基于LO-RANSAC的锂电池极片表面痕类缺陷检测_姜宝超.pdf

第 12 卷 第 2 期2023 年 2 月Vol.12 No.2Feb.2023储能科学与技术Energy Storage Science and Technology基于LO-RANSAC的锂电池极片表面痕类缺陷检测姜宝超1,2，曾勇1,2，韩有军1,2，胡跃明1,2（1华南理工大学自动化科学与工程学院；2精密电子制造装备教育部工程研究中心/广东省高端芯片智能封测装备工程实验室，广东 广州 510641）摘要：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。关键词：痕类缺陷；自适应中值滤波；RANSAC；缺陷检测doi：10.19799/ki.2095-4239.2022.0678 中图分类号：TP 391.41 文献标志码：A 文章编号：2095-4239（2023）02-593-09Scratch defect detection of lithium battery electrode based on LO-RANSAC algorithmJIANG Baochao1,2,ZENG Yong1,2,HAN Youjun1,2,HU Yueming1,2(1College of Automation Science and Engineering,South China University of Technology;2Enginering Research Center for Precision Electronic Manufacturing Equipment,Ministry of Education&Guangdong Provincial Engineering Laboratory for Advanced Chip Intelligent Packaging Equipment,South China University of Technology,Guangzhou 510641,Guangdong,China)Abstract:An algorithm based on locally optimized RANSAC(locally optimized random sample consensus,LO-RANSAC)is recommended for the problems of low trace defect detection accuracy,high false detection rate,and high missed detection rate of scratch defect detection on the surface of a lithium battery.First,in response to the problem of pepper noise,large noises that exist on the scratch defects of lithium batteries,a filtering algorithm based on improved adaptive median filtering and connected domains filtering is proposed.Secondly,to address the problems that the detection accuracy of detecting trace defects does not meet expectations and the false detection and missed detection rates are high,a locally optimized RANSAC algorithm is introduced.Finally,a scratch defect classification based on the LO-储能测试与评价收稿日期：2022-11-16；修改稿日期：2022-11-21。基金项目：国家重大科技专项02专项（2014ZX02503）。第一作者：姜宝超（1998），男，硕士研究生，研究方向为图像处理和深度学习，E-mail：；通讯作者：曾勇，博士，研究方向为图像处理、模式识别和深度学习，E-mail：。2023 年第 12 卷储能科学与技术RANSAC algorithm is proposed.The experimental results demonstrate that when compared to the standard RANSAC algorithm,the proposed algorithms average detection accuracy is increased by 5.9%,when compared to the convolution-based neural network algorithm is increased by more than 15%,reaching 98.2%.Among several algorithms,the algorithm achieves the lowest false positive and false negative rate for trace defects.The average detection