18650 型鋰電池安全性識(shí)別

張 威，朱家慧，王 瓊，張博利

（1.中國民航大學(xué)a.航空工程學(xué)院；b.安全科學(xué)與工程學(xué)院；c.理學(xué)院；d.基礎(chǔ)實(shí)驗(yàn)中心，天津 300300；2.民航航空公司人工智能重點(diǎn)實(shí)驗(yàn)室，天津 300300；3.中國民航航空地面特種設(shè)備研究基地，天津 300300）

鑒于世界范圍內(nèi)鋰電池造成的火災(zāi)事故層出不窮，國內(nèi)外對(duì)鋰電池的安全性展開了一系列研究?；谇叭藢?duì)鋰電池?zé)崾Э氐难芯靠芍囯姵責(zé)崾Э貢r(shí)內(nèi)部凝膠卷結(jié)構(gòu)會(huì)發(fā)生顯著的氣體誘導(dǎo)分層、電極層坍塌、結(jié)構(gòu)降解和體積膨脹[1-3]，電池內(nèi)的放熱過程導(dǎo)致溫度不受控制地升高[4]，極端的熱和電條件會(huì)導(dǎo)致電極材料活性物質(zhì)的顆粒形態(tài)、粒度分布和比表面積發(fā)生變化[2]，也會(huì)導(dǎo)致?lián)]發(fā)性溶劑產(chǎn)生氣體釋放[5]，其中結(jié)構(gòu)變化和溫度變化分別能在三維顯微CT（computed tomography）掃描儀和熱成像儀中觀察到，所以針對(duì)該問題進(jìn)行圖像處理具有重要的研究意義。目前國內(nèi)外對(duì)于鋰電池圖像處理的研究基本上都是對(duì)電池外觀缺陷[6-9]和電池極片缺陷[10-13]進(jìn)行處理，而對(duì)熱失控前鋰電池內(nèi)部發(fā)生結(jié)構(gòu)變化的識(shí)別相對(duì)較少。而容易產(chǎn)生熱失控并爆炸起火的鋰電池的典型特征大體分為兩種：一種為凝膠卷結(jié)構(gòu)產(chǎn)生褶皺，另一種為電極材料產(chǎn)生分解、安全閥打開[14]。目前安檢人員在人員流動(dòng)的高峰期工作強(qiáng)度大，且鋰電池航空運(yùn)輸?shù)陌踩L(fēng)險(xiǎn)較高，因此在航空領(lǐng)域中實(shí)現(xiàn)鋰電池檢測的自動(dòng)化就顯得尤為重要。為了加強(qiáng)此領(lǐng)域的研究應(yīng)用，本文以18650 型鋰電池為例，通過設(shè)計(jì)一種圖像處理方法，以凝膠卷產(chǎn)生褶皺的鋰電池、電極材料產(chǎn)生分解的鋰電池和標(biāo)準(zhǔn)鋰電池為典型研究對(duì)象，利用三維顯微CT 掃描儀對(duì)鋰電池內(nèi)部結(jié)構(gòu)變化進(jìn)行對(duì)比，捕捉容易產(chǎn)生熱失控并爆炸起火的鋰電池的典型特征，并進(jìn)行特征的提取和選擇，排列組合成特征向量后送入分類器進(jìn)行訓(xùn)練和分類，最終選擇出分類結(jié)果最優(yōu)的特征向量和分類器組合投入實(shí)際應(yīng)用。

1 鋰電池檢測算法

1.1 SVM 遷移學(xué)習(xí)算法

文獻(xiàn)[11]利用支持向量機(jī)（SVM，support vector machine）遷移學(xué)習(xí)算法對(duì)鋰電池X 光影像中的電極褶皺進(jìn)行檢測，SVM 遷移學(xué)習(xí)算法的流程如圖1 所示。

