基于WOA-BPNN的锂电池极片涂布缺陷检测识别

近年来，随着新能源汽车、智能穿戴、无人机等新兴行业的崛起，锂电池的应用得到了更为广泛的延伸。在锂电产业蓬勃发展的同时，锂电池安全事故也频频发生，锂电安全依旧是一个行业痛点。电池的起火和爆炸威力巨大，会直接对人们的生命、财产安全造成威胁。

（本文来源：微信公众号“储能科学与技术”ID:esst2012 作者：钟健平 费韬 单位：华南理工大学自动化科学与工程学院 精密电子制造装备教育部工程研究中心，广东省高端芯片智能封测装备工程实验室）

由于扫描面积广、要求精度高、检测速率快、表面缺陷类型复杂多样等，锂电检测中的极片涂布缺陷检测被视为其中最硬核的一环。如何在高速检测环境中最大程度地降低漏检率和误检率，不仅考验着硬件的性能，也对软件算法效率提出了更高的要求。除此之外，任务流程还需要进一步对检测出的缺陷进行分类识别，并力求提高缺陷的分类识别准确率。分类识别的结果统计可以作为质量反馈，有助于后期生产工序的及时改进，从而提升产品质量，减少相关缺陷问题出现的频率。

借助机器视觉技术，锂电池极片涂布的缺陷检测与识别得以在非接触的条件下自动化进行。近十年以来，得益于机器视觉技术的快速发展，越来越多的新理论和新技术应用到了锂电池极片涂布的缺陷检测与识别领域中。孙正军将改进后的SUSAN算子和Canny算子用于极片涂布缺陷边缘检测，并将所提取到的形状特征用于缺陷分类，但问题是该方法速率不高，只能用于低速检测。郑岩将Blob算法与改进的Canny算法相结合以进行极片涂布缺陷检测分析，最后采用决策树进行缺陷分类，然而实际运用过程中该方法速度还是过慢。陈功等使用最大熵阈值算法对极片涂布缺陷进行阈值分割，并提取缺陷的形状和投影参数作为其特征值，最后使用高斯混合模型进行缺陷识别分类，但准确率还有望提高。胡玥红使用激光三维重建的方式检测出了极网气泡等缺陷，使用边缘提取算法检测出了边缘破损和极耳缺失、褶皱等缺陷，最后使用支持Tucker机进行缺陷分类，不过该方法受光照影响较大。张志国采用自适应阈值分割算法将极片涂布缺陷分割出来后，提取了其形态特征和灰度特征，最后使用决策树和支持向量机相结合的方式对缺陷完成了分类，但该方法由于速度太慢，只能进行低速检测。黄梦涛等运用双边滤波算子进行图像去噪，再采用多尺度细节增强算法突出了极片涂布缺陷的细节，最后使用最大熵算法、大津法以及形态学算法将较为完整的缺陷边缘检测了出来，不足之处是该方法对划痕缺陷的边缘定位效果较差。

虽然以上关于锂电池极片涂布检测的研究已经有不少，但各家算法性能参差不齐，研究针对的对象也难以覆盖全面，尚不能满足实际工业现场中高速、高精度、高准确率的多项质检要求。根据调研得知，由于起步晚、投入少，国内生产的检测装置在速度和准确度方面还有很多的不足，很多锂电厂商使用的缺陷检测系统设备主要还是依赖国外进口，尤其是来自于德国、日本和美国等发达国家，因此在这一领域，我国的自研率还有很大的提升空间。

针对以上情况，本工作提出了一种基于WOA-BPNN的锂电池极片涂布缺陷检测识别算法，在对锂电池极片涂布缺陷图像进行缺陷检测与分割后，提取其形态、灰度、纹理特征作为BP神经网络模型的输入，在训练神经网络的过程中，使用鲸鱼优化算法确定神经网络的初始权重和初始阈值，以进一步提升模型的识别准确率，最终完成正极划痕、负极划痕、正极漏铝、负极漏铜、孔洞、裂纹、异污、脱碳这8种常见的锂电池极片涂布缺陷的检测和识别。据现场调研得知，在极片流水线作业中，缺陷检测对时效性的要求极高，而缺陷识别则无时效要求，为了保障检测核心程序的高时效性，在不影响功能的前提下，本工作将缺陷检测和缺陷识别分作主、副线程分头并行执行，图1为本工作锂电池极片涂布缺陷检测与识别程序的流程示意图。

