基于圖像處理與卷積神經(jīng)網(wǎng)絡(luò)的鋰電池極片缺陷檢測(cè)與分類

王慶秋，李林升，桂久琪，毛 曉

（上海電機(jī)學(xué)院 電氣學(xué)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(chǔ)能大、易攜帶等優(yōu)勢(shì)使其影響力日益增長(zhǎng)[1]。在鋰電池生產(chǎn)的輥壓和卷繞過(guò)程中，極片區(qū)域經(jīng)常會(huì)受機(jī)器和環(huán)境影響，產(chǎn)生各式各樣的缺陷[2]。為了保證鋰電池產(chǎn)品的出廠質(zhì)量，在生產(chǎn)環(huán)節(jié)中需要對(duì)鋰電池極片進(jìn)行缺陷檢測(cè)和分類。

許多學(xué)者對(duì)鋰電池極片的缺陷檢測(cè)與分類開(kāi)展了研究。LI等[3]提出了一種基于空氣耦合超聲檢測(cè)技術(shù)的鋰離子電池缺陷檢測(cè)方法，能夠有效實(shí)現(xiàn)對(duì)預(yù)埋氣孔缺陷和自然氣孔缺陷的檢測(cè)。朱錫芳等[4]通過(guò)改進(jìn)灰關(guān)聯(lián)算法并提取缺陷二值圖像的形狀和投影特征，進(jìn)行缺陷識(shí)別，準(zhǔn)確率達(dá)到91.2%。詹茵茵[5]通過(guò)對(duì)光源進(jìn)行角度調(diào)節(jié)，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(cè)分類模型，該方法可達(dá)到90.1%的識(shí)別精度。鄭巖[6]通過(guò)對(duì)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(jìn)的中值濾波算法和Canny邊緣算法對(duì)圖像進(jìn)行分割，達(dá)到82%的準(zhǔn)確率。

為了實(shí)現(xiàn)對(duì)鋰電池極片缺陷檢測(cè)并分類，本文提出一種基于圖像處理與卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合的缺陷檢測(cè)與分類方法。首先對(duì)工業(yè)CCD相機(jī)獲得的鋰電池原圖像進(jìn)行對(duì)比度增強(qiáng)、分割、形態(tài)學(xué)處理和邊緣檢測(cè)，實(shí)現(xiàn)對(duì)鋰電池極片的缺陷輪廓標(biāo)定，并將提取到的輪廓延伸后的圖像作為本次實(shí)驗(yàn)的測(cè)試集；然后對(duì)鋰電池極片的四類常見(jiàn)的缺陷數(shù)據(jù)集進(jìn)行擴(kuò)充處理，增強(qiáng)模型的泛化能力和魯棒性。最后構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)[7]提取各類缺陷的特征并進(jìn)行訓(xùn)練和預(yù)測(cè)，完成對(duì)缺陷的分類。

1 極片缺陷檢測(cè)與識(shí)別分類流程

極片檢測(cè)與分類流程分為兩個(gè)模塊，如圖1所示。第一個(gè)模塊為鋰電池極片的缺陷檢測(cè)，具體為圖像獲取、圖像預(yù)處理、缺陷輪廓標(biāo)定。第二個(gè)模塊為鋰電池極片缺陷的分類，具體為數(shù)據(jù)集預(yù)處理、構(gòu)建CNN神經(jīng)網(wǎng)絡(luò)、訓(xùn)練模型、評(píng)估模型。

圖1 鋰電池極片缺陷檢測(cè)流程圖

2 圖像預(yù)處理

2.1 ROI區(qū)域提取

利用工業(yè)CCD相機(jī)采集到的鋰電池圖像如圖2(a)所示，為了消除非極片區(qū)域所帶來(lái)的影響，采用ROI（Region Of Interest）提取法[8]自動(dòng)提取鋰電池圖像中的最大矩形區(qū)域，結(jié)果如圖2(b)所示?？梢钥闯觯肦OI提取后，鋰電池極片區(qū)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(shí)，會(huì)因?yàn)樵O(shè)備和環(huán)境問(wèn)題產(chǎn)生一定的噪聲。雙邊濾波[9]在去除噪聲的同時(shí)能充分保留圖像的特征信息，所以本文采用雙邊濾波對(duì)圖像進(jìn)行處理。為驗(yàn)證雙邊濾波效果，本文與中值濾波方法進(jìn)行對(duì)比，結(jié)果如圖3所示（為便于觀察，對(duì)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(huì)丟失較多。而經(jīng)雙邊濾波算法處理后，極片背景紋理區(qū)域模糊程度較小，保留了較多的缺陷內(nèi)外邊緣輪廓信息，有助于后續(xù)缺陷區(qū)域的準(zhǔn)確分割與特征提取。

