利用三維重建測量算法提高電芯質(zhì)檢精度的案例研究

摘 要：文章介紹了X-Ray光學(xué)成像技術(shù)對電芯進(jìn)行OH檢測、Gap檢測中出現(xiàn)的三種場景，如圖像模糊不清晰無法做出質(zhì)檢分辨、OH檢測和Gap檢測不能同時(shí)完成、超厚電芯檢測異常等案例的解決方法。其中：X-Ray高動(dòng)態(tài)范圍圖像增強(qiáng)算法解決了圖像模糊問題；利用三維重建測量算法實(shí)現(xiàn)OH檢測和Gap檢測同步，并融合Gap特征提高了OH檢測精度；針對超厚電芯在線質(zhì)檢，利用AI算法增加原圖信息，改善圖像預(yù)處理質(zhì)量，增強(qiáng)超厚電芯極片輪廓和極片端點(diǎn)的特征，解決了X-Ray穿透超厚電芯出現(xiàn)信號衰減的問題。這些解決方法都是應(yīng)用“分時(shí)頻閃三維重建測量算法”來解決簡單光學(xué)算法方案無法從形態(tài)上對缺陷的高度進(jìn)行量化的測量的問題。

關(guān)鍵詞：X-Ray圖像；三維重建測量算法；圖像融合

中圖分類號：TP206+.1 文獻(xiàn)標(biāo)識碼：A 文章編號：2096-4706（2024）17-0005-04

0 引 言

電芯是鋰離子電池的內(nèi)部核心[1]。通常情況下，電芯被一種藍(lán)膜包覆，形成方形藍(lán)膜電芯。方形藍(lán)膜電芯可以保護(hù)電芯免受外界環(huán)境的影響，提高電芯的安全性、穩(wěn)定性和使用性能，還可以延長電池的使用壽命。

鋰電池生產(chǎn)中的包膜工序已經(jīng)設(shè)定了對“粘附性、均勻型、涂布速度、邊緣整潔度、氣泡、浸潤性和邊緣梯度”等工藝控制參數(shù)，以保證方形藍(lán)膜電芯產(chǎn)品質(zhì)量。但生產(chǎn)企業(yè)必須在方形藍(lán)膜電芯出廠前，對方形藍(lán)膜電芯進(jìn)行質(zhì)量檢測，以保證向用戶提供合格產(chǎn)品。

方形藍(lán)膜電芯質(zhì)量檢測包括對電芯極柱側(cè)面進(jìn)行外觀檢測，如極簡極柱側(cè)面塑膠燙傷、劃痕、破損、漏金屬、及極限極柱側(cè)面的極柱拉絲、極柱塑膠燙傷等缺陷[2]。近年來，X射線探測器成像技術(shù)已經(jīng)廣泛地應(yīng)用到檢測方形藍(lán)膜電芯質(zhì)量。其工作原理是X射線源發(fā)出的射線穿過待檢電芯工位并在相應(yīng)探測器上成像，以實(shí)現(xiàn)待檢測電芯的全方位檢測。這種電芯檢測技術(shù)是采用視覺照片技術(shù)檢測代替人工識別。隨著光學(xué)影像技術(shù)與軟件算法結(jié)合不斷深入[3]，電芯質(zhì)檢效率和準(zhǔn)確率不斷提高，也不斷減少電芯產(chǎn)品誤檢情況的發(fā)生。

文章介紹的三種案例是在采用X-Ray光學(xué)成像信息與計(jì)算機(jī)結(jié)合的自動(dòng)化檢測系統(tǒng)中植入三維重建測量算法，解決方形藍(lán)膜電芯質(zhì)檢中遇到的具體問題。

1 名詞解釋

1.1 電芯OH檢測

裸電芯內(nèi)有陰極、陽極和隔片等三層結(jié)構(gòu)[1]。裸電芯內(nèi)的陰極、陽極厚度一致，長度不同。陰、陽極長度不同的固定差值是電芯內(nèi)部的電化學(xué)反應(yīng)的必備條件。裸電芯OH測定就是利用光學(xué)成像技術(shù)檢測陰、陽極長度差值是否滿足標(biāo)準(zhǔn)。