speed is 1.7 times faster than the standard RANSAC algorithm,with an FPS(frame per second)of 12.49 images detected per second.The proposed algorithm has a high detection accuracy,a low false detection rate,and missed detection rate,and a detection speed that meets real-time detection requirements,allowing it to meet the detection needs of trace defect on the surface of lithium battery pole pieces and solve the problem of automatic detection of trace defects on the surface of lithium battery pole pieces.Keywords:scratch defect;adaptive median filtering;RANSAC;defect detection锂电池制造技术的进步以及规模扩大带来的成本降低直接推动电动汽车普及度的提高1。随着锂电池产量的扩大，锂电池的使用安全变得尤为重要。在锂电池极片的制造以及辊压过程中难以避免由于涂布机和辊压机的问题导致的极片表面出现划痕、漏金属、脱碳、鼓泡等缺陷，其中最常见的缺陷就是各种痕类缺陷，而这些缺陷会对锂电池的使用寿命以及安全产生不可磨灭的影响，严重时甚至会导致电池短路并引起汽车自燃2-3。因此，对于锂电池的缺陷检测显得尤为必要，并且为安全起见，对于锂电池的缺陷检测要在不影响检测准确率的条件下漏检率要尽可能达到最低。针对锂电池极片缺陷的检测，黄梦涛等4提出了一种基于改进CANNY算子的锂电池极片表面缺陷检测算法，该算法对其他非痕类缺陷检测准确率达 98%以上，不过对于痕类缺陷无法准确检测。孙浩然等5提出了一种基于拓扑滤波与改进Canny算子的锂电池电极缺陷检测算法。Xu等6提出了一种基于机器视觉的自动光学检测系统检测锂电池极片表面缺陷。Liu等7提出了一种基于传统区域提取方法，锂电池痕类缺陷也可以看作是低对比度图片8-10下的缺陷检测。Song等8提出了一种基于深度卷积神经网络检测金属部件表面弱划痕算法。张建国等9提出了一种基于机器视觉的手机屏幕表面划痕检测方法。针对工业上的弱划痕缺陷10，该文章通过聚合丰富的多维特征进行划痕表示，提出了一种DeepScratchNet用于自动弱划痕检测。目前，对于低对比度下的痕类缺陷检测问题并没有很好的解决方案，各种算法检测准确率及运行时间达不到工业生产水平，因此迫切需要提供更准确的算法提高低对比度下的痕类缺陷检测准确率。在检测痕类缺陷前，本文提出了一种自适应中值滤波与基于连通域的噪点滤波方法。针对痕类缺陷低对比度以及灰度不均匀等问题，本文在标准RANSAC算法的研究基础上改进了检测精度达不到预期以及迭代时间过长的问题，引入一种局部最优化的RANSAC算法(LO-RANSAC)。1 算法设计针对痕类缺陷与背景灰度值相差不大的问题，首先进行图像差分和LOG算子的图像增强方法；接着提出一种基于改进的自适应中值和基于连通区域相结合的噪声滤波算法；然后对滤波后的多线段进行基于改进的RANSAC算法拟合，得到各线段的数学模型并且将多线段整合成完整的缺陷图像；最后提出了一种基于RANSAC算法的痕类缺陷分类方法，具体流程如图1所示。1.1改进的滤波算法由于极片缺陷噪声分布特点，因此采用改进的自适应中值滤波与基于连通域去噪点相结合的方式对样本进行滤波。1.1.1改进的自适应中值滤波算法自适应中值滤波(adaptive median filtering，AMF)的设计思路：通过自适应调节中值滤波窗口达到只对噪声点滤除，而对非噪声点进行很好地保留。AMF对椒盐噪声的滤除自适应性表现为两点：一是自动区分图像中的噪声区域与非噪声区域，并对噪声区域进行滤除；二是根据噪声的密度自动选594第 2 期姜宝超等：基于LO-RANSAC的锂电池极片表面痕类缺陷检测择不同尺寸的滤波窗口11-13。实际操作中，AMF对图像的滤波过程如下。（1）找到像素点处的ww领域内各点像素值，将ww个像素值按升序排列并将值插入到向量vec中，从向量vec中得到最小值min、中值med以及最大值max，也即|min=vec 0med=vec|s2max=vecs-1(1)式中，s为向量vec的大小；-为取整。（2）若该领域满足minmedmax或窗口尺寸达到设定最大值(本文中最大窗口为99)，则将窗口大小调整为33；否则将窗口大小调整为(w+2)(w+2)，并转回(1)。（3）若f(i,j)满足minf(i,j)max，则将其视为非噪声点，不对其进行处理，否则对其进行滤波处理，具体操作如下g(i，j)=f()i，jmin f()i，j maxmedelse(2)式中，g(i,j)为对像素点灰度值滤波后的灰度值。上述的自适应中值滤波存在两处影响滤波效果的地方，若当前窗口尺寸达到最大尺寸时调整当前窗口为33，导致滤波的效果变差使得图像中大部分噪声没有办法滤除并且执行时间变长。因此本文方法将其设置为当窗口尺寸达到最大值之后，判断当前向量vec的平均值是否小于域值，若小于域值则将窗口缩小否则维持窗口大小不变。