基于圖像處理與卷積神經網絡的鋰電池極片缺陷檢測與分類

王慶秋，李林升，桂久琪，毛 曉

（上海電機學院 電氣學院，上海 201306）

0 引言

鋰電池作為新興能源的代表之一，以體積小、儲能大、易攜帶等優勢使其影響力日益增長[1]。在鋰電池生產的輥壓和卷繞過程中，極片區域經常會受機器和環境影響，產生各式各樣的缺陷[2]。為了保證鋰電池產品的出廠質量，在生產環節中需要對鋰電池極片進行缺陷檢測和分類。

許多學者對鋰電池極片的缺陷檢測與分類開展了研究。LI等[3]提出了一種基于空氣耦合超聲檢測技術的鋰離子電池缺陷檢測方法，能夠有效實現對預埋氣孔缺陷和自然氣孔缺陷的檢測。朱錫芳等[4]通過改進灰關聯算法并提取缺陷二值圖像的形狀和投影特征，進行缺陷識別，準確率達到91.2%。詹茵茵[5]通過對光源進行角度調節，得到不同的反射光斑分布，在提取鋰電池的特征后，利用C-SVM理論建立氣脹檢測分類模型，該方法可達到90.1%的識別精度。鄭巖[6]通過對多種光源特性分析，選擇適合鋰電池的光源散射照明方式，采用一種改進的中值濾波算法和Canny邊緣算法對圖像進行分割，達到82%的準確率。

為了實現對鋰電池極片缺陷檢測并分類，本文提出一種基于圖像處理與卷積神經網絡相結合的缺陷檢測與分類方法。首先對工業CCD相機獲得的鋰電池原圖像進行對比度增強、分割、形態學處理和邊緣檢測，實現對鋰電池極片的缺陷輪廓標定，并將提取到的輪廓延伸后的圖像作為本次實驗的測試集；然后對鋰電池極片的四類常見的缺陷數據集進行擴充處理，增強模型的泛化能力和魯棒性。最后構建卷積神經網絡[7]提取各類缺陷的特征并進行訓練和預測，完成對缺陷的分類。

1 極片缺陷檢測與識別分類流程

極片檢測與分類流程分為兩個模塊，如圖1所示。第一個模塊為鋰電池極片的缺陷檢測，具體為圖像獲取、圖像預處理、缺陷輪廓標定。第二個模塊為鋰電池極片缺陷的分類，具體為數據集預處理、構建CNN神經網絡、訓練模型、評估模型。

圖1 鋰電池極片缺陷檢測流程圖

2 圖像預處理

2.1 ROI區域提取

利用工業CCD相機采集到的鋰電池圖像如圖2(a)所示，為了消除非極片區域所帶來的影響，采用ROI（Region Of Interest）提取法[8]自動提取鋰電池圖像中的最大矩形區域，結果如圖2(b)所示。可以看出，利用ROI提取后，鋰電池極片區域與非極片域被分離。

圖2 鋰電池ROI處理

2.2 圖像濾波

在獲取和傳輸鋰電池圖像時，會因為設備和環境問題產生一定的噪聲。雙邊濾波[9]在去除噪聲的同時能充分保留圖像的特征信息，所以本文采用雙邊濾波對圖像進行處理。為驗證雙邊濾波效果，本文與中值濾波方法進行對比，結果如圖3所示（為便于觀察，對圖像局部放大）。

圖3 濾波效果圖

可以看出、中值濾波可以使圖像變得平滑，但缺陷的特征信息也會丟失較多。而經雙邊濾波算法處理后，極片背景紋理區域模糊程度較小，保留了較多的缺陷內外邊緣輪廓信息，有助于后續缺陷區域的準確分割與特征提取。

2.3 灰度變換

當鋰電池極片的缺陷區域與背景區域灰度差異較小時，缺陷難以分割，可利用灰度變換[10]的方法，拉伸灰度區間，增強圖像對比度，結果如圖4所示，其中圖4(a)～圖4(d)為增強前，圖4(e)～圖4(h)為增強后。