1.2 電芯Gap檢測

電芯Gap檢測是裸電芯內(nèi)的陰極、陽極之間的物理間距的檢測。

2 案例介紹

2.1 案例一

利用X-Ray圖像對比度檢測時(shí)會(huì)遇到方形藍(lán)膜電芯檢測特征與特征周圍物質(zhì)相差不大的檢測場景。這是因?yàn)閭鹘y(tǒng)圖像增強(qiáng)算法導(dǎo)致圖像原始數(shù)據(jù)大量丟失、圖像模糊，無法完成方形藍(lán)膜電芯的在線檢測。

從技術(shù)角度[4-5]分析上述的場景現(xiàn)象，發(fā)現(xiàn)現(xiàn)有X-Ray圖像對比度檢測存在以下兩個(gè)問題：

1）圖像極片頭部圖像不夠清晰，無法用于OH檢測，檢測準(zhǔn)確度差。

2）低信噪比情況下圖像預(yù)處理效果不佳，導(dǎo)致后續(xù)檢測精度預(yù)重復(fù)性達(dá)不到要求。

采用X-Ray高動(dòng)態(tài)范圍圖像的增強(qiáng)算法，可以解決上述兩個(gè)問題。X-Ray高動(dòng)態(tài)范圍圖像增強(qiáng)算法的機(jī)理是利用多種降噪方法組合的方式對低信噪比圖像進(jìn)行降噪處理[1，5-6]；并利用圖像的梯度信息進(jìn)行圖像增強(qiáng)處理[4，7]，同時(shí)增強(qiáng)OH和Gap檢測所需的極片特征[2]。具體做法是在原X-Ray圖像對比度檢測流程中植入“均值濾波、高斯濾波及三維塊匹配降噪”三組模塊。其中“三維塊匹配降噪”是通過分時(shí)頻閃攝像對前后兩幀的圖像進(jìn)行對比篩選處理以發(fā)現(xiàn)降噪位置，利用三維重建算法對其進(jìn)行增強(qiáng)控制，獲得圖像明暗部分細(xì)節(jié)都更加清晰的實(shí)際圖像效果。

X-Ray高動(dòng)態(tài)范圍圖像增強(qiáng)算法的技術(shù)流程如圖1所示，具體步驟如下：

1）將X-Ray圖像帶入Retinex理論的基本假設(shè)，將原始圖像S表示為光照圖像L和反射率圖像R的乘積獲取原始圖像S的對數(shù)處理圖像s-log。

2）對獲取的對數(shù)處理圖像s-log進(jìn)行歸一化處理，得到對數(shù)處理圖像的歸一化圖像s-log-1。

3）利用導(dǎo)向?yàn)V波算法獲取平滑區(qū)域均值濾波的圖像base-log；將平滑區(qū)域均值濾波的圖像base-log映射至對數(shù)處理圖像s-log圖像值域，得到映射后的圖像baseys-log，對數(shù)處理圖像s-log減去映射后的圖像baseys-log得到圖像detail-log。

4）分別為平滑區(qū)域均值濾波的圖像base-log和圖像detail-log分配一個(gè)正數(shù)系數(shù)；將分配有正系數(shù)的平滑區(qū)域均值濾波的圖像base-log和圖像detail-log相加得到圖像r-log，并將r-log映射至對數(shù)處理圖像s-log的圖像值域；最后，獲取增強(qiáng)后的結(jié)果圖R。

本方法在2023年9月用于方形藍(lán)膜電芯在線質(zhì)檢。其具體操作是將多種降噪算法組合使用，盡可能提高圖像信噪比。利用X-Ray設(shè)備在同一位置分時(shí)多頻次取圖，并對多張圖像做均值濾波即可從時(shí)域維度有效提高信噪比，隨后對均值圖像進(jìn)行高斯濾波減弱圖像中的高斯噪聲。最后利用三維模塊匹配算法將相似圖像塊處理成三維組完成協(xié)同濾波。利用壓縮后梯度值重建圖像，并對重建圖像進(jìn)行單向?qū)Ρ榷仍鰪?qiáng)或局部直方圖等對比度拉伸操作獲取供后續(xù)檢測的X-Ray圖像。