第三步中的f(i,j)满足条件为minf(i,j)Lmax，则将当前label值记录下来，其中为设定的距离最大值。（3）将所有记录的label值所对应的区域进行滤波处理。1.2LO-RANSAC线段检测算法随机抽样一致算法(random sample consensus，RANSAC)，该方法是运用迭代从一组存在噪声的数据集中估算出数据集数学模型的参数15。标准的RANSAC 算法从所有输入数据中随机选择子集，并计算拟合样本的模型参数，计算出模型参数后，可以使用不同的损失函数16进行评估，评价标准为内点的数量，即与模型一致的数据点的数量。随后不断重复直到找到更符合的模型的概率变低，即通过K个样本估算出的模型的缺少内点数量为L的概率低于设定阈值，概率公式如下所示=(1-PL)K(7)PL=j=0m-1L-jN-j m(8)式中，K为选取样本数量；N为总的样本数；PL为从N个数据中随机选取m个未被选取内点的概率；=L/N。由式(7)和式(8)可以看出，基于概率的终止标准受取样值K影响更大，所以标准RANSAC算法从最小集合生成假设，带来的问题就是受噪声影响较大，并且由于需要迭代的次数太多，导致检测速度不高。因此本工作将局部最优化算法引入RANSAC算法中，改进后算法流程如下所示。改进后的RANSAC算法 LO-RANSAC如下。（1）选择最小数据点数Sm个随机样本。（2）估计这个最小集合的模型参数。（3）计算内点的数量IK，其中内点为与预估模型偏差小于设定阈值的点。（4）如果内点数量出现最大值，则运行局部最优化并存储当前最佳模型。（5）若当前估算出的模型的缺少内点数量为L的概率低于设定阈值则停止。其中局部最优化方法为执行新的采样，从所有数据点中选取与预估模型误差小于阈值K的点，其中K为取样值，为预设阈值。通过线性偏移调整预估模型，使得内点数量增加，随后不断降低阈值并且进行迭代直到阈值达到。其中新采样的样本数量对于局部最优化影响较大，新采样数量越少，受噪声影响越大。1.3痕类缺陷检测算法由于痕类缺陷的特点：宽度远远小于长度。因此本工作设计了一种痕类缺陷检测方法。图片经过LO-RANSAC算法检测后，得到多个线段的数学模型参数，对于每个线段的拟合直线方程，在此直线的上下设置两条距离68个像素的平行于该直线的两条直线，如图2所示。因此本工作使用重叠率(缺陷部分在两条直线内的比例)作为判定是否为痕类缺陷的依据。l=NiN(9)式中，Ni为包含在两条直线内的像素点的个数；N为该连通域缺陷像素点总个数；l为重叠率。若重叠率l大于等于设定的阈值s，则判定该缺陷为痕类缺陷，否则判定该缺陷为其他类缺陷。1.4基于卷积神经网络的目标检测算法目前主流基于深度卷积神经网络的目标检测算图2痕类缺陷检测模拟Fig.2Simulation chart of detection of scratch defect596第 2 期姜宝超等：基于LO-RANSAC的锂电池极片表面痕类缺陷检测法分为两种：一种是将目标定位和分类任务同时进行的算法，简称two-stage算法；另一种是将目标定位和分类任务分开进行的算法，简称one-stage算法。Two-stage算法中兼顾速度和准确性的代表算法为Faster-RCNN17。One-stage算法中的代表为YOLO系列，如YOLOv318。本文以这两种算法与本工作算法进行对比，以此验证本工作算法的检测效果。1.4.1Two-stage算法针对 RCNN 以及 Fast-RCNN 采用的选择性搜索算法带来的检测速度低下的问题，Faster-RCNN17提出了根据输入特征自动产生候选框的区域推荐网络(RPN)，通过融合特征图和候选框生成候选区域的特征，再通过感兴趣区域池化层将候选区域特征固定为预设尺寸，最后输入分类器实现分类和定位。这种设计方法将选取候选区域和对其分类全部通过卷积神经网络实现，极大提升了算法的检测速度。具体的Faster-RCNN结构如图3所示。1.4.2One-stage算法YOLOv318(you only look once)是YOLO系列YOLOv2的改进版本，YOLOv3在YOLOv2的基础上主要改进：调整网络结构、多尺度特征融合、分类时用逻辑分类器(logistic)取代softmax。具体表现为：基础卷积网络采用的是DarkNet-53，其共有106层网络，整个网络中没有池化层和全连接层；其在网络模型中融合了跳层连接、残差模块、多尺度检测、上采样与特征融合过程等流行结构；在进行前向传播时，通过变化卷积运算时的步长来实现张量的维度变换；YOLOv3共使用了9种候选框(anchor box)，能够在3个尺寸上进行检测；最后，为了实现多分类，网络结构使用了多个独立的逻辑分类器代替softmax函数，在进行目标分类时也直接使用了逻辑分类器。具体的YOLOv3网络结构如图4所示。2 实验结果为验证本工作痕类缺陷检测的准确性，本工作分为两类实验：分析本文改进后的滤波方法与高斯滤波、均值滤波、自适应中值滤波以及双边滤波的优劣；将本文算法与标准 RANSAC 算法、Faster-RCNN算法和YOLOv3算法进行对比分析。本文的实验环境为 Intel Core i7-6700，显卡为RTX 2080，4G显存，8G内存。2.1图像采集处理系统锂电池极片图像采集如图5所示，检测系统采用两个8K分辨率线阵相机拍摄锂电池极片正反面图像，通过控制相机、光源等硬件设备，采集涂布的图像，然后在检测机中通过高速图像处理算法对其进行处理，完成对涂布的质量检测。