基于CT扫描的锂电池Mylar膜破损智能检测方法

李梦磊; 夏迪梦; 林国杨; 赵树森

doi:10.15953/j.ctta.2025.061

基于CT扫描的锂电池Mylar膜破损智能检测方法

李梦磊^1,,
夏迪梦¹,
林国杨¹,
赵树森^{1, 2, ,}

1.
南方科技大学深圳国家应用数学中心，广东深圳518055
2.
深圳市龙华区高精尖检测技术研究院，广东深圳518000

基金项目:

国家自然科学基金数学天元基金交叉重点专项（AI驱动的锂电池跨尺度模拟与关键材料设计（12426301））；深圳市优秀人才培养项目（新能源电池检测专用CT快速成像方法研究（RCBS20231211090724044））；深圳市龙华区创新专项资金（20250113G43468522））。

详细信息

作者简介:
李梦磊，男，硕士，研究方向为CT成像技术与应用，E-mail：1214836824@qq.com

通讯作者:
赵树森✉，男，副研究员，主要从事CT理论与技术研究和新型CT成像设备研制，E-mail：zhaoss@sustech.edu.cn。

中图分类号: TP 391.4；TG 115.28；TM 912
计量
- 文章访问数: 132
- HTML全文浏览量: 23
- PDF下载量: 14
出版历程
- 收稿日期: 2025-02-20
- 修回日期: 2025-04-23
- 录用日期: 2025-04-27
- 网络出版日期: 2025-05-26
- 刊出日期: 2025-07-04

Intelligent Computed Tomography-based Detection Method for Lithium Battery Mylar Film Damage

1.
National Center for Applied Mathematics Shenzhen, Southern University of Science and Technology, Shenzhen 518055, China
2.
Detection Institute for Advanced Technology LongHua-ShenZhen, Shenzhen 518000, China

摘要

摘要:
近年来，随着锂电池行业的快速发展与技术创新，电池的安全性能检测变得愈发重要。Mylar膜作为锂电池组装的重要组成部分，能极大地提升锂电池的使用安全性。然而，针对Mylar膜的破损检测研究却鲜有开展。因此，本文创新性地提出一种基于CT扫描的锂电池Mylar膜破损智能检测方法。该方法借助CT扫描这一无损检测技术，精准获取锂电池内部信息；随后结合图像预处理技术与深度学习算法，构建智能检测模型，实现对缺陷电池的高效、精准检测。实验结果表明，该方法对Mylar膜破损缺陷具有高检出率和低误检率，具有较高的应用价值。
- 锂电池Mylar膜 /
- 缺陷检测 /
- Retinex图像增强 /
- 图像分类
Abstract:
With the rapid development and innovation of the lithium battery industry in recent years, battery safety performance testing has become increasingly important. As an essential component of lithium batteries, Mylar films can significantly improve the safety of lithium batteries. However, few studies have focused on damage detection in Mylar films. To address this issue, this study developed an innovative intelligent detection method for lithium battery Mylar film damage. This method utilizes computed tomography (CT) nondestructive testing technology to accurately obtain internal information on lithium batteries. Subsequently, by combining image-preprocessing techniques and deep learning algorithms, an intelligent detection model was constructed to efficiently and accurately detect defective batteries. Experimental results demonstrate that the proposed method achieves a high detection rate and low false-detection rate for Mylar film defects, highlighting its significant potential for practical applications.
- Mylar films of lithium battery /
- defect detection /
- Retinex enhancement /
- image classification

HTML全文

图 1 锂电池内部 $\mathrm{M}\mathrm{y}\mathrm{l}\mathrm{a}\mathrm{r}$ 膜破损部位

注：左侧为侧面切片及局部放大图，右侧为大面切片图。

Figure 1. Damaged Mylar films inside a lithium battery

下载: 全尺寸图片幻灯片

图 2 锂电池 $\mathrm{M}\mathrm{y}\mathrm{l}\mathrm{a}\mathrm{r}$ 膜检测流程图

Figure 2. Mylar film damage-detection flowchart

下载: 全尺寸图片幻灯片

图 3 重建图像

Figure 3. Reconstructed image

下载: 全尺寸图片幻灯片

图 4 $\mathrm{R}\mathrm{e}\mathrm{t}\mathrm{i}\mathrm{n}\mathrm{e}\mathrm{x}$ 增强后图像