圖4 灰度變換結果圖

可以看出，在利用灰度變換后，圖像的對比度得到增強，背景和缺陷之間的灰度差異變大，有利于后續的缺陷分割。

3 缺陷輪廓標定

3.1 閾值分割

鋰電池極片表面缺陷圖像經過預處理后得到平滑的、對比度較強圖像。然后利用閾值分割法對圖像進行分割[11]。結果如圖5所示。

圖5 閾值分割結果圖

3.2 形態學處理

從圖5可看出，對極片圖像進行閾值分割后，缺陷與背景區域被分割開，但伴有細微噪聲出現，且缺陷區域不連通，無法進行整體標記。采用形態學技術中的開操作方式填充圖像的孔洞區域[12]。結果如圖6所示。

圖6 形態學處理結果圖

3.3 邊緣檢測

為獲得極片圖像的目標邊緣，采用Canny[13]邊緣檢測算子提取缺陷的邊緣特征。Canny算子作為典型的邊緣檢測算子，在計算梯度幅值和方向時采用了一階偏導的有限差分方式，并利用非極大值抑制梯度幅值，利用雙閾值算法對邊緣進行連接，所以該算法對圖像的邊緣提取效果較好。邊緣檢測結果如圖7所示（為便于觀察，對圖像局部放大）。

圖7 邊緣檢測結果圖

3.4 輪廓繪制

本文使用Python-Opencv中的cv2.minAreaRect(cnt)函數繪制缺陷外接矩形輪廓[14]，并計算缺陷幾何信息，同時利用cv2.BoxPoints()獲得最小外接矩形輪廓的四個頂點坐標，其坐標順序的對應關系如圖8所示，返回的數據形式為[x0,y0]，[x1,y1]，[x2,y2],[x3,y3]。缺陷輪廓繪制結果如圖9、表1所示。在標定缺陷輪廓后，將y0和x3各增加50，x1和y2各減小50，得到新的延伸矩形并提取輪廓延伸后的區域圖像作為預測集，為驗證模型的缺陷分類性能做準備。

表1 缺陷輪廓信息

圖8 最小外接矩形法

圖9 輪廓提取圖

4 極片缺陷識別

4.1 卷積CNN神經網絡概述

CNN模型可以利用梯度下降方法對模型參數進行訓練，訓練后的網絡能夠學到圖像中的特征，從而實現提取特征并分類的目的[15]。

CNN的基本結構如圖10所示。主要由輸入、卷積和池化層構成特征提取器，由全連接和輸出層構成分類器，其中卷積層和池化層一般會采用交替連接的方式進行布置[16]。卷積層可以利用核函數對圖像進行卷積運算，把圖像的特征提取出來，池化層通過降低特征圖的分辨率來獲得具有空間不變性的特征，從而實現壓縮圖像特征、保存圖像主要的特征、降低網絡計算的復雜度的目的。全連接層會將經過卷積和池化的二維圖像映射為一維特征向量并實現對局部信息的類別區分。

圖10 卷積神經網絡基本結構

4.2 實驗過程

4.2.1 數據集預處理

本文使用工業CCD相機拍攝的2000張鋰電池極片圖像，截取帶有缺陷的極片區域構成原始數據集3200張，通過對原始圖像數據集進行旋轉、調節對比度、增加噪聲、翻轉等操作增強數據集，增加本次實驗的樣本數量，提高模型的可靠性[17]。經過擴充后，原始數據集增至12800張，在每次迭代的過程中將訓練集和測試集隨機分為8:2。

4.2.2 實驗條件與CNN模型構建

本次實驗在高性能服務器上進行，顯卡型號為Tesla P100-PCIE-16GB。利用經典深度學習框架——TensorFlow2.0中的開源人工神經網絡庫keras搭載神經網絡模型。

通過分析網絡結構對鋰電池極片表面完整性圖像識別的適用性，以及考慮到網絡的速度，大小等因素，進行構建卷積神經網絡，其結構如圖11所示。

圖11 神經網絡結構示意圖

本文搭建的神經網絡具有6層卷積層和1層全連接層，中間加入池化層分開，隱藏層均采用ReLU函數進行激活，網絡第一層為64通道，后面每層對通道進行加倍，直到512通道為止。最終模型通過Flatten函數將數據拉平成一維向量，經1層1×1×512的全連接層，1層dropout層，在 ReLU函數激活后，通過softmax函數輸出分類結果。