图像采集处理系统主要包含以下几个模块。（1）高速图像采集模块：在保证采集分辨率情况下完成高速图像采集，同时把图像存储到检测链表中，保证处理算法的正常进行。（2）图像处理模块：分析收集的图像以消除干扰。（3）定位模块：根据不同采集单元，采用不同图3Faster-RCNN网络结构Fig.3Network structure of Faster-RCNN5972023 年第 12 卷储能科学与技术的定位方法，完成图像校正功能。（4）表面检测模块：对极片表面缺陷进行分析，包含漏金属、划痕、脱碳等。（5）缺陷分类模块：对检测完后的图像进行分类统计，根据实际缺陷类型和特征进行分析，确认是否打标。（6）打标装置：系统自动综合极片外观检测以及分条尺寸检测结果，通过PLC通信输出信号给打标机，实现在一片(两个MARK孔之间)尾端的指定位置自动打标。2.2图像滤波算法分析由于缺陷尺寸占比极片图像极小，为了更直观显示结果，显示的图片为截取缺陷区域。由于本工作采用了改进的自适应中值滤波与基于连通域的滤波方法结合的方式，因此在与高斯滤波、均值滤波、自适应中值滤波以及双边滤波做峰值信噪比比较时，只将改进的自适应中值滤波作为比较对象。部分实验结果如图6所示。为了客观评价各滤波方法的降噪效果，本工作采用峰值信噪比 PSNR 作为评价去噪效果的指标19。PSNR的定义如式(10)、(11)所示：MSE=1mni=0m-1j=0n-1f()i，j-g()i，j2(10)PSNR=10lg()MAXI2MSE(11)式中，f(i,j)为原图像在(i,j)处的灰度值；g(i,j)为滤波后的图像在(i,j)处的灰度值；MSE为原图像与滤波后的图像的均方误差；MAXI为图像可能的最大像素值，若每个像素由8位二进制表示，则MAXI=255；PSNR 的单位为 DB。若 MSE 越小，PSNR越大时，说明降噪效果越好。为说明一般性，本文采用了256个样本取得各滤波的均值作为结果，各滤波算法的结果为：高斯滤波的均值为 33.26；均值滤波的均值为 32.06；双边滤波的均值为32.77；自适应中值滤波的均值为33.15；本工作改进的自适应中值滤波的均值为35.40。从各滤波算法的结果可以看出，本工作滤波算法远比其他滤波方法降噪效果好。经过改进的自适应中值滤波和基于连通域的滤波后，图6中例图的处理结果如图7所示。从图7可以看出，经过本工作设计的滤波器后，图像中的噪声基本滤除，并且在滤除噪声的同时尽图4YOLOv3网络结构Fig.4Network structure of YOLOv3图5图像采集处理系统Fig.5Diagram of image collection and analysis system598第 2 期姜宝超等：基于LO-RANSAC的锂电池极片表面痕类缺陷检测可能地保留了缺陷的边缘，有利于后续的检测。2.3缺陷检测算法分析为了验证本工作算法对于痕类缺陷检测的准确性，选取了100张痕类缺陷图像、100张无缺陷图像和200张其他类缺陷图像，为了避免数据集数量过少导致深度学习网络模型无法充分学习到缺陷特征，因此对数据集作数据增强，通过旋转、翻转等方法扩充数据集，在通过上述数据增强后，缺陷图像数据集数量扩充到2000张，其中1500张作为训练集，500张作为测试集。2.3.1实验评价方法实验评价方法采用检测精度、检测速度、误检率以及漏检率指标以评价各个算法针对锂电池表面痕类缺陷的检测效果。本工作检测精度指标采用准确率ACC(accuracy)，该值反映了对整个样本的检测准确率，公式如式(12)所示；检测速度指标采用每秒钟可检测图片数量 FPS(frame per second)；误检率FPR(false positive rate)反映的是分类器检测正样本纯度的能力，表现为负样本检测为正样本的比例，该值越小则分类器性能越好，如式(13)所示；漏检率FNR(false negative rate)反映了分类器检测负样本纯度的能力，表现为正样本检测为负样本的比例，该值越小则分类器性能越好，如式(14)所示。ACC=TP+TNTP+TN+FP+FN(12)falsealarm=FPFP+TN(13)missrate=FNTP+FN(14)式中，FP为假正例的数量；FN为假反例的数量；TP为真正例的数量；TN为真反例的数量。本工作中Faster-RCNN以及YOLOv3算法中，真例和假例的评价标准为若某个检测物体框包含的缺陷的置信度IOU大于等于0.5，则评定为真正例；若IOU小于0.5则判定为假正例；若IOU等于0则判定为假反例20。2.3.2改进算法有效性对比实验实验引入标准RANSAC算法，Faster-RCNN和YOLOv3作为本文算法的对比实验算法。最佳性能用粗体显示，对比实验结果见表1。图7图像滤波最终结果Fig.7Image filtering final result表1有效性对比实验结果Table 1Effectiveness compared experimental results算法标准RANSACFaster-RCNNYOLOv3改进的RANSACACC92.3%81.4%83.2%98.2%FPS4.6914.9345.3012.49FPR22.28%37.93%33.33%5.38%FNR1.09%5.47%3.54%0.54%图6图像滤波结果Fig.6Results of image filtering5992023 年第 12 卷储能科学与技术由表可知，4种算法中，本文算法除了检测速度低于Faster-RCNN、YOLOv3算法外，其他指标都达到了4种检测算法中的最佳。