(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211154259.2 (22)申请日 2022.09.22 (71)申请人 山东华太新能源电池 有限公司 地址 276000 山东省临沂市河东区汤头街 道长深线与工业 一路交汇处 (72)发明人 袁玉玲　王嘉军　王文周　于金华　 李汉祥　周胜欣　 (74)专利代理 机构 济南泉城专利商标事务所 37218 专利代理师 朱昌昊 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/26(2022.01) G06V 10/56(2022.01) G06V 10/82(2022.01)G06V 10/74(2022.01) G06V 10/44(2022.01) G06V 10/34(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于计算机视觉的锌膏的智能检测方法 (57)摘要 本发明涉及智能检测技术领域， 具体涉及一 种基于计算机视觉的锌膏的智能检测方法， 该方 法获取隔膜管图像的灰度图像； 获取每个像素点 的区域对称系数和锌膏密度指数， 以得到每个像 素点的契合指数； 基于契合指数得到的边缘点获 取多个初始锌膏区域， 获取初始锌膏区域中以每 个目标像素点为中心点的目标区域， 利用每个目 标区域的灰度阈值 以对目标区域中的灰度值进 行更新； 根据更新后每个初始锌 膏区域中的像素 点得到隔膜管图像的最终分割区域， 对隔膜管图 像的最终分割区域设置标签得到标签隔膜管图 像， 利用由多张标签隔膜管图像训练的神经网络 进行锌膏异常检测， 利用神经网络在保证检测准 确性的前提下加快了对锌膏注入情况检测的速 度。 权利要求书3页 说明书10页 附图2页 CN 115457004 A 2022.12.09 CN 115457004 A 1.基于计算机 视觉的锌膏的智能检测方法， 其特 征在于， 该 方法包括以下步骤： 在锌锰电池的加工流水线上获取电池钢壳中的隔膜管图像； 获取隔膜管图像的灰度图 像； 设定像素点的8个梯度 方向， 以每个像素点为中心点得到对应的预设尺寸的区域， 根据 当前像素点对应区域中每个梯度方向上像素点的灰度值计算当前像素点的区域对称系数； 根据区域中其他像素点与当前像素点的位置差异和灰度值差异获取当前像素点的锌膏密 度指数； 结合当前像素点的区域对称系数和对应区域中每个像素点的锌膏密度指数获取当 前像素点的契合指数； 基于灰度图像 中每个像素点的契合指数获取锌膏区域的边缘点， 根据边缘点的契合指 数得到多个初始锌膏区域， 获取每个初始锌膏区域中的目标像素点； 根据任意两个目标像 素点的欧式距离得到以每个目标像素点为中心点的目标区域， 基于8个梯度方向上每个像 素点的灰度值获取每个目标区域的灰度阈值， 利用灰度阈值对目标区域中的像素点的灰度 值进行更新； 根据更新后每个初始锌膏区域中的像素点获取隔膜管图像中的初始分割区域， 获取每 个初始分割区域的颜色聚合向量， 利用颜色聚合向量对初始分割区域进 行区域合并得到隔 膜管图像的最终分割区域； 对隔膜管图像的最终分割区域设置标签得到标签隔膜管图像， 利用多张标签隔膜管图像训练神经网络， 以通过训练好的神经网络进行锌膏异常检测。 2.如权利要求1所述的基于计算机视觉的锌膏的智能检测方法， 其特征在于， 所述区域 对称系数的获取 方法， 包括： 在区域中统计每个梯度方向上与当前像素点的灰度值相同的像素点的第 一数量， 以及 与当前像素点的灰度值不相同的像素点的第二数量； 计算每个梯度方向上像素点间的灰度 差值总和， 统计区域中像素点的总数量， 结合第一数量、 第二数量、 灰度差值总和与像素点 的总数量获取当前像素点的区域对称系数， 则区域对称系数的计算公式为： 其中， 为第i个像素点的区域对称系数； 为第i个像素点对应区域中像素点的总数 量； 为第d个梯度方向上与第i个像素点 的灰度值相同的其他像素点的第一数量； 为 第d个梯度 方向上与第i个像素点的灰度值不相同的其他像素点的第二数量； 为第d个梯 度方向上对应的灰度差值总和； 为第一代价因子， 当第二数量 小于或等于1时， ， 否则 ； 为第二代价因子， 当 为0时， ， 否则 。 