圖1 SVM 遷移學(xué)習(xí)算法流程圖Fig.1 Flow chart of SVM migration learning algorithm

首先對(duì)電極圖像進(jìn)行預(yù)處理，獲得電池電極有效區(qū)域圖像；再擴(kuò)大數(shù)據(jù)集的規(guī)模，對(duì)圖像進(jìn)行旋轉(zhuǎn)和裁剪，得到500 倍于原圖像數(shù)量的候選子圖；之后以人工標(biāo)注與自動(dòng)分類相結(jié)合的方法對(duì)所有圖像進(jìn)行數(shù)據(jù)集標(biāo)注，其中對(duì)電池電極圖像進(jìn)行人工標(biāo)注，以人工標(biāo)注為基礎(chǔ)通過一定的閾值算法對(duì)候選子圖進(jìn)行自動(dòng)分類；再把小尺寸的候選子圖送入卷積神經(jīng)網(wǎng)絡(luò)（CNN，convolutional neural network）中訓(xùn)練，其中輸入圖像的像素為99×99，輸出像素為1×1×2 的張量；訓(xùn)練好CNN 模型后，把預(yù)處理后像素為275×275 的鋰電池電極圖像送入模型，輸出2 幅像素為12× 12 的分類置信度結(jié)果圖，經(jīng)閾值降噪處理后得到電池電極特征；最后把電池電極特征送入SVM 分類器完成遷移學(xué)習(xí)，并給出預(yù)測結(jié)果。

基于SVM 遷移學(xué)習(xí)算法提出的CNN 模型，與VGG19、MobileNetV2、InceptionResNetV2[15]和ResNet50模型相比，該模型在檢測精度與檢測速度方面略占優(yōu)勢(shì)，其中檢測精度為99.04%。但將其用于鋰電池檢測仍存在以下缺點(diǎn)：①需要先進(jìn)行CNN 網(wǎng)絡(luò)特征提取，再送入SVM 分類器預(yù)測，流程較復(fù)雜；②該算法檢測結(jié)果中存在缺陷極片被檢測為正常極片的現(xiàn)象，這在現(xiàn)實(shí)生活中是有安全風(fēng)險(xiǎn)的。

1.2 MLP 特征向量分類算法

鑒于SVM 遷移學(xué)習(xí)算法流程較復(fù)雜、結(jié)果有安全風(fēng)險(xiǎn)的特點(diǎn)，提出了一種MLP（multi-layer perceptron）特征向量分類算法，該算法流程簡單，識(shí)別結(jié)果沒有安全風(fēng)險(xiǎn)。該算法主要針對(duì)18650 鋰電池3 種內(nèi)部結(jié)構(gòu)圖像進(jìn)行分類識(shí)別處理，基于存在熱失控爆炸風(fēng)險(xiǎn)的鋰電池，其內(nèi)部結(jié)構(gòu)會(huì)發(fā)生相應(yīng)變化，為了準(zhǔn)確識(shí)別出3 種鋰電池內(nèi)部結(jié)構(gòu)的種類，要逐步進(jìn)行如圖2所示的識(shí)別流程。首先進(jìn)行特征向量和分類器的選擇，選擇出使得分類結(jié)果最優(yōu)的特征向量和分類器組合后，對(duì)采集到的鋰電池樣本圖像進(jìn)行圖像預(yù)處理，然后提取預(yù)處理后圖像的特征向量，最后將特征向量送入分類器進(jìn)行分類，得到鋰電池樣本圖像的識(shí)別結(jié)果。

圖2 鋰電池樣本圖像分類識(shí)別流程圖Fig.2 Flow chart of classification and recognition of lithium battery sample images

1.2.1 獲取鋰電池合適樣本

導(dǎo)致鋰電池發(fā)熱失控的因素很多，總的來說分為4 種[16]：長期過充；未經(jīng)授權(quán)改裝外殼；環(huán)境溫度超過60 ℃；生產(chǎn)缺陷、使用不當(dāng)和擠壓針刺等外部因素導(dǎo)致短路。

