最大熵和高斯模型在鋰電池缺陷識別中的應(yīng)用

陳 功， 朱錫芳， 許清泉， 徐安成， 楊 輝

（常州工學(xué)院，江蘇常州 213022）

目前磷酸鐵鋰電池的應(yīng)用并非盡善盡美，主要是受制于電池組的一致性問題。用作汽車動力的鋰離子電池是將大量單體電池串并聯(lián)而成的電池組，目前單體磷酸鐵鋰電池的壽命超過2 000次，在將多個電池組成電池組時，只有在電池性能高度一致時，電池組的循環(huán)壽命才能接近單體電池的壽命。由于目前國內(nèi)大部分磷酸鐵鋰生產(chǎn)廠商的制造設(shè)備及制備工藝都不成熟，產(chǎn)品品質(zhì)容易出現(xiàn)波動，使得電池產(chǎn)品的一致性受到影響，因此，目前應(yīng)用在電動汽車上存在一定的障礙。表面缺陷是鋰電池極片表面質(zhì)量的重要因素，直接影響著產(chǎn)品的性能和質(zhì)量。因此，基于機器視覺技術(shù)的極片表面質(zhì)量自動檢測已逐漸成為研究的重點。

從國內(nèi)外相關(guān)研究領(lǐng)域來看，文獻[1]針對塑料薄膜表面缺陷提出了固定閾值分割的方法實現(xiàn)缺陷的提取。文獻[2-4]則未考慮視覺圖像中可能同時存在多個缺陷，文獻[5]采用聚類解決上述問題，但是該方法計算復(fù)雜，實時性差。文獻[6-8]采用模板匹配中誤差和相關(guān)性算法來識別缺陷，上述算法計算量大，且未能充分反映同類數(shù)據(jù)本身的相似度特性。針對上述問題，構(gòu)建鋰電池在線極片缺陷識別系統(tǒng)，該系統(tǒng)采用最大熵閾值法實現(xiàn)閾值分割，經(jīng)缺陷面積排序定位最大缺陷目標，提取缺陷中的幾何形狀和投影參數(shù)作為特征值，識別部分采用高斯混合模型(Gaussian Mixture Model，GMM)算法實現(xiàn)對缺陷目標的分類。

采用CCD對鋰電池薄膜成像時，由于鏡頭到薄膜距離有限，獲得的圖像一般中部偏亮、兩側(cè)偏暗。因此本文采用圖像灰度補償算法[3]和平滑濾波算法減少圖像采集質(zhì)量不穩(wěn)定的影響。

1 鋰電池極片缺陷類型

鋰電池極片缺陷依據(jù)產(chǎn)生原因可劃分為以下幾種。由于設(shè)備因素引起的亮劃痕、暗劃痕；由工藝因素引起的漏箔、起泡、針孔；由環(huán)境因素引起的表面異物。圖1為主要研究的缺陷目標。

2 閾值分割和特征提取

針對固定閾值取值的復(fù)雜性，本文采用一維最大熵閾值法[9]，其基本思路是：統(tǒng)計圖像中每一個灰度級出現(xiàn)的概率，計算該灰度級的熵假設(shè)以灰度級T分割圖像，圖像中低于T灰度級的像素點構(gòu)成目標物體，高于灰度級T的像素點構(gòu)成背景，則分布概率分別為：Pi/pti=1，2，…，t，Pi/pti=t+1，t+2，…，L-1，則熵函數(shù)定義為：

圖1 主要研究的缺陷目標

當熵函數(shù)取得最大值時對應(yīng)的灰度值t就是所求得最佳閾值，即經(jīng)圖像分割后，得到黑白二值化鋰電池極片圖像。該圖像中可能存在多個缺陷目標，通常缺陷目標呈現(xiàn)較大的面積特征，因此缺陷目標面積排序的方法可定位出最大缺陷目標。

鋰電池極片圖像識別是一個多特征、多類別的識別問題，需要大量特征精確地描述缺陷。根據(jù)工業(yè)生產(chǎn)過程中極片缺陷圖像的特點，本文提取了幾何形狀和投影特征。實際生產(chǎn)過程中，劃痕特征通常保持同一方向，采取0°方向投影，將二維數(shù)據(jù)映射成一維數(shù)據(jù)可有效區(qū)分缺陷目標。圖2為不同缺陷目標的11個特征值的分布圖，其中縱坐標為歸一化幅值。這11個特征值分別為幾何特征中的面積、長徑和短徑之比、周長、圓形度和離心率；投影特征包括波形特征、脈沖特征、峰值特征、裕度特征、歪度值和峭度值。

