属性约简的气胀锂电池在线检测方法

2015-08-01詹茵茵邓积微王太宏

电源技术 2015年4期

关键词：约简光斑锂电池

詹茵茵，邓积微，王太宏

(1.湖南大学信息科学与工程学院，湖南长沙410082；2.湖南大学微纳电子研究中心，湖南长沙410082)

属性约简的气胀锂电池在线检测方法

詹茵茵1，邓积微2，王太宏2

(1.湖南大学信息科学与工程学院，湖南长沙410082；2.湖南大学微纳电子研究中心，湖南长沙410082)

针对锂电池生产过程中气胀检测依赖于作业人员感觉和经验判断，主观性强且效率低的情况，提出一种基于机器视觉的气胀锂电池在线检测方法。特定角度和强度光源照射下，气胀电池与合格电池呈现不同的反射光斑分布。基于此特点，提取电池图像反射光斑区域特征作为分类器的输入。为满足在线检测系统实时性要求高的特点，提出粗糙集属性约简与C-SVM相结合的方法建立分类模型。首先基于属性重要度的粗糙集属性约简方法优选样本特征集，然后采用K折交叉验证和网格搜索法对C-SVM进行参数寻优，建立分类模型。实验结果表明，属性约简的锂电池检测方法减少了冗余信息的干扰，降低电池样本特征空间维数，缩短了检测时间，提高在线检测效率，检测精度达到96.774 2%，为生产过程中气胀电池的自动化分选提供了一种有效的方法。

锂电池；气胀检测；粗糙集；支持向量机

锂电池作为手机、笔记本电脑、数码相机等电子产品的主要驱动能源[1]，随着电子产品的普及，越来越大的产量需求对锂电池生产的自动化程度提出了更高的要求。在锂电池生产过程中，由于封装不良、电池芯内部水含量超标、化成流程异常、首次化成的SEI膜[2]不稳定等原因，电池芯内部发生化学反应而产生气体[3]，电池包出现气胀现象[4]，导致电池使用性能严重失效，这部分电池必须在出厂之前挑选出来重新处理。目前，绝大多数锂电池生产厂家对气胀锂电池的挑选采用人工判断的方法，完全依赖于作业工人的感觉和经验判断，效率低且检测结果易受主观因素影响，因而不甚可靠。

在锂电池质量检测方面，文献[5]和文献[6]已提出基于机器视觉的锂电池极片检测，但对气胀电池的分选仍缺乏一种智能的检测方法。气胀锂电池由于内部存在空气，导致电池表面不同程度的鼓起，因而气胀锂电池的检测可以归为表面平整度检测的一种。采用基于机器视觉的表面缺陷检测代替人工检测，克服人工检测效率和精度不高的问题，大大提高生产效率和自动化程度。

本文提出采用机器视觉检测技术代替人工检测，通过分析特定角度和强度的光源在电池表面所成影像的亮度图像，提取电池图像对光源的反射区域特征作为分类器的输入。考虑到在线检测实时性要求高的特点，本文结合粗糙集[4]属性约简和支持向量机小样本分类的优势，在知识分类不受影响的前提下约简原特征属性，以简化特征模型，减少冗余信息计算，提高检测速度。

1 算法描述

1.1 系统模型

在锂电池生产过程中，经卷绕工艺[7]，质量合格的锂电池表面平整无任何鼓起。而气胀电池由于电池芯内部存在空气，导致电池表面不同程度的隆起，造成电池表面不平整。在特定角度和强度光源照射下，合格锂电池不管是水平还是垂直放置，其表面所形成的反射光斑呈连续条形状，光斑从电池的左边一直延伸到右边。而气胀锂电池表面的反射光斑则形状各异且为不规则分布，如图1所示,图1(a1)、图1(b1)、图1(c1)为垂直光源照射下的锂电池图像，图1(a2)、图1(b2)、图1(c2)为水平光源照射下的锂电池图像；a、b为合格电池，c为气胀电池。因此，可以通过分析光源下锂电池亮度图像的光斑分布情况对气胀锂电池进行检测。

图1 特定角度及强度光源照射下锂电池图像

检测系统的硬件模型如图2所示。待检锂电池平放于检测台上。为获取图1的拍摄效果，十字型LED照射板垂直于检测台正上方25～35 cm处，高清摄像头垂直于电池上方。十字型LED照射版在PC的控制下交互点亮水平和垂直方向子集，分别获取电池图像对水平光源和垂直光源的反射光斑图像。两张图像作为一个电池样本进行检测。为减少图像预处理过程中背景噪声对反射区域的特征提取的干扰，检测台一般为黑色。所获图像以.JPG格式上传至PC并归一化至300×480。

图2 气胀锂电池在线检测系统模型

1.2 特征提取

合格锂电池对LED光源的反射光斑区域近似一个横跨电池表面的扁矩形；气胀锂电池反射光斑区域则为不规则形状随机分布。本文提取目标区域的几何特征作为分类器输入，特征提取流程如图3所示。采用区域生长法分割电池反射光斑区域。由于二值化后，电池图像部分光斑区域中存在小黑点，且光斑边缘较为散乱，这种区域的不完整性不利于后续光斑特征分析，影响识别效果。为使二值图像中的目标区域尽可能与原图像一致，本文采用形态学处理方法[8]。选用3×3的矩阵对光斑区域进行膨胀处理，使光斑边缘参差不齐的齿状情况得以减轻，利于形状特征的提取。消除像素小于100的连通区域，消除因上一步膨胀而扩大的噪点对识别的影响。所获电池图像经如图3所示的预处理后，反射光斑区域得以凸显，如图4所示。在水平和垂直照射条件下各提取电池图像反射光区域几何特征，包括连通区域个数Connect-num、两两连通区域质心之间的最大和次大距离max1、max2、反射光斑面积、反射光区域最小外接矩形长短轴之比t、反射光斑区域与最小外接矩形占空比qt以及该图像的七个不变矩特征1-7。一共13×2个特征向量。