長期過充會(huì)導(dǎo)致電池老化，內(nèi)部凝膠卷結(jié)構(gòu)產(chǎn)生褶皺，容易造成內(nèi)部短路進(jìn)而發(fā)生熱失控[3]；改裝外殼會(huì)導(dǎo)致安全裝置缺失，在溫度較高時(shí)電極材料發(fā)生分解，產(chǎn)生大量氣體，外殼隨之鼓包，沒有安全閥打開過程，內(nèi)部氣體無法排出直接導(dǎo)致外殼爆炸[17]；環(huán)境溫度超過60 ℃時(shí)，內(nèi)部溫度上升、熱量積聚，電極材料發(fā)生分解，產(chǎn)生大量氣體沖開安全閥，氣體排出鋰電池時(shí)與外殼產(chǎn)生摩擦，同時(shí)空氣進(jìn)入鋰電池內(nèi)部參與反應(yīng)，溫度急劇升高導(dǎo)致產(chǎn)生不可逆的熱失控[18]；生產(chǎn)缺陷、使用不當(dāng)和擠壓針刺會(huì)造成鋰電池結(jié)構(gòu)內(nèi)部短路，使用時(shí)會(huì)產(chǎn)生大量氣體導(dǎo)致安全閥打開[19]。

綜上可知，容易產(chǎn)生熱失控并爆炸起火的鋰電池的典型特征大體分為兩種：一種為凝膠卷結(jié)構(gòu)產(chǎn)生褶皺，另一種為電極材料產(chǎn)生分解、安全閥打開。可知存在3 種鋰電池結(jié)構(gòu)，分別為標(biāo)準(zhǔn)、凝膠卷產(chǎn)生褶皺和電極材料產(chǎn)生分解的鋰電池結(jié)構(gòu)，利用三維顯微CT掃描儀得到18650 鋰電池的橫截面圖像，3 種鋰電池橫截面的CT 圖像如圖3 所示。

圖3 3 種鋰電池圖像內(nèi)部結(jié)構(gòu)Fig.3 Internal structure of three kinds of lithium battery images

1.2.2 圖像預(yù)處理

為了方便提取特征，需要對(duì)鋰電池圖像進(jìn)行預(yù)處理，以標(biāo)準(zhǔn)鋰電池圖像為例進(jìn)行圖像的灰度化處理。原圖像為3 通道的彩色圖像，首先要把3 通道圖像轉(zhuǎn)換為1 通道的灰度圖像，灰度圖像的每個(gè)像素點(diǎn)灰度值Gray與R-Red、G-Green、B-Blue 分量圖像的對(duì)應(yīng)像素點(diǎn)的灰度值RG、GG、BG滿足

其次需要對(duì)灰度圖像進(jìn)行頻域?yàn)V波處理，以便平滑圖像中的噪聲。先用Direction 參數(shù)為to_freq、Exponent 參數(shù)為-1 和ResultType 參數(shù)為complex 的fft_generic 算子得到鋰電池灰度圖像的頻域圖像，轉(zhuǎn)換公式如下

式中：F（m，n）為頻域圖像，m，n 為頻域坐標(biāo)；f（x，y）為空間域圖像，x，y 為空間域坐標(biāo)；M 和N 為原圖像的大??；c 是用來縮放頻域結(jié)果的常數(shù)，可設(shè)置為1 或M×N 或可設(shè)置為1 或-1；i 表示虛數(shù)單位；k和l 分別代表頻率域中水平和垂直方向的頻率分量。

接下來生成一個(gè)濾波器對(duì)頻域圖像進(jìn)行濾波，使用gen_lowpass 算子生成一個(gè)截止頻率為0.5 Hz 的低通濾波器，然后用convol_fft 算子讓生成的低通濾波器對(duì)頻域圖像進(jìn)行濾波，濾波公式如下

式中：F′（m，n）為濾波后的頻域圖像；G（m，n）為濾波器；F（m，n）為頻域圖像。

最后用Direction 參數(shù)為to_freq、Exponent 參數(shù)為1 和ResultType 參數(shù)為byte 的fft_generic 算子對(duì)濾波后的頻域圖像進(jìn)行傅里葉反變換得到濾波后的空間域圖像f′（x，y），濾波后圖像如圖4（a）所示。對(duì)灰度圖像進(jìn)行濾波后，接下來對(duì)圖像進(jìn)行增強(qiáng)對(duì)比度處理。使用掩膜寬高為5、對(duì)比度因子為2 的emphasize 算子進(jìn)行處理，增強(qiáng)對(duì)比度處理后該圖像的每個(gè)像素點(diǎn)像素值fres滿足

