(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210981487.0 (22)申请日 2022.08.16 (65)同一申请的已公布的文献号 申请公布号 CN 115063421 A (43)申请公布日 2022.09.16 (73)专利权人 成都数联云算科技有限公司 地址 610041 四川省成 都市中国(四川)自 由贸易试验区成都 高新区吉泰五路88 号3栋5层8号、 9号 (72)发明人 不公告发明人 　 (74)专利代理 机构 成都云纵知识产权代理事务 所(普通合伙) 51316 专利代理师 熊曦 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/26(2022.01) G06V 10/28(2022.01) G06V 10/30(2022.01) G06V 10/44(2022.01)(56)对比文件 CN 111398287 A,2020.07.10 CN 107341473 A,2017.1 1.10 CN 103793712 A,2014.0 5.14 CN 109949261 A,2019.0 6.28 CN 114764804 A,202 2.07.19 CN 114519743 A,202 2.05.20 CN 110264445 A,2019.09.20 CN 107895 376 A,2018.04.10 CN 110020985 A,2019.07.16 CN 110653525 A,2020.01.07 US 2022101542 A1,202 2.03.31 缪永伟等.融合梯度信息和邻域 点云分布的 3D线特征提取与配准. 《中国科 学： 信息科 学》 .2021,第51卷(第12期), Li Jiwei等.Researc h on Defect Recognition of Lithium Bat tery Pole Piece Based on Deep Learn ing. 《2021 7th Internati onal Conference o n Energy Materials and Enviro nment Engi neering (ICEMEE 2021)》 .2021,第261卷 审查员 雷欢 (54)发明名称 极片区域检测方法及系统及装置及介质及 缺陷检测方法 (57)摘要 本发明公开了极片区域检测方法及系统及 装置及介质及缺陷检测方法， 涉及锂离子电池领 域， 本发明采用机器视觉的方法， 能够自适应的 框选出不同待检测图片中的电池极片区域， 并能 够通过直方统计去除所述电池极片边缘上可能 存在的毛刺对电池极片区域框选的影响； 同时， 本发明将深度学习对待检测图像进行检测所获 得的检测结果与所述电池极片区域做交集运算， 有效解决了深度学习中由于生产过程中的工业 波动、 机台差异和光照等因素将背景中的噪声识 别为电池区域内的缺陷而导 致的过检测现象。 权利要求书3页 说明书8页 附图4页 CN 115063421 B 2022.10.28 CN 115063421 B 1.极片区域检测方法， 其特 征在于， 所述极片区域检测方法包括以下步骤： 获得待检测图像， 将所述待检测图像转 化为灰度图像； 根据所述灰度图像 计算二值化阈值， 获得二 值化图像； 对所述二值化图像进行 滤波处理， 获得去噪图像； 对所述去噪图像进行轮廓提取， 获得若干轮廓 区域， 对所述若干轮廓 区域进行筛选获 得筛选结果； 根据所述筛 选结果进行计算获得电池极片区域 坐标； 其中， 所述 根据所述筛 选结果进行计算获得电池极片区域 坐标包括以下步骤： 获得所述筛选结果对应的第一轮廓点 集； 获得所述第一轮廓点集中若干点的坐标极值， 包括第一横坐标最大值、 第一横坐标最 小值、 第一纵坐标最大值和第一纵坐标最小值； 根据所述 坐标极值获得电池极片区域 坐标； 所述根据 所述坐标极值获得电池极片区域坐标还包括以下步骤： 获得所述二值化图像 的图像尺寸数据， 包括第一图像高度和第一图像宽度； 根据所述坐标极值获得所述第 一轮廓点集的图像尺寸数据， 包括第 二图像高度和第 二 图像宽度； 判断所述第 一图像高度和所述第 二图像高度的大小， 若所述第 一图像高度大于所述第 二图像高度， 则通过直方统计对所述第一轮廓点集进行处理， 获得第二纵坐标最大值和第 二纵坐标最小值， 并更新所述 坐标极值； 判断所述第 一图像宽度和所述第 二图像宽度的大小， 若所述第 一图像宽度大于所述第 二图像宽度， 则通过直方统计对所述第一轮廓点集进行处理， 获得第二横坐标最大值和第 二横坐标最小值， 并更新所述 坐标极值； 根据更新后的所述 坐标极值获得电池极片区域 坐标。 