詹茵茵，鄧積微，王太宏

(1.湖南大學(xué)信息科學(xué)與工程學(xué)院，湖南長(zhǎng)沙410082；2.湖南大學(xué)微納電子研究中心，湖南長(zhǎng)沙410082)

屬性約簡(jiǎn)的氣脹鋰電池在線檢測(cè)方法

詹茵茵1，鄧積微2，王太宏2

(1.湖南大學(xué)信息科學(xué)與工程學(xué)院，湖南長(zhǎng)沙410082；2.湖南大學(xué)微納電子研究中心，湖南長(zhǎng)沙410082)

針對(duì)鋰電池生產(chǎn)過程中氣脹檢測(cè)依賴于作業(yè)人員感覺和經(jīng)驗(yàn)判斷，主觀性強(qiáng)且效率低的情況，提出一種基于機(jī)器視覺的氣脹鋰電池在線檢測(cè)方法。特定角度和強(qiáng)度光源照射下，氣脹電池與合格電池呈現(xiàn)不同的反射光斑分布。基于此特點(diǎn)，提取電池圖像反射光斑區(qū)域特征作為分類器的輸入。為滿足在線檢測(cè)系統(tǒng)實(shí)時(shí)性要求高的特點(diǎn)，提出粗糙集屬性約簡(jiǎn)與C-SVM相結(jié)合的方法建立分類模型。首先基于屬性重要度的粗糙集屬性約簡(jiǎn)方法優(yōu)選樣本特征集，然后采用K折交叉驗(yàn)證和網(wǎng)格搜索法對(duì)C-SVM進(jìn)行參數(shù)尋優(yōu)，建立分類模型。實(shí)驗(yàn)結(jié)果表明，屬性約簡(jiǎn)的鋰電池檢測(cè)方法減少了冗余信息的干擾，降低電池樣本特征空間維數(shù)，縮短了檢測(cè)時(shí)間，提高在線檢測(cè)效率，檢測(cè)精度達(dá)到96.774 2%，為生產(chǎn)過程中氣脹電池的自動(dòng)化分選提供了一種有效的方法。

鋰電池；氣脹檢測(cè)；粗糙集；支持向量機(jī)

鋰電池作為手機(jī)、筆記本電腦、數(shù)碼相機(jī)等電子產(chǎn)品的主要驅(qū)動(dòng)能源[1]，隨著電子產(chǎn)品的普及，越來越大的產(chǎn)量需求對(duì)鋰電池生產(chǎn)的自動(dòng)化程度提出了更高的要求。在鋰電池生產(chǎn)過程中，由于封裝不良、電池芯內(nèi)部水含量超標(biāo)、化成流程異常、首次化成的SEI膜[2]不穩(wěn)定等原因，電池芯內(nèi)部發(fā)生化學(xué)反應(yīng)而產(chǎn)生氣體[3]，電池包出現(xiàn)氣脹現(xiàn)象[4]，導(dǎo)致電池使用性能嚴(yán)重失效，這部分電池必須在出廠之前挑選出來重新處理。目前，絕大多數(shù)鋰電池生產(chǎn)廠家對(duì)氣脹鋰電池的挑選采用人工判斷的方法，完全依賴于作業(yè)工人的感覺和經(jīng)驗(yàn)判斷，效率低且檢測(cè)結(jié)果易受主觀因素影響，因而不甚可靠。

在鋰電池質(zhì)量檢測(cè)方面，文獻(xiàn)[5]和文獻(xiàn)[6]已提出基于機(jī)器視覺的鋰電池極片檢測(cè)，但對(duì)氣脹電池的分選仍缺乏一種智能的檢測(cè)方法。氣脹鋰電池由于內(nèi)部存在空氣，導(dǎo)致電池表面不同程度的鼓起，因而氣脹鋰電池的檢測(cè)可以歸為表面平整度檢測(cè)的一種。采用基于機(jī)器視覺的表面缺陷檢測(cè)代替人工檢測(cè)，克服人工檢測(cè)效率和精度不高的問題，大大提高生產(chǎn)效率和自動(dòng)化程度。

本文提出采用機(jī)器視覺檢測(cè)技術(shù)代替人工檢測(cè)，通過分析特定角度和強(qiáng)度的光源在電池表面所成影像的亮度圖像，提取電池圖像對(duì)光源的反射區(qū)域特征作為分類器的輸入?？紤]到在線檢測(cè)實(shí)時(shí)性要求高的特點(diǎn)，本文結(jié)合粗糙集[4]屬性約簡(jiǎn)和支持向量機(jī)小樣本分類的優(yōu)勢(shì)，在知識(shí)分類不受影響的前提下約簡(jiǎn)原特征屬性，以簡(jiǎn)化特征模型，減少冗余信息計(jì)算，提高檢測(cè)速度。