現(xiàn)場應(yīng)用表明：利用梯度導(dǎo)向?yàn)V波重建算法重建圖像，并對重建圖像進(jìn)行單向?qū)Ρ榷仍鰪?qiáng)或局部直方圖等對比度拉伸操作后，X-Ray圖像極片清晰，圖像效果柔和，受硬件噪聲影響小，更利于電芯后續(xù)檢測。

如圖2所示的梯度導(dǎo)向?yàn)V波圖可以向讀者直觀地展示“利用圖像的梯度信息進(jìn)行圖像增強(qiáng)處理”的效果。就是利用X-Ray原高位圖像中的梯度信息對圖像進(jìn)行重建并在保證信噪比的同時(shí)，進(jìn)一步地突出了被檢物的細(xì)節(jié)信息[8]。

2.2 案例二

本案例主要內(nèi)容為如何利用相同圖像與標(biāo)注信息，實(shí)現(xiàn)電芯OH檢測和Gap檢測的同時(shí)進(jìn)行，以提高信息利用率并提高OH檢測精度。

方形藍(lán)膜電芯質(zhì)檢希望依靠光學(xué)成像技術(shù)[3-4]把被檢物看得越細(xì)越好。但因采用光學(xué)成像技術(shù)不同，在線質(zhì)檢裝置成本也不同。在不增加質(zhì)檢成本的前提下提高檢測精度，解決方案就是依靠現(xiàn)有X-Ray圖像，利用相同OH圖像檢測Gap，實(shí)現(xiàn)多種預(yù)處理效果及Gap特征融合[6-7，9]，從而提高OH檢測精度。

原技術(shù)方法是先獲取訓(xùn)練樣本的圖像集，根據(jù)訓(xùn)練樣本圖像集對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練以獲取分割的網(wǎng)絡(luò)模型；然后根據(jù)分割網(wǎng)絡(luò)模型對待檢測電芯的目標(biāo)檢測圖像進(jìn)行檢測，獲取相應(yīng)的第一、二值化圖像；再根據(jù)第一、二值化圖像獲取待檢測電芯的正極和負(fù)極的頂部坐標(biāo)；最后根據(jù)頂部坐標(biāo)計(jì)算待檢測電芯的OH。其存在以下兩個(gè)問題：

1）這種方法只能單獨(dú)完成電芯OH檢測。對于不涉及電芯OH檢測的大量極片圖像和標(biāo)注信息都被忽略掉。如進(jìn)行電芯Gap檢測，還需要另外獲取圖像信息，即不能同時(shí)完成電芯OH檢測和Gap檢測。

2）在單一圖像效果中，隨著圖像靠近電芯內(nèi)圈，信噪比逐漸下降導(dǎo)致檢測精度與重復(fù)性達(dá)不到檢測要求。

改進(jìn)后的技術(shù)方法要實(shí)現(xiàn)利用同一圖像標(biāo)注信息完成OH檢測和Gap檢測，提高信息利用率；同時(shí)還要利用Gap檢測結(jié)果提高OH檢測精度，滿足MAS重復(fù)性和準(zhǔn)確性的要求。其具體操作是先對X-Ray預(yù)處理圖像進(jìn)行圖像融合[4，10]；即通過多階段任務(wù)和多預(yù)處理效果融合，形成適合于神經(jīng)網(wǎng)絡(luò)訓(xùn)練的樣本圖像集[5-7]；然后調(diào)整現(xiàn)有標(biāo)注方式使OH標(biāo)注信息可用于Gap檢測；再植入三維重建算法模型[11-12]對待測電芯進(jìn)行Gap檢測；最后將Gap檢測獲得的極片特征信息植入OH檢測的AI算法中，達(dá)到獲取高精度OH信息的目的。這種技術(shù)方法被稱之為“基于AI算法的OH檢測方法”。

