18650 型鋰電池安全性識別

張 威，朱家慧，王 瓊，張博利

（1.中國民航大學a.航空工程學院；b.安全科學與工程學院；c.理學院；d.基礎實驗中心，天津 300300；2.民航航空公司人工智能重點實驗室，天津 300300；3.中國民航航空地面特種設備研究基地，天津 300300）

鑒于世界范圍內鋰電池造成的火災事故層出不窮，國內外對鋰電池的安全性展開了一系列研究?；谇叭藢︿囯姵責崾Э氐难芯靠芍?，鋰電池熱失控時內部凝膠卷結構會發生顯著的氣體誘導分層、電極層坍塌、結構降解和體積膨脹[1-3]，電池內的放熱過程導致溫度不受控制地升高[4]，極端的熱和電條件會導致電極材料活性物質的顆粒形態、粒度分布和比表面積發生變化[2]，也會導致揮發性溶劑產生氣體釋放[5]，其中結構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，所以針對該問題進行圖像處理具有重要的研究意義。目前國內外對于鋰電池圖像處理的研究基本上都是對電池外觀缺陷[6-9]和電池極片缺陷[10-13]進行處理，而對熱失控前鋰電池內部發生結構變化的識別相對較少。而容易產生熱失控并爆炸起火的鋰電池的典型特征大體分為兩種：一種為凝膠卷結構產生褶皺，另一種為電極材料產生分解、安全閥打開[14]。目前安檢人員在人員流動的高峰期工作強度大，且鋰電池航空運輸的安全風險較高，因此在航空領域中實現鋰電池檢測的自動化就顯得尤為重要。為了加強此領域的研究應用，本文以18650 型鋰電池為例，通過設計一種圖像處理方法，以凝膠卷產生褶皺的鋰電池、電極材料產生分解的鋰電池和標準鋰電池為典型研究對象，利用三維顯微CT 掃描儀對鋰電池內部結構變化進行對比，捕捉容易產生熱失控并爆炸起火的鋰電池的典型特征，并進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行訓練和分類，最終選擇出分類結果最優的特征向量和分類器組合投入實際應用。

1 鋰電池檢測算法

1.1 SVM 遷移學習算法

文獻[11]利用支持向量機（SVM，support vector machine）遷移學習算法對鋰電池X 光影像中的電極褶皺進行檢測，SVM 遷移學習算法的流程如圖1 所示。

圖1 SVM 遷移學習算法流程圖Fig.1 Flow chart of SVM migration learning algorithm

首先對電極圖像進行預處理，獲得電池電極有效區域圖像；再擴大數據集的規模，對圖像進行旋轉和裁剪，得到500 倍于原圖像數量的候選子圖；之后以人工標注與自動分類相結合的方法對所有圖像進行數據集標注，其中對電池電極圖像進行人工標注，以人工標注為基礎通過一定的閾值算法對候選子圖進行自動分類；再把小尺寸的候選子圖送入卷積神經網絡（CNN，convolutional neural network）中訓練，其中輸入圖像的像素為99×99，輸出像素為1×1×2 的張量；訓練好CNN 模型后，把預處理后像素為275×275 的鋰電池電極圖像送入模型，輸出2 幅像素為12× 12 的分類置信度結果圖，經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 分類器完成遷移學習，并給出預測結果。

基于SVM 遷移學習算法提出的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勢，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：①需要先進行CNN 網絡特征提取，再送入SVM 分類器預測，流程較復雜；②該算法檢測結果中存在缺陷極片被檢測為正常極片的現象，這在現實生活中是有安全風險的。

1.2 MLP 特征向量分類算法

鑒于SVM 遷移學習算法流程較復雜、結果有安全風險的特點，提出了一種MLP（multi-layer perceptron）特征向量分類算法，該算法流程簡單，識別結果沒有安全風險。該算法主要針對18650 鋰電池3 種內部結構圖像進行分類識別處理，基于存在熱失控爆炸風險的鋰電池，其內部結構會發生相應變化，為了準確識別出3 種鋰電池內部結構的種類，要逐步進行如圖2所示的識別流程。首先進行特征向量和分類器的選擇，選擇出使得分類結果最優的特征向量和分類器組合后，對采集到的鋰電池樣本圖像進行圖像預處理，然后提取預處理后圖像的特征向量，最后將特征向量送入分類器進行分類，得到鋰電池樣本圖像的識別結果。