1 算法描述

1.1 系統(tǒng)模型

在鋰電池生產(chǎn)過程中，經(jīng)卷繞工藝[7]，質(zhì)量合格的鋰電池表面平整無任何鼓起。而氣脹電池由于電池芯內(nèi)部存在空氣，導(dǎo)致電池表面不同程度的隆起，造成電池表面不平整。在特定角度和強(qiáng)度光源照射下，合格鋰電池不管是水平還是垂直放置，其表面所形成的反射光斑呈連續(xù)條形狀，光斑從電池的左邊一直延伸到右邊。而氣脹鋰電池表面的反射光斑則形狀各異且為不規(guī)則分布，如圖1所示,圖1(a1)、圖1(b1)、圖1(c1)為垂直光源照射下的鋰電池圖像，圖1(a2)、圖1(b2)、圖1(c2)為水平光源照射下的鋰電池圖像；a、b為合格電池，c為氣脹電池。因此，可以通過分析光源下鋰電池亮度圖像的光斑分布情況對(duì)氣脹鋰電池進(jìn)行檢測(cè)。

圖1 特定角度及強(qiáng)度光源照射下鋰電池圖像

檢測(cè)系統(tǒng)的硬件模型如圖2所示。待檢鋰電池平放于檢測(cè)臺(tái)上。為獲取圖1的拍攝效果，十字型LED照射板垂直于檢測(cè)臺(tái)正上方25～35 cm處，高清攝像頭垂直于電池上方。十字型LED照射版在PC的控制下交互點(diǎn)亮水平和垂直方向子集，分別獲取電池圖像對(duì)水平光源和垂直光源的反射光斑圖像。兩張圖像作為一個(gè)電池樣本進(jìn)行檢測(cè)。為減少圖像預(yù)處理過程中背景噪聲對(duì)反射區(qū)域的特征提取的干擾，檢測(cè)臺(tái)一般為黑色。所獲圖像以.JPG格式上傳至PC并歸一化至300×480。

圖2 氣脹鋰電池在線檢測(cè)系統(tǒng)模型

1.2 特征提取

合格鋰電池對(duì)LED光源的反射光斑區(qū)域近似一個(gè)橫跨電池表面的扁矩形；氣脹鋰電池反射光斑區(qū)域則為不規(guī)則形狀隨機(jī)分布。本文提取目標(biāo)區(qū)域的幾何特征作為分類器輸入，特征提取流程如圖3所示。采用區(qū)域生長(zhǎng)法分割電池反射光斑區(qū)域。由于二值化后，電池圖像部分光斑區(qū)域中存在小黑點(diǎn)，且光斑邊緣較為散亂，這種區(qū)域的不完整性不利于后續(xù)光斑特征分析，影響識(shí)別效果。為使二值圖像中的目標(biāo)區(qū)域盡可能與原圖像一致，本文采用形態(tài)學(xué)處理方法[8]。選用3×3的矩陣對(duì)光斑區(qū)域進(jìn)行膨脹處理，使光斑邊緣參差不齊的齒狀情況得以減輕，利于形狀特征的提取。消除像素小于100的連通區(qū)域，消除因上一步膨脹而擴(kuò)大的噪點(diǎn)對(duì)識(shí)別的影響。所獲電池圖像經(jīng)如圖3所示的預(yù)處理后，反射光斑區(qū)域得以凸顯，如圖4所示。在水平和垂直照射條件下各提取電池圖像反射光區(qū)域幾何特征，包括連通區(qū)域個(gè)數(shù)Connect-num、兩兩連通區(qū)域質(zhì)心之間的最大和次大距離max1、max2、反射光斑面積、反射光區(qū)域最小外接矩形長(zhǎng)短軸之比t、反射光斑區(qū)域與最小外接矩形占空比qt以及該圖像的七個(gè)不變矩特征1-7。一共13×2個(gè)特征向量。

圖3 鋰電池反射光斑區(qū)域特征提取

圖4 電池圖像形態(tài)學(xué)處理效果圖

1.3 基于粗糙集的特征屬性優(yōu)選

訓(xùn)練樣本共提取13×2個(gè)特征屬性，在實(shí)際分類過程中，過多的屬性會(huì)導(dǎo)致分類模型訓(xùn)練和檢測(cè)時(shí)間過長(zhǎng)。為滿足在線檢測(cè)的實(shí)時(shí)性要求，本文采用粗糙集屬性約簡(jiǎn)算法優(yōu)選特征參數(shù)。