圖4 獲取感興趣區(qū)域過程Fig.4 The process of obtaining ROI

式中：forig為處理前對(duì)應(yīng)像素點(diǎn)像素值；fmean為掩膜內(nèi)所有像素點(diǎn)的平均像素值；A 為對(duì)比度因子。增強(qiáng)對(duì)比度后的圖像如圖4（b）所示，鋰電池內(nèi)部的凝膠卷結(jié)構(gòu)更加清晰。

接下來確定圖像處理的感興趣區(qū)域（ROI，region of interest），該圖像的ROI 為鋰電池圖像中除去背景之外的鋰電池所在區(qū)域。首先需要選用高斯平滑系數(shù)為25的auto_threshold 算子對(duì)圖像進(jìn)行二值化處理，得到的二值化區(qū)域如圖4（c）所示。用connection 算子斷開二值化處理得到的區(qū)域，接著以斷開的區(qū)域作為起始區(qū)域進(jìn)入一個(gè)循環(huán)：先用區(qū)域特征算子region_features計(jì)算每個(gè)斷開區(qū)域的面積特征，再用選擇區(qū)域算子select_shape 選擇斷開區(qū)域中面積最大的區(qū)域，然后用填充算子fill_up 對(duì)選擇出的區(qū)域進(jìn)行填充，用圓度特征算子circularity 獲取填充后區(qū)域的圓度特征，最后用區(qū)域求差算子difference 求得進(jìn)入此循環(huán)的起始區(qū)域與此循環(huán)中面積最大區(qū)域的差區(qū)域，求得的差區(qū)域隨即作為下一個(gè)循環(huán)的起始區(qū)域，進(jìn)入下一個(gè)循環(huán)繼續(xù)進(jìn)行處理，直到填充后區(qū)域的圓度特征大于0.9，跳出循環(huán)。跳出循環(huán)后，最后一個(gè)循環(huán)得到的填充后區(qū)域?yàn)镽OI，如圖4（d）所示。

18650 型鋰電池內(nèi)部結(jié)構(gòu)發(fā)生變化時(shí)，首先會(huì)在凝膠卷結(jié)構(gòu)內(nèi)部產(chǎn)生，為了加快訓(xùn)練與識(shí)別的速度和準(zhǔn)確率，需要縮小鋰電池圖像識(shí)別的區(qū)域范圍。鋰電池按照有無內(nèi)部銅質(zhì)支撐物分為兩種，有銅質(zhì)支撐物的鋰電池圖像會(huì)干擾到分類的準(zhǔn)確性，而凝膠卷結(jié)構(gòu)變化的特征需要被重點(diǎn)關(guān)注。為了使鋰電池圖像的分類更加準(zhǔn)確，需要把包括銅質(zhì)支撐物的中空區(qū)域灰度值繪制為0。圖像裁剪與繪制流程圖如圖5 所示。

圖5 圖像裁剪與繪制流程圖Fig.5 Flowchart of image cropping and painting

（1）首先獲取ROI 的最小外接圓，輸出最小外接圓中心點(diǎn)的行坐標(biāo)Row 和列坐標(biāo)Column，以及圓的半徑Radius；然后用gen_circle 算子分別生成圓心坐標(biāo)為Row 和Column，圓半徑為Radius/2、Radius/3.5、Radius/5.5的3 個(gè)圓區(qū)域Circle、Circle1、Circle2；然后再用difference 算子獲取Circle 和Circle1 的差區(qū)域Circle3；再使用min_max_gray 算子獲取增強(qiáng)后的圖像分別在Circle、Circle2、Circle3 區(qū)域內(nèi)的最小灰度值Min、Min2、Min3，最大灰度值Max、Max2、Max3，灰度值范圍Range、Range2、Range3；再用reduce_domain 算子把增強(qiáng)后的圖像裁剪成Circle 區(qū)域的大小，即ROI 最小外接圓半徑的一半；然后使用area_center 算子獲取裁剪后圖像的面積大小Area；最后使用crop_domain 算子把裁剪為原來一半的圖像進(jìn)行放大。裁剪后的圖像如圖6（a）所示。

