锂离子电池的检测，不但对保证电池本身的性能和质量至关重要，而且对持续的工艺优化也至关重要。电极必须在生产过程中的多个阶段进行测试，例如在裸金属合金箔的制作过程中、涂层后和压延后，以确保成品的生产质量。

本文研究了几种无监督机器学习技术与照明方案相结合，在检测锂离子电池电极箔缺陷方面的性能表现。

这些电极箔是涂有活性材料的薄金属箔，形成电池的阳极（通常是铜箔）和阴极（通常是铝箔）。它们对于电池中实现能量转换的电化学反应至关重要。这些金属箔的质量严重影响着电池的性能和寿命。

电极检测的困难在于，电极箔以卷材的形式快速移动（速度高达300m/min），并且需要相对较高的光学分辨率（20µm/Px）来识别微小缺陷。对于这样的挑战，线扫相机系统比面阵相机系统更合适。

一些经典的图像处理算法，在缺陷检测方面达到了极限，因此在质量控制中使用深度学习算法，来突破传统算法的限制。

建立检测研究

使用线扫相机获得了电池箔的不同数据集，因为使用线扫技术能在高生产速度下，发现电极箔表面的轻微缺陷。

本研究使用了以下设置：

高分辨率图像采集：Chromasens allPIXA evo 8k CXP线扫相机。

基于Python的图像预处理：为了对采集的图像进行预处理，将它们切成大小（256，256，3）的块，并用不同照明条件下的图像创建组合图像。使用了OpenCV等库。

为模型训练创建数据集：为了训练和测试深度学习模型，需要具有“良好”和“错误”样本的数据集。为此，在不同照明条件下，针对阳极箔和阴极箔生成了各种数据集。

使用深度学习算法进行异常检测：机器学习方法，如自动编码器和其他卷积神经网络（CNN），结合使用所获取图像训练的不同分类器，可以识别灰尘或划痕等缺陷。

额外处理所需的图像数据集，是使用配备检测机制的输送机系统收集的。还使用了Chromasens Corona II LED线光源（通过编码器与输送机相机的采集线速率同步）和Chromasens XLC4-1A照明控制器。

用于检测过程的照明方案

采用不同的照明方案——一个亮场和两个暗场照明，来检测电极箔中的不规则性。

亮场照明技术使反射表面看起来很亮，因为光入射的角度和相机瞄准的角度是相等的。相反，暗场照明则是观察从样品中散射或折射的光。目标是通过结合这两种照明方法，尽可能多地发现电极箔上存在的缺陷。

该检测系统提供了将线光源的频闪频率与每台相机的线速率精确匹配的能力。通过这种方法，每行记录三次，但三台相机扫描每行时，只打开一个光源。首先，激活前暗场照明，然后是一条具有亮场照明的采集线，最后记录另一条具有后暗场照明的线。这种技术可以在各种照明场景中捕捉表面。然后使用行移（去隔行）将叠加的单个图像组合成三个不同的图像，这为进一步的处理步骤奠定了基础。

先拍摄完好无损的电极箔的图像，作为随后创建训练集的基础。为了评估图像处理流程，然后将不同的“缺陷”添加到数据集中，包括灰尘、划痕和水分。然后将“缺陷”照片与未失真表面的某些图像相结合，以创建测试数据集。图3显示了照明方案对拍摄效果的影响。

图像预处理

在某些照明条件下缺陷更明显的前提下，执行图像预处理。通过叠加在不同照明方案下拍摄的图像，目标是在单个图像中识别各种不同类型的缺陷。

基于无监督深度学习方法的缺陷检测

对于缺陷检测，对比了几种无监督和半监督的深度学习技术。在这种情况下，半监督意味着只有“正常”的无误差数据用于训练神经网络。然后，使用测试集中的“正常”和“缺陷”数据来计算分类阈值。为此，采用了混合了各种分类器的预训练的神经网络和基于重建的技术（自编码器）。作为评估过程的一部分，进行了几个实验来评估开发的模型的工作效果。阳极模型和阴极模型都用在三种照明方案下（前暗场、亮场和后暗场）的不同数据集以及组合图像，进行了训练和测试。

最后，在GPU NVIDIA GeForce RTX 3090上，比较了所实施技术的推理时间。此外，还研究了检索特征降维对推理时间和AUCROC（接收器工作特性曲线下面积）的影响。AUCROC量化了模型区分类别的能力，接近1.0的值表示在各种阈值设置下的高真阳性率（true positive rate，TPR）和低假阳性率（false positive rate，FPR）。

总共用300张正常的训练图像、200张正常的测试图像和200张有缺陷的测试图像，组成了用于研究的数据集。缺陷的大小约为0.5~1mm2。

研究表明，叠加各种照明方案对阴极检测有利，但对阳极检测并不利。暗场背光是为阳极产生最佳AUCROC值的唯一技术；使用预训练的模型和分类器，获得了97%的AUCROC。

在叠加图片的数据集中，阴极的AUCROC为99%。不过，应该指出的是，所评估的缺陷情况不是在实际生产环境中产生的。在GPU NVIDIA GeForce RTX 3090上，大小为256×256的补丁的推理时间（一次预测的时间）约为0.12s。

为了优化推理时间，还研究了降维对分类性能的影响。结果显示，当AUCROC下降时，降维会导致预测时间明显加快。例如，对于叠加的阴极图像数据，通过将提取的特征降维到4维，可以实现6×10-3s=6ms的推理时间，AUCROC为90%。

总结

本研究考察了几种无监督机器学习技术，用于检测锂离子电池电极箔中的缺陷。与自编码器方法相比，带有分类器的预训练网络方法表现更好。使用各种不同的照明方案（如亮场和暗场）捕获了电池箔的一些缺陷类型。叠加几种照明方案下拍摄的图像，有助于检出阴极缺陷；但对阳极缺陷检出帮助不大，在阳极缺陷检测中，单一的高功率暗场照明实现了最佳检出效果。

虽然满足实时要求以及极高的数据速率具有很大的挑战性，但是AUCROC值满足了必要的检测要求。因此，为了获得最佳结果，机器学习技术必须与传统的图像处理技术相结合。

深度学习模型在召回率/tpr（真阳性率）方面的优化程度，取决于实际情况的具体要求，因为最终用户可以确定应用程序的后续成本和经济效果。如果与漏检相关的成本非常高，那么优化召回就是值得的。

这种方法也可用于其他表面和箔片的检测任务，例如检测隔膜箔、涂层电极箔和裸金属箔等。

（文章来源于互联网，如有侵权请联系删除）