基于深度學習的電池陶瓷復合材料成分檢測

王春媚，李云梅

（天津輕工職業技術學院 科研處，天津 300350）

電池在現代電子信息產業中的能源供應中起著非常重要的作用，在當前的電池技術中，電池具有更高的能量密度，更小的體積和更久使用壽命。隨著電池技術的飛速發展和更新，電池材料的成分也越來越多樣化。在三元正級材料中，主要以鎳鹽、鈷鹽和錳鹽為原料。近年來，石墨晶材料被廣泛地應用于電池的陽極材料中，但是石墨晶材料存在破壞環境的問題。目前電子陶瓷材料作為一種新型材料得到廣泛的應用，其在性能上具有一定優勢。隨著大型電子設備在商業產品中的廣泛應用，其供電的電池設備研發和應用也得到進一步發展。因此，檢測電子陶瓷復合材料成分，將電子陶瓷復合材料替換石墨晶電池，對于減少稀土金屬的需求，提高電池的可持續性使用和環境保護具有主要意義。

目前，復合材料成分檢測的研究取得了快速的發展和進步。常用的方法有多元線性回歸、主程序分析法與最小二乘分析法對電池的主要成分數據進行擬合和分析，建立相關的分析函數。根據相關函數，對電池的成分進行定量分析，并且得出樣品的有效成分和含量，對電池成分進行定性分類。近年來隨著深度學習和人工神經網絡算法的普及應用，CNN卷積神經網絡具有模擬人腦處理信息的特性，具有分布式處理和自適應學習的特點，并且具有一定魯棒性，其處理非線性系統信息具有一定的優勢。

綜上所述，提出一種基于深度學習算法的CNN卷積神經網絡算法進行電池中電子陶瓷復合材料中的成分檢測，采用機器學習算法進行電池中的電子陶瓷復合材料成分的分析，并將分析得到的結果與傳統的方法進行對比和實驗。

1 基于卷積神經網絡的電池電子陶瓷復合材料檢測

1.1 電子陶瓷復合材料的無損區域確定

采用孫曉剛等[1]的方法收集電子陶瓷復合材料的檢測信號，定位到復合材料的無損區域。將音頻信號傳輸到上位機器中得到電子陶瓷復合材料產生的音頻振動響應，并將音頻信號進行預處理。音頻信號在傳輸過程中會受到很大的破壞，需要在處理過程中進行信號補償處理。通過濾波器進行高頻分量的補償，增強電子陶瓷復合音頻信號的高頻部分，減少基頻對信號共振峰的干擾，并使信號頻譜平坦。具體公式為

式中：H為音頻信號的強調處理格式；u為預強調系數；z為音頻信號動態范圍的振幅；l為預加重系數。將電子陶瓷復合材料的能量信息傳輸到計算機，對音頻信號進行處理，并進一步觀察頻域曲線的偏差，用李松波等[2]的方法以確定建筑材料是否存在缺陷。利用電子陶瓷復合材料缺陷的音頻信號分布特征，對材料缺陷進行定量分析，區分材料內部的水平裂紋、傾斜裂紋和縱向裂紋，提取裂紋不同路徑上的頻域變化趨勢，由于信號通過裂紋中心線，因此振幅較大，可以根據頻域中的密度變化來判斷電子陶瓷復合材料缺陷的中心位置。根據頻域的變化可以得到頻域變化的波谷，并且通過增強信號的提取可以確定電子陶瓷復合材料缺陷邊緣的實際位置。根據材料缺陷的信號特征圖和波峰值可以判斷電子陶瓷復合材料的內部缺陷角度，并進行缺陷材料的定量分析，具體公式為

式中：y為定量分析；w為缺陷信號的固有振動頻率；M為材料缺陷的歸一化處理函數；k為電子陶瓷復合材料的剛度矩陣。

1.2 電子陶瓷復合材料在高溫下的紅外圖像

為了收集到電池無損區域的近紅外圖像，將電池處于高溫狀態，進一步獲得電池無損區域的近紅外圖像電子陶瓷復合材料。首先利用激光誘導熒光技術快速獲得電子陶瓷復合材料的熒光光譜，具體采用四倍頻固體激光器作為激發光源；其次，通過幾何校正激光掃描圖形，三維激光掃描電子陶瓷復合材料時，發射脈沖信號，測量電子陶瓷復合材料的表面形貌信息，并使用內置在激光掃描儀中的接收器接收發射的激光信號，以獲得電子陶瓷。最后，掃描材料表面后，將多個激光發射器排列成激光陣列，調整激光掃描角度，對激光掃描圖像進行幾何校正，并計算材料表面上掃描圖像的歸一化焦距。具體公式為

式中：Au和Av為水平軸的標準化焦距u垂直軸v掃描的圖像；Bu和Bv為圖像的單位像素大小u軸心和v軸心；L為激光發射器的焦距。對掃描圖形的每條扭曲直線進行二次曲線近似擬合，并在原始直線的每一點扭曲后獲得扭曲變量，并在直線的相反方向添加一個畸變變量，對每個掃描圖像進行校正，最后匹配掃描圖形的特征點，檢查每個激光掃描圖形的坐標空間，對應的轉換關系是否準確，并采集具有精確轉換關系的近紅外圖像。

1.3 電子陶瓷復合材料近紅外圖像的預處理

對采集到的圖像進行預處理，校正電子陶瓷復合材料近紅外圖像的顏色，確保整體圖像顏色的一致性。在激光掃描過程中，使用雙波長組合濾光片和RGB三元組將3種原色組合成1束。激光發散角f的計算公式為

