屬性約簡的氣脹鋰電池在線檢測方法

詹茵茵，鄧積微，王太宏

(1.湖南大學信息科學與工程學院，湖南長沙410082；2.湖南大學微納電子研究中心，湖南長沙410082)

屬性約簡的氣脹鋰電池在線檢測方法

詹茵茵1，鄧積微2，王太宏2

(1.湖南大學信息科學與工程學院，湖南長沙410082；2.湖南大學微納電子研究中心，湖南長沙410082)

針對鋰電池生產過程中氣脹檢測依賴于作業(yè)人員感覺和經驗判斷，主觀性強且效率低的情況，提出一種基于機器視覺的氣脹鋰電池在線檢測方法。特定角度和強度光源照射下，氣脹電池與合格電池呈現(xiàn)不同的反射光斑分布?；诖颂攸c，提取電池圖像反射光斑區(qū)域特征作為分類器的輸入。為滿足在線檢測系統(tǒng)實時性要求高的特點，提出粗糙集屬性約簡與C-SVM相結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方法優(yōu)選樣本特征集，然后采用K折交叉驗證和網格搜索法對C-SVM進行參數(shù)尋優(yōu)，建立分類模型。實驗結果表明，屬性約簡的鋰電池檢測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)，縮短了檢測時間，提高在線檢測效率，檢測精度達到96.774 2%，為生產過程中氣脹電池的自動化分選提供了一種有效的方法。

鋰電池；氣脹檢測；粗糙集；支持向量機

鋰電池作為手機、筆記本電腦、數(shù)碼相機等電子產品的主要驅動能源[1]，隨著電子產品的普及，越來越大的產量需求對鋰電池生產的自動化程度提出了更高的要求。在鋰電池生產過程中，由于封裝不良、電池芯內部水含量超標、化成流程異常、首次化成的SEI膜[2]不穩(wěn)定等原因，電池芯內部發(fā)生化學反應而產生氣體[3]，電池包出現(xiàn)氣脹現(xiàn)象[4]，導致電池使用性能嚴重失效，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)鋰電池生產廠家對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)工人的感覺和經驗判斷，效率低且檢測結果易受主觀因素影響，因而不甚可靠。

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

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

1 算法描述

1.1 系統(tǒng)模型

在鋰電池生產過程中，經卷繞工藝[7]，質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部存在空氣，導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氣脹鋰電池進行檢測。

圖1 特定角度及強度光源照射下鋰電池圖像

檢測系統(tǒng)的硬件模型如圖2所示。待檢鋰電池平放于檢測臺上。為獲取圖1的拍攝效果，十字型LED照射板垂直于檢測臺正上方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的控制下交互點亮水平和垂直方向子集，分別獲取電池圖像對水平光源和垂直光源的反射光斑圖像。兩張圖像作為一個電池樣本進行檢測。為減少圖像預處理過程中背景噪聲對反射區(qū)域的特征提取的干擾，檢測臺一般為黑色。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系統(tǒng)模型

1.2 特征提取

合格鋰電池對LED光源的反射光斑區(qū)域近似一個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)則形狀隨機分布。本文提取目標區(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，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，影響識別效果。為使二值圖像中的目標區(qū)域盡可能與原圖像一致，本文采用形態(tài)學處理方法[8]。選用3×3的矩陣對光斑區(qū)域進行膨脹處理，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大的噪點對識別的影響。所獲電池圖像經如圖3所示的預處理后，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)域個數(shù)Connect-num、兩兩連通區(qū)域質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以及該圖像的七個不變矩特征1-7。一共13×2個特征向量。

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)學處理效果圖

1.3 基于粗糙集的特征屬性優(yōu)選

訓練樣本共提取13×2個特征屬性，在實際分類過程中，過多的屬性會導致分類模型訓練和檢測時間過長。為滿足在線檢測的實時性要求，本文采用粗糙集屬性約簡算法優(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系統(tǒng)屬性約簡算法如下所示：

標記：

初始化：

開始：

經算法1和算法2運算后，電池特征屬性由原來13×2個屬性約簡為5×2個：{Connect-num、qt、1、7、max2}。約簡的特征子集作為分類器的輸入，減少冗余信息的干擾，加快訓練速度，同時在檢測過程中，更少的特征子集縮短了電池特征的提取時間，提高在線檢測效率。

