一种用于锂电池充电器的热成像图像优化处理方法与流程

本发明属于图像处理领域，特别涉及一种用于锂电池充电器的热成像图像优化处理方法。

背景技术：

1、随着科技的迅速发展，锂电池在各种电子设备中的应用越来越广泛，尤其是在手机、笔记本电脑和电动汽车等领域，锂电池的需求量逐年增长，锂电池充电器作为其配套设备，其生产和检测显得尤为重要，然而，锂电池充电器在生产过程中存在过热和故障的风险，如果不及时检测和处理，可能会导致严重的安全隐患，因此，开发一种高效的热成像图像处理技术，用于实时检测和分析锂电池充电器的热成像图像，变得尤为重要。

2、传统的热成像检测方法主要依靠人工检测和经验判断，这不仅效率低下，而且容易出现误判和漏判，特别是在锂电池充电器生产厂家的测试流水线上，人工检测难以满足高效性和准确性的要求，随着人工智能和机器学习技术的不断进步，利用卷积神经网络等深度学习算法对热成像图像进行自动化处理和分析，成为解决这一问题的重要途径，通过对热成像图像进行数据增强、优化预处理和特征提取，可以显著提高检测的准确性和鲁棒性。

3、近年来，研究人员在锂电池充电器热成像检测技术方面取得了诸多成果，然而，现有方法仍存在一些不足之处，包括数据集不足、预处理算法不够优化等，特别是在实际生产环境中，数据的多样性和复杂性给检测带来了巨大挑战，为了解决这些问题，本发明提出了一种用于锂电池充电器的热成像图像优化处理方法，结合四种数据增强技术和先进的深度学习模型，旨在提高锂电池充电器热成像图像的检测精度和效率，确保生产流程的安全性和可靠性。

技术实现思路

1、本发明提出一种用于锂电池充电器的热成像图像优化处理方法，旨在通过高效、自动化的图像处理技术，提高锂电池充电器在生产和检测过程中的安全性和可靠性。

2、一种用于锂电池充电器的热成像图像优化处理方法，包括以下步骤：

3、s1、锂电池充电器的测试热成像图像数据集制作，使用固定热成像相机对锂电池充电器测试流水线进行热成像图像数据采集，并根据人工检测结果对相应的热成像图像进行分类和标注，包括正常图像和故障图像，并对高温故障部位进行标注；

4、s2、对采集的锂电池充电器的热成像图像制作成为检测数据集，并使用四种数据增强技术进行数据扩充操作，实现扩展训练数据的大小和多样性从而提高模型的鲁棒性，其中扩充操作包括图像旋转、图像翻转、图像平移和图像缩放；

5、s3、对数据集文件进行数据优化处理操作，包括tits阈值分割、形态学开运算、非局部均值去噪和对比度受限自适应直方图均衡操作，对图像数据的进行预处理后，可以实现网络突出感兴趣区域、去除小噪声和孤立点、平滑对象的边界以及保持图像的主要结构；

6、s4、结合卷积神经网络、长短期记忆网络和软注意力层，提取锂电池充电器热成像图像数据优化处理后的特征并进行分类和检测，混合模型能够有效捕捉图像的时空特征，提高检测精度；

7、s5、训练锂电池充电器热成像检测模型并进行模型推理检测，使用锂电池充电器的测试热成像图像数据集训练锂电池充电器热成像检测模型，训练完成后，将质检流水线上实时采集的新的待检测锂电池充电器热成像图像进行数据预处理操作，然后输入到锂电池充电器热成像检测模型，得到检测结果，检测结果包括锂电池充电器的质检结果以及存在的故障种类。

8、优选的，在s2步骤中，对于所述的四种数据增强技术，包括以下几种步骤：

9、s21、图像随机旋转操作，以θ作为图像旋转角度，θ的取值范围为-90°至+90°，步数为30°，该操作坐标具体公式如下：

10、

11、其中，fx和fy表示变换后的坐标值，x和y表示原始图像的像素值；旋转图像时，边缘会出现空白区域，通过常量填充的方式填充空白区域，在这个过程中，用常数值填充被替换空白像素，具体操作为用0即黑色像素点填充空白区域像素；