其中准确率较标准RANSAC算法提高了5.9%。较主流深度学习算法提高了15%，之所以比深度学习算法准确率高如此多的原因有两个：第一个原因是样本数量不足，导致深度学习模型特征表达能力较弱；第二个原因是由于采用的模型没有做出改进，仅使用了算法作者提供的模型，所以对于缺陷尺寸差距较大的图像提取的特征不明显。本工作检测速度比标准RANSAC算法提高了1.7倍，大大改善了RANSAC算法迭代时间过长的问题，基本可以满足实时检测的要求。本工作算法误检率以及漏检率远低于其它算法，因此认为本工作算法检测效果最优。3 结论针对锂电池极片存在的难以检测的痕类缺陷问题，提出一种多种滤波方式结合和改进RANSAC算法的锂电池表面痕类缺陷检测方法。该方法在滤波阶段采用改进的自适应中值滤波结合连通域的滤波算法，在滤除噪声的同时尽可能地保留了缺陷的边缘，有利于后续的检测；针对锂电池极片痕类缺陷检测精度低的问题，通过将局部最优化引入RANSAC算法中，有效改善了RANSAC算法检测精度不够以及迭代时间过长的问题。经过实验表明，相比主目标检测算法而言，本工作算法的准确率更高，误检率以及漏检率远低于其他算法，虽然检测速度小于 YOLOv3，这主要是由于 LO-RANSAC算法对不同的图像每次都需要重新迭代拟合导致速度难以提高到YOLOv3的检测速度，但是本工作算法检测速度与 Faster-RCNN 相差并不大。参 考 文 献1 汤匀,岳芳,郭楷模,等.全固态锂电池技术发展趋势与创新能力分析J.储能科学与技术,2022,11(1):359-369.TANG Y,YUE F,GUO K M,et al.Analysis of the development trend and the innovation ability of an all-solid-state lithium battery technologyJ.Energy Storage Science and Technology,2022,11(1):359-369.2 胡振恺,雷博,李勇琦,等.储能用锂离子电池安全性测试与评估方法比较J.储能科学与技术,2022,11(5):1650-1656.HU Z K,LEI B,LI Y Q,et al.Comparative study on safety test and evaluation methods of lithium-ion batteries for energy storageJ.Energy Storage Science and Technology,2022,11(5):1650-1656.3 马彪,林春景,刘磊,等.锂离子电池热失控产气特性及其可燃极限J.储能科学与技术,2022,11(5):1592-1600.MA B,LIN C J,LIU L,et al.Venting characteristics and flammability limit of thermal runaway gas of lithium ion batteryJ.Energy Storage Science and Technology,2022,11(5):1592-1600.4 黄梦涛,连一鑫.基于改进Canny算子的锂电池极片表面缺陷检测J.仪器仪表学报,2021,42(10):199-209.HUANG M T,LIAN Y X.Lithium battery electrode plate surface defect detection based on improved Canny operatorJ.Chinese Journal of Scientific Instrument,2021,42(10):199-209.5 孙浩然,李雅雯,韩有军,等.基于拓扑滤波与改进Canny算子的锂离子电池电极缺陷检测J.储能科学与技术,2022,11(10):3297-3305.SUN H R,LI Y W,HAN Y J,et al.Lithium-Ion battery electrode defect detection based on topological filtering and improved canny operatorJ.Energy Storage Science and Technology,2022,11(10):3297-3305.6 XU J M,LIU Y,XIE H W,et al.Surface quality assurance method for lithium-ion battery electrode using concentration compensation and partiality decision rulesJ.IEEE Transactions on Instrumentation and Measurement,2020,69(6):3157-3169.7 LIU Y,CHEN Y,XU J M.An automatic defects detection scheme for lithium-ion battery electrode surfaceC/2020 International Symposium on Autonomous Systems(ISAS).December 6-8,2020,Guangzhou,China.IEEE,2021:94-99.8 SONG L M,LIN W W,YANG Y G,et al.Weak micro-scratch detection based on deep convolutional neural networkJ.IEEE Access,2019,7:27547-27554.9 张建国,李颖,齐家坤,等.