2.3 灰度變換

當(dāng)鋰電池極片的缺陷區(qū)域與背景區(qū)域灰度差異較小時(shí)，缺陷難以分割，可利用灰度變換[10]的方法，拉伸灰度區(qū)間，增強(qiáng)圖像對(duì)比度，結(jié)果如圖4所示，其中圖4(a)～圖4(d)為增強(qiáng)前，圖4(e)～圖4(h)為增強(qiáng)后。

圖4 灰度變換結(jié)果圖

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

3 缺陷輪廓標(biāo)定

3.1 閾值分割

鋰電池極片表面缺陷圖像經(jīng)過(guò)預(yù)處理后得到平滑的、對(duì)比度較強(qiáng)圖像。然后利用閾值分割法對(duì)圖像進(jìn)行分割[11]。結(jié)果如圖5所示。

圖5 閾值分割結(jié)果圖

3.2 形態(tài)學(xué)處理

從圖5可看出，對(duì)極片圖像進(jìn)行閾值分割后，缺陷與背景區(qū)域被分割開(kāi)，但伴有細(xì)微噪聲出現(xiàn)，且缺陷區(qū)域不連通，無(wú)法進(jìn)行整體標(biāo)記。采用形態(tài)學(xué)技術(shù)中的開(kāi)操作方式填充圖像的孔洞區(qū)域[12]。結(jié)果如圖6所示。

圖6 形態(tài)學(xué)處理結(jié)果圖

3.3 邊緣檢測(cè)

為獲得極片圖像的目標(biāo)邊緣，采用Canny[13]邊緣檢測(cè)算子提取缺陷的邊緣特征。Canny算子作為典型的邊緣檢測(cè)算子，在計(jì)算梯度幅值和方向時(shí)采用了一階偏導(dǎo)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(duì)邊緣進(jìn)行連接，所以該算法對(duì)圖像的邊緣提取效果較好。邊緣檢測(cè)結(jié)果如圖7所示（為便于觀察，對(duì)圖像局部放大）。

圖7 邊緣檢測(cè)結(jié)果圖

3.4 輪廓繪制

本文使用Python-Opencv中的cv2.minAreaRect(cnt)函數(shù)繪制缺陷外接矩形輪廓[14]，并計(jì)算缺陷幾何信息，同時(shí)利用cv2.BoxPoints()獲得最小外接矩形輪廓的四個(gè)頂點(diǎn)坐標(biāo)，其坐標(biāo)順序的對(duì)應(yīng)關(guān)系如圖8所示，返回的數(shù)據(jù)形式為[x0,y0]，[x1,y1]，[x2,y2],[x3,y3]。缺陷輪廓繪制結(jié)果如圖9、表1所示。在標(biāo)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(qū)域圖像作為預(yù)測(cè)集，為驗(yàn)證模型的缺陷分類性能做準(zhǔn)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(shí)別

4.1 卷積CNN神經(jīng)網(wǎng)絡(luò)概述

CNN模型可以利用梯度下降方法對(duì)模型參數(shù)進(jìn)行訓(xùn)練，訓(xùn)練后的網(wǎng)絡(luò)能夠?qū)W到圖像中的特征，從而實(shí)現(xiàn)提取特征并分類的目的[15]。

CNN的基本結(jié)構(gòu)如圖10所示。主要由輸入、卷積和池化層構(gòu)成特征提取器，由全連接和輸出層構(gòu)成分類器，其中卷積層和池化層一般會(huì)采用交替連接的方式進(jìn)行布置[16]。卷積層可以利用核函數(shù)對(duì)圖像進(jìn)行卷積運(yùn)算，把圖像的特征提取出來(lái)，池化層通過(guò)降低特征圖的分辨率來(lái)獲得具有空間不變性的特征，從而實(shí)現(xiàn)壓縮圖像特征、保存圖像主要的特征、降低網(wǎng)絡(luò)計(jì)算的復(fù)雜度的目的。全連接層會(huì)將經(jīng)過(guò)卷積和池化的二維圖像映射為一維特征向量并實(shí)現(xiàn)對(duì)局部信息的類別區(qū)分。