12、s22、图像水平翻转操作，将图像翻转到其水平轴上称为水平翻转，在水平翻转过程中，左侧被翻转到右侧，右侧被翻转到左侧，该操作坐标具体公式如下：

13、

14、其中，fx和fy表示变换后的坐标值，x和y表示原始图像的像素值；

15、s23、图像平移操作，对锂电池充电器热成像图像进行横向或上下的移动操作，该操作的具体公式如下：

16、f'(x'，y')＝f(x-tx，y-ty)；

17、其中，f′(x′，y′)表示变换后的坐标值，x和y表示原始图像的像素值；tx和ty分别定义水平和垂直移动的量，平移以后，使用常数0即黑色像素点填充空白区域；

18、s24、图像缩放操作，对锂电池充电器热成像图像进行不同尺度的放大缩小操作，该操作的具体公式如下：

19、f(x,y)＝f(s*x,s*y)；

20、其中，f(x，y)表示缩放后的新坐标，s是比例因子，当s大于1时表示放大操作，当s介于0和1之间时表示缩小，在缩小过程中使用常数0即黑色像素点填充空白区域。

21、优选的，在s3步骤中，所述的对数据集文件进行数据优化预处理操作中的tits阈值分割操作，具体包括以下步骤：

22、s31、数据集中使用热成像相机采集的热成像图像中，明亮的橙色代表锂电池充电器测试状态下的发热情况，首先使用tits阈值分割算法对热成像图像中锂电池充电器部分进行分割处理，tits阈值算法公式具体如下：

23、

24、其中，以为k级阈值的函数，表示平均强度，μ(k)表示k级的平均强度，类的权重用ω(k)来表示；

25、s32、计算最佳阈值并处理图像，处理过程包括将图像结合阈值进行二值化处理，然后根据二值化图像进行锂电池充电器的热成像图像的分割裁剪处理，在水平k*处的最佳阈值公式为：

26、

27、其中，表示k*处的最佳阈值，l表示像素的灰度级；算法可以确定分离前景和背景的最佳阈值，然后对锂电池充电器热成像图像转化为二进制图像，即像素值强于tits阈值则输出黑色像素，反之输出白色像素；使用原始图像和tits阈值输出的二进制黑白图像来处理采集的锂电池充电器热成像图像，将感兴趣的存在充电器的区域裁剪出来。

28、优选的，在s3步骤中，所述的对数据集文件进行数据优化预处理操作中的形态学开运算和非局部均值去噪操作，具体包括以下步骤：

29、s33、使用形态学开放运算处理锂电池充电器热成像图像，形态开放具体包括两种操作：侵蚀和扩张；通过形态学开放运算后可以减少锂电池充电器热成像图像的噪音和平滑轮廓，该操作的具体公式如下：

30、

31、其中，b为结构元素，a代表锂电池充电器热成像图像，形态学开放运算是通过应用侵蚀运算⊙和膨胀运算进行的；

32、s34、使用改进非局部均值去除锂电池充电器热成像图像的噪声信息，通过对目标像素周围的邻域中的像素值进行平均来进行操作，以对从像素p到q的彩色图像u＝u(u1，u2，u3)进行处理，这里的p为目标像素点，q为p的相邻像素点，u表示一个彩色图像，u1、u2、u3表示彩色图片的三个通道，该操作的具体公式如下：

33、

34、其中，为去噪后的目标像素p在颜色通道i的值，b(p，r)表示以p为中心，半径为r的邻域，ui(q)为像素q在颜色通道i的值，ω(p，q)表示像素p和q之间的权重，c(p)表示归一化常数，用于确保权重总和为1。

