在卷繞工序中，容易產生極耳褶皺等缺陷，但是極耳的褶皺對后續的電芯應用會帶來嚴重的安全風險，因此生產過程中的缺陷檢測環節必不可少。Dg5機器視覺檢測設備_CCD視覺檢測_外觀缺陷檢測系統_精質視覺

　　目前的主流路線是：在缺陷檢測時，使用數字化X射線攝影技術生成極耳的結構影像，然后對影像中的缺陷部分進行篩查。采用機器學習算法構建的AI視覺檢測技術，可以大大地提高了褶皺缺陷篩查的準確率和泛化能力。Dg5機器視覺檢測設備_CCD視覺檢測_外觀缺陷檢測系統_精質視覺

　　主要步驟如下：Dg5機器視覺檢測設備_CCD視覺檢測_外觀缺陷檢測系統_精質視覺

　　1.極耳影像的預處理Dg5機器視覺檢測設備_CCD視覺檢測_外觀缺陷檢測系統_精質視覺

　　通過對影像中的極耳位置調整，傾斜校正和極耳圖像分割，使得極耳有效位置為同一位置，通過傾斜校正可以減小電池姿態對成像的影像。通過簡單的圖像分割，可以獲得極耳有效區域的圖像。Dg5機器視覺檢測設備_CCD視覺檢測_外觀缺陷檢測系統_精質視覺

　　2.擴大數據集的規模，生成數據集將預處理后的圖像以中心為圓心，隨機旋轉，擴展極片圖像數量;并用重疊分割方式將極耳圖像裁剪成大量的小尺寸子圖數據集。以便降低后續卷積神經網絡規模，減少計算量和耗時。Dg5機器視覺檢測設備_CCD視覺檢測_外觀缺陷檢測系統_精質視覺

Dg5機器視覺檢測設備_CCD視覺檢測_外觀缺陷檢測系統_精質視覺

　　3.基于卷積神經網絡(CNN)的特征提取通過卷積神經網絡的算法，可以對上述數據集中的特征進行提取。可以得到一定尺寸的置信度結果圖。4.SVM(支持向量機)圖像分類Dg5機器視覺檢測設備_CCD視覺檢測_外觀缺陷檢測系統_精質視覺

　　最后，通過上述卷積神經網絡預測輸出的置信度結果圖作為特征來訓練SVM，并以SVM的圖像分類作為極耳缺陷的最終檢測結果。基于上述CNN和SVM相結合的機器學習算法，該褶皺缺陷檢測準確率可以達到99%以上。Dg5機器視覺檢測設備_CCD視覺檢測_外觀缺陷檢測系統_精質視覺