原OH檢測方法僅利用預(yù)處理效果進(jìn)行OH檢測。反之，改進(jìn)后的OH檢測方法是使用側(cè)重點(diǎn)不同的兩種預(yù)處理效果共同進(jìn)行檢測[10]，對預(yù)處理圖像1、2分別突出極片骨架和極片細(xì)節(jié)，兩種預(yù)處理圖像融合為多通道圖像后進(jìn)行標(biāo)注制作深度學(xué)習(xí)數(shù)據(jù)集[6-7，9]，以增加數(shù)據(jù)維度從而提高檢測精度[5]。AI算法融合多種預(yù)處理效果[11]和Gap檢測獲得的極片信息達(dá)到提高OH檢測精度的目的，滿足工業(yè)生產(chǎn)MSA需求。

AI模型是分割模型。分割模型實(shí)現(xiàn)了對圖像進(jìn)行多次特征提取[12]，然后對圖像中每個(gè)像素點(diǎn)進(jìn)行分類輸出背景、陰極、陽極的特征值與概率值的目的。利用梯度下降法進(jìn)行模型訓(xùn)練至能穩(wěn)定識別陰、陽極。經(jīng)Gap模型輸出的概率圖利用閾值分割可以得到陰、陽極圖；再采用原算法得到Gap數(shù)值，模型輸出特征值融合植入多通道圖像進(jìn)行OH檢測。

Gap模型輸出的特征值非OH檢測必需，但補(bǔ)充特征值卻有效提高OH檢測準(zhǔn)確度。

OH模型輸出概率圖利用閾值分割得到陰、陽極頭部的mask圖，再經(jīng)原算法確定極片對應(yīng)關(guān)系計(jì)算OH值，其技術(shù)流程如圖3所示。

2.3 案例三

X-Ray設(shè)備對超厚電芯檢測時(shí)出現(xiàn)圖像信號衰減，無法完成電芯的Gap檢測。

超厚電芯是電芯生產(chǎn)異常狀態(tài)的產(chǎn)品。出現(xiàn)超厚電芯時(shí)，常規(guī)X-Ray設(shè)備就會(huì)出現(xiàn)圖像信號衰減，出現(xiàn)待檢電芯檢測故障。這是因?yàn)楦倪M(jìn)前的電芯質(zhì)檢方法是先對原始X-Ray圖像進(jìn)行單向?yàn)V波處理，得到可用于Gap檢測的極片特征圖；然后制作樣本圖像集并根據(jù)訓(xùn)練樣本圖像集對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練以獲取分割網(wǎng)絡(luò)模型；最后根據(jù)分割網(wǎng)絡(luò)模型對待檢測電芯的目標(biāo)檢測圖像進(jìn)行比對檢測。但存在的問題是當(dāng)電芯超厚時(shí)，X-Ray在穿透電芯后出現(xiàn)信號衰減，檢測超厚電芯時(shí)內(nèi)圈信噪比過低導(dǎo)致預(yù)處理后極片不連續(xù)，無法完成Gap檢測。

改進(jìn)后的檢測方案是借助AI算法[11]對X-Ray預(yù)處理圖像進(jìn)行檢測，通過組合降噪結(jié)合后，得到更加適合的預(yù)處理方式，解決因電芯過厚，X-Ray穿透電芯厚的信號衰減無法進(jìn)行Gap的問題。其檢測工作流程是：

1）先改進(jìn)標(biāo)注方式，并增加原圖信息完成對極片特征不連續(xù)電芯的Gap檢測。

2）對X-Ray圖像梯度信息進(jìn)行處理，改善預(yù)處理質(zhì)量，增強(qiáng)超厚電芯極片輪廓及極片端點(diǎn)的特征。

改進(jìn)后的檢測方法可以達(dá)到增加Gap檢測的抗干擾能力，還可以對低信噪比圖像、預(yù)處理后極片特征不連續(xù)的圖像進(jìn)行Gap檢測；同時(shí)統(tǒng)一Gap、OH預(yù)處理效果，降低Gap訓(xùn)練數(shù)據(jù)集的獲取難度，超厚電芯檢測流程如圖4所示。

