《Journal of Manufacturing and Materials Processing》：BW-YOLO: A Lightweight Recurrence-Plot-Driven Network for In-Process Defect Identification from Multi-Band Photodiode Signals in Lithium-Ion Battery Laser Welding
编辑推荐：
锂电池极耳与汇流排的激光焊接决定了电池模组的电气完整性与安全性，然而许多焊接缺陷在表面几乎不留痕迹，这使得依赖焊后视觉检测的方式难以奏效。光电二极管信号记录了加工过程中的熔池动态，但其短促且非平稳的波形难以用紧凑模型可靠分类。本研究提出BW-YOLO，一种与光
锂电池极耳与汇流排的激光焊接决定了电池模组的电气完整性与安全性，然而许多焊接缺陷在表面几乎不留痕迹，这使得依赖焊后视觉检测的方式难以奏效。光电二极管信号记录了加工过程中的熔池动态，但其短促且非平稳的波形难以用紧凑模型可靠分类。本研究提出BW-YOLO，一种与光电信号递归图（recurrence plot, RP）编码协同设计的轻量化网络。递归图将每条焊接信号转化为图像，其粗粒度分块结构与细粒度递归纹理反映了匙孔稳定性。BW-YOLO通过Haar小波卷积模块（集成通道混洗与单次聚合，即WT-ShuffleOSA）以及双尺度通道缩减金字塔切片注意力模块（DCR-PSA）匹配这一双尺度结构。评估采用包含1200个工业焊接接头的平衡数据集，在可见光、红外及反射激光波段同步监测，并使用固定训练-验证划分。在240个验证接头上，各波段分别评估，BW-YOLO相较YOLO11n-cls基线在每个波段均将误分类率降低30%–38%，并报告运算量减少15%。在红外波段，其准确率达到96.67%，精确率达到98.28%，参数量为1.50 M，计算量为2.8 GFLOPs，在该划分下所比较的十个网络中取得最高观测准确率。上述结果支持对该设计作进一步研究；跨训练轮次与数据集的鲁棒性、与直接时间序列分类器的性能对比以及部署延迟仍有待验证。
一、研究背景与问题提出
随着交通运输电气化与电网级储能规模的扩大，全球锂电池需求持续快速增长。截至2025年底，全球电池制造产能已超过4 TWh，同比增长约30%，欧盟与美国的年产能增速均超过50%。锂电池凭借高能量密度、长循环寿命与低自放电等特性，已成为电动汽车、便携式电子设备及电网级储能的主导技术。在满足如此规模需求的同时保持产品质量一致性，对电池制造工艺提出了极高要求，即便缺陷率的小幅上升，在超级工厂产量规模下也会转化为大量报废或存在安全隐患的电芯。
在电池模组内部，电流通路依赖于电极极耳与集流体、电芯极耳与汇流排之间的激光焊接。该连接工序需兼容铜、铝、镍等异种金属，同时保持低接触电阻与高机械强度。激光焊接因深熔透、高精度、小热影响区及灵活加工等优势，已成为电动汽车电池生产线的主导连接技术。然而，焊缝质量对工艺参数、表面污染、材料波动及环境条件高度敏感，且缺陷并非总局限于焊缝表面：气孔、未熔合及匙孔不稳定等缺陷可能源于表面以下，而在表面几乎不留痕迹。缺陷接头会提高局部接触电阻，充放电过程中产生过多热量，严重时甚至引发热失控，进而造成良率损失与高成本召回。
离线检测方法，包括金相切片、扫描电子显微镜与计算机断层扫描，仍是表征焊缝形态的参考标准，但这类方法具有破坏性或耗时性，仅能应用于抽样接头。为此，业界发展了两类在线控制范式：统计与门控式质量管理在生产线上设置检查点，依据预设标准判定电芯是否进入下一工序；基于传感器的过程监测则直接对每条焊缝进行表征，利用焊接过程中采集的信号做出通过或失败判定。光电传感因非接触、低成本且与自动化焊接工位节拍兼容，成为该领域研究最广泛的传感方式之一。
将光电二极管信号转化为可靠的在线判定受三个实际因素制约。其一，焊接过程中的光电信号具有强非平稳性，其幅值、主频与方差在单次焊接的短暂持续时间内随匙孔形成、稳定与塌陷而漂移。其二，飞溅致凹坑、虚焊或未熔合等缺陷在原始时域波形中往往仅留下微弱且易混淆的痕迹，除非将信号重新表达为能放大其结构差异的表示形式，否则合格与缺陷焊缝几乎难以区分。其三，检测模块在线运行于焊接工位，识别决策必须在生产线节拍时间内返回，近期焊接监测综述已将这一延迟预算而非单纯识别精度确认为学习模型从离线基准走向部署产线的主要障碍。