圖2 不同缺陷目標特征值比較

由圖2可知，黑劃痕和污物缺陷都呈現(xiàn)暗特征；而白劃痕、漏箔以及起泡缺陷均呈現(xiàn)亮特征；黑劃痕和亮劃痕、污物和漏箔特征差異不明顯；漏箔和白劃痕相比投影特征近似，但幾何特征中面積差異較大。起泡和漏箔、劃痕特征相比，則投影特征差異明顯。因此本文所提取的幾何形狀和投影特征是合理的。

3 高斯混合模型的識別

高斯混合模型(GMM)模型[10]是一種基于參數(shù)估計的概率統(tǒng)計模型，其將每個缺陷目標的特征在特征空間都構(gòu)成特定的分布，并且可用多個高斯分布組合對每個缺陷特征分布進行擬合，不同參數(shù)的高斯分布組合可用來表征不同的缺陷目標。GMM的優(yōu)點是可以從統(tǒng)計的角度充分表示數(shù)據(jù)的分布情況，反映的是同類數(shù)據(jù)本身的相似度特性。

GMM模型是用M個單高斯分布的線性組合來描述特征在特征空間中的分布。即：

式(3)中：xt中t=1，2，…；T是特征序列；M是GMM模型階數(shù)；d是特征的維數(shù)；bi(xt)是均值矢量為μi、協(xié)方差矩陣為∑i的單高斯分布函數(shù)；Pi是第i個單高斯分布的權(quán)重。作為高斯混合分布的加權(quán)系數(shù)，P應(yīng)滿足使：

在采用高斯混合模型的圖像特征參數(shù)目標集合中，任一特征參數(shù)的模型形式都是一致的，其個性特征由一組參數(shù)唯一確定。因此，目標的訓(xùn)練是從己知特征參數(shù)中得到這樣的一組參數(shù)λ使其產(chǎn)生訓(xùn)練的參數(shù)概率密度最大。而缺陷目標的識別依最大概率原則選出產(chǎn)生識別缺陷目標概率最大的那一組參數(shù)所代表的缺陷目標，即：

圖3為基于GMM鋰電池極片缺陷目標識別系統(tǒng)原理圖。

圖3 基于GMM鋰電池極片缺陷目標識別系統(tǒng)原理圖

表1給出了不同條件下的識別結(jié)果。由于幾何和投影特征的相對獨立性，同時提取兩者特征，能有效提高缺陷的平均識別率，提高值分別達到9%和12%。采用缺陷面積排序提取了唯一的缺陷目標，相對于未排序方法平均識別率提高了17%。與模板匹配相關(guān)性算法比較，GMM相對于模板匹配相關(guān)性從統(tǒng)計的角度充分表示數(shù)據(jù)的分布情況，反映的是同類數(shù)據(jù)本身的相似度特性，其識別提高率達到4%。

表1 不同識別條件下的識別結(jié)果

4 結(jié)論

針對鋰電池行業(yè)實際生產(chǎn)的需求，構(gòu)建了基于機器視覺的鋰電池極片缺陷在線識別系統(tǒng)。該系統(tǒng)提取雙特征值、對缺陷目標排序，采用高斯混合模型對缺陷目標進行準確識別。實驗結(jié)果表明：幾何和投影特征能準確描述缺陷目標，GMM算法優(yōu)于模板匹配算法，識別準確率達到94%，該方法能改善鋰電池極片的表面質(zhì)量，進一步提高鋰電池產(chǎn)品的一致性。

[1]樊向黨，林波.塑料薄膜表面疵點檢測及識別方法研究[J].工業(yè)控制計算機，2011，24(5)：74-75.

[2]劉學(xué)山，岳喜順.一種基于智能相機和機器視覺的電池極片檢測系統(tǒng)的設(shè)計[J].機械設(shè)計與制造，2011(2)：5-6.

[3]楊水山.冷軋帶鋼表面缺陷機器視覺自動檢測技術(shù)研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2009.

[4]劉學(xué)山.基于機器視覺的鋰離子電池極片檢測系統(tǒng)的研究與設(shè)計[D].上海：華南理工大學(xué)，2010.

[5]楊威，張?zhí)镂?，師海?一種用于二值圖象分割的快速聚類算法[J].計算機研究與發(fā)展，1998，35(8)：719-723.

[6]基于機器視覺的電池表面缺陷檢測技術(shù)研究[D].合肥：中國科學(xué)技術(shù)大學(xué)，2011.

[7]何長濤，馬孜.基于圖像相似的極片激光損傷識別[J].激光雜志，2007，28(1)：60-61.

[8]何長濤，馬孜.基于小波變換的極片激光損傷識別[J].激光技術(shù)，2007，28(1)：131-136.

[9]韓九強.機器視覺技術(shù)及應(yīng)用[M].北京：高等教育出版社，2009.

[10]張雄偉.現(xiàn)代語音處理技術(shù)及應(yīng)用[M].北京：機械工業(yè)出版社，2003.