 5 6 7 8 9 10 11 1.2 1.0 0.8 0.6 0.4 0.2 0.0 −0.2 1 2 3 4 5 6 7 8 9 10 11 1.0 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.0 1 2 3 4 5 6 7 8 9 10 11
1
(2 )
Σ
1 exp − ( x − µ ) Σ − ( x − µ 2
) (3)
式(3)中： xt 中 t=1， 2， …； T 是特征序列； M 是 GMM 模型阶数；
锂电池极片图像识别是一个多特征 、 多类别的识别问题，
d 是特征的维数； bi(xt)是均值矢量为 mi、 协方差矩阵为 Si 的单
H = − ∑ p lg p (其中 i=0， 1， 2， …， L-1)
阈值， 即 t = arg max [ϕ (t ) ] 。经图像分割后， 得到黑白二值化锂 通常缺陷目 电池极片图像。该图像中可能存在多个缺陷目标， 标呈现较大的面积特征，因此缺陷目标面积排序的方法可定 位出最大缺陷目标。
需要大量特征精确地描述缺陷 。根据工业生产过程中极片缺
１ 锂电池极片缺陷类型
锂电池极片缺陷依据产生原因可划分为以下几种 。 由于 设备因素引起的亮划痕 、 暗划痕； 由工艺因素引起的漏箔 、 起 泡、 针孔； 由环境因素引起的表面异物 。 图 1 为主要研究的缺 陷目标。
２ 阈值分割和特征提取
针对固定阈值取值的复杂性，本文采用一维最大熵阈值 法 ， 其基本思路是： 统计图像中每一个灰度级出现的概率， 计
(56) 44 41 53 40 53 50
(14) 11 12 12 9 12 13
(41) 38 37 39 37 39 37
/% 85 82 94 77 94 90
17%。与模板匹配相关性算法比较， GMM 相对于模板匹配相 关性从统计的角度充分表示数据的分布情况，反映的是同类 数据本身的相似度特性， 其识别提高率达到 4%。
３ 高斯混合模型的识别
高斯混合模型 (GMM)模型 [10]是一种基于参数估计的概率
统计模型，其将每个缺陷目标的特征在特征空间都构成特定 的分布，并且可用多个高斯分布组合对每个缺陷特征分布进 行拟合，不同参数的高斯分布组合可用来表征不同的缺陷目 GMM 的优点是可以从统计的角度充分表示数据的分布情 标。
高斯分布函数； Pi 是第 i 个单高斯分布的权重。作为高斯混合 分布的加权系数， P 应满足使：
=
∑P =1
(4)
在采用高斯混合模型的图像特征参数目标集合中，任一
特征参数的模型形式都是一致的， 其个性特征由一组参数
λ = {P , µ , Σ / i = 1, 2, ⋅⋅⋅, M } 唯一确定。因此， 目标的训练是从
图２
不同缺陷目标特征值比较
２０１４．６ Ｖｏｌ．３８ Ｎｏ．６
１０６４
研 究 与 设 计
(24) GMM( ) GMM ( ) !" 21 20 22 17 22 21
(17) 15 14 17 14 17 16
己知特征参数中得到这样的一组参数 l 使其产生训练的参数 概率密度最大。而缺陷目标的识别依最大概率原则选出产生
识别缺陷目标概率最大的那一组参数所代表的缺陷目标， 即：
λ = arg max p ( X / λ )
λ
(5)
图 3 为基于 GMM 锂电池极片缺陷目标识别系统原理
图。
1.0 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.0
图１
主要研究的缺陷目标
(1)
况， 反映的是同类数据本身的相似度特性。
GMM 模型是用 M 个单高斯分布的线性组合来描述特征
在特征空间中的分布。即： 其中，
当熵函数取得最大值时对应的灰度值 t 就是所求得最佳
P ( x ) = ∑ Pb ( x )
=
(2)
b (x ) = N(x , µ , Σ ) =
(Changzhou Institute of Technology, Changzhou Jiangsu 213022， China)