圖6 圖像的裁剪與繪制Fig.6 Image cropping and painting

（2）判斷裁剪后的圖像內(nèi)有無銅質(zhì)支撐物。銅質(zhì)支撐物是圖像內(nèi)灰度最高的部分，且與其他部分形成灰度值差。判斷方法為查看ROI 的中間區(qū)域內(nèi)是否有比ROI 的凝膠卷結(jié)構(gòu)區(qū)域更亮的部分，首先用threshold 算子對(duì)裁剪后的圖像進(jìn)行二值化處理，算子的最小灰度值參數(shù)設(shè)為Max3，最大灰度值參數(shù)設(shè)為255，以便選中灰度值在Max3～255 之間的區(qū)域并命名為LightRegion。再用intersection 算子將LightRegion 與Circle2 求交集并判斷交集區(qū)域的面積是否大于0.005×Area2（ROI 面積），若大于這個(gè)數(shù)值則是有銅質(zhì)支撐物的情況，若小于等于這個(gè)數(shù)值則是沒有銅質(zhì)支撐物的情況，沒有銅質(zhì)支撐物的情況需要生成一個(gè)空區(qū)域LightRegion1覆蓋原來的LightRegion。該步驟得到的LightRegion1區(qū)域?yàn)檫x中的銅質(zhì)支撐物區(qū)域，如圖6（b）所示。為了使得到的區(qū)域更加準(zhǔn)確，需要用dilation_circle 算子對(duì)銅質(zhì)支撐物區(qū)域進(jìn)行膨脹處理，其中圓形結(jié)構(gòu)元素的半徑為0.03×Radius。

（3）選中圖像中灰度值較低的區(qū)域，其中包括凝膠卷結(jié)構(gòu)中灰度值較低的部分和中空區(qū)域的灰度值較低部分。首先用threshold 算子選中裁剪后圖像中灰度值在0 和Max3-0.75×Range3 之間的區(qū)域；然后使用union2 算子將灰度較低區(qū)域與膨脹后的LightRegion1區(qū)域進(jìn)行合并，合并后的區(qū)域命名為RegionUnion，即為凝膠卷結(jié)構(gòu)中的灰度值較低部分和中空區(qū)域部分。

（4）用opening_circle 算子將RegionUnion 區(qū)域進(jìn)行開運(yùn)算處理，去掉凝膠卷結(jié)構(gòu)中灰度值較低的部分，得到圖像的中空區(qū)域部分，開運(yùn)算后的區(qū)域命名為RegionOpening。再使用connection 算子對(duì)開運(yùn)算后的區(qū)域做斷開處理，然后用area_area 算子計(jì)算斷開后區(qū)域的面積，再用select_shape 算子選擇面積在0.05倍最大面積到最大面積之間的區(qū)域，然后使用fill_up算子對(duì)選擇后的區(qū)域進(jìn)行填充，再使用union1 算子將選中的區(qū)域合并為一個(gè)區(qū)域，合并后的區(qū)域如圖6（c）所示。使用paint_region 算子將裁剪后圖像的此區(qū)域繪制為0，最后使用crop_domain 算子剪裁圖像的尺寸，繪制后得到的圖像如圖6（d）所示。

1.2.3 特征向量與分類器選擇

根據(jù)圖像預(yù)處理后3 種結(jié)構(gòu)之間的不同特征，擬使用中間區(qū)域ConnectedRegions2 的圓度、凸度、圓形形狀匹配的匹配分?jǐn)?shù)、灰度共生矩陣特征、LBP（local binary patterns）圖譜的灰度共生矩陣特征來進(jìn)行分類。

（1）分別利用circularity、convexity 算子計(jì)算中空區(qū)域的圓度和凸度。

（2）利用gen_contour_region_xld 算子得到Circle1的圓形輪廓，再用create_scaled_shape_model_xld 算子創(chuàng)建Circle1 的可變圓形輪廓作為形狀匹配的模板，然后用get_shape_model_contours 算子檢查該形狀模板的輪廓表示，再用find_shape_model 算子找到經(jīng)過預(yù)處理后的圖像最佳形狀匹配位置，返回最佳匹配分?jǐn)?shù)的參數(shù)Score 值。

