基于随机森林的锂电池电极缺陷粗细分类法_林强.pdf

广东技术师范大学学报2022 年第 6 期 Journal of Guangdong Polytechnic Normal University No.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,等 人 讨 论 了ADC 广泛应用的另一个例子，利用小波变换和反向传播神经网络组成的 ADC 系统对织物疵点进 行 分 类10.如 上 所 述，对 锂 电 池 电 极 表 面 缺陷进行分类的相关研究相对较少.我们发现 G.Lanza 等人使用单点分析法可以自动检测锂电收稿日期：2022-10-07基金项目：广东省自然科学基金(2022A1515010485)；广东省高等学校教学质量与教学改革工程项目；广东第二师范学院教学质量与教学改革工程项目(2018sfzx01).作者简介：林 强，中国移动通信集团广东有限公司广州分公司工程师.*通讯作者：邬依林，博士，广东第二师范学院教授，E-mail：DOI:10.13408/ki.gjsxb.2022.06.003林 强，等：基于随机森林的锂电池电极缺陷粗细分类法第 6 期73池电极表面缺陷6，然而，他们的工作表明，只对两种缺陷进行检测分类，意味着他们的研究方法还有一定的改进空间.因为在实际工业生产过程中，锂电池表面缺陷常见的有六种类型：亮点、漏金属、气泡、黑点、脱碳和条纹.针 对 锂 电 池 电 极 表 面 缺 陷 分 类 研 究 不 足的现状，重点研究其分类问题.使用 7 中的缺陷检测方法后，可以对缺陷进行定位，得到如图1(d)所示的缺陷图.在这里，我们将这六种类型的缺陷按其反射光或吸收光的能力分为亮缺陷和暗缺陷，如图 2 所 示.其中，亮点、漏金属、气泡为亮缺陷，黑点、条痕、脱碳为暗缺陷.可以看出，缺陷的灰度值与背景区域的灰度值相差不大，而不同类别的一些缺陷非常相似，如黑点和气泡.因此，准确地对这六种类型的缺陷进行分类具有一定的挑战性.图 1 缺陷定位过程(a)原始图像(b)电极区域(红色方框内为缺陷)(c)背景补偿结果，方法来自 7(d)缺陷图像图 2 六种类型缺陷样本(a)亮点(b)漏金属(c)气泡(d)条痕(e)脱碳(f)黑点1 缺陷分类算法我们主要致力于缺陷图像的分类研究.图3 为本文方法的主要框架.该算法分为两部分：粗分类和细分类.其中，Gabor 滤波器组在细分类时主要用于提取缺陷特征，而随机森林作为核心分类器，贯穿于粗分类和细分类过程.下面将对本文提出的算法进行详细的介绍.图 3 所提算法的主要框架1.1 预处理综合考虑清晰度和耗时两个因素，图像统一调整为 200*200 大小.由于后续的粗分类过程是基于图像的灰度值，所以进行了简单的归一化处理.归一化方法如下：f(i,j)=(I(i,j)-gmin)/(gmax-gmin)(1)其中，I(i,j)是原始图像在(i,j)处的灰度值，f(i,j)是归一化之后的图像在(i,j)处的灰度值，gmax和 gmin分 别 是 原 始 图 像 中 最 大 和 最 小 的 灰度值.1.2 粗分类由于属于不同类别的一些缺陷有一定的相似性，为了提高分类的准确性，我们在粗分类时的初衷是直接将这些缺陷图像分为亮缺陷和暗缺陷两个大类.但从实验结果可以清楚地看出，漏 金 属 和 亮 点 具 有 与 其 他 四 类 比 较 迥 异 的 特征，所以这两个类别首先被分开.粗分类过程也因此被分为两个部分.1.2.1 粗分类第一步：将亮点、漏金属与其余四类分离为了从其他类别中分离出亮点和漏金属，我们使用最小二乘法拟合缺陷图像中指定区域的像素变化曲线.主要步骤如下:步 骤 1：在 图 像 20-180 行 范 围 内，依 次 对中间三列每三行计算平均值，得到如图 4 所示的一维向量；步骤 2：用最小二乘法对上一步得到的数据进行拟合，在笛卡尔坐标下得到一条直线.同时计算曲线最高点和最低点到直线的垂直距离 和，如图 5 所示；步骤 3：计算 和 的差值 ：=-(2)林 强，等：基于随机森林的锂电池电极缺陷粗细分类法第 6 期74其中，大于阈值 T 时，对应的缺陷为亮点和漏金属.当小于阈值 T 时，对应的缺陷是其余四种类型的缺陷.T 的值根据下式自适应求得：LMBSDSDESTBB (3)其 中,BSM,STM,BBM分别表示漏金属、亮点、黑点、脱碳、条痕和气泡这六 类缺陷数据集 的 平 均，表示 最 小值算子，()Avg 表示平均值算子.MM 为黑点、脱碳等四类缺陷数据集差值 的平均值.图 4 利用指定区域像素分布构造一维向量的方法图 5 由向量表示的特定区域的灰度值变化该方法可以初步判断测试图像是否属于亮点和漏金属两类.