基于拓扑滤波与改进Canny算子的锂离子电池电极缺陷检测北大核心CSCD

电极作为锂离子电池的重要组成部分,其质量直接关系到电池的电化学性能、安全性能及使用寿命。锂离子电池电极的生产环境复杂且缺陷形态多变,针对电极图像拍摄过程中易出现的亮度不均以及缺陷对比度低等问题,提出一种基于拓扑滤波与改进Canny算子的电极缺陷检测算法。首先采用基于拓扑学原理的滤波模板抑制图像背景噪声,针对图像整体灰度值过高的问题,应用灰度变换矫正图像灰度分布,增强图像对比度;其次考虑到背景细小纹理较多且边缘信息较弱,提出一种改进Canny算子,采用双边滤波降低图像噪声的同时有效避免边缘模糊,多尺度增强算法改善光照不均增强图像细节;应用四方向的Sobel算子计算梯度幅值和方向以获取更多的边缘信息,提升边缘定位的精确度;基于最大熵算法自适应确定高低阈值,避免边缘点判定的局限性,提高边缘连接的效果。实验研究结果证明相对于其他算法,该算法可以较好地保护边缘细节,精确完整地提取出缺陷轮廓,表现出更优越的准确率和抗噪性,具有一定的实用价值。     

基于注意力机制与多尺度特征融合的电极缺陷YOLO检测算法

为了满足锂离子电池电极缺陷检测精度与实时性的需求,解决电极图像背景噪声复杂、缺陷微小且对比度低等问题,提出一种基于注意力机制与多尺度特征融合的电极缺陷YOLO检测算法.在YOLOv4的基础上,首先,将SE(squeeze-and-excitation)注意力模块嵌入特征提取主干网络中,区分feature map中不同通道的重要性,强化目标区域的关键特征,提高网络的检测精度;其次,加入融合空洞卷积的池化金字塔(ASPP)结构,增大网络感受野的同时最大程度地保留多尺度特征信息,提高算法对小目标的检测性能;然后,设计一种多尺度稠密特征金字塔,在三尺度特征图的基础上增加一个浅层特征,采用稠密连接的方式融合特征,提升浅层细节特征与高级语义信息的融合能力,增强对微小缺陷特征的提取;最后,采用$ K $-means++算法聚类先验框,引入focal loss损失函数增大小目标样本的损失权重,有效提高网络学习的收敛速度.实验结果表明,所提算法较原YOLOv4模型的mAP值提升6.42%,较其他常用算法综合性能上有着较大的优势,可较好地满足实际工业生产的实时监测需求.     

基于XML的数据交换系统分析与设计

针对传统EDI通信时的数据交换所需的翻译软件和转换软件太昂贵的问题,提出一种以XML格式文档作为数据交换中间文档的XML／EDI架构,设计了报文类型转换、数据元转换和数据元代码转换的方法,开发出一套电子数据交换系统原型。该数据交换系统实现了异构报文类型的转换、不同数据元之间的转换和复杂编码的数据元代码之间的转换,为中小型物流企业间数据交换提供了解决方案。     

基于LO-RANSAC的锂电池极片表面痕类缺陷检测北大核心CSCD

针对锂电池极片表面的痕类缺陷检测准确率低、误检率和漏检率高的问题,提出了一种基于局部最优化的随机抽样一致性(locally optimized random sample consensus,LO-RANSAC)的痕类缺陷检测算法。首先,针对锂电池极片表面存在的椒盐噪声、大噪点多的问题,提出了一种改进的自适应中值滤波和基于连通域的滤波算法。其次,针对检测痕类缺陷准确率达不到预期以及误检率漏检率较高的问题,引入一种局部最优化的RANSAC算法。最后,给出了一种基于LO-RANSAC的痕类缺陷分类方法。实验结果表明:本文所提算法相较于标准RANSAC检测准确率提高了5.9%,相较于基于卷积神经网络算法准确率提高了15%,达到了98.2%;多种算法中本工作算法对于痕类缺陷的检测误检率和漏检率最低;平均检测速度较标准RANSAC算法提高了1.7倍,每秒钟检测的图片数量FPS(frame per second)达到12.49。本工作算法具有较高的检测准确率、较低的误检率及漏检率,检测速度达到实时检测要求,因此可满足锂电池极片表面的痕类缺陷检测需求,解决了锂电池极片表面痕类缺陷自动检测难题。