4.3 實驗參數

超參數的最優值可通過多次實驗進行確定[18]。圖12展示了該網絡模型在批樣本大小取128時不同學習率下的訓練鋰電池極片缺陷識別模型的損失函數曲線。從曲線可以看出，當學習率取0.0001時訓練效果最佳。而當學習率取0.00005和0.00001時，網絡的收斂速度較慢，訓練效率較低，且損失值偏高，模型識別能力欠佳。因此，選取0.0001作為默認學習率并配置Adam優化器，具體情況如表2所示。

表2 參數設置

圖12 不同學習率下訓練損失曲線對比

4.4 模型訓練及比較

為了展示本文模型的實際效果，將與兩種經典圖像分類模型：VGG-16模型[19]和AlexNet模型[20]進行對比，以驗證本文模型的有效性。圖13展示了三種不同的模型在同一數據集上的訓練結果。

圖13 三種網絡訓練曲線

可以看出，三種網絡模型都能有效的實現鋰電池極片的缺陷識別效果。但收斂速度有差別，本文模型的收斂速度相對較快，而VGG-16與AlexNet模型收斂速度較慢，但在網絡收斂后達到的準確率方面的大小關系為VGG-16模型＞本文模型＞AlexNet模型。

4.5 模型評估

為了找到效果更好，適應性更強的模型，需要對模型進行評估。混淆矩陣可以對模型預測結果進行分析，并會以矩陣的形式將把預測記錄按真實類別與模型預測類別進行匯總[21]。因此，混淆矩陣可以用來評定圖像分類器的好壞，適用于分類器的數據模型的評估。其原理表如表3所示。

表3 混淆矩陣原理表格

混淆矩陣表中含有四個基礎指標，TP、FN、FP和TN。而圖像分類模型的預測性能評價標準對應到混淆矩陣中為：當TP與TN越大而FP與FN越小時模型的適應性較好。但當測試的數據量較大時，僅靠統計個數的混淆矩陣衡量模型的優劣難度會增加。因此需要引入二級模型評價指標來更精準的評估模型。具體為：準確率（Accuracy）、精確率（Precision）、召回率（Recall）、F1分數（F1-score）。具體公式如式(1)～式(4)所示。

把實際檢測出的952張帶有缺陷的圖像作為預測集，并對預測集的圖片分別進行預處理，得到256×256×3，224×224×3，227×227×3形式的歸一化圖像，再分別輸入至本文模型、VGG-16模型和AlexNet模型中分別進行預測，將預測結果置于混淆矩陣中，具體結果如圖14(a)～圖14(c)所示。根據混淆矩陣的詳細數據，參考模型的訓練結果，結合式(1)～式(4)得出本文模型、VGG-16模型和AlexNet模型的實際預測效果，如表4所示。

表4 不同模型在測試集上的實際效果

圖14 三種模型的混淆矩陣

從表4可以看出，利用此三種神經網絡模型在對鋰電池極片缺陷進行分類時，本文模型的準確率、精準率、召回率和F1分數相對較大，模型體積相對更小，且運行時間較VGG-16模型較快。綜合來看，使用本文模型對鋰電池極片的缺陷分類適應性較好，能夠滿足對企業生產過程中的鋰電池極片缺陷進行識別分類，從而降低鋰電池使用的風險性，有效的保障鋰電池產品的質量。

5 結語

本文利用圖像處理與卷積神經網絡技術對鋰電池在極片表面缺陷進行了檢測與分類。

具體工作如下：

1）對鋰電池極片的缺陷進行了輪廓的標定和對含有缺陷特征的圖像進行了提取；

2）通過對極片中的裂紋、破損、黑斑、壓孔等缺陷圖像的數據集進行擴充；

3）構建了卷積神經網絡模型，并與經典圖像分類模型VGG-16，AlexNet進行了對比。

缺陷分類的準確率能夠達到92.86%，精確度達到90.94%，召回率達到92.76%，F1分數值達到91.84%，表明其具有較高的適應性和較好的魯棒性。本文的檢測方法能對鋰電池極片的多種缺陷進行有效檢測和分類，對鋰電池極片缺陷的自動化檢測具有重要意義。