图 4 清 楚 地 显 示了 这 部 分 的处理过程，图 5 则直观地展示了亮点和漏金属与其他四类缺陷的区别.1.2.2 粗分类第二步：将气泡与其他三类亮缺陷分离环 形 掩 模 在 这 部 分 起 到 了 至 关 重 要 的 作用，因为这种形状的掩模可以更好的提取到将气泡缺陷与其他类别缺陷分离的特征，所以很好的满足我们这里的要求.以下是此部分的具体步骤.步骤 1：根据气泡缺陷的形状得到环形掩膜Mr，环形掩膜的内径 r1、r2 的定义见 Algorithm 1；Algorithm 1：The Definitions of the Inner Diameter and Outer Diameter of the Ring MaskInput：Image to be classifiedOutput：the inner diameter and outer diameter 1、Get two 200*1 matrices C and P,where C is the gray value change in the designated area of the image,and P is the position corresponding to each gray value in C;2、value,index=find(C T),T is set to 100 here;3、LT=length(index(find(index H/2);GT=length(index(find(index H/2);4、index1=index(index 100);5、Find the absolute discontinuous point in index1 from big to small,this point is marked as,and meanwhile,find the absolute discontinuous point in Index2 from small to big,this point is marked as ;6、return Inner diameter and outer diameter;The so-called discontinuous points here refer to the fact that the defects in the glay image are present in an extremely dense form,and those far apart points with larger gray values are interference points.The$find$and$length$in the above algorithm both represent the function in matlab.步骤 2：在 Mr 的帮助下，每个图像可以被分为 三 个 区 域:环 内 区 域(AIR)，环 上 区 域(AAR)以及 环 外 区 域(AOR).对 环 上 区 域 和 环外区域两个区域进行特征提取；步 骤 3：等 角 度 分 割 Mr，可 以 得 到 两 个 模板 T1 和 T2.他们将 AAR 和 AOR 各自分为 s 个小连 通 域12,sAAARRR和12,sOOORRR，实 验证明，当 s 的值取 36 的时候，可以得到最好的结果.模板 T1 和 T2 如图 6 所示；步 骤 4：计 算 每 个 小 连 通 域i和i中灰度值的均值和方差，同时，分别计算灰度值为 0 的像素所占比例的1iP和i，最终，得到一个具有良好区分度的特征：1,1,1,1,1,1,111222,ssssssFeatureMSPMSP(4)1,1s，1,2sM分别表示的是环上和环外的灰度值均值，1,s，1,2s表示的是方差，林 强，等：基于随机森林的锂电池电极缺陷粗细分类法第 6 期751,121111111iiiss，1,122222222iiiss，i和2iN分别是每个i和i的总像素个数，和i则是对应的小连通域中 0 像素的个数；步骤 5：利用随机森林分类器对上一步得到的特征进行分类，可以准确的将气泡与其他三张暗缺陷分离.图 6 使用模板 T1 和 T2 分别将 AAR 和 AOR 划分成 s 个连通域的过程(a)待处理图像 (b)T1 (c)T2 (d)(a)与(b)相乘结果 (e)(a)与(c)相乘结果1.3 细分类在 将 图 像 粗 略 划 分 为 亮 缺 陷 和 暗 缺 陷 之后，在各自的两大类缺陷中进行更详细的划分，就 可 以 达 到 将 缺 陷 图 像 划 分 为 六 类 的 原 始 目的.如上述步骤所述，气泡已经被