3.如权利要求1所述的基于计算机视觉的锌膏的智能检测方法， 其特征在于， 所述锌膏 密度指数的获取 方法， 包括： 根据当前像素点对应区域中与当前像素点的灰度值相同的其他像素点的数量得到第 一占比， 根据当前像素点对应区域中与当前像素点的灰度值不相同的其他像素点的数量得 到第二占比， 获取区域中与当前像素点的灰度值相同的其他像素点的数量、 第一占比和第权　利　要　求　书 1/3 页 2 CN 115457004 A 2二占比之 间的第一乘积； 分别计算区域中每个与当前像素点的灰度值相同的其他像素点和 当前像素点之 间的欧式距离， 得到欧式距离 之和， 以欧式距离之和为分子、 第一乘积为分母 的比值作为当前像素点的锌膏密度指数。 4.如权利要求1所述的基于计算机视觉的锌膏的智能检测方法， 其特征在于， 所述契合 指数的获取 方法， 包括： 根据当前像素点对应区域中每个像素点的锌膏密度指数计算平均锌膏密度指数， 获取 当前像素点的锌膏密度指数与平均锌膏密度指数的差值平方； 获取当前像素点对应区域中 像素点的总 数量与当前像素点的锌膏密度指数 的第二乘积， 以第二乘积为分母、 差值平方 为分子的比值作为当前像素点的契合指数。 5.如权利要求1所述的基于计算机视觉的锌膏的智能检测方法， 其特征在于， 所述基于 灰度图像中每 个像素点的契合指数获取锌膏区域的边 缘点的方法， 包括： 将灰度图像中每个像素点的契合指数按照从小到大排列， 得到序列， 利用最大类间方 差法获取序列的最佳阈值， 将契合指数小于最佳阈值的像素点作为 边缘点。 6.如权利要求1所述的基于计算机视觉的锌膏的智能检测方法， 其特征在于， 所述根据 边缘点的契合指数 得到多个初始锌膏区域的方法， 包括： 获取契合指数最小的边缘点为起始点， 基于起始点利用边界跟踪技术得到多个初始锌 膏区域。 7.如权利要求1所述的基于计算机视觉的锌膏的智能检测方法， 其特征在于， 所述获取 每个初始锌膏区域中的目标像素点的方法， 包括： 计算任意一个像素点分别与其所属初始锌膏区域内每个边缘点的灰度差值之和， 将最 小的灰度差值之和所对应的像素点作为目标像素点。 8.如权利要求1所述的基于计算机视觉的锌膏的智能检测方法， 其特征在于， 所述灰度 阈值的获取 方法， 包括： 将当前目标像素点对应目标区域中的8个梯度方向进行两两正交组合得到4组梯度组 合， 分别计算当前梯度组合中每个梯度方向上每个与当前目标像素点的灰度值不相同的其 他像素点与当前目标像素点的第一灰度差值总和， 将第一灰度差值总和相加得到当前梯度 组合的灰度差值 综合值， 获取4组梯度组合的灰度差值综合值的最小值， 将最小值与对应梯 度组合中与当前目标像素点的灰度值不相同的像素点数量的比值作为当前目标像素点对 应目标区域的灰度阈值。 9.如权利要求1所述的基于计算机视觉的锌膏的智能检测方法， 其特征在于， 所述利用 灰度阈值对目标区域中的像素点的灰度值进行 更新的方法， 包括： 计算目标区域中每个像素点与对应目标像素点之间的灰度差值， 将灰度差值小于灰度 阈值的像素点的灰度值更新为目标像素点的灰度值， 初始锌膏区域中的每个像素点的灰度 值只更新 一次， 更新后的像素点 不再进行 更新。 10.如权利要求1所述的基于计算机视觉的锌膏的智能检测方法， 其特征在于， 所述最 终分割区域的获取 方法， 包括： 分别获取相邻 两个初始分割区域的颜色聚合向量， 分别统计每个初始分割区域对应颜 色聚合向量种每种元素的数量， 分别将两个初始分割区域对应相同元素的数量相乘并二次 开方， 然后相加得到第一特征值； 分别获取每个颜色聚合向量的元素均值， 结合第一特征权　利　要　求　书 2/3 页 3 CN 115457004 A 3