Figure 4. Retinex-enhanced image

下载: 全尺寸图片幻灯片

图 5 $\mathrm{R}\mathrm{e}\mathrm{s}\mathrm{N}\mathrm{e}\mathrm{t}$ 模型

注：标准卷积模块指卷积 + 批归一化 + ReLU激活函数。

Figure 5. $\mathrm{R}\mathrm{e}\mathrm{s}\mathrm{N}\mathrm{e}\mathrm{t}$ model

下载: 全尺寸图片幻灯片

图 6 锂电池扫描测试

Figure 6. Lithium battery scanning test

下载: 全尺寸图片幻灯片

图 7 训练集数据及标签

Figure 7. Training set data and labels

下载: 全尺寸图片幻灯片

图 8 测试集上的 PR曲线

Figure 8. PR curve for the test set

下载: 全尺寸图片幻灯片

图 9 测试集的预测结果

Figure 9. Prediction results of the test set

下载: 全尺寸图片幻灯片

图 10 含噪声测试集样本

Figure 10. Samples of the noisy test set

下载: 全尺寸图片幻灯片

图 11 含噪声测试集的预测结果

Figure 11. Prediction results of the noisy test set

下载: 全尺寸图片幻灯片

图 12 测试集上的准确率

Figure 12. Accuracy of the test set

下载: 全尺寸图片幻灯片

表 1 $\text{Mylar}$ 膜破损的智能检测算法

Table 1 Intelligent detection method for $\mathrm{M}\mathrm{y}\mathrm{l}\mathrm{a}\mathrm{r}$ film damage

算法 1 $\mathbf{M}\mathbf{y}\mathbf{l}\mathbf{a}\mathbf{r}$ 膜破损的智能检测算法
1：	数据采集与重建：利用 $\mathrm{X}$ 射线 $\mathrm{C}\mathrm{T}$ 扫描系统对锂电池进行扫描，采集投影图像序列，并通过三维重建算法得到高精度三维断层图像。
2：	切片提取与预处理：从断层图像中提取平行于 $\mathrm{M}\mathrm{y}\mathrm{l}\mathrm{a}\mathrm{r}$ 膜方向的大面切片图像。对所选切片进行图像预处理，包括数据量化、对比度增强等操作，以突出 $\mathrm{M}\mathrm{y}\mathrm{l}\mathrm{a}\mathrm{r}$ 膜破损特征。
3：	深度学习分类：基于预处理后的切片图像，选择神经网络进行特征提取和分类。

下载: 导出CSV

表 2 MSR对比度增强算法

Table 2 MSR contrast enhancement algorithm

算法 2 MSR（Multi-Scale Retinex）对比度增强算法
输入：图像 $I(x,y)$ ，高斯函数的尺度参数 $\sigma_1,\sigma_2,\cdots,\sigma_N$ 。
输出：对比度增强后的图像 $I\mathrm{_{enhence}}(x,y)$ 。
1. 对数域变换： $I'(x,y)=\mathit{\mathrm{\mathrm{\mathit{\mathrm{log}}}}}I(x,y)$ 。
2. $L_n(x,y)=G_n(x,y)*I'(x,y),(n=\mathrm{1,2},\cdots,N)$ 。
3. $R_n(x,y)=I'\left(x,y\right)-L_n\left(x,y\right)$ 。
4. $R(x,y)=\sum _{n=1}^{N}{w}_{n}{R}_{n}(x,y)$ ，其中 $\sum _{n=1}^{N}{w}_{n}=1$ 。
5. $I_{\mathrm{enhence}}(x,y)=\mathrm{RESIZE}\mathrm{\left(\mathit{\mathrm{exp}\mathrm{\left(\mathit{R}(\mathit{x},\mathit{y})\right)}}\right)}$ 。
注： ${L}_{n}(x,y)$ 为光照分量的估计值， ${G}_{n}(x,y)$ 为不同尺度 ${\mathrm{\sigma }}_{\mathrm{n}}$ 的高斯函数， ${R}_{n}(x,y)$ 为每个尺度下的反射率估计值。 $\mathrm{RESIZE}\left(\cdot\right)$ 为线性拉伸算子，第5步表示对 $R(x,y)$ 进行指数变换并线性拉伸至原始图像范围得到对比度增强后的图像 $I\mathrm{_{enhence}}(x,y)$ 。

下载: 导出CSV

表 3 锂电池 $\mathrm{C}\mathrm{T}$ 扫描重建条件

Table 3 CT scanning and reconstruction conditions for lithium batteries

参数名称	参数值
电压	150 kV
电流	400 μA
曝光时间	0.05 s
帧间合并数	6
扫描角度	360°
扫描角度间隔	0.2°
探测器单元尺寸	0.15 mm×0.15 mm
探测器单元个数	2048×2048
射线源到旋转中心的距离	100 mm
射线源到探测器的距离	545 mm
重建图像尺寸	27.5 μm×27.5 μm×27.5 μm
重建图像体素个数	1140×1448×1536