本解決方案的AI模型分為編碼器和解碼器兩個(gè)部分。編碼器通過多次采樣提取不同視覺場景下的極片特征，隨后特征數(shù)據(jù)進(jìn)入解碼器部分經(jīng)多次特征融合，最終輸出背景、陰極、陽極三張權(quán)重圖。模型的訓(xùn)練使用交叉熵?fù)p失函數(shù)和梯度下降法對模型進(jìn)行反向傳播更新參數(shù)[12]，提高模型感知極片的能力。最后根據(jù)模型輸出陰、陽極結(jié)果利用傳統(tǒng)算法計(jì)算相鄰陰陽極最小間距，從而獲得電芯Gap信息。

使用改進(jìn)后的檢測方法可以探測厚度32 mm裸電芯上的單層厚度變化的缺陷。

3 結(jié) 論

本文介紹了提高方形藍(lán)膜電芯質(zhì)檢精確度的三種改進(jìn)方法。這三種改進(jìn)方法都是依靠現(xiàn)有X-Ray設(shè)備在進(jìn)行電芯質(zhì)檢光學(xué)成像過程中，借助AI技術(shù)優(yōu)化或改進(jìn)原檢測流程，提高在線質(zhì)檢設(shè)備檢測精度和檢測準(zhǔn)確率的案例。案例1是通過AI塊匹配降噪增強(qiáng)圖像對比度，解決方形藍(lán)膜電芯檢測特征與特征周圍物質(zhì)相似、圖像模糊無法檢測的問題。案例2通過圖像融合、標(biāo)注調(diào)整及三維重建算法，解決OH檢測和Gap檢測不能同時(shí)完成的問題。案例3針對生產(chǎn)異常出現(xiàn)32 mm的超厚電芯的檢測方法。

應(yīng)用三維視覺成像技術(shù)對電芯表面異物或凹坑的高度或深度等具體質(zhì)量缺陷細(xì)節(jié)的質(zhì)檢技術(shù)是“基于分時(shí)頻閃的三維重建測量算法”。這種技術(shù)方法可解決簡單光學(xué)算法方案無法從形態(tài)上對缺陷的高度進(jìn)行量化的測量的問題。

采用這種AI算法后，分時(shí)頻閃高度相關(guān)性系數(shù)大于97%，高于人工置信度80%。從實(shí)際應(yīng)用效果看，分時(shí)頻閃三維重建測量算法技術(shù)的可靠性非常高。

隨著社會(huì)對方形藍(lán)膜電芯產(chǎn)品質(zhì)量要求不斷提高，方形藍(lán)膜電芯在線質(zhì)檢水平也將持續(xù)改進(jìn)提升。如電芯的極片變形/微短路、隔膜瑕疵、負(fù)極析鋰、金屬異物以及熱穩(wěn)定性，等等，都是影響電芯產(chǎn)品質(zhì)量潛在因素。為保證電池使用安全，必須在方形藍(lán)膜電芯被使用前，實(shí)現(xiàn)產(chǎn)品在線質(zhì)檢信息及時(shí)反饋，控制有缺陷電芯不進(jìn)入社會(huì)。由此來說，提升方形藍(lán)膜電芯質(zhì)量檢測技術(shù)水平就是不斷改進(jìn)檢測方法，提高質(zhì)量檢測精確度。

未來的方形藍(lán)膜電芯質(zhì)量檢測技術(shù)是光學(xué)成像與光學(xué)信息和計(jì)算機(jī)乃至數(shù)學(xué)模型有機(jī)融合，實(shí)現(xiàn)高精度智能化在線質(zhì)量檢測。上述所述的三種技術(shù)方案都是光學(xué)成像技術(shù)和AI模型結(jié)合的產(chǎn)物。由此可見，計(jì)算光學(xué)成像技術(shù)已經(jīng)發(fā)展為一門集信息光學(xué)、現(xiàn)代信號處理、計(jì)算光學(xué)、幾何光學(xué)等理論于一體的新興交叉技術(shù)研究領(lǐng)域。

參考文獻(xiàn)：

[1] 李泓.鋰電池基礎(chǔ)科學(xué) [M].北京：化學(xué)工業(yè)出版社，2021.