圖2 鋰電池樣本圖像分類識別流程圖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

導致鋰電池發熱失控的因素很多，總的來說分為4 種[16]：長期過充；未經授權改裝外殼；環境溫度超過60 ℃；生產缺陷、使用不當和擠壓針刺等外部因素導致短路。

長期過充會導致電池老化，內部凝膠卷結構產生褶皺，容易造成內部短路進而發生熱失控[3]；改裝外殼會導致安全裝置缺失，在溫度較高時電極材料發生分解，產生大量氣體，外殼隨之鼓包，沒有安全閥打開過程，內部氣體無法排出直接導致外殼爆炸[17]；環境溫度超過60 ℃時，內部溫度上升、熱量積聚，電極材料發生分解，產生大量氣體沖開安全閥，氣體排出鋰電池時與外殼產生摩擦，同時空氣進入鋰電池內部參與反應，溫度急劇升高導致產生不可逆的熱失控[18]；生產缺陷、使用不當和擠壓針刺會造成鋰電池結構內部短路，使用時會產生大量氣體導致安全閥打開[19]。

綜上可知，容易產生熱失控并爆炸起火的鋰電池的典型特征大體分為兩種：一種為凝膠卷結構產生褶皺，另一種為電極材料產生分解、安全閥打開?？芍嬖? 種鋰電池結構，分別為標準、凝膠卷產生褶皺和電極材料產生分解的鋰電池結構，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 種鋰電池圖像內部結構Fig.3 Internal structure of three kinds of lithium battery images

1.2.2 圖像預處理

為了方便提取特征，需要對鋰電池圖像進行預處理，以標準鋰電池圖像為例進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 通道圖像轉換為1 通道的灰度圖像，灰度圖像的每個像素點灰度值Gray與R-Red、G-Green、B-Blue 分量圖像的對應像素點的灰度值RG、GG、BG滿足

其次需要對灰度圖像進行頻域濾波處理，以便平滑圖像中的噪聲。先用Direction 參數為to_freq、Exponent 參數為-1 和ResultType 參數為complex 的fft_generic 算子得到鋰電池灰度圖像的頻域圖像，轉換公式如下

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

接下來生成一個濾波器對頻域圖像進行濾波，使用gen_lowpass 算子生成一個截止頻率為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頻域圖像進行濾波，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 參數為to_freq、Exponent 參數為1 和ResultType 參數為byte 的fft_generic 算子對濾波后的頻域圖像進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。對灰度圖像進行濾波后，接下來對圖像進行增強對比度處理。使用掩膜寬高為5、對比度因子為2 的emphasize 算子進行處理，增強對比度處理后該圖像的每個像素點像素值fres滿足

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

式中：forig為處理前對應像素點像素值；fmean為掩膜內所有像素點的平均像素值；A 為對比度因子。增強對比度后的圖像如圖4（b）所示，鋰電池內部的凝膠卷結構更加清晰。

接下來確定圖像處理的感興趣區域（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域。首先需要選用高斯平滑系數為25的auto_threshold 算子對圖像進行二值化處理，得到的二值化區域如圖4（c）所示。用connection 算子斷開二值化處理得到的區域，接著以斷開的區域作為起始區域進入一個循環：先用區域特征算子region_features計算每個斷開區域的面積特征，再用選擇區域算子select_shape 選擇斷開區域中面積最大的區域，然后用填充算子fill_up 對選擇出的區域進行填充，用圓度特征算子circularity 獲取填充后區域的圓度特征，最后用區域求差算子difference 求得進入此循環的起始區域與此循環中面積最大區域的差區域，求得的差區域隨即作為下一個循環的起始區域，進入下一個循環繼續進行處理，直到填充后區域的圓度特征大于0.9，跳出循環。跳出循環后，最后一個循環得到的填充后區域為ROI，如圖4（d）所示。