下载: 导出CSV

表 4 数据集信息

Table 4 Dataset information

项目	训练集	验证集	测试集	总计
图像总数量	760	380	380	1520
破损样本数量	12	6	6	24
过采样的破损样本数量	360	60	0	420

下载: 导出CSV

参考文献(30)

[1]	何阳, 周永涛, 胡彬, 等. 一种导热阻燃型锂电池麦拉膜、其制备方法及高安全锂电池: CN202410802021.9[P]. 2024-10-22.
[2]	BAK S M, SHADIKE Z, LIN R, et al. In situ/operando synchrotron-based X-ray techniques for lithium-ion battery research [J]. NPG Asia Materials, 2018, 10: 563-580. DOI: 10.1038/s41427-018-0056-z.
[3]	田君, 田崔钧, 王一拓, 等. 锂离子电池安全性测试与评价方法分析[J]. 储能科学与技术, 2018, 7(6): 1128-1134. DOI: 10.12028/j.issn.2095-4239.2018.0154. TIAN J, TIAN C J, WANG Y T, et al. Safety test and evaluation method of lithium ion battery[J]. Energy Storage Science and Technology, 2018, 7(6): 1128-1134. DOI: 10.12028/j.issn.2095-4239.2018.0154. (in Chinese).
[4]	刘峰, 魏思伟, 蒋治亿, 等. 锂电池用 $\mathrm{M}\mathrm{y}\mathrm{l}\mathrm{a}\mathrm{r}$ 膜、锂电池和电子产品: CN202321619548.5[P]. 2024-02-06.
[5]	刘大同, 周建宝, 郭力萌, 等. 锂离子电池健康评估和寿命预测综述[J]. 仪器仪表学报, 2015, 36(1): 1-16. LIU D T, ZHOU J B, GUO L M, et al. Survey on lithium-ion battery health assessment and cycle life estimation[J]. Chinese Journal of Scientific Instrument, 2015, 36(1): 1-16. (in Chinese).
[6]	王卓, 许江华, 张志勇, 等. 一种锂电池 $\mathrm{M}\mathrm{y}\mathrm{l}\mathrm{a}\mathrm{r}$ 膜缺陷检测方法: CN202210200989.5[P]. 2022-07-01.
[7]	易凯, 钟鹏, 谢晏武, 等. 一种锂电池包 $\mathrm{M}\mathrm{y}\mathrm{l}\mathrm{a}\mathrm{r}$ 膜检测方法及检测系统, CN202111425784.9[P]. 2022-03-04.
[8]	HEENAN T M M, TAN C, WADE A J, et al. Theoretical transmissions for X-ray computed tomography studies of lithium-ion battery cathodes[J]. Materials & Design, 2020, 191: 108585. DOI: 10.1016/j.matdes.2020.108585.
[9]	ALFRAHEED M I. A review of measurement methods for lithium-based battery defect and degradation analysis[J]. International Journal of Modelling and Simulation, 2025: 1-19. DOI: 10.1080/02286203.2025.2479667.
[10]	葛春平, 李育林, 曹琪. X射线检测在叠片式锂离子电池生产中的应用[J]. 电池, 2014, 44(4): 232-234. DOI: 10.3969/j.issn.1001-1579.2014.04.014. GE C P, LI Y L, CAO Q. Application of X-ray detection on laminated Li-ion battery production[J]. Battery Bimonthly, 2014, 44(4): 232-234. DOI: 10.3969/j.issn.1001-1579.2014.04.014. (in Chinese).
[11]	葛春平, 李育林, 薛渭萍, 等. 叠片式锂离子电池在线快速CT检测技术[J]. 电池, 2024, 54(3): 390-394. DOI: 10.19535/j.1001-1579.2024.03.020. GE C P, LI Y L, XUE W P. On-line rapid CT detection technology for laminated Li-ion battery[J]. Battery Bimonthly, 2024, 54(3): 390-394. DOI: 10.19535/j.1001-1579.2024.03.020. (in Chinese).
[12]	KRIZHEVSKY A, SUTKEVER I, HINTON G E. ImageNet classification with deep convolutional neural networks[J]. Association for Computing Machinery, 2017, 60(6): 84-90. DOI: 10.1145/3065386.
[13]	SIMONYAN K, ZISSERMAN A. Very deep convolutional networks for large-scale image recognition[J]. ArXiv, 2014. DOI: 10.48550/arXiv.1409.1556.
[14]	SZEGEDY C, LIU W, JIA Y Q, et al. Going deeper with convolutions[C]//2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2015: 1-9. DOI: 10.1109/CVPR.2015.7298594.
[15]	HE K M, ZHANG X Y, REN S, et al. Deep residual learning for image recognition[C]//2016 IEEEConference on Computer Vision and Pattern Recognition (CVPR), 2016: 770-778. DOI: 10.1109/CVPR.2016.90.
[16]	HUANG G, LIU Z, MAATEN L V D, et al. Densely connected convolutional networks[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017, 2261-2269. DOI: 10.1109/CVPR.2017.243.