如果Score 值不為空，利用仿射變換把該形狀模板的輪廓移到最佳匹配位置，如圖7 所示。由圖7 可知，該最佳匹配位置有可能不在圖像的正中心，所以需要得到新的Score 值作為特征變量。如果Score 為空，即沒有找到最佳匹配位置，Score 值賦為0。

圖7 最佳匹配位置Fig.7 The best matching position

（3）使用cooc_feature_image 算子計(jì)算經(jīng)過預(yù)處理后的圖像灰度共生矩陣紋理特征值，同時(shí)得到紋理特征值能量、相關(guān)性、同質(zhì)性和對(duì)比度。

（4）獲取經(jīng)過預(yù)處理后圖像的LBP 圖譜，如圖8所示。使用cooc_feature_image 算子計(jì)算LBP 圖譜的灰度共生矩陣紋理特征值，同時(shí)得到紋理特征值能量、相關(guān)性、同質(zhì)性和對(duì)比度。

圖8 LBP 圖譜Fig.8 LBP map

提取以上5 個(gè)特征的耗時(shí)，如表1 所示，其中提取LBP 圖譜的灰度共生矩陣紋理特征值耗時(shí)1.19×106ms，時(shí)間較長，不滿足機(jī)場貨運(yùn)安檢所需的實(shí)時(shí)性，故該特征被舍去。

表1 鋰電池圖像特征提取耗費(fèi)時(shí)長Tab.1 Time-consuming for feature extraction of lithium battery images

為了同時(shí)滿足鋰電池圖像分類識(shí)別的實(shí)時(shí)性和準(zhǔn)確性，每張鋰電池圖像提取[圓度]、[凸度]、[匹配分?jǐn)?shù)]、[圓度 凸度]、[凸度 匹配分?jǐn)?shù)]、[圓度 匹配分?jǐn)?shù)]、[匹配分?jǐn)?shù) 圖像的灰度共生矩陣紋理特征值]、[圓度圖像的灰度共生矩陣紋理特征值]、[凸度 圖像的灰度共生矩陣紋理特征值]、[圓度 凸度 圖像的灰度共生矩陣紋理特征值]、[凸度 匹配分?jǐn)?shù) 圖像的灰度共生矩陣紋理特征值]、[圓度 匹配分?jǐn)?shù) 圖像的灰度共生矩陣紋理特征值]12 個(gè)特征向量，再以鋰電池的不同種類為參數(shù)分別送入SVM、MLP、GMM（Gaussian mixed model）、KNN（K-nearest neighbor）分類器中進(jìn)行訓(xùn)練和分類，根據(jù)最后的分類結(jié)果找到最佳的特征向量與分類器組合。

2 實(shí)驗(yàn)結(jié)果分析

本文的研究重點(diǎn)在于正確地分類鋰電池樣本圖像，并通過計(jì)算準(zhǔn)確率、精確率的好壞來衡量分類器性能。假設(shè)標(biāo)準(zhǔn)的鋰電池圖像為正類，凝膠卷產(chǎn)生褶皺、電極材料產(chǎn)生分解的鋰電池為負(fù)類。準(zhǔn)確率表達(dá)式如下

式中：TP為正類判斷為正類的個(gè)數(shù)；FP 為負(fù)類判斷為正類的個(gè)數(shù)；FN 為正類判斷為負(fù)類的個(gè)數(shù)；TN 為負(fù)類判斷為負(fù)類的個(gè)數(shù)。

但是在鋰電池貨運(yùn)和客運(yùn)領(lǐng)域，不單單是要求準(zhǔn)確率那么簡單，在實(shí)際生活中標(biāo)準(zhǔn)鋰電池被檢測為有熱失控風(fēng)險(xiǎn)的鋰電池是可以被接受的，反之即為有爆炸風(fēng)險(xiǎn)，是不可接受的?；诖?，本文需要計(jì)算另一種性能指標(biāo)——精確率，計(jì)算公式如下

