鋰電池極片缺陷特征融合與分類

黃夢濤 王 露

（西安科技大學電氣與控制工程學院，西安 710000）

0 引言

經濟的發展帶動能源需求增加，鋰電池由于零排放、體積小、使用壽命長等優點廣泛應用于電動汽車、電子產品等領域。極片作為鋰電池的要件直接決定其電化學性能及安全性[1]，但是極片在涂覆、輥壓等生產環節可能會產生各種缺陷，通過缺陷檢測可防止不良品流向市場，避免安全事故發生。對缺陷分類便于企業分析缺陷產生的原因并做出相應的調整，從根源上降低甚至避免極片缺陷的產生，減少經濟損失。

隨著計算機和機器視覺技術的發展，基于圖像處理的極片缺陷分類方法得到廣泛應用。將提取的特征輸入分類器中訓練分類模型，然后利用模型預測分類。特征提取作為其中的關鍵步驟，對分類性能有直接性影響[2]。本文將主要研究特征提取，現有方法中主要提取極片缺陷的形狀特征和灰度特征[3-6]，但是缺陷的形狀大小和數目具有不確定性，而且形態特征參數的準確性易受圖像分割效果的影響。除此之外，還要考慮光線等環境因素對極片圖像的影響。本文對極片的劃痕缺陷、掉料缺陷和暗斑缺陷分類時，提出局部SURF特征與灰度特征融合的方法。前者可以避免光照的影響，后者從全局角度分析極片缺陷，兩種特征融合對缺陷的描述更全面。目前，特征融合在人臉識別[7]、車輛檢測[8]及醫學圖像[9]等多方面有所應用。

1 極片缺陷BoF-SURF特征提取

1.1 SURF特征提取

SURF（Speeded Up Robust Feature）是Herbert Bay等提出的一種局部特征，不僅對尺度、旋轉和噪聲等因素具有很強的不變性，而且對光照和仿射透射變化具有一定的魯棒性[10]。在SURF算法中，將圖像中的點與二階高斯模板卷積，構建Hessian矩陣如式(1)并利用其行列式是否大于零來尋找局部極值點。

為加速運算，使用盒子濾波近似代替二階高斯模板。然后逐漸增大盒子濾波器的模板尺寸構建尺度空間。Hessian矩陣近似判別式表達如下：

其中Dxx，Dxy，Dyy是盒子濾波與圖像的卷積。

將經過Hessian矩陣處理的像素點與其領域內的26個點比較大小，若該點是其中最大或最小值則作為候選特征點保留，再進行插值運算確定最終特征點。

以特征點為中心，以6δ（δ為特征點尺度）為半徑統計60°扇形鄰域內harr小波響應值總和，并以一定間隔旋轉該鄰域遍歷整個圓形區域，響應值最大的扇形對應的方向即為該特征點的主方向。沿主方向取邊長為20δ的方框，并劃分為16個子區域，統計每個子區域的haar小波響應值，得到4維特征向量表示，因此每個特征點就是64維向量。

1.2 SURF特征的BoF量化

通過以上步驟得到極片缺陷圖像的SURF特征向量集合，每個特征向量是64維，但是每張圖像提取到的SURF特征點數目不一樣，不能直接作為分類器的輸入。所以采用Bag-of-feature（BoF）模型對SURF特征進行量化。

BoF方法源于文本處理的詞袋模型（BoW），將圖像看成是若干個特征的無序集合。首先提取極片缺陷的SURF特征，并利用K-means算法聚類，得到K個聚類中心，每個聚類中心看作一個視覺單詞，所有視覺單詞構成一個大小為K×64的視覺詞匯表Vdictionary=[v1,v2,...vk]。若聚類數K過小，則圖像的SURF特征劃分粗糙，導致視覺詞匯的區分度低。而聚類數過大，容易造成信息冗余。所以本文將通過實驗選取合適的K值。

得到視覺詞匯表之后，將極片缺陷SURF特征按照最近鄰原則D(Vi,Vsurf)=min{D(Vsurf，Vj)j=1,2,...k}映射到視覺詞匯表中距離最近的視覺單詞上，通過統計每個視覺單詞出現的次數或頻率建立詞頻直方圖。進一步將極片缺陷圖像以詞頻向量形式表示，且大小為1×K維。如式(3)所示：

其中fSn表示第n個視覺單詞出現的次數。

2 極片缺陷灰度特征提取及特征融合

2.1 灰度特征提取

一般情況下，極片劃痕缺陷由于光線原因會在缺陷處出現反光亮點，掉料缺陷區域比背景區域亮，暗斑缺陷區域較背景區域更暗。因此考慮從直方圖中統計灰度參數信息，分析各極片缺陷的灰度分布。

以上灰度均值、方差和偏斜度的表達式中，L是灰度級數，P(ri)表示灰度值ri出現的概率。將這三個灰度參數分別用fh1，fh2，fh3表示并組合得到一個三維特征向量Fh，以此描述極片缺陷圖像的灰度特征。如式(4)所示：