Ａｂｓｔｒａｃｔ： Ｉｎ ｄｅｆｅｃｔｓ ｏｎｌｉｎｅ ｒｅｃｏｇｎｉｔｉｏｎ ｓｙｓｔｅｍ ｏｆ ｌｉｔｈｉｕｍ ｂａｔｔｅｒｙ ｅｌｅｃｔｒｏｄｅ ｐｌａｔｅ， ｍａｘｉｍｕｍ ｅｎｔｒｏｐｙ ｔｈｒｅｓｈｏｌｄ ａｌｇｏｒｉｔｈｍ ｗａｓ ａｄｏｐｔｅｄ ｆｏｒ ｔｈｒｅｓｈｏｌｄ ｓｅｇｍｅｎｔａｔｉｏｎ ｆｒｏｍ ｉｍａｇｅ． Ａｒｅａ ｓｏｒｔｉｎｇ ｏｆ ｄｅｆｅｃｔ ｗａｓ ｕｓｅｄ ｔｏ ｇｅｔ ｔｈｅ ｍａｘｉｍｕｍ ｄｅｆｅｃｔ ｏｂｊｅｃｔ， ａｎｄ ｇｅｏｍｅｔｒｙ ｆｉｇｕｒｅ ａｎｄ ｐｒｏｊｅｃｔｉｖｅ ｐａｒａｍｅｔｅｒ ｅｘｔｒａｃｔｅｄ ｆｒｏｍ ｂｉｎａｒｙ ｉｍａｇｅ ｗｅｒｅ ｕｓｅｄ ａｓ ｅｉｇｅｎｖａｌｕｅｓ． ａｎｄ ｔｈｅ Ｒｅｃｏｇｎｉｔｉｏｎ ａｎｄ ｓｏｒｔ ｏｆ ｄｅｆｅｃｔ ｏｂｊｅｃｔ ｗｅｒｅ ｒｅａｌｉｚｅｄ ｂｙ Ｇａｕｓｓｉａｎ ｍｉｘｔｕｒｅ ｍｏｄｅｌ （ＧＭＭ）． Ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｓｙｓｔｅｍ ｃａｎ ａｕｔｏｍａｔｉｃａｌｌｙ ｒｅａｌｉｚｅ ｔｈｒｅｓｈｏｌｄ ｓｅｇｍｅｎｔａｔｉｏｎ ａｎｄ ｅｘｔｒａｃｔ ｄｅｆｅｃｔ ｃｈａｒａｃｔｅｒｉｓｔｉｃ， ｒｅｃｏｇｎｉｔｉｏｎ ａｃｃｕｒａｃｙ ｃａｎ ｒｅａｃｈ ９４％． Ｋｅｙ ｗｏｒｄｓ： ｍａｘｉｍｕｍ ｅｎｔｒｏｐｙ ｔｈｒｅｓｈｏｌｄ； Ｇａｕｓｓｉａｎ ｍｉｘｔｕｒｅ ｍｏｄｅｌ； ｒｅｃｏｇｎｉｔｉｏｎ 目前磷酸铁锂电池的应用并非尽善尽美，主要是受制于 电池组的一致性问题。用作汽车动力的锂离子电池是将大量 单体电池串并联而成的电池组，目前单体磷酸铁锂电池的寿 命超过 2 000 次， 在将多个电池组成电池组时， 只有在电池性 能高度一致时， 电池组的循环寿命才能接近单体电池的寿命 。 由于目前国内大部分磷酸铁锂生产厂商的制造设备及制备工 艺都不成熟， 产品品质容易出现波动， 使得电池产品的一致性 受到影响， 因此， 目前应用在电动汽车上存在一定的障碍 。 表 面缺陷是锂电池极片表面质量的重要因素，直接影响着产品 基于机器视觉技术的极片表面质量自动 的性能和质量。因此， 检测已逐渐成为研究的重点。 从国内外相关研究领域来看， 文献 [1] 针对塑料薄膜表面 缺陷提出了固定阈值分割的方法实现缺陷的提取 。 文献 [2-4] 则未考虑视觉图像中可能同时存在多个缺陷， 文献 [5] 采用聚 类解决上述问题， 但是该方法计算复杂， 实时性差 。 文献 [6-8] 采用模板匹配中误差和相关性算法来识别缺陷，上述算法计
收稿日期： ２０１３－１１－２１ 基金项目： ２０１３ 年 江 苏 省 自 然 科 学 基 金 青 年 基 金 资 助 （ＢＫ２０１３０２４５）； ２０１３ 年常州市光电子材料与器件重点实验室项目 （２０１３０６９４）； ２０１２ 年 江 苏 省 常 州 市 科 技 计 划 项 目 （ＣＥ２０１２００７１）； ２０１２年江苏省常州市高新区科技发展计划项目（ＸＥ１２０１２１４０８） 作者简介： 陈功（１９７９—）， 男， 江苏省人， 博士， 主要研究方向为光 学图像处理、 信息处理。
1 2 3 4 5 6 7 8 9 10 11
1.0 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.0 1 2 3 4 5 6 7 8 9 10 11
图３
基于 ＧＭＭ 锂电池极片缺陷目标识别系统原理图
表 1 给出了不同条件下的识别结果 。 由于几何和投影特 征的相对独立性， 同时提取两者特征， 能有效提高缺陷的平均 识别率， 提高值分别达到 9%和 12%。采用缺陷面积排序提取 了唯一的缺陷目标，相对于未排序方法平均识别率提高了
算量大， 且未能充分反映同类数据本身的相似度特性。针对上 述问题， 构建锂电池在线极片缺陷识别系统， 该系统采用最大 熵阈值法实现阈值分割， 经缺陷面积排序定位最大缺陷目标， 提取缺陷中的几何形状和投影参数作为特征值，识别部分采 用高斯混合模型 (Gaussian Mixture Model， GMM) 算法实现对 缺陷目标的分类。 采用 CCD 对锂电池薄膜成像时， 由于镜头到薄膜距离有 限， 获得的图像一般中部偏亮、 两侧偏暗 。 因此本文采用图像 灰度补偿算法 [3]和平滑滤波算法减少图像采集质量不稳定的 影响。
Application of maximum entropy threshold and Gaussian mixture model in defects recognition of lithium battery