基于低电压聚焦离子束–扫描电子显微镜（FIB–SEM）层析成像图像的机器学习锂离子电池电极微结构重建

《Advanced Engineering Materials》：Microstructure Reconstruction in Battery Electrodes Using Machine Learning Based on Low-Voltage Focused Ion Beam–Scanning Electron Microscopy Tomography Images

　　

准确重建锂离子电池电极中的导电网络，对于理解材料–结构–性能关系及优化制造工艺至关重要。由于微结构特征尺寸较小且各相之间缺乏足够成像对比度，导电网络的分辨率一直是一大挑战。本研究提出一种数字材料框架，利用低加速电压聚焦离子束–扫描电子显微镜（Focused Ion Beam–Scanning Electron Microscopy, FIB–SEM）层析成像结合机器学习分割，实现锂离子电池正极三维微结构的重建与定量分析。研究人员采集低加速电压图像栈并对比以确定最佳电压；借助标准软件进行人工辅助分割获得真值（Ground Truth）用于训练深度神经网络模型以识别正极各相，并将模型应用于导电相的稳健识别与重建。从自动分割结果中提取定量微结构描述符，并在数字平台DataCharge.io中将之与结构化工艺参数系统关联，实现了实验室与中试尺度电极的一致比较。该集成数据驱动方法有助于靶向优化电极制备、支持可迁移的工艺–结构关联建立，并推进电池材料工程数字化策略的发展。

《Advanced Engineering Materials》刊载论文解读：基于低电压FIB–SEM层析成像与机器学习的锂离子电池正极微结构重建与量化分析

一、研究背景与立项依据

锂离子电池（Lithium-Ion Battery, LIB）电极是由活性物质（Active Material, AM）、碳粘结域（Carbon-Binder Domain, CBD，含导电炭黑与聚偏氟乙烯PVDF粘结剂）及电解液填充孔隙组成的三相互穿复合材料。其中，CBD网络提供电子传导通路，孔隙提供离子传输通道，二者的连通性与迂曲度（tortuosity, τ）直接决定电池的倍率性能和循环寿命。要理性设计电极并优化涂布、干燥、辊压（calendaring）工艺，必须对三维微结构进行定量表征。

目前存在的主要问题是：X射线计算机断层扫描（X-ray Computed Tomography, XCT）受X射线衰减系数限制，难以区分低原子序数的碳质CBD相与孔隙，即便纳米CT也无法可靠分辨纳米尺度的CBD网络；透射电镜（Transmission Electron Microscopy, TEM）缺乏统计代表性；传统FIB–SEM图像分割依赖灰度阈值法或人工半自动分割，受加速电压引起的电子相互作用体积、荷电效应及帘状（curtaining）伪影影响大，尤其CBD相体积极小、边界模糊，传统方法易误分类。此外，不同加速电压下二次电子（Secondary Electron, SE）信号的信息深度不同，会显著影响相对比度和分割保真度。因此，亟需一种物理信息指导的低电压成像策略，配合自动化、可推广的分割方法来重建微结构并提取可靠的物理描述符。

针对上述问题，研究人员开展了如下工作：采用聚二甲基硅氧烷（Polydimethylsiloxane, PDMS）/癸烷浸润填充电极孔隙以增加相衬，利用蒙特卡洛（Monte Carlo）模拟量化1、2、3 kV加速电压下电子穿透深度，确定1 kV为最优表面敏感成像电压；建立基于灰度梯度二维直方图种子点+分水岭区域生长的半自动流程制作真值；以预处理后的1 kV FIB-SEM图像栈训练DeepLabv3+残差网络（ResNet-50）深度学习模型进行三相（AM、CBD、PDMS填充孔隙）语义分割；从分割体素中提取相体积分数和基于有限差分法的孔隙迂曲度τ，并将结果与真值对比验证；最后通过DataCharge.io平台将微结构描述符与电极工艺参数（如辊压密度）语义关联，探讨工艺–结构–输运性质关系。

二、主要关键技术方法

研究人员以NCA（锂镍钴铝氧化物）为正极活性物质、C65导电炭黑和PVDF为CBD、NMP为溶剂制备未辊压及辊压后正极片。样品经PDMS/癸烷真空浸润、环氧树脂包埋、研磨抛光后，在FIB-SEM上溅射镀金，沉积铂保护层，铣削U形沟槽，采用AutoSlice and View G3软件以45 nm切片厚度进行自动切片，分别采集1 kV、2 kV、3 kV倾斜补偿SE图像栈（约800幅/电压，1024×1024像素，物理像素尺寸45 nm），经-38°剪切对齐完成三维重建。通过CASINO软件做Monte Carlo电子轨迹模拟。图像预处理流水线依次执行：极端像素剔除与双调和（biharmonic）修补、小波（BayesShrink）去噪、变分平稳噪声去除（Variational Stationary Noise Remover, VSNR）与Gabor滤波去条纹、基于网格局部极大值的图像平面校正、再次去噪与异常值剔除、像素值重标定至0–255。真值通过专家在Avizo软件中选取AM/CBD/PDMS种子点投影至强度–梯度二维直方图，矩形框选后分水岭生长生成。筛选质量合格的327层切片按9:1划分训练/验证集，采用随机翻转/旋转/裁剪及高斯模糊/噪声/Gamma校正做数据扩增，以ImageNet预训练ResNet-50为编码器、DeepLabv3为解码头的网络，用Cross-Entropy + Soft Dice联合损失函数处理类别不平衡，AdamW优化器与余弦退火学习率调度训练。在五个独立未见过的体数据栈上做留一法测试，计算各类F1分数及孔隙相体积分数、τ（TauFactor库有限差分法），并与真值比对。微结构参数上传DataCharge.io关联Battery Production and Characterization Ontology（BPCO）。