图1锂电池极片涂布缺陷检测与识别程序

1 缺陷检测与分割

本工作检测的对象为锂电池正、负极极片涂布卷带板材。其中，正极极片使用轻薄的银白色铝箔作为基材，在其正反两面均匀地涂覆了导电材料。现在国内市面上流行的正极表面涂覆材料大多为磷酸铁锂(LiFePO4)，其基本色调为黑色，经过辊压工艺之后能够与铝箔紧密结合，质感如同塑料一般，表面紧致而光滑。正极极片的涂覆材质不易掉落，相比于负极极片更为坚实。而负极极片则通常使用铜黄色的铜箔作为基底材料，并将导电性能良好的纳米石墨作为涂覆材料。负极极片的涂布表面颜色呈铅灰色，在经过辊压后，其表面的材质容易出现损伤，诸如划痕、脱碳、漏金属等类型的缺陷出现的概率会高于正极极片。

在传动系统的带动下，200 mm宽的极片卷带以60 m/min的速率往收卷机方向移动，在经过检测区域的时候，4 K黑白线阵相机会在线性光源的打光下以0.05 mm的成像精度对图像数据进行采集。经过图像采集之后，可获得分辨率大小为5120×4096像素的高质量锂电池极片涂布图像，每幅图像对应的实际成像范围为250 mm×200 mm。在采集到的锂电池极片涂布图像数据集中，包含有正极划痕、负极划痕、正极漏铝、负极漏铜、孔洞、裂纹、异污、脱碳这8种常见的锂电池极片涂布缺陷，如图2所示。

图2常见的锂电池极片涂布缺陷

在获得现场采集的真实图像之后，使用图像预处理技术来进一步提高图像质量，所涉及到的图像预处理技术主要包括图像平滑去噪、图像对比度增强等方式。

在图像平滑去噪中，使用7×7大小的中值滤波器对图像进行中值滤波，消除图像中的干扰信息，并保留图像中的轮廓和边缘等关键信息。

在图像对比度增强中，采用全局线性灰度变换算法对图像进行增强处理，提高图像的清晰度和对比度，强化图像目标区域的特征。全局线性灰度变换是将图像中的所有像素灰度同时乘以一个相同的系数，然后做等比例的拉伸或压缩。全局线性灰度变换的灰度映射公式为

(1)

式中，f(i，j)和g(i，j)分别为输入图像和输出图像在坐标(i，j)处的像素点灰度值；[a，b]为输入图像的灰度范围；[c，d]为输出图像的灰度范围，取值为[0，255]。

针对锂电池极片涂布缺陷灰度分布不统一、缺陷面积占比不大的问题，选用自适应阈值分割法对缺陷进行分割，将局部缺陷区域与背景区域相分离，最终获得二值化表示的缺陷分割图像。自适应阈值分割法是一种局部阈值分割法，与全局阈值分割法不同的是，该算法的阈值并不是一成不变的。在自适应阈值分割法中，图像中的每个像素点都会根据其周围邻域像素点的灰度均值来确定自己的阈值，平均灰度值越高的区域，通常阈值就越高。在计算机视觉开源软件库OpenCV中，自适应阈值分割算法可通过adaptiveThreshold函数算子实现。

接着使用形态学算法的腐蚀和膨胀操作进一步精确分割目标、完善分割细节。在完全将缺陷目标提取出来后，对缺陷的几何中心位置坐标进行确认，并为缺陷区域打上标注。

2 多特征提取与融合

2.1 缺陷特征提取

图像特征作为图像区分度最高的基本信息属性，能够以抽象而又紧凑的形式描述图像特点，是后续图像分类与识别的主要依据。本工作使用多线程机制以提高系统的检测与识别效率，主线程负责缺陷检测，而副线程负责缺陷识别。在并行执行的副线程任务中，分别对缺陷区域的形态、灰度、纹理特征参数进行计算提取。

其中形态特征包括了圆形度、偏心率和最小外接矩形长宽比。

圆形度可按式(2)计算得出

(2)

式中，F为圆形度；S为区域面积；C为区域周长。偏心率可按式(3)计算得出

(3)

式中，M02、M20和M11均代表目标区域的二阶中心距。最小外接矩形长宽比可按式(4)计算得出

(4)

灰度特征包括了灰度均值、灰度方差、灰度熵和灰度偏斜系数。灰度均值可按式(5)计算得出

(5)

灰度方差可按式(6)计算得出

(6)

灰度熵可按式(7)计算得出

(7)

灰度偏斜系数可按式(8)计算得出

(8)

在式(5)～(8)中，L表示目标区域灰度级数；ri表示区域中的第i个灰度级；P(ri)表示目标区域中像素灰度值为ri的概率，P(ri)的计算公式为

(9)