35、优选的，在s3步骤中，所述的对数据集文件进行数据优化预处理操作中的改进对比度受限自适应直方图均衡操作，具体包括以下步骤：

36、s35、对图像进行分块，将输入图像划分为大小为m×n的子图；并对每个子图块进行直方图均衡，计算其累积分布函数并进行归一化，具体计算公式如下：

37、

38、其中，h(i)、h(j)为灰度级别i、j的直方图值，cdf(i)表示灰度级别i的累积分布函数值，cdfnorm(i)表示灰度级别i归一化累积分布函数值，m、n为子图块的宽度和高度，i(x，y)为图像在位置(x,y)处的灰度值，cdfmin表示累积分布函数的最小值；

39、s36、计算剪裁后的直方图并重新分配多余部分，对每个子图块的直方图进行裁剪，使每个灰度级别的频率不会超过预定义的对比度限制阈值，具体公式如下：

40、hclipped(i)＝min(h(i),cliplimit)；

41、

42、其中，hclipped(i)表示灰度级别i的剪裁后的直方图值，h(i)表示灰度级别i的直方图值，cliplimit表示对比度限制阈值，l表示灰度级别的数量；

43、s37、映射新灰度值并进行双线性插值，根据归一化的累积分布函数将原图像像素映射到新的灰度值，并且为了消除块效应，对相邻子图块进行双线性插值，实现平滑过渡，具体公式如下：

44、i′(x，y)＝cdfnorm(i(x，y))×(l-1)；

45、i′final(x，y)＝(1-a)(1-b)i′00+a(1-b)i′10+(1-a)bi′01+abi′11；

46、其中，γ(x，y)均衡后的图像在位置(x,y)处的灰度值，cdfnorm(i(x，y))表示位置(x,y)处原图像灰度值的归一化累积分布函数值；i＇final(x,y)最终插值后的图像在位置(x,y)处的灰度值，i′00、i′10、i′01、i′11表示四个相邻子图块的均衡结果，a，b表示插值系数，表示插值点相对于四个相邻点的位置比例。

47、优选的，在s4步骤中，所述的混合网络结构的设计中，包含以下结构：输入层，用于接收大小为112x112x32的输入图像；多层卷积网络组件，包括：第一卷积层，包含32个3x3的滤波器，生成56x56x32的特征图；第一池化层，采用2x2的池化窗口，生成28x28x64的特征图；第二卷积层，包含64个3x3的滤波器，生成14x14x64的特征图；第二池化层，采用2x2的池化窗口，生成7x7x64的特征图；第三卷积层，包含64个3x3的滤波器，生成3x3x64的特征图；第三池化层，采用2x2的池化窗口，生成1x1x64的特征图；软注意力层，用于对特征图进行注意力加权，生成1x1x64和16x1x1的特征图；连接层，用于将第三池化层和软注意力层的输出特征图进行拼接，生成1x1x128的特征图；激活层，应用relu激活函数，对拼接后的特征图进行非线性变换，输出1x1x128的特征图；dropout层，具有0.5的丢弃率，用于防止过拟合；flatten层，用于将特征图展平成一维向量，生成1x16x8的特征图；重塑层，用于重塑一维向量以适应lstm输入，生成128的特征图；长短期记忆网络层，使用tanh激活函数，处理时间序列数据，输出128的特征图；全连接层，包含2个神经元，使用softmax激活函数，输出分类结果。

48、与现有技术相比较，本发明的有益效果在于：首先，通过使用固定热成像相机和流水线检测方式，实现了对锂电池充电器的连续、实时监测，提高了检测效率，减少了人为误差，并大大降低了人工检测的成本和时间；其次，采用四种数据增强技术，分别图像旋转、翻转、平移和缩放，扩展了训练数据的多样性和大小，提高了模型的鲁棒性，能够有效处理各种复杂的热成像图像；最后，本发明结合了卷积神经网络、长短期记忆网络和软注意力层，能够提取锂电池充电器热成像图像的时空特征，实现高精度的故障检测和分类，混合模型捕捉更多图像细节和动态变化，进一步提高检测的准确性和稳定性，通过优化的数据预处理和特征提取技术，显著降低噪声和误判率，确保检测结果的可靠性和一致性，满足锂电池充电器生产厂家高效、安全的质量控制需求。