广东技术师范大学学报2022年第6期JournalofGuangdongPolytechnicNormalUniversityNo.6,2022基于随机森林的锂电池电极缺陷粗细分类法林强1，邬依林2*，倪君仪3，黄晓红4，何方1（1.中国移动通信集团广东有限公司广州分公司,广东广州510308；2.广东第二师范学院计算机学院,广东广州510300；3.华南理工大学自动化科学与工程学院，广东广州5106403；4.广东轻工职业技术学院教务部，广东广州510300）摘要：在锂电池极片生产过程中，传统的人工检测对电极片表面缺陷分类的效率及质量都不高，并且对于企业的生产工序优化不利，由此研究了电池电极表面的缺陷分类问题，提出一种基于随机森林的锂电池电极缺陷粗细分类法.该方法首先根据缺陷图像指定区域的灰度值变化以及依据缺陷形状得到的特定环形区域内的像素分布，将缺陷图像粗糙地划分为亮缺陷数据集和暗缺陷数据集，然后利用Gabor滤波器提取图像的特征，并使用随机森林分类器对这两大类进行进一步的细致分类得到最终的分类结果.实验表明，提出的对锂离子电池电极表面缺陷进行粗细分类法，不仅在分类精度和速度上都取得了良好的效果，同时还具有优越的鲁棒性.关键词：锂电池；缺陷分类；粗细分类法；Gabor滤波器；随机森林中图分类号：0引言目前，锂电池以其能量密度高、寿命长、体积小、无污染等优点在电动汽车等领域越来越受到关注[1-2].众所周知，特斯拉一直致力于新能源汽车[3]的研究，但自其交付市场以来，电动汽车的自燃频繁发生，给人们的生活带来了巨大的安全风险.虽然不能说这些令人遗憾的特斯拉汽车事故一定与电池系统有关，但锂电池给人类生活带来方便性背后的安全隐患也值得关注[4-5].除了锂电池内部结构等原因外，生产过程中产生的电极表面缺陷也会造成一定的安全隐患.因此，锂电池的缺陷检测显得尤为重要.值得注意的是，高效准确的缺陷分类可以反过来极大地促进缺陷检测.现如今，许多研究人员的研究重心放在锂电池缺陷的检测上，并提出了一些比较成功的方法[6-7]，然而，对其进行缺陷分类的研究还很少.在大多数工作场所，缺陷分类主要依靠人工完成，这是不可靠的.因此，应用机器学习技术对锂电池电极表面的缺陷进行自动分类，可以显著提高产品的质量和生产效率.基于先进的机器视觉技术，自动缺陷分类(ADC)在精度和效率方面具有优势.S.Cheon和H.Lee等人提出了一种结合CNN和K-NN的ADC方法，该方法可以提取有效的特征用于晶圆表面缺陷分类[8].Y.Deng等人提出了一种用于PCB的ADC系统[9].T.Su,...
