《Journal of Energy Storage》：A defect detection method for electrode endpoint detection in lithium-ion batteries based on high-order spatial interaction
编辑推荐：
Deng Chen|Chi Li|Lianqing Wang|Dawei Wen|Wen Gan|Xin Nie|Xiaoquan Liu中国湖北省武汉市430205，武汉理工大学计算机科学与工程学院、人工智能学院摘要检测锂离子电池中电极间的间距缺陷对于确保电池的耐用性和安全性至
Deng Chen|Chi Li|Lianqing Wang|Dawei Wen|Wen Gan|Xin Nie|Xiaoquan Liu
中国湖北省武汉市430205，武汉理工大学计算机科学与工程学院、人工智能学院
摘要
检测锂离子电池中电极间的间距缺陷对于确保电池的耐用性和安全性至关重要。目前的方法主要依赖传统的图像处理技术，但由于电极排列密集以及边缘视觉上模糊，这些方法的准确性和稳定性往往不足。为解决这些问题，我们提出了一种锂离子电池电极端点检测网络（LBEEDNet），用于定位电极并识别距离缺陷。该网络以CSPDarkNet53作为核心网络来提取多尺度特征，然后通过高阶空间交互路径聚合网络对这些特征进行融合。随后，由多个卷积层构成的检测头会输出电极的边界框和端点坐标，从而实现基于距离的缺陷检测。此外，为解决电极边缘的视觉模糊问题，我们设计了一种专门的电极端点检测损失函数（PedLoss）。在训练过程中，PedLoss会动态调整清晰端点与模糊端点之间的损失权重，显著提升模型识别不清晰电极边界的能力。在32层卷绕式锂离子电池的定制数据集上的实验表明，所提出的方法能够有效识别具有不同结构特征的电极端点，在缺陷检测中的误报率为1.08%，漏报率为0%。
引言
随着锂离子电池在工业生产中的广泛应用，确保其制造质量已成为一个关键问题。电池单体是锂离子电池的核心组成部分[1]，它由正极、负极和隔膜组成的卷绕结构构成。在电池单体的卷绕、堆叠和组装过程中，压缩和碰撞等外部力量可能导致电极发生显著的位置偏移[2]、[3]，进而引发短路、过热甚至火灾隐患。因此，在锂离子电池出厂前，必须根据正负电极之间的距离进行安全检查。
目前，锂离子电池生产中的电极端点检测缺陷检测主要依靠X射线成像技术获取电极内部图像，再利用传统图像处理方法识别电极并计算电极间距离以进行缺陷检测。然而，现有方法在处理电极密集排列及多层结构时面临巨大挑战。由于电极在卷绕过程中的紧密堆叠和多层结构，图像中会出现严重的重叠和遮挡现象，使得电极边缘难以精确识别。此外，X射线设备本身的局限性，如成像分辨率不足，会导致图像亮度低、边界不清晰、对比度低等问题，进一步降低了传统图像处理方法在电极端点检测缺陷检测中的准确性和稳定性。因此，传统图像处理方法无法满足工业自动化和智能制造领域的实际应用需求。
针对上述问题，本文首先对锂离子电池的X射线图像进行预处理，解决因成像设备限制和电极层遮挡导致的图像模糊问题。接着，利用锂离子电池电极端点检测网络（LBEEDNet）检测电极的边界框和端点，并计算电极间距以判断是否存在电极位置距离缺陷。LBEEDNet以CSPDarkNet53作为特征提取的核心网络，运用跨阶段部分融合（CSP）[4]技术获取多尺度电极特征，同时减少计算冗余。此外，还引入了高阶空间交互路径聚合网络（HSI-PAN）作为特征融合网络，有效结合多尺度特征，将高级语义信息与低级细节信息整合在一起，提升特征表达能力，同时减少因电极密集排列造成的细节丢失。检测头由多个卷积层组成，用于识别电极的边界框和端点。最后，通过判断正负电极端点之间的距离是否超过设定阈值来确定是否存在电极位置距离缺陷。为进一步提升电极端点检测的性能，我们专门设计了一种名为PedLoss的损失函数，用于解决X射线成像导致的电极端点视觉模糊问题。该损失函数在训练过程中动态调整清晰端点与模糊端点之间的损失权重，从而实现对模型性能的更精细优化，显著提高模糊端点的定位精度。本文的主要贡献如下：
- 1.
我们提出了基于高阶空间交互的LBEEDNet，用于检测电极端点，进而判断锂离子电池电极是否存在位置距离缺陷。
- 2.
我们设计了HSI-PAN多尺度特征融合架构：该架构被集成在LBEEDNet的颈部层，能够将高级语义信息与低级细节信息相结合，提升电极特征的表示能力，提高电极端点检测的准确性。
- 3.
我们提出了PedLoss损失函数：为解决X射线成像模糊导致的电极端点定位不准确问题，我们设计了这种专用损失函数。它能够动态调整清晰端点与模糊端点之间的损失权重，便于在训练过程中对模型进行精细化优化，显著提升模糊端点的定位精度。
本文的其余结构如下：第2节回顾相关研究；第3节详细介绍所提出的方法；第4节展示实验结果；第5节总结结论。
章节节选
背景
作为高效的可再生能源，锂离子电池因其重量轻、能量密度高且工作温度范围宽等优点，已被广泛应用于汽车、航空和智能手机等行业。然而，随着该行业的快速发展，锂离子电池的安全问题也日益突出。例如，智能手机中锂离子电池爆炸或故障的事件频发
整体框架
所提出的方法分为三个部分：锂离子电池图像预处理、电极边界框和端点检测，以及电极端点检测缺陷检测。首先，以锂离子电池的原始X射线图像作为输入，通过裁剪图像使其聚焦在电极区域，再利用多尺度Retinex（MSR）和鲁棒主成分分析（RPCA）技术提升图像清晰度。随后，使用所提出的LBEEDNet
实验数据集
据我们所知，目前尚不存在专门用于锂离子电池的公开X射线图像数据集。因此，我们利用一家工业电池制造商提供的数据，构建了一个专属数据集。该数据集包含500张32层锂离子电池的X射线图像。原始图像的分辨率为1536 × 1536像素，经过增强和预处理后分辨率被调整为864 × 480像素。
标注工作是使用
结论
在本文中，我们提出了一种基于高阶空间交互的锂离子电池电极端点检测缺陷检测方法。该方法利用LBEEDNet模型检测电极端点，并计算电极间距以判断是否存在电极位置距离缺陷。LBEEDNet以CSPDarkNet53作为特征提取的核心网络，同时在特征融合网络中采用了HSIM机制来实现高阶空间交互，从而提升了
CRediT作者贡献声明
Deng Chen：撰写——初稿、方法论、概念设计。Chi Li：验证、软件开发、数据整理。Lianqing Wang：撰写——审阅与编辑、监督、项目管理。Dawei Wen：研究调查、形式分析。Wen Gan：可视化、数据整理。Xin Nie：撰写——审阅与编辑。Xiaoquan Liu：撰写——审阅与编辑。
利益冲突声明
作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：说明与某方的关系，包括：拥有某项专利的申请状态。如果有其他作者，他们声明自己没有已知的可能影响本文所述工作的财务利益或个人关系。