基于机器视觉的手机屏幕表面划痕检测研究J.应用光学,2020,41(5):984-989.ZHANG J G,LI Y,QI J K,et al.Surface scratch detection of mobile phone screen based on machine visionJ.Journal of Applied Optics,2020,41(5):984-989.10 TAO X,ZHANG D P,HOU W,et al.Industrial weak scratches inspection based on multifeature fusion networkJ.IEEE Transactions on Instrumentation and Measurement,2021,70:1-14.11 SAGAR P,UPADHYAYA A,MISHRA S K,et al.A circular adaptive Median filter for salt and pepper noise suppression from MRI imagesJ.Journal of Scientific&Industrial Research,2020,79(10):941-944.12 VESTAL B E,CARLSON N E,GHOSH D.Filtering spatial point patterns using kernel densitiesJ.Spatial Statistics,2021,41,doi:10.1016/j.spasta.2020.100487.13 LIU J.Feature recognition method for similar key points of human face based on adaptive Median filterJ.International Journal of Biometrics,2021,13(1):1-16.14 梁宇峰.太阳暗条手征性自动识别的方法研究D.昆明:昆明理工大学,2019.LIANG Y F.Study on the method of chiral automatic recognition of dark bar in the sunD.Kunming:Kunming University of Science 600第 2 期姜宝超等：基于LO-RANSAC的锂电池极片表面痕类缺陷检测and Technology,2019.15 HOSSEIN-NEJAD Z,NASRI M.A-RANSAC:Adaptive random sample consensus method in multimodal retinal image registrationJ.Biomedical Signal Processing and Control,2018,45:325-338.16 TORR P H S,ZISSERMAN A.MLESAC:A new robust estimator with application to estimating image geometryJ.Computer Vision and Image Understanding,2000,78(1):138-156.17 REN S Q,HE K M,GIRSHICK R,et al.Faster R-CNN:Towards real-time object detection with region proposal networksC/IEEE Transactions on Pattern Analysis and Machine Intelligence.June 6,2016,IEEE,2016:1137-1149.18 REDMON J,FARHADI A.YOLOv3:An incremental improvementEB/OL.20182022-10-01.https:/arxiv.org/abs/1804.0276719 刘思军.运动姿态视频测量分析仪高速JPEG译码器设计D.绵阳:西南科技大学,2021.LIU S J.Design of high speed JPEG decoder for motion posture video measurement analyzerD.Mianyang:Southwest University of Science and Technology,2021.20 郭怀勇.柔性IC封装基板外观缺陷检测问题研究D.广州:华南理工大学,2020.GUO H Y.Research on the surface defects detection of flexible integrated circuit substrateD.Guangzhou:South China University of Technology,2020.601