式中，G(ri)表示目标区域中像素灰度值为ri的像素个数；Num表示目标区域中的像素总数。除了形态特征和灰度特征之外，纹理特征也是图像的重要特征。纹理是图像中同质现象的视觉反映，囊括了物体表面结构组织排列的关键信息以及它们与周边环境的联系。图像纹理通常具有重复性，纹理单元图案会以一定规律的灰度形式变化反复出现在图像的不同位置。与灰度特征的区别之处在于，纹理特征并非在灰度直方图的基础上对像素点进行统计计算，而是针对图像目标区域中保持某距离关系的两像素点进行灰度统计和分析，从而反映目标区域中灰度像素的排列情况。关于纹理特征提取的方法可分为统计法和结构法，统计法适用于分析纹理不规则的图像，而结构法则适用于分析纹理单元排列比较整齐规则的图像。由于极片涂布缺陷纹理不规则且具有随机性，所以更适合用统计法进行纹理特征提取。灰度共生矩阵法(gray-level co-occurrence matrix，GLCM)是一种统计学意义上的纹理特征提取方法，通过计算图像中具有某一位置关系的两个像素点的灰度关系频率，进而反映出图像纹理结构在间隔、方向、变化快慢及变化幅度上的综合排列信息。GLCM纹理特征具有图像旋转不变性，其数学表达式如式(10)所示

(10)

式中，(i，j)表示图像像素点的坐标；Δi和Δj表示位置偏移矢量；m、n分别表示两个像素点的灰度值；d表示步长；θ表示方向，通常取值为0°、45°、90°和135°；P(m，n；d，θ)表示在θ方向上、相距为d的两个像素点灰度值(m，n)的取值频率。使用GLCM可以提取14种不同的图像纹理特征，此过程计算耗时较长。经研究后发现，在这14个特征当中，只有能量、局部均匀性、相关性和对比度是互不相关的，且这4个特征足以带来比较满意的分类效果，因此，本工作将对图像目标区域的能量、局部均匀性、相关性和对比度这4个GLCM纹理特征进行提取。其中，能量可按公式(11)计算得出

(11)

局部均匀性可按公式(12)计算得出

(12)

相关性可按公式(13)计算得出

(13)

式中，μ1和μ2分别表示图像目标区域中行和列的平均值，其计算公式分别如式(14)和式(15)所示；σ1和σ2分别表示图像目标区域中行和列的标准差，其计算公式分别如式(16)和式(17)所示。

(14)

(15)

(16)

(17)

对比度可按式(18)计算得出

(18)

2.2 特征融合与归一化

虽然上述的每类图像特征都有各自的特点和身份表征能力，但是单一的特征很难准确全面表征形貌复杂的目标物体，这时候就需要采用多特征融合策略，整合不同来源的信息，以提高对目标物体的表征能力。在特征融合策略中，采用简单易行的串行融合方式，将各个单一特征向量首尾相连，最终合成一个11维的融合特征向量。串行融合的表达式为

(19)

式中，γ是特征向量α和特征向量β融合后的特征向量。在实施特征融合之后，采用最大最小归一化算法对融合特征向量进行归一化处理，使特征向量统一到同一量纲，进而达成可比性。最大最小归一化中，通过式(20)的调节，能够使最终的数据落在[0，1]区间内。

(20)

式中，xi表示归一化前的特征数值；z表示归一化后的特征数值；max(xi)和min(xi)分别表示特征数值xi中的最大值和最小值。

3 搭建BP神经网络分类模型

神经网络是一种分布式的数学模型，能够进行自主学习，并且具有很高的容错率，是目前人工智能时代广泛研究的热点之一。神经网络模拟了人脑的神经结构，通过不同的连接方式，来组建不同的神经网络，以实现不同的功能。在现实问题中，非线性的情况远远多于线性情况，使用神经网络模型可以很好地学习非线性问题的复杂特征，并且能够对潜在规律进行合理表达。神经网络的算法和模型多种多样，其中，误差反向传播网络是神经网络中最为经典的代表，也是应用最为广泛的神经网络算法。作为一种多层前馈网络，BP神经网络与其他神经网络不同的地方在于使用了误差反向传播算法，这使其能够高效计算出各层网络间的权重系数梯度，进而输出更为准确有效的结果。根据映射网络存在定理，本工作将BP神经网络的网络层数设为3层。可以明确的是，3层BP神经网络足以训练出一个合适的分类模型，并且可以满足基本分类需求。由于所输入的融合特征向量维数为11，因而输入层的神经元节点个数对应设为11。由于需要识别的缺陷类别数为8，因而输出层的神经元节点个数对应设为8。在3层BP神经网络模型中，隐含层的神经元节点个数通常由经验公式计算得出，本工作选用的经验公式为