18650 型鋰電池內部結構發生變化時，首先會在凝膠卷結構內部產生，為了加快訓練與識別的速度和準確率，需要縮小鋰電池圖像識別的區域范圍。鋰電池按照有無內部銅質支撐物分為兩種，有銅質支撐物的鋰電池圖像會干擾到分類的準確性，而凝膠卷結構變化的特征需要被重點關注。為了使鋰電池圖像的分類更加準確，需要把包括銅質支撐物的中空區域灰度值繪制為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的行坐標Row 和列坐標Column，以及圓的半徑Radius；然后用gen_circle 算子分別生成圓心坐標為Row 和Column，圓半徑為Radius/2、Radius/3.5、Radius/5.5的3 個圓區域Circle、Circle1、Circle2；然后再用difference 算子獲取Circle 和Circle1 的差區域Circle3；再使用min_max_gray 算子獲取增強后的圖像分別在Circle、Circle2、Circle3 區域內的最小灰度值Min、Min2、Min3，最大灰度值Max、Max2、Max3，灰度值范圍Range、Range2、Range3；再用reduce_domain 算子把增強后的圖像裁剪成Circle 區域的大小，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有無銅質支撐物。銅質支撐物是圖像內灰度最高的部分，且與其他部分形成灰度值差。判斷方法為查看ROI 的中間區域內是否有比ROI 的凝膠卷結構區域更亮的部分，首先用threshold 算子對裁剪后的圖像進行二值化處理，算子的最小灰度值參數設為Max3，最大灰度值參數設為255，以便選中灰度值在Max3～255 之間的區域并命名為LightRegion。再用intersection 算子將LightRegion 與Circle2 求交集并判斷交集區域的面積是否大于0.005×Area2（ROI 面積），若大于這個數值則是有銅質支撐物的情況，若小于等于這個數值則是沒有銅質支撐物的情況，沒有銅質支撐物的情況需要生成一個空區域LightRegion1覆蓋原來的LightRegion。該步驟得到的LightRegion1區域為選中的銅質支撐物區域，如圖6（b）所示。為了使得到的區域更加準確，需要用dilation_circle 算子對銅質支撐物區域進行膨脹處理，其中圓形結構元素的半徑為0.03×Radius。

（3）選中圖像中灰度值較低的區域，其中包括凝膠卷結構中灰度值較低的部分和中空區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 之間的區域；然后使用union2 算子將灰度較低區域與膨脹后的LightRegion1區域進行合并，合并后的區域命名為RegionUnion，即為凝膠卷結構中的灰度值較低部分和中空區域部分。

（4）用opening_circle 算子將RegionUnion 區域進行開運算處理，去掉凝膠卷結構中灰度值較低的部分，得到圖像的中空區域部分，開運算后的區域命名為RegionOpening。再使用connection 算子對開運算后的區域做斷開處理，然后用area_area 算子計算斷開后區域的面積，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域，然后使用fill_up算子對選擇后的區域進行填充，再使用union1 算子將選中的區域合并為一個區域，合并后的區域如圖6（c）所示。使用paint_region 算子將裁剪后圖像的此區域繪制為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

根據圖像預處理后3 種結構之間的不同特征，擬使用中間區域ConnectedRegions2 的圓度、凸度、圓形形狀匹配的匹配分數、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行分類。

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

（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 算子找到經過預處理后的圖像最佳形狀匹配位置，返回最佳匹配分數的參數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 算子計算經過預處理后的圖像灰度共生矩陣紋理特征值，同時得到紋理特征值能量、相關性、同質性和對比度。

（4）獲取經過預處理后圖像的LBP 圖譜，如圖8所示。使用cooc_feature_image 算子計算LBP 圖譜的灰度共生矩陣紋理特征值，同時得到紋理特征值能量、相關性、同質性和對比度。

圖8 LBP 圖譜Fig.8 LBP map

提取以上5 個特征的耗時，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1.19×106ms，時間較長，不滿足機場貨運安檢所需的實時性，故該特征被舍去。