深度学习在制造业中的广泛采用为应对上述因素提供了新途径。学习得到的特征表示正逐步取代手工统计特征，原本为自然图像识别开发的卷积架构已被改造用于各类制造过程中的信号分类、缺陷分割与质量预测。对光电焊缝监测而言，这引出一对关联设计问题：一维过程信号应如何表示以暴露合格与缺陷焊缝的区分特征；分类网络应如何构建以在在线计算预算内利用该表示。本研究以单一设计原则回答这两个问题：信号表示决定了分类器需解析的纹理统计特性，因此分类器应围绕这些统计特性构建。由此产生的网络BW-YOLO，将多波段光电二极管信号的递归图编码与小波域特征提取及通道缩减注意力相结合，在全部三个光学波段上均比其YOLO11基线更准确且计算开销更低。
二、研究内容与主要结论
研究人员在工业电池模组激光焊接平台上采集了1200个焊接接头样本，其中合格焊缝（acceptable weld joint, AW）与缺陷焊缝（defective weld joint, DW）各600个。每个接头同步记录可见光（400–700 nm）、红外（900–1700 nm）与反射激光（1070±10 nm）三个波段的光电信号，采样率20 kHz，12位分辨率，共获得3600条原始时间序列，每条约400个采样点，对应约20 ms焊接时长。接头质量通过焊后目视检查与破坏性拉拔测试确定，拉脱力不低于30 N且无可见缺陷者标记为合格，否则标记为缺陷。三个波段数据集独立处理与评估，按接头层级分层划分训练（80%）与验证（20%），固定划分用于所有实验。
三、关键技术方法
研究人员采用的主要技术方法包括：递归图编码，将一维光电信号通过时间延迟嵌入（嵌入维数m=1，延迟τ=1）重构相空间状态，计算所有采样点对的连续距离|xi?xj|并缩放为224×224图像；Haar小波变换卷积（WTConv），以四个固定2×2滤波器分解特征图为低频与三个高频子带，低频分量二次分解后经逆小波变换重建，实现感受野指数增长而参数线性增长；通道混洗（channel shuffle）操作，在不增加参数的前提下交换通道组间信息；单次聚合（one-shot aggregation）设计，将多个中间表示一次拼接后融合；通道缩减注意力（channel reduction attention, CRA），以平均池化缩减键值令牌数量，将注意力图规模从N×N降至N×Nr；双尺度门控前馈（dual-scale gated feed-forward, DGFF）单元，以5×5深度卷积捕获粗尺度上下文、膨胀率2的3×3卷积捕获细尺度纹理，经Mish激活门控融合。网络基于YOLO11分类架构，在阶段2至4部署WT-ShuffleOSA模块，最终特征图经DCR-PSA模块精炼后接入分类头。训练采用随机梯度下降，基础学习率1×10?3，动量0.937，权重衰减0.0005，100个epoch，批大小16，交叉熵损失，在单块NVIDIA GeForce RTX 3090 GPU上完成。
四、研究结果
4.1 各模块贡献。 在红外波段数据集上以YOLO11n-cls为基线进行消融实验。WT-ShuffleOSA单独将准确率、F1分数、精确率与召回率分别提升1.67、1.66、2.53与0.84个百分点，同时将参数量减少0.09 M，计算量从3.3降至2.9 GFLOPs。DCR-PSA单独将四项指标分别提升1.67、1.72、0.91与2.50个百分点，增加0.06 M参数，GFLOPs不变，召回率增益最大。完整BW-YOLO相较基线将准确率、F1分数、精确率与召回率分别提升2.09、2.10、2.55与1.67个百分点，参数量从1.53 M降至1.50 M，计算量从3.3降至2.8 GFLOPs（减少15%），误分类验证接头数从13降至8，减少38%。