(21)

式中，p为隐含层的神经元节点个数；m为输入层的神经元节点个数；n为输出层的神经元节点个数；α为1～10的调节常数。经过计算后，隐含层的神经元节点个数设置为10。

4 基于鲸鱼优化算法的模型参数调优

在BP神经网络的训练中，初始权重和初始阈值对网络来说尤为重要，但又难以准确获取。如果随机选取初始权重和初始阈值，并使用梯度下降算法进行寻优，很容易会使得模型陷入局部最优，甚至很可能会造成网络训练震荡、收敛速度变慢等问题。为了尽可能地减少上述问题，选择一种有效的网络参数调优算法就显得尤为重要。鲸鱼优化算法是一种模拟鲸鱼捕食猎物行为的元启发式群智能优化算法，于2016年由Mirjalili等提出，该算法操作简单、参数少、速度快、稳定性强，常用于解决各种计算问题中的寻优问题。鲸鱼在经过漫长的进化后，形成了一种独特的捕食策略，即通过“螺旋气泡网”路径去寻找猎物、包围猎物和捕捉猎物，而鲸鱼优化算法正是根据这三个捕食步骤来建立起相应的数学模型。

4.1 随机寻找猎物

寻找某个问题的解可以类比为鲸鱼寻找猎物的过程，将鲸鱼随机寻找猎物的过程建立起如下数学模型

(22)

(23)

式中，t为迭代次数；X为鲸鱼的位置向量；Xrand为随机选择的鲸鱼位置向量，其中包括了最优解；A、C为系数向量，其计算公式为

(24)

(25)

(26)

式中，r1、r2为区间[0，1]范围内的随机向量；a为收敛因子，在迭代过程中从2到0线性减小；Tmax为最大迭代次数。鲸鱼优化算法通常会以一系列随机解开始，通过不断的迭代来更新鲸鱼位置。在模型中，A取区间[-a，a]范围内的随机值，A的波动范围会随着收敛因子a的减小而不断减小，因此可以通过调节a的值来实现搜索机制。当|A|≥1时，鲸鱼会扩大搜索范围，此时可以选择一个随机解来更新鲸鱼的位置向量；而当|A|<1时，则应选择当前的最优解来更新鲸鱼的位置向量。

4.2 包围目标猎物

获取问题的最优解可以类比为鲸鱼包围目标猎物的过程，如果认定当前猎物为最佳猎物，则需要对鲸鱼的位置向量进行更新，相应的数学模型如下

(27)

(28)

式中，Xbest为当前鲸鱼的最佳位置向量。设当前鲸鱼的位置向量为X，目标猎物的位置向量为X*，则鲸鱼可以通过调整向量A和向量C来靠近目标猎物。

4.3 捕捉目标猎物

认定猎物后，鲸鱼会通过螺旋收缩上升的方式对猎物进行捕捉，相应的数学模型如下所示

(29)

(30)

式中，b为对数螺旋线形状常数；l为区间[-1，1]范围内的随机数；为鲸鱼当前位置到猎物位置之间的距离。实际上，鲸鱼收缩包围猎物与捕捉猎物这两个行为是可以同时发生的，相应的数学模型如下所示

(31)

(32)

式(31)和式(32)中，p为区间[0，1]范围内的随机数。本工作使用鲸鱼优化算法获取神经网络的最佳初始权重及阈值，并在此基础上完成对网络的训练过程，相应的算法流程图如图3所示，具体步骤如下：

图3鲸鱼优化算法参数调优流程

（1）数据采集及预处理。采集缺陷图像特征数据，将特征数据进行串行融合和归一化处理之后，再作为BP神经网络模型的输入。

（2）初始化鲸鱼种群。设定种群规模N、最大迭代次数Tmax、收敛因子a等基本参数，采用随机选取法确定N组初始权重和阈值，并将每组初始权重和阈值作为每个鲸鱼的初始位置向量。

（3）将均方差损失作为每头鲸鱼的适应度值并纳入计算，记录产生最佳适应度值的位置，此位置即为最佳猎物位置Xbest。

（4）更新参数A、C、a、p，根据p、A的值来选用不同的位置更新策略。当p≥0.5时，使用式(32)更新鲸鱼位置；当p<0.5且|A|<1时，使用式(31)更新鲸鱼位置；当p<0.5且|A|≥1时，使用式(23)更新鲸鱼位置。