2.2 特征融合

SURF特征雖然對光照和噪聲等因素具有魯棒性，但只是針對局部的分析，缺乏極片缺陷的全局信息。而灰度特征從全局角度描述極片缺陷的灰度值分布，計算簡單，但忽略了細節特征。將這兩種特征融合可以互相彌補不足，從多方面描述極片缺陷，獲取更豐富的信息。

在融合之前，采用min-max方法如式(5)所示分別對兩種特征向量歸一化，避免不同特征間的量綱差異對分類性能的影響。

將歸一化后的特征向量分別表示為F'BOF-SURF和F'h。

特征融合[11]指按照某種規則組合待融合的特征并得到新的特征，包括串行和加性融合方式。串行融合是直接將兩個特征向量連接得到一個新的特征向量，且維度是待融合特征的維度之和。加性融合是將待融合的特征對應維度位置的元素相加，融合后特征向量的維度不變，這要求待融合特征的向量長度盡量相同。本文提取的特征向量F'BOF-SURF是K維，F'h是3維，兩者維度差異較大，不適用加性融合。

因此嘗試串行融合兩種特征，并考慮到不同的特征對分類性能的重要程度不同，所以融合時對歸一化后的特征加以相應的權值，得到融合特征V表示如下：

其中w1和w2分別是F'BOF-SURF和F'h的權值系數，且w1+w2=1。系數值將通過實驗分析選取。

3 實驗驗證及結果分析

3.1 實驗準備

為了驗證特征融合方法對極片缺陷描述的有效性，結合分類算法對缺陷進行分類實驗。實驗樣本的訓練集和測試集各有255幅極片缺陷圖像，其中包括劃痕、掉料和暗斑三種缺陷。劃痕缺陷是由硬物劃傷所致；掉料缺陷是輥壓壓力過大導致；暗斑缺陷是異物或雜質導致。圖1為極片缺陷圖像。

圖1 極片缺陷圖像

由于本文的實驗樣本少，而SVM算法[12]對于小樣本、非線性模式識別具有獨特的優勢，而且對未知樣本具有較好的泛化能力，得到廣泛應用。因此選擇SVM算法結合融合特征對極片缺陷分類。在訓練階段，依據本文所提特征融合方法提取極片缺陷圖像的特征向量，再將其輸入SVM中訓練并建立分類模型。在預測階段，調用模型實現分類。圖2為算法框架。

圖2 本文算法框架

3.2 實驗及結果分析

實驗1 聚類數K的選擇。經過1.2節分析可知，K值過大或過小均不利于缺陷的分類，因此本文選擇在100～400之間，以增幅50選取不同的K值對SURF特征聚類，然后BoF量化得到特征向量，結合SVM算法對極片缺陷測試樣本進行分類，圖3為實驗結果。

圖3 不同K值下缺陷分類準確率

從圖3分析可知，取不同K值是確實對分類性能有不同的影響。本文實驗樣本下K值為200時，極片缺陷的分類準確率最高。為進一步精確K值，在K取200附近繼續縮小增幅范圍，得出最佳K值為190，此時準確率為89.8%。

實驗2 特征權值系數的確定。在實驗1的基礎上使用最佳K值，分析不同特征權值系數時本文算法的分類性能。如圖4所示，橫軸w1表示BoF-SURF權值系數，縱軸表示使用融合特征時的分類算法性能。w1=0表示只使用灰度特征的時分類準確率，w1=1表示只使用BoF-SURF特征時的分類準確率。w1在0和1之間時表示兩種特征以不同的系數加權融合。

圖4 不同加權系數下缺陷分類準確率

從圖4分析可知，w1為0.6時本文算法取得最佳分類性能94.11%。而兩種特征單獨用于分類時，BoF-SURF的效果更好，因為局部特征更能反映本質特性。

實驗3 分類算法時間性能比較。表1是SVM+Fh、SVM+FBOF-SURF和本文算法對單幅極片缺陷圖像的平均分類時間。其中SVM+FBOF-SURF和本文算法所用K值為實驗1所得最佳值，本文算法所用權值系數則是實驗2所得最佳值。

表1 分類算法的時間性能比較

以上算法的時間性能差異主要體現在灰度特征易于計算和提取，FBOF-SURF特征需要聚類和量化處理，而本文算法分類時除了兩種特征的提取，還要對其加權融合，所以單幅極片缺陷圖像的平均分類時間最長。結合表1和圖4可知，SVM+Fh分類算法時間性能最佳，但分類效果最差。而本文算法與SVM+FBOF-SURF算法相比，雖然在時間性能上相差不大，但是分類效果更好。綜合以上分析，本文提出的特征融合與SVM算法對極片缺陷分類性能更好。

4 結語

為了對極片缺陷的描述更全面，從而提高分類性能，本文提出將BoF-SURF特征與灰度特征加權融合。為驗證所提方法的有效性，結合SVM算法對極片缺陷進行分類實驗，結果表明本文所提方法對極片缺陷的分類有較好的性能，準確率達94.11%。在后續工作中將繼續研究其他融合方法，嘗試更多類型缺陷分類。