接下來給定一組新的鋰電池測試圖像，提取12種不同的特征向量分別送入SVM、MLP、GMM、KNN 4 種分類器進(jìn)行分類。SVM 分類器選用的核函數(shù)為RBF（radial basis function），模式為一對(duì)一分類，預(yù)處理類型為正則化，輸入特征數(shù)量為對(duì)應(yīng)特征向量的維數(shù)，輸出種類數(shù)量為3，通過不斷調(diào)整核參數(shù)γ 和訓(xùn)練誤差Nu 來觀察不同特征向量送入SVM 分類器得到的分類結(jié)果，可知當(dāng)核參數(shù)γ 和訓(xùn)練誤差Nu 分別設(shè)為0.015 和0.05 時(shí)，分類結(jié)果為最佳；MLP 分類器選用的激活函數(shù)為softmax 函數(shù)，預(yù)處理類型為正則化，輸入特征數(shù)量為對(duì)應(yīng)特征向量的維數(shù)，輸出種類數(shù)量為3，隨機(jī)種子為42，通過不斷調(diào)整隱藏單元數(shù)量值來觀察不同特征向量送入MLP 分類器得到的分類結(jié)果，可知當(dāng)隱藏單元數(shù)量值設(shè)為100 時(shí)，不同特征向量送入MLP 分類器得到的分類結(jié)果為最佳；GMM 分類器選用的變量類型為spherical，預(yù)處理類型為正則化，輸入特征數(shù)量為對(duì)應(yīng)特征向量的維數(shù)，輸出種類數(shù)量為3，隨機(jī)種子為42，通過不斷調(diào)整中心數(shù)量值來觀察不同特征向量送入GMM 分類器得到的分類結(jié)果，可知當(dāng)中心數(shù)量值設(shè)為5 時(shí)，不同特征向量送入GMM 分類器得到的分類結(jié)果為最佳；KNN 分類器輸入特征數(shù)量為對(duì)應(yīng)特征向量的維數(shù)。12 種特征向量分別送入4 種分類器的最佳準(zhǔn)確率和精確率結(jié)果如表2 和表3 所示，其中1～12 分別對(duì)應(yīng)上文中不同特征排列組合形成的特征向量，特征向量2 為[凸度]特征向量。

表2 不同特征向量與分類器組合下的最佳準(zhǔn)確率Tab.2 Best accuracy rate under different combinations of feature vector and classifier %

綜上所述，[凸度] 特征向量送入隱藏單元數(shù)量值為100 的MLP 分類器中得到的準(zhǔn)確率和精確率分別為79.687 5%和100%，是傳統(tǒng)分類算法中的最佳測試結(jié)果，即在沒有一個(gè)有熱失控風(fēng)險(xiǎn)的鋰電池樣本識(shí)別為標(biāo)準(zhǔn)鋰電池樣本的情況下準(zhǔn)確率達(dá)到最高，同時(shí)滿足安全性、準(zhǔn)確性和實(shí)時(shí)性，符合實(shí)際需要。接下來對(duì)每一個(gè)采集得到的鋰電池圖像進(jìn)行圖像預(yù)處理、特征向量提取、分類器分類的步驟，從而得到分類識(shí)別結(jié)果。

3 結(jié)語

鋰電池檢測是機(jī)場安檢部門危險(xiǎn)物品檢測的一個(gè)重要任務(wù)。本文為鋰電池的分類識(shí)別選擇合適的特征向量和分類器，選擇出的特征向量與分類器組合為[凸度]特征向量和隱藏單元數(shù)量值為100 的MLP 分類器，該組合對(duì)樣本進(jìn)行識(shí)別得到的準(zhǔn)確率為79.687 5%，精確率為100%。本系統(tǒng)既在滿足了實(shí)際工作中“寧可誤報(bào)，也不漏報(bào)”準(zhǔn)則的情況下準(zhǔn)確率達(dá)到最高，又符合貨運(yùn)鋰電池分類識(shí)別要求的實(shí)時(shí)性。但本實(shí)驗(yàn)只針對(duì)18650 型鋰電池進(jìn)行識(shí)別，下一步的研究將提出一個(gè)具有普適性的算法，可以同時(shí)識(shí)別不同種類的鋰電池，并與人機(jī)交互界面聯(lián)合投入到貨運(yùn)鋰電池識(shí)別的實(shí)際應(yīng)用中。