（5）不断迭代步骤(2)和步骤(3)，当迭代次数到达最大值或误差损失减小到一定值时，终止迭代过程，并将最优初始权重和阈值输出给BP神经网络。

5 实验结果与讨论

5.1 检测算法性能评估

在评估实验中，分别为每种缺陷随机挑选50幅图像，每幅图像只含有单类缺陷，且每幅图像的缺陷个数为一个或多个。所选图像的分辨率均为5120×4096，对应的实际成像范围为250 mm×200 mm，成像精度为0.05 mm。离线检测的实验结果如表1所示。

表1缺陷检测实验结果

在算法性能上，由表1计算可得，本工作缺陷检测算法的平均漏检率为1.68%，平均误检率为0%。在分项漏检率中，脱碳缺陷的平均漏检率最高，为6.17%；其次是异污缺陷，为5.56%。经分析，这两种缺陷漏检的样例面积并不大，而且灰度与涂布背景灰度十分相近，因此检测算法在这两类缺陷检测中的表现欠佳。除此之外，其余6种缺陷的平均漏检率均为0%，所有8种缺陷的平均误检率均为0%。在算法速度上，本工作缺陷检测算法对每幅图像的平均检测时间为232.5 ms。由于检测速度为60 m/min，即1 m/s，也就是说每秒扫描检测的极片面积应为1000 mm×200 mm，那么每250 ms应扫描检测的极片面积则为250 mm×200 mm。由于每幅图像的实际成像范围为250 mm×200 mm，所以只要每幅图像的平均检测时间不超过250 ms，都是可以满足60 m/min的在线检测速度要求的。经如此计算论证后可以确定，本工作缺陷检测算法可以在60 m/min的检测速度下在线运行。

5.2 识别算法实验对比评估

在缺陷分类模型的训练和测试过程中，本工作分配了140份缺陷数据样本作为训练集训练神经网络，分配了60份缺陷数据样本作为测试集以评估分类识别算法的准确率。准确率的计算公式为

(33)

式中，A表示准确率；TP表示被预测正确的正例数；TN表示被预测正确的负例数；FN表示被预测错误的正例数；FP表示被预测错误的负例数。为研究特征融合策略给分类识别性能带来的影响，本工作将特征种类作为变量，用测试集测试训练好的BP神经网络模型，结果如表2所示。

表2不同特征下的模型分类准确率

由表中数据得知，在单类特征中要数GLCM纹理特征的分类贡献效果最明显，而特征融合策略也使得分类识别准确率有了显著提升，尤其是引入了GLCM纹理特征后，97.08%的分类识别准确率更加令人满意。采用精确度、召回率和F1值这3个评价指标对分类识别结果做更详细的分析，分析结果如表3所示。在这3个评价指标中，精确度为预测正确的正例数占所有被预测为正例的样本总数之比，召回率为预测正确的正例数占所有正例数之比，F1值则是精确度和召回率这两个指标的综合考量。这3个评估指标的计算公式如式(34)～(36)所示。

(34)

(35)

(36)

式中，P、R、F1分别表示精确度、召回率和F1值，这3个评估指标的值越接近100%，则分类识别效果越好。

表3各缺陷的分类结果评价

由表3可知，本工作分类识别算法对裂纹缺陷的平均分类效果最佳，而对孔洞缺陷的分类效果稍微欠佳。为研究鲸鱼优化算法的优异性能，本工作特意将其与传统的随机初始化方法以及遗传算法和粒子群优化算法这3种杰出、经典、常用的参数优化算法做对比，实验结果如表4所示。

表4不同优化算法下的模型分类准确率

由表4可知，相较于其他3种方法，对于BP神经网络模型，鲸鱼优化算法能够为其取得更优异的分类识别准确性能。

6 结论

针对目前锂电池极片涂布缺陷检测与识别速度慢、精确度不高的现状，本工作提出了一套基于WOA-BPNN的锂电池极片涂布缺陷检测识别算法。实验证明，本工作算法能够满足在0.05 mm的高精度下对极片涂布的60 m/min的高速在线检测。在多特征融合策略下，使用鲸鱼优化算法和BP神经网络分类算法相结合的方式，能够取得明显的分类识别提升效益。本工作算法的平均漏检率为1.68%，平均误检率为0%，平均分类识别准确率为97.08%，结果表明，本工作算法有力提升了目前锂电池极片涂布缺陷检测与识别技术的性能水平，能够降低锂电池生产的不良率，使锂电池极片涂布缺陷检测与识别技术朝着高精度、高速率、高质量、低误差的方向发展。