4.2 信号编码选择。 在红外波段数据集上以YOLO11n-cls为骨干比较四种编码方法。递归图（RP）取得最高准确率94.58%、F1分数94.51%、精确率95.73%与召回率93.33%，误分类13个；格拉姆角差场（GADF）与马尔可夫转移场（MTF）准确率均为93.75%，误分类15个；格拉姆角和场（GASF）准确率91.25%，误分类21个。RP因此被选为BW-YOLO的输入表示。
4.3 跨光学波段一致性。 BW-YOLO在三个波段上均优于基线：红外波段准确率从94.58%提升至96.67%（误分类从13降至8，减少38%），可见光波段从95.83%提升至97.08%（误分类从10降至7，减少30%），反射激光波段从97.50%提升至98.33%（误分类从6降至4，减少33%）。可见光波段召回率达到100%，反射激光波段取得最高绝对准确率98.33%。
4.4 与代表性分类网络比较。 在红外波段数据集上，BW-YOLO与九个代表性分类网络（VGG16、VGG19、ResNet50、ResNeXt50、MobileNetV3、ShuffleNetV2、EfficientNetV2、DenseNet121、ConvNeXt）在相同协议下比较。BW-YOLO取得最高准确率96.67%、F1分数96.61%与精确率98.28%。相较VGG16与VGG19，参数量减少89倍与93倍；相较ResNet50，参数量仅为十六分之一，GFLOPs减少三分之一；在相近计算预算下，准确率高于EfficientNetV2与DenseNet121各1.25与0.84个百分点，参数量分别减少13.5倍与4.6倍。在亚2 M参数类别中，准确率、F1分数与精确率均最高。
五、讨论与结论
模块级消融显示WT-ShuffleOSA带来更大精确率增益，DCR-PSA带来更大召回率增益，与多尺度特征提取和全局上下文建模的预期角色相符，但尚不能确立其为改善的因果机制。完整模型准确率超过任一单模块配置一个正确分类验证接头，未建立模块间稳健协同效应。递归图保留每对采样点间的连续距离，不将幅值映射为角度（区别于格拉姆场），也不对幅值量化（区别于马尔可夫转移场），这些性质为RP作为焊接信号时间相似性表示提供了研究依据，但编码比较未确立递归结构是分类优势的具体来源。反射激光波段取得最高绝对准确率，与该信号直接追踪匙孔开合与塌陷的物理来源一致，支持将其作为单通道监测的候选波段，但其他生产条件下的相对性能仍需验证。红外波段是三个波段中最具挑战性的，也是架构增益最大的波段。部署方面，1.50 M参数对应约6 MB浮点存储，适合工业PC或嵌入式模块，但端到端延迟未实测，编码开销与产线节拍兼容性尚待确认。评估仅使用单一固定训练-验证划分，未进行多随机种子重复训练，三波段数据来自同一批接头不构成独立重复，编码比较限于红外波段，未评估直接时间序列分类器，平衡数据集不反映产线实际缺陷率。后续工作方向包括：三波段信号融合、从二分类扩展至具体缺陷类型识别、在工业硬件上实测推理延迟、以及跨随机种子与接头划分的重复验证、独立测试集评估、全波段编码比较、组件级消融及与一维时间序列模型的对比。
研究结论：本研究提出BW-YOLO，一种基于多波段光电信号识别锂电池激光焊接合格与缺陷焊缝的轻量化网络，其构建原则是信号表示与分类网络协同设计。递归图编码将可见光、红外与激光反射信号转化为保留匙孔与熔池动态递归结构的图像，在红外波段其准确率较GADF与MTF高0.83个百分点，较GASF高3.33个百分点。WT-ShuffleOSA与DCR-PSA模块集成于YOLO11分类架构，分别捕获编码图像中的多尺度纹理与长程关系，各模块单独均改善全部四项识别指标。在固定验证划分上，BW-YOLO在三个光学波段将基线误分类率降低30%–38%，运算量减少约15%。红外波段达到96.67%准确率、96.61% F1分数与98.28%精确率，参数量1.50 M，计算量2.8 GFLOPs，在十个比较网络中取得最高观测准确率；反射激光波段达到98.33%准确率，为三个单波段中的最高观测值。研究结果支持进一步探索递归图编码与紧凑分类架构结合的焊缝质量监测方案，所提出的信号表示与网络结构对应关系提供了设计依据，其相对优势需通过重复评估与直接时间序列比较加以确认。该方法可作为基于光电二极管单焊缝筛查的候选方案，其产线适用性取决于端到端延迟与生产条件下分类性能的验证。