图3 锂电池反射光斑区域特征提取

图4 电池图像形态学处理效果图

1.3 基于粗糙集的特征属性优选

训练样本共提取13×2个特征属性，在实际分类过程中，过多的属性会导致分类模型训练和检测时间过长。为满足在线检测的实时性要求，本文采用粗糙集属性约简算法优选特征参数。

初始化：

开始：

则基于属性重要度的电池检测系统属性约简算法如下所示：

标记：

初始化：

开始：

经算法1和算法2运算后，电池特征属性由原来13×2个属性约简为5×2个：{Connect-num、qt、1、7、max2}。约简的特征子集作为分类器的输入，减少冗余信息的干扰，加快训练速度，同时在检测过程中，更少的特征子集缩短了电池特征的提取时间，提高在线检测效率。

1.4 C-SVM支持向量机分类

SVM的基本思想是寻求使得分类间隔最大的最优分类线。在线性可分的情况下，假设每个样本由特征向量和类别标记组成，即(，)，取值1或-1。两类样本的分类线方程为则样本点到某个超平面的间隔定义为：

从而寻求最大间隔分类面问题转化为求解二次优化问题：

当分类问题线性不可分时，式(4)引入了松弛变量错分惩罚因子和松弛变量ξ：

式(5)即为C-SVM的数学模型，可以根据具体的分类问题，调节惩罚因子在分类器的泛化能力和误判率之间进行折衷。

如图5所示，当特征数据高度线性不可分时，SVM采用核函数特征数据映射到高维空间，使得映射后的数据在高维空间上线性可分。

图5 线性不可分数据映射到线性可分高维空间

使用核函数进行特征映射后，导出分类判别函数为：

传统分类器性能评价是给定训练集，用式(7)决策方程验证分类器对训练集的准确率。但是这种评价很容易陷入过学习和欠学习问题。假设给定的训练集恰好不存在互相矛盾的训练点，此时分类器的识别率将显示为100%，显然这不是一个好的算法，因为它只考虑了经验风险。而应用过程中，真正关心的是非训练集的样本输入时分类器的性能。由此，我们使用更为可靠的交叉验证法对分类模型进行评价。为避免过学习和欠学习，我们引入折交叉验证法。将电池特征样本平均分为互不相交的个子集，每个子集数据依次做一次验证集，用其余-1个子集训练得到的分类器进行测试，由此得到个分类器模型，最后用所有次迭代中的错误分类个数之和与总训练样本数之比作为分类器误判率的一个估计[10]。

2 实验结果与分析

采用173个容量为2 000 mAh的半成品锂电池单体作为实验样本，在图2所示模型装置下采集电池图像共173×2。提取每张电池图像反射光斑区域特征：连通区域个数、两两连通区域质心之间的最大距离和次大距离、反射光斑总面积、反射光区域最小外接矩形长短轴之比、反射光斑区域与最小外接矩形占空比以及该图像的七个不变矩特征。同一电池在水平照射和垂直照射下的两张图像作为一个样本，共13×2个特征属性。经1.3节属性约简后，电池特征属性集为{Con-

图6 粗网格参数寻优等高线图

图7 网格精细寻优等高线图

将173个样本分为两组，训练组样本数为80，合格和气胀电池分别为48和32；测试组样本数93，合格与气胀电池分别为56和37。分别用属性约简的C-SVM方法和直接C-SVM方法对电池样本进行训练，测试结果对比如表1所示。

表1 属性约简的C-SVM与直接C-SVM检测效果对比

由表1可知，属性约简的C-SVM方法与未约简的直接C-SVM方法相比，在识别精度上有所提高。样本特征经过属性约简，提取出影响识别结果的关键属性子集，即特征属性的核，排除原属性集中的干扰属性，使得分类更为准确。同时，由于训练样本的特征属性大大减少，从而缩短训练时间和检测时间，提高在线检测的效率。

3 结论

本文提出了一种基于机器视觉的锂电池气胀检测方法。借鉴物体表面缺陷视觉检测技术，通过分析锂电池在特定光源下反射光区域的几何特征对锂电池气胀进行检测与分选。采用粗糙集属性约简算法优选样本特征属性，减少冗余信息的干扰，缩短C-SVM分类器的训练和识别时间，提高在线检测效率。测试结果表明，所提方法不仅减少了锂电池在线检测时间，同时较少的特征属性减少了内存空间的占用，为锂电池生产过程中，气胀电池的自动化分选提供了一种有效的方法。

[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.液态软包装LiFePO4锂离子电池气胀问题的研究[D].天津：天津大学，2009.

[5] 孙正军.基于图像边缘提取的电池极片瑕疵检测研究[D].湖南：中南大学，2009.

[6] 肖安邦.基于机器视觉的锂电池检测系统开发[D].哈尔滨：哈尔滨工业大学，2007.

[7] 郭炳焜，徐徽，王先友，等.锂离子电池[M]．长沙：中南大学出版社，2002：1-88.

[8]RAFAEL C，GONZALEZ，RICHARD E W.Digital Image Processing[M].北京：电子工业出版社，2010.

[9] 苗夺谦，李道国．粗糙集理论、算法与应用[M].阮秋琦，阮泽智，等译.北京：清华大学出版社，2008：70-74.

[10] 邓乃扬，田英杰．支持向量机——理论、算法与拓展[M].北京：科学出版社，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

1002-087 X(2015)04-0736-03