初始化：

開始：

則基于屬性重要度的電池檢測(cè)系統(tǒng)屬性約簡(jiǎn)算法如下所示：

標(biāo)記：

初始化：

開始：

經(jīng)算法1和算法2運(yùn)算后，電池特征屬性由原來13×2個(gè)屬性約簡(jiǎn)為5×2個(gè)：{Connect-num、qt、1、7、max2}。約簡(jiǎn)的特征子集作為分類器的輸入，減少冗余信息的干擾，加快訓(xùn)練速度，同時(shí)在檢測(cè)過程中，更少的特征子集縮短了電池特征的提取時(shí)間，提高在線檢測(cè)效率。

1.4 C-SVM支持向量機(jī)分類

SVM的基本思想是尋求使得分類間隔最大的最優(yōu)分類線。在線性可分的情況下，假設(shè)每個(gè)樣本由特征向量和類別標(biāo)記組成，即(，)，取值1或-1。兩類樣本的分類線方程為則樣本點(diǎn)到某個(gè)超平面的間隔定義為：

從而尋求最大間隔分類面問題轉(zhuǎn)化為求解二次優(yōu)化問題：

當(dāng)分類問題線性不可分時(shí)，式(4)引入了松弛變量錯(cuò)分懲罰因子和松弛變量ξ：

式(5)即為C-SVM的數(shù)學(xué)模型，可以根據(jù)具體的分類問題，調(diào)節(jié)懲罰因子在分類器的泛化能力和誤判率之間進(jìn)行折衷。

如圖5所示，當(dāng)特征數(shù)據(jù)高度線性不可分時(shí)，SVM采用核函數(shù)特征數(shù)據(jù)映射到高維空間，使得映射后的數(shù)據(jù)在高維空間上線性可分。

圖5 線性不可分?jǐn)?shù)據(jù)映射到線性可分高維空間

使用核函數(shù)進(jìn)行特征映射后，導(dǎo)出分類判別函數(shù)為：

傳統(tǒng)分類器性能評(píng)價(jià)是給定訓(xùn)練集，用式(7)決策方程驗(yàn)證分類器對(duì)訓(xùn)練集的準(zhǔn)確率。但是這種評(píng)價(jià)很容易陷入過學(xué)習(xí)和欠學(xué)習(xí)問題。假設(shè)給定的訓(xùn)練集恰好不存在互相矛盾的訓(xùn)練點(diǎn)，此時(shí)分類器的識(shí)別率將顯示為100%，顯然這不是一個(gè)好的算法，因?yàn)樗豢紤]了經(jīng)驗(yàn)風(fēng)險(xiǎn)。而應(yīng)用過程中，真正關(guān)心的是非訓(xùn)練集的樣本輸入時(shí)分類器的性能。由此，我們使用更為可靠的交叉驗(yàn)證法對(duì)分類模型進(jìn)行評(píng)價(jià)。為避免過學(xué)習(xí)和欠學(xué)習(xí)，我們引入折交叉驗(yàn)證法。將電池特征樣本平均分為互不相交的個(gè)子集，每個(gè)子集數(shù)據(jù)依次做一次驗(yàn)證集，用其余-1個(gè)子集訓(xùn)練得到的分類器進(jìn)行測(cè)試，由此得到個(gè)分類器模型，最后用所有次迭代中的錯(cuò)誤分類個(gè)數(shù)之和與總訓(xùn)練樣本數(shù)之比作為分類器誤判率的一個(gè)估計(jì)[10]。

2 實(shí)驗(yàn)結(jié)果與分析

采用173個(gè)容量為2 000 mAh的半成品鋰電池單體作為實(shí)驗(yàn)樣本，在圖2所示模型裝置下采集電池圖像共173×2。提取每張電池圖像反射光斑區(qū)域特征：連通區(qū)域個(gè)數(shù)、兩兩連通區(qū)域質(zhì)心之間的最大距離和次大距離、反射光斑總面積、反射光區(qū)域最小外接矩形長(zhǎng)短軸之比、反射光斑區(qū)域與最小外接矩形占空比以及該圖像的七個(gè)不變矩特征。同一電池在水平照射和垂直照射下的兩張圖像作為一個(gè)樣本，共13×2個(gè)特征屬性。經(jīng)1.3節(jié)屬性約簡(jiǎn)后，電池特征屬性集為{Con-

圖6 粗網(wǎng)格參數(shù)尋優(yōu)等高線圖

圖7 網(wǎng)格精細(xì)尋優(yōu)等高線圖

將173個(gè)樣本分為兩組，訓(xùn)練組樣本數(shù)為80，合格和氣脹電池分別為48和32；測(cè)試組樣本數(shù)93，合格與氣脹電池分別為56和37。分別用屬性約簡(jiǎn)的C-SVM方法和直接C-SVM方法對(duì)電池樣本進(jìn)行訓(xùn)練，測(cè)試結(jié)果對(duì)比如表1所示。