圖10 卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

4.2 實(shí)驗(yàn)過(guò)程

4.2.1 數(shù)據(jù)集預(yù)處理

本文使用工業(yè)CCD相機(jī)拍攝的2000張鋰電池極片圖像，截取帶有缺陷的極片區(qū)域構(gòu)成原始數(shù)據(jù)集3200張，通過(guò)對(duì)原始圖像數(shù)據(jù)集進(jìn)行旋轉(zhuǎn)、調(diào)節(jié)對(duì)比度、增加噪聲、翻轉(zhuǎn)等操作增強(qiáng)數(shù)據(jù)集，增加本次實(shí)驗(yàn)的樣本數(shù)量，提高模型的可靠性[17]。經(jīng)過(guò)擴(kuò)充后，原始數(shù)據(jù)集增至12800張，在每次迭代的過(guò)程中將訓(xùn)練集和測(cè)試集隨機(jī)分為8:2。

4.2.2 實(shí)驗(yàn)條件與CNN模型構(gòu)建

本次實(shí)驗(yàn)在高性能服務(wù)器上進(jìn)行，顯卡型號(hào)為T(mén)esla P100-PCIE-16GB。利用經(jīng)典深度學(xué)習(xí)框架——TensorFlow2.0中的開(kāi)源人工神經(jīng)網(wǎng)絡(luò)庫(kù)keras搭載神經(jīng)網(wǎng)絡(luò)模型。

通過(guò)分析網(wǎng)絡(luò)結(jié)構(gòu)對(duì)鋰電池極片表面完整性圖像識(shí)別的適用性，以及考慮到網(wǎng)絡(luò)的速度，大小等因素，進(jìn)行構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)如圖11所示。

圖11 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

本文搭建的神經(jīng)網(wǎng)絡(luò)具有6層卷積層和1層全連接層，中間加入池化層分開(kāi)，隱藏層均采用ReLU函數(shù)進(jìn)行激活，網(wǎng)絡(luò)第一層為64通道，后面每層對(duì)通道進(jìn)行加倍，直到512通道為止。最終模型通過(guò)Flatten函數(shù)將數(shù)據(jù)拉平成一維向量，經(jīng)1層1×1×512的全連接層，1層dropout層，在 ReLU函數(shù)激活后，通過(guò)softmax函數(shù)輸出分類結(jié)果。

4.3 實(shí)驗(yàn)參數(shù)

超參數(shù)的最優(yōu)值可通過(guò)多次實(shí)驗(yàn)進(jìn)行確定[18]。圖12展示了該網(wǎng)絡(luò)模型在批樣本大小取128時(shí)不同學(xué)習(xí)率下的訓(xùn)練鋰電池極片缺陷識(shí)別模型的損失函數(shù)曲線。從曲線可以看出，當(dāng)學(xué)習(xí)率取0.0001時(shí)訓(xùn)練效果最佳。而當(dāng)學(xué)習(xí)率取0.00005和0.00001時(shí)，網(wǎng)絡(luò)的收斂速度較慢，訓(xùn)練效率較低，且損失值偏高，模型識(shí)別能力欠佳。因此，選取0.0001作為默認(rèn)學(xué)習(xí)率并配置Adam優(yōu)化器，具體情況如表2所示。

表2 參數(shù)設(shè)置

圖12 不同學(xué)習(xí)率下訓(xùn)練損失曲線對(duì)比

4.4 模型訓(xùn)練及比較

為了展示本文模型的實(shí)際效果，將與兩種經(jīng)典圖像分類模型：VGG-16模型[19]和AlexNet模型[20]進(jìn)行對(duì)比，以驗(yàn)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(shù)據(jù)集上的訓(xùn)練結(jié)果。

圖13 三種網(wǎng)絡(luò)訓(xùn)練曲線

可以看出，三種網(wǎng)絡(luò)模型都能有效的實(shí)現(xiàn)鋰電池極片的缺陷識(shí)別效果。但收斂速度有差別，本文模型的收斂速度相對(duì)較快，而VGG-16與AlexNet模型收斂速度較慢，但在網(wǎng)絡(luò)收斂后達(dá)到的準(zhǔn)確率方面的大小關(guān)系為VGG-16模型＞本文模型＞AlexNet模型。