三、研究结果

3.1 Voltage-Dependent Contrast and Its Impact on Segmentation Quality（电压依赖对比度及其对分割质量的影响）

研究人员通过Monte Carlo模拟发现，1 kV时PDMS中电子相互作用体积局限于近表层约70–80 nm，与FIB切片厚（45 nm）及炭黑特征尺寸（~50 nm）相当；2 kV达~200 nm，3 kV超400 nm。实验显示1 kV下相边界清晰、PDMS暗而均匀；2 kV和3 kV因深穿透产生背散射电子再激发及绝缘PDMS内负电荷积累，在AM–PDMS界面出现亮"晕轮（halo）"伪影，灰度混合导致CBD被高估——相同阈值法得出CBD表观体积分数分别为14.4%（1 kV）、27.7%（2 kV）、30.8%（3 kV），而理论CBD占比约13%，仅1 kV结果吻合。故选定1 kV用于真值制作与模型训练。

3.2 Ground Truth Segmentation and SE Image Data Analysis（真值分割与SE图像数据分析）

研究人员建立基于强度–梯度幅值二维直方图的半自动分割流程：专家手动标注三相种子点，映射至二维直方图选取对应矩形区，反向投影空间域后经分水岭区域生长获全栈标记图。相比单纯灰度阈值，引入梯度信息更好区分纤细CBD与平滑孔隙/AM，降低AM–PDMS界面误分，作为监督学习与评估基准，虽存主观局限但经专家校验具内部一致性。

3.3 Machine Learning Image Segmentation Model（机器学习图像分割模型）

研究人员以单个体数据栈（NCA001 Cube 1，327层）训练，在其余五个独立体栈测试。ResNet-50骨干优于MobileNetV3-Large（验证集macro-F1 0.9377 vs 0.8991）。跨栈平均macro-F1为0.851，PDMS相F1均值0.9614，AM相0.8943，CBD相0.6957（受CBD分布不均及真值标注噪声影响个别栈偏低）。定性显示模型能捕获CBD拓扑连续性，且推理远快于半自动流程，具备跨数据集泛化能力。

3.4 Evaluation of Physical Descriptors Using ML Segmentation Results（基于ML分割结果的物理描述符评估）

研究人员对比真值与预测体算得的孔隙体积分数及τ。NCA001（Cube 1/2）和NCA008预测孔隙分数偏差<1%，τ偏差<5%；未辊压样（NCA001、NCA004，密度~2.8 g/cm³）孔隙率~37–38%、τ~2.6–3.2；高密度辊压样（NCA008，~3.3 g/cm³）孔隙率降至~24%、τ升至~3.45，符合压实致孔缩径使有效离子扩散系数D_eff=D₀·ε/τ下降的规律。表明ML分割保留了输运相关的真实结构特征，可支撑工艺–结构关联。

四、讨论与结论翻译（总结自Conclusion and Outlook）

研究人员通过低电压FIB–SEM层析成像结合PDMS浸润，系统量化了加速电压对信息深度、荷电行为及分割保真度的影响，确定1 kV为CBD表面受限成像的最佳电压，最小化次表层阴影与电压诱导误分类，据此生成半自动真值。基于DeepLabv3+ResNet-50的深度学习方法在未见过的体数据上平均macro-F1达0.851，稳健重建三相尤其是结构复杂的CBD网络，且预测的孔隙体积分数与迂曲度τ与专家真值一致，证明模型不只优化像素相似度而是准确重构输运相关结构特征。未辊压电极呈较高孔隙率与适中τ，高密度辊压电极孔隙率下降、τ上升，经由τ=D₀·ε/D_eff关系直接关联至有效离子扩散率降低，印证工艺–微结构–输运性质的耦合。中等密度辊压样（NCA005）偏离单调趋势可能源于局部非均质或微裂纹，ML重建相较半自动真值减轻了对CBD–孔隙界面的分类偏倚。将自动分割提取的描述符通过DataCharge.io基于BPCO本体挂接至特定工艺状态（如"辊压后电极"），使跨批次/条件/化学体系的比较成为可能，为数据驱动的电池复合材料设计奠定基础。未来方向包括扩展至LCO、NMC等其他正极体系，构建化学选择性ML模型及融合跨尺度数据，并在数字平台中引入物理先验（如CBD倾向分布于AM附近）进一步提升分割质量。