表1 屬性約簡(jiǎn)的C-SVM與直接C-SVM檢測(cè)效果對(duì)比

由表1可知，屬性約簡(jiǎn)的C-SVM方法與未約簡(jiǎn)的直接C-SVM方法相比，在識(shí)別精度上有所提高。樣本特征經(jīng)過屬性約簡(jiǎn)，提取出影響識(shí)別結(jié)果的關(guān)鍵屬性子集，即特征屬性的核，排除原屬性集中的干擾屬性，使得分類更為準(zhǔn)確。同時(shí)，由于訓(xùn)練樣本的特征屬性大大減少，從而縮短訓(xùn)練時(shí)間和檢測(cè)時(shí)間，提高在線檢測(cè)的效率。

3 結(jié)論

本文提出了一種基于機(jī)器視覺的鋰電池氣脹檢測(cè)方法。借鑒物體表面缺陷視覺檢測(cè)技術(shù)，通過分析鋰電池在特定光源下反射光區(qū)域的幾何特征對(duì)鋰電池氣脹進(jìn)行檢測(cè)與分選。采用粗糙集屬性約簡(jiǎn)算法優(yōu)選樣本特征屬性，減少冗余信息的干擾，縮短C-SVM分類器的訓(xùn)練和識(shí)別時(shí)間，提高在線檢測(cè)效率。測(cè)試結(jié)果表明，所提方法不僅減少了鋰電池在線檢測(cè)時(shí)間，同時(shí)較少的特征屬性減少了內(nèi)存空間的占用，為鋰電池生產(chǎn)過程中，氣脹電池的自動(dòng)化分選提供了一種有效的方法。

[1]DING Z W,WANG S L，ZHAO W J.Study about Lithium Battery's Characteristics[C]//proceedings of International Conference on Computer,Mechatronics,Control and Electronic Engineering 2010，Changchun：IEEE，2010：639-642.

[2]REZAY，MARIAH，MATTHEWR.TheSEIlayerformedonlithium metal in the presence of oxygen:A seldom considered component in the development of the Li-O-2 battery[J].Journal of Power Sources，2013，225：40-45.

[3]JOHANNA K S,YI D，PAUL A K.Role of dissolved gas in ionic liquid electrolytes for secondary lithium metal batteries[J].Journal of Physical Chemistry,2013,117：4980-4985.

[4]王子君.液態(tài)軟包裝LiFePO4鋰離子電池氣脹問題的研究[D].天津：天津大學(xué)，2009.

[5] 孫正軍.基于圖像邊緣提取的電池極片瑕疵檢測(cè)研究[D].湖南：中南大學(xué)，2009.

[6] 肖安邦.基于機(jī)器視覺的鋰電池檢測(cè)系統(tǒng)開發(fā)[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2007.

[7] 郭炳焜，徐徽，王先友，等.鋰離子電池[M]．長(zhǎng)沙：中南大學(xué)出版社，2002：1-88.

[8]RAFAEL C，GONZALEZ，RICHARD E W.Digital Image Processing[M].北京：電子工業(yè)出版社，2010.

[9] 苗奪謙，李道國．粗糙集理論、算法與應(yīng)用[M].阮秋琦，阮澤智，等譯.北京：清華大學(xué)出版社，2008：70-74.

[10] 鄧乃揚(yáng)，田英杰．支持向量機(jī)——理論、算法與拓展[M].北京：科學(xué)出版社，2009：151-153.

Swollen lithium battery on-line detecting method based on attributes reduction

ZHAN Yin-yin1,DENG Ji-wei2,WANG Tai-hong2

During the production of lithium battery,swollen battery detection mostly depends on worker'feeling and experience,so the detection result is subjective and ineffective.The swollen lithium battery on-line detecting method based on computer vision was proposed.Under light irradiation with certain angle and intensity,swollen battery and qualified battery show up different light-spots distribution.The light-spots region features on lithium battery image were extracted as the inputs of classification model.The classification model combined rough set attribute reduction with C-SVM was proposed to meet the high requirement of real-time.Firstly,rough set attribute reduction method based on attribute importance was used to optimize features. Then the classification model was built by K-fold cross-validation strategy and grid searching optimizing C-SVM parameters.The experiments show that the lithium battery detecting method based on attribute reduction can reduce data redundancies,decrease the feature dimension of battery samples,shorten the detecting time and improve the detection efficiency on-line.The proposed method can achieve a recognition rate of 96.774 2%,providing an efficiency detection method for swollen battery automated separation in production process.

lithium battery;swollen detection;rough set;support vector machine

TM 912.9

A

1002-087 X(2015)04-0736-03

2014-09-02

國家“973”計(jì)劃項(xiàng)目（2007CB310500）

詹茵茵（1988—），女，廣西壯族自治區(qū)人，碩士生，主要研究方向?yàn)橹悄芸刂啤⒛Ｊ阶R(shí)別。