表1 鋰電池圖像特征提取耗費時長Tab.1 Time-consuming for feature extraction of lithium battery images

為了同時滿足鋰電池圖像分類識別的實時性和準確性，每張鋰電池圖像提取[圓度]、[凸度]、[匹配分數]、[圓度 凸度]、[凸度 匹配分數]、[圓度 匹配分數]、[匹配分數 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 匹配分數 圖像的灰度共生矩陣紋理特征值]、[圓度 匹配分數 圖像的灰度共生矩陣紋理特征值]12 個特征向量，再以鋰電池的不同種類為參數分別送入SVM、MLP、GMM（Gaussian mixed model）、KNN（K-nearest neighbor）分類器中進行訓練和分類，根據最后的分類結果找到最佳的特征向量與分類器組合。

2 實驗結果分析

本文的研究重點在于正確地分類鋰電池樣本圖像，并通過計算準確率、精確率的好壞來衡量分類器性能。假設標準的鋰電池圖像為正類，凝膠卷產生褶皺、電極材料產生分解的鋰電池為負類。準確率表達式如下

式中：TP為正類判斷為正類的個數；FP 為負類判斷為正類的個數；FN 為正類判斷為負類的個數；TN 為負類判斷為負類的個數。

但是在鋰電池貨運和客運領域，不單單是要求準確率那么簡單，在實際生活中標準鋰電池被檢測為有熱失控風險的鋰電池是可以被接受的，反之即為有爆炸風險，是不可接受的?；诖?，本文需要計算另一種性能指標——精確率，計算公式如下

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 種分類器進行分類。SVM 分類器選用的核函數為RBF（radial basis function），模式為一對一分類，預處理類型為正則化，輸入特征數量為對應特征向量的維數，輸出種類數量為3，通過不斷調整核參數γ 和訓練誤差Nu 來觀察不同特征向量送入SVM 分類器得到的分類結果，可知當核參數γ 和訓練誤差Nu 分別設為0.015 和0.05 時，分類結果為最佳；MLP 分類器選用的激活函數為softmax 函數，預處理類型為正則化，輸入特征數量為對應特征向量的維數，輸出種類數量為3，隨機種子為42，通過不斷調整隱藏單元數量值來觀察不同特征向量送入MLP 分類器得到的分類結果，可知當隱藏單元數量值設為100 時，不同特征向量送入MLP 分類器得到的分類結果為最佳；GMM 分類器選用的變量類型為spherical，預處理類型為正則化，輸入特征數量為對應特征向量的維數，輸出種類數量為3，隨機種子為42，通過不斷調整中心數量值來觀察不同特征向量送入GMM 分類器得到的分類結果，可知當中心數量值設為5 時，不同特征向量送入GMM 分類器得到的分類結果為最佳；KNN 分類器輸入特征數量為對應特征向量的維數。12 種特征向量分別送入4 種分類器的最佳準確率和精確率結果如表2 和表3 所示，其中1～12 分別對應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量值為100 的MLP 分類器中得到的準確率和精確率分別為79.687 5%和100%，是傳統分類算法中的最佳測試結果，即在沒有一個有熱失控風險的鋰電池樣本識別為標準鋰電池樣本的情況下準確率達到最高，同時滿足安全性、準確性和實時性，符合實際需要。接下來對每一個采集得到的鋰電池圖像進行圖像預處理、特征向量提取、分類器分類的步驟，從而得到分類識別結果。

3 結語

鋰電池檢測是機場安檢部門危險物品檢測的一個重要任務。本文為鋰電池的分類識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量值為100 的MLP 分類器，該組合對樣本進行識別得到的準確率為79.687 5%，精確率為100%。本系統既在滿足了實際工作中“寧可誤報，也不漏報”準則的情況下準確率達到最高，又符合貨運鋰電池分類識別要求的實時性。但本實驗只針對18650 型鋰電池進行識別，下一步的研究將提出一個具有普適性的算法，可以同時識別不同種類的鋰電池，并與人機交互界面聯合投入到貨運鋰電池識別的實際應用中。