2.根据权利要求1所述的极片区域检测方法， 其特征在于， 所述根据所述灰度图像计算 二值化阈值， 获得二 值化图像包括以下步骤： 对所述灰度图像进行裁 剪， 保留所述灰度图像中心部分， 获得 标准灰度图； 计算所述标准灰度图的灰度均值， 所述灰度均值即为所述二值化阈值， 具体计算方式 为： 式中， thres表示二值化阈值， n表示所述标准灰度图中像素的个数， 表示所述标准 灰度图中坐标为 的像素对应的灰度值； 根据所述 二值化阈值对所述灰度图像的像素进行分割， 获得二 值化图像。 3.根据权利要求1所述的极片区域检测方法， 其特征在于， 所述对所述若干轮廓区域进 行筛选获得筛选结果中， 其筛选条件为所述若干轮廓区域的面积， 所述若干轮廓区域中面 积最大的轮廓区域即为所述筛 选结果。 4.根据权利要求3所述的极片区域检测方法， 其特征在于， 所述极片区域检测方法通过 格林公式计算所述若干轮廓区域的面积， 具体 计算方式为：权　利　要　求　书 1/3 页 2 CN 115063421 B 2其中， S表示所述轮廓区域的面积， Q表示轮廓区域内轮廓对应的拟合函数， 表示函数 Q在x方向上的偏导数， P表示轮廓区域外轮廓对应的拟合函数， 表示函数P在y方向上的 偏导数， 表示 在x方向和y方向上的二重微分， 表示函数P在x 方向的微分， 表示函数Q在y方向上的微分。 5.根据权利要求1所述的极片区域检测方法， 其特征在于， 所述滤波处理包括： 对所述 二值化图像进 行腐蚀运算， 获得第一图片， 再对所述第一图片进 行膨胀运算， 获得所述去噪 图像。 6.极片缺陷检测方法， 其特 征在于， 所述极片缺陷检测方法包括以下步骤： 建立深度学习模型， 获得用于训练深度学习模型的训练集， 包括若干带有缺陷的 电池 极片图像及对应的缺陷标记； 通过所述训练集训练所述深度学习模型， 获得第二深度学习模型； 获得待检测图像， 根据权利要求1 ‑5中任意一个所述的极片区域检测方法对所述待检 测图像进行处 理， 获得电池极片区域 坐标； 根据所述第二深度学习模型对所述待检测图像进行缺陷检测， 获得若干缺陷坐标； 判断所述若干缺陷坐标是否在所述电池极片区域坐标内， 若在则电池极片在所述缺陷 坐标对应的位置存在缺陷。 7.极片区域检测系统， 其特 征在于， 所述系统包括： 图像采集单 元， 用于获得待检测图像， 并将所述待检测图像转 化为灰度图像； 图像处理单元， 用于根据 所述灰度图像计算二值化阈值， 获得二值化图像， 并对所述二 值化图像进行 滤波处理， 获得去噪图像； 区域计算单元， 对所述去噪图像进行轮廓提取， 获得若干轮廓区域， 对所述若干轮廓区 域进行筛 选获得筛 选结果， 并根据所述筛 选结果进行计算获得电池极片区域 坐标； 其中， 所述区域计算单元根据 所述筛选结果进行计算获得电池极片区域坐标包括以下 步骤： 获得所述筛选结果对应的第 一轮廓点集以及所述第 一轮廓点集中若干点的坐标极值， 包括第一横坐标最大值、 第一横坐标最小值、 第一纵坐标最大值和 第一纵坐标最小值， 并根 据所述坐标极值获得电池极片区域 坐标； 所述根据 所述坐标极值获得电池极片区域坐标还包括以下步骤： 获得所述二值化图像 的图像尺寸数据， 包括第一图像高度和第一图像宽度； 根据所述坐标极值获得所述第 一轮廓点集的图像尺寸数据， 包括第 二图像高度和第 二 图像宽度； 判断所述第 一图像高度和所述第 二图像高度的大小， 若所述第 一图像高度大于所述第 二图像高度， 则通过直方统计对所述第一轮廓点集进行处理， 获得第二纵坐标最大值和第 二纵坐标最小值， 并更新所述 坐标极值； 判断所述第 一图像宽度和所述第 二图像宽度的大小， 若所述第 一图像宽度大于所述第 二图像宽度， 则通过直方统计对所述第一轮廓点集进行处理， 获得第二横坐标最大值和第权　利　要　求　书 2/3 页 3 CN 115063421 B 3