编辑推荐：
当前锂离子电池（LIBs）回收面临数据稀缺难题，制约深度学习（DL）技术应用。研究人员构建公开图像数据集 RecyBat24，涵盖 pouch、prismatic、cylindrical 三类电池，采用数据增强模拟真实场景，验证轻量化模型在分类和分割任务中的高效性，为 LIBs 回收自动化提供关键数据支撑。
随着新能源产业的蓬勃发展，锂离子电池（Lithium-Ion Batteries, LIBs）在电动汽车、储能系统等领域的应用愈发广泛。然而，LIBs 的平均寿命仅 5-8 年，预计到 2030 年全球 LIBs 生产能力将超过 1.3 TWh，大量退役电池若处理不当，不仅会造成锂、钴、镍等稀有金属资源的浪费，还可能引发环境污染。当前，电子废弃物中 LIBs 的回收面临关键挑战：在回收预处理阶段，依赖人工识别电池类型的方法成本高、效率低，难以适应规模化回收需求。而深度学习（Deep Learning, DL）技术虽在物体检测与分类中展现潜力，但现有研究受限于公开数据集的匮乏，尤其是缺乏能真实反映废弃电池复杂场景（如老化、遮挡、光照变化）的图像数据，导致模型泛化能力不足。
为突破这一瓶颈，意大利卡拉布里亚大学（University of Calabria）的研究团队开展了一项具有开创性的研究。他们构建了首个公开的 LIBs 废弃图像数据集 RecyBat24，并基于该数据集验证了轻量化深度学习模型在电池检测与分类中的有效性。相关成果发表在《Scientific Data》，为推动 LIBs 回收自动化和智能化提供了关键数据基础和技术参考。
研究人员采用多阶段技术路线构建 RecyBat24 数据集。首先，从电子废弃物处理中心采集了 110 个真实废弃电池样本，包括 59 个软包（Pouch）、22 个棱柱形（Prismatic）和 29 个圆柱形（Cylindrical）LIBs，覆盖了从良好状态到显著退化的不同程度。其次，通过模拟工业环境的图像采集系统，在低、中、高三种光照条件下，以固定距离和分辨率（640×640 像素）拍摄电池图像，共获取 2835 张原始图像。为增强数据集的多样性和模型鲁棒性，研究团队运用数据增强技术，包括旋转、亮度调整、混合像素（mixup）等，生成了总计 37640 张增强图像。最后，采用 COCO 格式对图像进行标注，形成了适用于目标检测和实例分割任务的数据集版本。
模型性能评估与实验结果
研究团队选取 YOLOX、RTMDet 和 RT-DETR 三种轻量化目标检测模型，基于 RecyBat24-aug 数据集开展性能对比实验。结果表明，RTMDet 在平均精度（mAP50和 mAP50:95）指标上表现最优，尤其在圆柱形电池检测中准确率达 99.2%，显著优于 YOLOX（90.1%）和 RT-DETR（94.1%）。YOLOX 因模型结构限制，在区分棱柱形与软包电池时存在较高误分类率（17%），而 RT-DETR 虽在棱柱形电池检测中表现较好（96%），但对圆柱形电池的识别精度低于 RTMDet。
在实例分割任务中，研究人员利用分割一切模型（Segment Anything Model, SAM）自动生成掩码，并结合轻量化版本 FastSAM 进行验证。FastSAM 在全数据集上实现了约 0.8 的精度（Precision）和召回率（Recall），mAP50为 0.8，表明其在计算资源受限场景下仍能有效完成电池实例分割任务。
研究结论与意义
RecyBat24 数据集的发布填补了 LIBs 回收领域公开图像数据的空白。其核心价值体现在：① 通过模拟真实废弃场景的图像采集和数据增强策略，显著提升了数据集的多样性和模型对复杂环境的适应性；② 验证了轻量化 DL 模型在电池检测中的可行性，RTMDet 等模型兼具高效性与准确性，为工业级实时分拣系统的开发提供了技术选型参考；③ 提供了从目标检测到实例分割的多任务标注数据，拓展了数据集在不同回收环节（如精准拆解、材料分拣）的应用场景。
尽管存在未涵盖汽车电池等局限性，RecyBat24 仍为 LIBs 回收领域的基础研究与技术转化奠定了重要基础。未来研究可进一步融合多模态数据（如 X 射线成像）和迁移学习技术，提升模型对更多电池类型和老化状态的识别能力，推动 DL 技术在循环经济中的实际应用，助力解决全球稀有金属资源短缺和电子废弃物污染问题。