[2] 黃夢濤，王露.鋰電池極片缺陷特征融合與分類 [J].制造業(yè)自動(dòng)化，2021，43（10）：61-63.

[3] 左超，陳錢.分辨率、超分辨率與空間帶寬積拓展——從計(jì)算光學(xué)成像角度的一些思考 [J].中國光學(xué)：中英文，2022，15（6）：1105-1166.

[4] 陳純毅，吳欣怡，胡小娟，等.多尺度注意力融合的圖像超分辨率重建 [J].中國光學(xué)：中英文，2023，16（5）：1034-1044.

[5] 雷娜，安東生，郭洋，等.深度學(xué)習(xí)的幾何學(xué)解釋 [J].Engineering，2020，6（3）：340-370.

[6] 史蒂文斯，安蒂加，菲曼.PyTorch深度學(xué)習(xí)實(shí)戰(zhàn) [M].牟大恩，譯.北京：人民郵電出版社，2022.

[7] ZHANG A，LIPTON Z C，LI M，等.動(dòng)手學(xué)深度學(xué)習(xí)：PyTorch版 [M].HE X T，HU R，譯.北京：人民郵電出版社，2023.

[8] ZHAO T，ZHANG S X. X-Ray Image Enhancement Based on Nonsubsampled Shearlet Transform and Gradient Domain Guided Filtering [J].Sensors，2022，22（11）：4074.

[9] 張偉楠，沈鍵，俞勇.動(dòng)手學(xué)強(qiáng)化學(xué)習(xí) [M].北京：人民郵電出版社，2022.

[10] 凱勒，布拉德斯基.學(xué)習(xí)OpenCV 3：中文版 [M].劉昌祥，吳雨培，王成龍，等譯.北京：清華大學(xué)出版社，2018.

[11] 張奇，桂韜，鄭銳，等.大規(guī)模語言模型：從理論到實(shí)踐 [M].北京：電子工業(yè)出版社，2024.

[12] 李金洪.基于BERT模型的自然語言處理實(shí)戰(zhàn) [M].北京：電子工業(yè)出版社，2021.

作者簡介：黃云龍（1988—），男，漢族，廣東揭陽人，上海交通大學(xué)博淵未來技術(shù)學(xué)院聯(lián)培基地行業(yè)導(dǎo)師，博士，研究方向：智能電芯及電芯智能檢測技術(shù)。

收稿日期：2024-02-29

DOI：10.19850/j.cnki.2096-4706.2024.17.002

Cas+0nzhOdapxkUugsv7l6HDqRE1Q7oQV7j5BSYiOeuRqw=e Research on Improving the Precision of Cell Quality Detection by 3D Reconstruction Measurement Algorithm

HUANG Yunlong

（Department of Intelligent Manufacturing in CATL， Ningde 352100， China）

Abstract： This paper introduces the solutions for three kinds of scenarios in the OH detection and Gap detection of cells by X-Ray optical imaging technology， such as the image is blurred and can not be distinguished by quality inspection， OH detection and Gap detection can not be completed at the same time， and ultra-thick cell detection is abnormal.In this paper， X-Ray high dynamic range image enhancement algorithm solves the problem of image blur. The 3D reconstruction measurement algorithm is used to realize the synchronization of OH detection and Gap detection， and it fuses Gap features to improve the OH detection precision. Aiming at the online quality inspection of ultra-thick cells， AI algorithm is used to increase the original image information， improve the quality of image preprocessing， and enhance the profile of ultra-thick cell electrode sheets and the characteristics of electrode sheet end points， and it solves the problem of signal attenuation caused by X-Ray penetration of ultra-thick cells. These solution are application of “Time-sharing Stroboscopic 3D Reconstruction Measurement Algorithm” to solve the problem that the simple optical algorithm can not quantify the height of the defect morphologically.

Keywords： X-Ray image; 3D reconstruction measurement algorithm; image fusion