式中：d為光輸出直徑；b為光斑直徑；Q為組合投影距離。激光發散角f的計算公式為

通過擬合掃描圖像的灰度值，并以一定的灰度值間隔掃描圖形，得到單個激光器組合光路的掃描圖像，并將灰度值平均分配到多個區域。進行該點的灰度值擬合，并建立多條擬合曲線[3]，根據擬合曲線的灰度值，計算亮度分布j在掃描的顯示區域中，公式為

式中：i為擬合曲線的數量；ai和ai-1分別為i和i-1曲線的斜率；ci和ci-1分別為i和i-1曲線的平移距離；G為多個區域中心點之間的距離；S為掃描圖像的灰度值。

使用均值濾波方法對二維圖像進行去噪，選擇一個3×3的模板，模板中心對應待處理的圖像像素，計算每個像素和周圍像素的平均值，并將其替換為新的像素值原始像素。計算公式為

式中：F（x，y）表示像素坐標為像素（x，y）計算出的新像素值；（i，j）表示模板坐標；f（i，j）表示要獲取的像素的3×3區域中每個像素的像素值。使用高斯濾波方法，選擇3×3區域中的所有像素，對像素的新像素值進行排序，將像素分配到高斯濾波模板，并根據高斯函數的形狀選擇鄰域中像素的權重值，以便權重根據位置變化而變化[4-5]。

1.4 提取電子陶瓷復合材料的近紅外圖像特征

在進行神經網絡訓練之前，需要提取電子陶瓷復合材料預處理后的近紅外圖像特征，其中的特征包括灰度特征、形狀特征和幾何特征等。在提取特征時，首先提取近紅外圖像的灰度特征，遍歷近紅外圖像的矩形區域，記錄區域中像素值為255的像素的位置信息，并訪問灰度圖像中記錄的位置。計算平均灰度值W，具體計算公式如下所示

式中：Z（x，y）為在灰度圖像中位置處像素的像素值（x，y）；D為近紅外圖像矩形區域中輪廓像素的集合；N為圖像中的輪廓像素數。進行圖像的提取灰度特征后，提取圖像區域的形狀特征，直接統計輪廓區域中的目標像素數，得到圖像區域的面積。

根據區域圖像的灰度直方圖，提取紋理特征，并對紋理特征進行一階統計測量。直方圖中計算平均值ε公式為

式中：I為灰度級；U為灰度級的總數。ε越大，則判斷紋理的平均亮度越高，反之亦然。根據灰度直方圖的灰度一致性，判斷標準差和平滑度的取值范圍，標準差作為紋理的平均對比度，平滑度作為紋理亮度的相對平滑度。測量直方圖的偏度和隨機性，確定區域圖像的熵和三階矩陣，得到與紋理對應的信息量。

1.5 基于CNN卷積神經網絡的電子陶瓷復合材料成分檢測

將上述步驟中得到的紅外圖像特征值輸入深度學習的卷積神經網絡中進行訓練，以檢測電子陶瓷復合材料的主要成分，具體使用的神經網絡算法是基于CNN的卷積神經網絡算法來進行圖像特征的神經網絡訓練，在進行神經網絡訓練前需要對圖像進行歸一化處理，在訓練過程中通過反向傳播和梯度下降的方法對訓練參數進行最優化處理。最終得到最優化的神經網絡訓練最優特征向量，并將向量作為學習后的數據集，并最終通過轉換形成特征向量。

式中：t和O分別代表輸出值和預期值；q代表輸入特征。

為了進一步減少神經網絡不穩定性，加快算法收斂的速度和學習訓練的時間。在卷積層中采用傅里葉變換操作，通過旋轉和平移，將變換后的特征向量隨機組合，當訓練結束后，將歸一化特征保存到樣本容器中，使用訓練好的CNN卷積神經網絡分類器對樣本容器的樣本特征進行分類，采樣器提取輸出檢測信息，記錄檢測結果，然后判斷電子陶瓷復合材料元件。

2 實驗和效果分析

將該上述基于神經網絡的電池陶瓷復合材料成分檢測與2種常用電池中電子陶瓷復合材料的檢測方法進行了比較。

2.1 實驗準備

為了驗證本文在電池陶瓷復合材料成分檢測的有效性，選擇富鋰離子電池作為研究對象，并對電池進行編號。在溶膠緩慢聚合條件下形成三維網絡結構凝膠，形成穩定的透明溶膠體系。正極材料由黏結劑（聚偏氟乙烯PVDF）、導電劑（乙炔黑）和溶劑（N-甲基-2-吡咯烷酮NMP）組成，陽極材料由石墨和黏結劑（PVDF）、導電劑（炭黑）、溶劑（NMP）和電子陶瓷復合材料組成。電解液使用碳酸乙烯酯和碳酸二甲酯的體積比為1∶1的電解液，隔膜使用Celgard 2400微孔聚丙烯膜。電池正極材料的比容量為253 mAh/g，放電電壓為4 V，電池放電容量為47.5 Ah。這3種方法用于檢測電池中電子陶瓷復合材料的成分。用設計方法構造的CNN卷積神經網絡的參數見表1。

表1 CNN卷積神經網絡結構參數

2.2 實驗結果與分析

比較了3種檢測電子陶瓷復合材料精度的方法，設計了由該方法構造的CNN卷積神經網絡，神經網絡輸出層包含10個神經元，對應于10種不同的復合材料成分類別，并設置神經網絡的訓練次數為200次，訓練誤差閾值為0.11，學習率為0.02，輸出復合材料構件類別。統計3種方法的檢測結果，檢測精度實驗結果見表2。

表2 復合材料成份檢測準確率 %

從表2可以看出，設計方法的平均檢測準確率為96.63%，普通方法1和普通方法2的平均檢測準確率分別為92.93%和91.11%，設計方法的檢測準確率分別提高了3.70%和5.52%。綜上所述，該設計方法提高了電子陶瓷復合材料的檢測效率，充分保證了檢測精度。