Photometric stereo-based defect detection for lithium battery top covers

问题背景

圆柱形锂电池在生产过程中，顶盖会因碰撞、摩擦等外力产生划痕和凹坑。人工目检至今仍很常见，但效率低、精度差，且容易出错。普通二维机器视觉缺少深度信息：在反光的金属表面上，亮区和暗区都难以准确检测，文字、污物也容易与真实缺陷混淆。结构光、条纹投影等三维方法检测更精确，但成本高、数据量大。

光度立体（PS）提供了一条折中路线：在多个光照方向下拍摄表面，由亮度变化恢复表面法向和曲率，因而善于揭示表面的细微变化。然而，传统光度立体只适用于静止物体，难以满足产线需求；浅划痕这类细微缺陷也仍然难以检出。

方法原理

该方法同时改进了硬件和算法。线阵相机在顶盖运动过程中成像，四分区球形积分光源按时分方式频闪，使相邻扫描行分别从不同方向照明。光源顶部常规的圆形开孔被改为窄缝，以减少阴影伪影。随后在 GPU 上用 CUDA 由四幅图像计算反射率图和曲率图，对曲率图进行增强，再通过图像处理提取缺陷。

1. 分时采集。 运动平台的编码器发出行信号，分频器据此生成四路信号，依次开关四个光源分区并同步触发相机，使每一扫描行只由一个分区照明。
2. 一次扫描得到四幅图像。 把交错采集的扫描行按光源分区归类，即得到运动顶盖在四个不同照明方向下的四幅图像。
3. 最小二乘求法向。 在朗伯反射模型下，像素亮度为 I = ρ L · N，其中 ρ 为表面反射率，L 为光源方向，N 为表面法向。四个光源为每个像素提供四个方程，用最小二乘法求解。反射率图用于发现异物和污染；由法向得到表面梯度和平均曲率图，用于识别划痕、褶皱等缺陷。
4. 图像增强。 对比度拉伸扩大曲率图中的灰度差异；随后用加权最小二乘滤波这一保边平滑方法，抑制工件表面纹理，同时保留划痕等缺陷。
5. 缺陷提取。 先选取感兴趣区域（ROI），对图像进行滤波和采样处理；再求原图与预处理（滤波和采样）后图像的差分图像并阈值二值化，经形态学处理细化区域，最后按形状和灰度特征筛选出缺陷。

实验结果

系统运行在一台配备 Intel Core i5-12500 处理器和 Nvidia GeForce RTX 3060 GPU 的工控机上。先用环形光标定光源方向向量，再用 CUDA 并行处理沿这些方向采集的四幅图像，生成反射率图和平均曲率图。论文从清晰度、信息熵、方差、PSNR 和 SSIM（后两者为峰值信噪比与结构相似性）五项图像质量指标，将增强后的曲率图与 Ren 等人的方法进行比较。本文方法五项指标全部更优（信息熵 4.70 对 4.16，PSNR 12.37 对 10.84，SSIM 0.527 对 0.512），作者据此认为该方法在增强缺陷对比度的同时保留了原始图像结构。作者还在不同图像尺寸下比较了基于 Intel TBB 的 CPU 并行计算与基于 CUDA 的 GPU 并行计算，结果表明 GPU 加速显著提高了计算效率。

后续工作将把算法推广到非朗伯表面，并进一步提高实时处理效率。