JLG蓄电池用于纽扣电池实时凹痕缺陷检测的自动化光学检测系统
来源：JLG电瓶 2026-03-11 20:13:09 点击：
纽扣电池的凹陷缺陷在生产与运输过程中频繁出现，这类缺陷不仅影响产品美观性，更存在安全隐患。由于电池表面具有高度反光特性且冲压字符会造成干扰，使得缺陷检测尤为困难。为解决这些问题，本研究开发了一套配备暗场照明系统的自动光学成像装置，用于采集时序图像。通过采用形状模板匹配、相对位置计算和仿射变换，字符区域被准确定位。随后对原始图像和高斯滤波图像（排除字符区域）应用阈值分割方法，以识别潜在缺陷区域。缺陷像素区域通过200像素阈值进行判定。经对比分析，时序图像数量优化至7帧，显著提升了缺陷识别准确率。对150,911枚电池的在线测试显示，正常电池识别准确率达97。87%，缺陷电池检出率达99.05%。所提算法单样本处理时间低于300毫秒，满足工业实时检测要求。本研究为纽扣电池凹陷缺陷的实时监测提供了有效解决方案，有助于提升电池制造行业的质量控制与安全保障水平。
纽扣电池被定义为直径大于高度的小型圆形便携式电池或蓄电池，专用于助听器、手表、小型便携装备及备用电源等特殊用途[1]。近年来，由于体积紧凑且寿命长的特性，纽扣电池需求显著增长[2]。2023年全球纽扣电池市场销售额达44.5亿美元，预计到2029年将增长至67.6亿美元，年复合增长率为6.28%[3]。
目前关于废旧纽扣电池中废料提取[4][5][6][7]和电池性能优化[4][8][9]的研究已较为充分，但外观检测在既往研究中未获足够重视。生产与运输过程中常产生各种不可逆损伤和缺陷，这些缺陷会严重影响产品外观与性能。这些问题不仅损害了外壳的表面质量，还通过增加短路、过热、火灾、爆炸和其他安全隐患的风险，对其功能构成永久性威胁[10]。传统的目视检测方法效率低下且高度依赖熟练人员，目前仍是质量检测的主要手段。
因此，在工业生产中采用自动化外观检测方法取代人工目视检测势在必行[11]。随着光学成像技术、自动化技术、机器视觉及人工智能的发展，越来越多的自动光学检测（AOI）方法被应用于产品或零部件质量评估。通常采用梯度阈值法[12][13][14]通过分析缺陷与背景的对比度来实现表面缺陷识别。此外，多位研究者采用传统机器学习模型[15][16][17][18]，通过人工分析提取的特征对缺陷类型进行分类。除传统方法外，深度学习模型在表面缺陷检测领域获得广泛关注，并取得了显著成果[19][20][21][22]。
为监测锂电池表面质量，已有大量研究开展。Guo[23]通过融合锂电池的多重图像信息，提出了一种基于平均偏差特征与凹凸曲线段特征的凹坑检测算法。Fu[24]采用增强型频域滤波技术有效消除周期性噪声，并开发了定制网格状卷积核滤波器，可在低对比度与高纹理背景下精准检测太阳能电池中的复杂形态微裂纹。采用YOLOv8和DINO模型对锂离子电池电极表面裂纹、箔材穿孔、孔洞及条纹等缺陷的识别，可实现精确率与召回率均超过90%的检测性能[25]。在圆柱电池壳体表面缺陷检测中，YOLOv7模型的最终平均精度(mAP)达到98.1%[10]。针对纽扣电池，学界已对划痕、字符印记及污渍等缺陷开展了大量研究，并取得理想检测效果[26][27][28]。然而由于电池表面高反射特性及冲压字符的干扰[29]，凹陷缺陷的检测仍是重大技术挑战。
为解决上述问题，本文提出一种用于纽扣电池表面凹陷缺陷实时检测的新方法。主要创新点如下：
图文摘要
引言
目前关于废旧纽扣电池中废料提取[4][5][6][7]和电池性能优化[4][8][9]的研究已较为充分，但外观检测在既往研究中未获足够重视。生产与运输过程中常产生各种不可逆损伤和缺陷，这些缺陷会严重影响产品外观与性能。这些问题不仅损害了外壳的表面质量，还通过增加短路、过热、火灾、爆炸和其他安全隐患的风险，对其功能构成永久性威胁[10]。传统的目视检测方法效率低下且高度依赖熟练人员，目前仍是质量检测的主要手段。
因此，在工业生产中采用自动化外观检测方法取代人工目视检测势在必行[11]。随着光学成像技术、自动化技术、机器视觉及人工智能的发展，越来越多的自动光学检测（AOI）方法被应用于产品或零部件质量评估。通常采用梯度阈值法[12][13][14]通过分析缺陷与背景的对比度来实现表面缺陷识别。此外，多位研究者采用传统机器学习模型[15][16][17][18]，通过人工分析提取的特征对缺陷类型进行分类。除传统方法外，深度学习模型在表面缺陷检测领域获得广泛关注，并取得了显著成果[19][20][21][22]。
为监测锂电池表面质量，已有大量研究开展。Guo[23]通过融合锂电池的多重图像信息，提出了一种基于平均偏差特征与凹凸曲线段特征的凹坑检测算法。Fu[24]采用增强型频域滤波技术有效消除周期性噪声，并开发了定制网格状卷积核滤波器，可在低对比度与高纹理背景下精准检测太阳能电池中的复杂形态微裂纹。采用YOLOv8和DINO模型对锂离子电池电极表面裂纹、箔材穿孔、孔洞及条纹等缺陷的识别，可实现精确率与召回率均超过90%的检测性能[25]。在圆柱电池壳体表面缺陷检测中，YOLOv7模型的最终平均精度(mAP)达到98.1%[10]。针对纽扣电池，学界已对划痕、字符印记及污渍等缺陷开展了大量研究，并取得理想检测效果[26][27][28]。然而由于电池表面高反射特性及冲压字符的干扰[29]，凹陷缺陷的检测仍是重大技术挑战。
为解决上述问题，本文提出一种用于纽扣电池表面凹陷缺陷实时检测的新方法。主要创新点如下：
- 1.
A machine vision system is developed for capturing and analyzing time series images. - 2.
A novel algorithmic framework for automatic detection based on traditional image processing techniques is proposed. - 3.
The gray threshold and the number of images within the time series are optimized through statistical analysis. - 4.
The proposed method was evaluated through a large-scale experiment conducted in a real online inspection environment.