1.4 C-SVM支持向量機分類

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，假設每個樣本由特征向量和類別標記組成，即(，)，取值1或-1。兩類樣本的分類線方程為則樣本點到某個超平面的間隔定義為：

從而尋求最大間隔分類面問題轉化為求解二次優(yōu)化問題：

當分類問題線性不可分時，式(4)引入了松弛變量錯分懲罰因子和松弛變量ξ：

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

如圖5所示，當特征數(shù)據(jù)高度線性不可分時，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 線性不可分數(shù)據(jù)映射到線性可分高維空間

使用核函數(shù)進行特征映射后，導出分類判別函數(shù)為：

傳統(tǒng)分類器性能評價是給定訓練集，用式(7)決策方程驗證分類器對訓練集的準確率。但是這種評價很容易陷入過學習和欠學習問題。假設給定的訓練集恰好不存在互相矛盾的訓練點，此時分類器的識別率將顯示為100%，顯然這不是一個好的算法，因為它只考慮了經驗風險。而應用過程中，真正關心的是非訓練集的樣本輸入時分類器的性能。由此，我們使用更為可靠的交叉驗證法對分類模型進行評價。為避免過學習和欠學習，我們引入折交叉驗證法。將電池特征樣本平均分為互不相交的個子集，每個子集數(shù)據(jù)依次做一次驗證集，用其余-1個子集訓練得到的分類器進行測試，由此得到個分類器模型，最后用所有次迭代中的錯誤分類個數(shù)之和與總訓練樣本數(shù)之比作為分類器誤判率的一個估計[10]。

2 實驗結果與分析

采用173個容量為2 000 mAh的半成品鋰電池單體作為實驗樣本，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)域個數(shù)、兩兩連通區(qū)域質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樣本，共13×2個特征屬性。經1.3節(jié)屬性約簡后，電池特征屬性集為{Con-

圖6 粗網格參數(shù)尋優(yōu)等高線圖

圖7 網格精細尋優(yōu)等高線圖

將173個樣本分為兩組，訓練組樣本數(shù)為80，合格和氣脹電池分別為48和32；測試組樣本數(shù)93，合格與氣脹電池分別為56和37。分別用屬性約簡的C-SVM方法和直接C-SVM方法對電池樣本進行訓練，測試結果對比如表1所示。

表1 屬性約簡的C-SVM與直接C-SVM檢測效果對比

由表1可知，屬性約簡的C-SVM方法與未約簡的直接C-SVM方法相比，在識別精度上有所提高。樣本特征經過屬性約簡，提取出影響識別結果的關鍵屬性子集，即特征屬性的核，排除原屬性集中的干擾屬性，使得分類更為準確。同時，由于訓練樣本的特征屬性大大減少，從而縮短訓練時間和檢測時間，提高在線檢測的效率。

3 結論

本文提出了一種基于機器視覺的鋰電池氣脹檢測方法。借鑒物體表面缺陷視覺檢測技術，通過分析鋰電池在特定光源下反射光區(qū)域的幾何特征對鋰電池氣脹進行檢測與分選。采用粗糙集屬性約簡算法優(yōu)選樣本特征屬性，減少冗余信息的干擾，縮短C-SVM分類器的訓練和識別時間，提高在線檢測效率。測試結果表明，所提方法不僅減少了鋰電池在線檢測時間，同時較少的特征屬性減少了內存空間的占用，為鋰電池生產過程中，氣脹電池的自動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，2009.

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

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

[7] 郭炳焜，徐徽，王先友，等.鋰離子電池[M]．長沙：中南大學出版社，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、算法與應用[M].阮秋琦，阮澤智，等譯.北京：清華大學出版社，2008：70-74.

[10] 鄧乃揚，田英杰．支持向量機——理論、算法與拓展[M].北京：科學出版社，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”計劃項目（2007CB310500）

詹茵茵（1988—），女，廣西壯族自治區(qū)人，碩士生，主要研究方向為智能控制、模式識別。