4.5 模型評(píng)估

為了找到效果更好，適應(yīng)性更強(qiáng)的模型，需要對(duì)模型進(jìn)行評(píng)估?；煜仃嚳梢詫?duì)模型預(yù)測(cè)結(jié)果進(jìn)行分析，并會(huì)以矩陣的形式將把預(yù)測(cè)記錄按真實(shí)類別與模型預(yù)測(cè)類別進(jìn)行匯總[21]。因此，混淆矩陣可以用來(lái)評(píng)定圖像分類器的好壞，適用于分類器的數(shù)據(jù)模型的評(píng)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(gè)基礎(chǔ)指標(biāo)，TP、FN、FP和TN。而圖像分類模型的預(yù)測(cè)性能評(píng)價(jià)標(biāo)準(zhǔn)對(duì)應(yīng)到混淆矩陣中為：當(dāng)TP與TN越大而FP與FN越小時(shí)模型的適應(yīng)性較好。但當(dāng)測(cè)試的數(shù)據(jù)量較大時(shí)，僅靠統(tǒng)計(jì)個(gè)數(shù)的混淆矩陣衡量模型的優(yōu)劣難度會(huì)增加。因此需要引入二級(jí)模型評(píng)價(jià)指標(biāo)來(lái)更精準(zhǔn)的評(píng)估模型。具體為：準(zhǔn)確率（Accuracy）、精確率（Precision）、召回率（Recall）、F1分?jǐn)?shù)（F1-score）。具體公式如式(1)～式(4)所示。

把實(shí)際檢測(cè)出的952張帶有缺陷的圖像作為預(yù)測(cè)集，并對(duì)預(yù)測(cè)集的圖片分別進(jìn)行預(yù)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(jìn)行預(yù)測(cè)，將預(yù)測(cè)結(jié)果置于混淆矩陣中，具體結(jié)果如圖14(a)～圖14(c)所示。根據(jù)混淆矩陣的詳細(xì)數(shù)據(jù)，參考模型的訓(xùn)練結(jié)果，結(jié)合式(1)～式(4)得出本文模型、VGG-16模型和AlexNet模型的實(shí)際預(yù)測(cè)效果，如表4所示。

表4 不同模型在測(cè)試集上的實(shí)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(jīng)網(wǎng)絡(luò)模型在對(duì)鋰電池極片缺陷進(jìn)行分類時(shí)，本文模型的準(zhǔn)確率、精準(zhǔn)率、召回率和F1分?jǐn)?shù)相對(duì)較大，模型體積相對(duì)更小，且運(yùn)行時(shí)間較VGG-16模型較快。綜合來(lái)看，使用本文模型對(duì)鋰電池極片的缺陷分類適應(yīng)性較好，能夠滿足對(duì)企業(yè)生產(chǎn)過(guò)程中的鋰電池極片缺陷進(jìn)行識(shí)別分類，從而降低鋰電池使用的風(fēng)險(xiǎn)性，有效的保障鋰電池產(chǎn)品的質(zhì)量。

5 結(jié)語(yǔ)

本文利用圖像處理與卷積神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)鋰電池在極片表面缺陷進(jìn)行了檢測(cè)與分類。

具體工作如下：

1）對(duì)鋰電池極片的缺陷進(jìn)行了輪廓的標(biāo)定和對(duì)含有缺陷特征的圖像進(jìn)行了提??；

2）通過(guò)對(duì)極片中的裂紋、破損、黑斑、壓孔等缺陷圖像的數(shù)據(jù)集進(jìn)行擴(kuò)充；

3）構(gòu)建了卷積神經(jīng)網(wǎng)絡(luò)模型，并與經(jīng)典圖像分類模型VGG-16，AlexNet進(jìn)行了對(duì)比。

缺陷分類的準(zhǔn)確率能夠達(dá)到92.86%，精確度達(dá)到90.94%，召回率達(dá)到92.76%，F(xiàn)1分?jǐn)?shù)值達(dá)到91.84%，表明其具有較高的適應(yīng)性和較好的魯棒性。本文的檢測(cè)方法能對(duì)鋰電池極片的多種缺陷進(jìn)行有效檢測(cè)和分類，對(duì)鋰電池極片缺陷的自動(dòng)化檢測(cè)具有重要意義。