[17]	DOSOVITSKIY A, BEYER L, KOLESNIKOV A, et al. An image is worth 16×16 words: Transformers for image recognition at scale[J]. ArXiv, 2020. DOI: 10.48550/arXiv.2010.11929.
[18]	REN S Q, HE K M, GIRSHICK R, et al. Faster R-CNN: Towards real-time object detection with region proposal networks[C]//IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(6): 1137-1149. DOI: 10.1109/TPAMI.2016.2577031.
[19]	REDMON J, DIVVALA S, GIRSHICK R, et al. You only look once: Unified, real-time object detection[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016: 779-788. DOI: 10.1109/CVPR.2016.91.
[20]	WANG C Y, BOCHKOVSKIY A, LIAO H Y M. YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors[C]//2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2023: 7464-7475. DOI: 10.1109/CVPR52729.2023.00721.
[21]	AI Y, YE T D. Surface defect detection algorithm for PCB based on improved YOLOv8[C]//2024 8th International Conference on Electrical, Mechanical and Computer Engineering (ICEMCE), 2024: 1421-1425. DOI: 10.1109/ICEMCE64157.2024.10862076.
[22]	RONNEBERGER O, FISCHER P, BROX T. U-Net: Convolutional networks for biomedical image segmentation[C]//Medical Image Computing and Computer-Assisted Intervention, 2015: 234-241. DOI: 10.48550/arXiv.1505.04597.
[23]	BADRINARAYANAN V, KENDALL A, CIPOLLA R. SegNet: A deep convolutional encoder-decoder architecture for image segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(12): 2481-2495. DOI: 10.1109/TPAMI.2016.2644615.
[24]	ZHAO H S, SHI J P, QI X J, et al. Pyramid scene parsing network[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017: 6230-6239. DOI: 10.1109/CVPR.2017.660.
[25]	LAND E H, MCCANN J J. Lightness and retinex theory[J]. Journal of the Optical Society of America, 1971, 61(1): 1-11. DOI: 10.1364/josa.61.000001.
[26]	PETRO A B, SBERT C, MOREL J M. Multiscale retinex[J]. Image Process on Line, 2014: 71-88. DOI: 10.5201/ipol.2014.107.
[27]	PAN S J, YANG Q. A survey on transfer learning[J]. IEEE Transactions on Knowledge and Data Engineering, 2010, 22(10): 1345-1359. DOI: 10.1109/TKDE.2009.191.
[28]	YOSINSKI J, CLUNE J, BENGIO Y, et al. How transferable are features in deep neural networks[J] Advances in Neural Information Processing Systems (NIPS), 2014: 27. DOI: 10.48550/arXiv.1411.1792.
[29]	郑远攀, 李广阳, 李晔. 深度学习在图像识别中的应用研究综述[J]. 计算机工程与应用, 2019, 55(12): 20-36. DOI: 10.3778/j.issn.1002-8331.1903-0031. ZHENG Y P, LI G Y, LI Y. Survey of application of deep learning in image recognition[J]. Computer Engineering and Applications, 2019, 55(12): 20-36. DOI: 10.3778/j.issn.1002-8331.1903-0031. (in Chinese).
[30]	WANG G, LIN T H, CHENG P, et al. A general cone-beam reconstruction algorithm[J]. IEEE Transactions on Meical Imaging, 1993, 12(3): 486-496. DOI: 10.1109/42.241876.

施引文献

资源附件(0)

在线预览下载 (2.3MB)

图(12) / 表(4)

计量

文章访问数: 132
HTML全文浏览量: 23
PDF下载量: 14
被引次数: 0

Corresponding author: ZHAO Shusen, zhaoss@sustech.edu.cn

1.
National Center for Applied Mathematics Shenzhen, Southern University of Science and Technology, Shenzhen 518055, China
2.
Detection Institute for Advanced Technology LongHua-ShenZhen, Shenzhen 518000, China

基于CT扫描的锂电池Mylar膜破损智能检测方法

作者简介: 李梦磊，男，硕士，研究方向为CT成像技术与应用，E-mail：1214836824@qq.com

通讯作者: 赵树森✉，男，副研究员，主要从事CT理论与技术研究和新型CT成像设备研制，E-mail：zhaoss@sustech.edu.cn。

计量

出版历程

Intelligent Computed Tomography-based Detection Method for Lithium Battery Mylar Film Damage

计量

出版历程

目录

Corresponding author: ZHAO Shusen, zhaoss@sustech.edu.cn

作者简介:
李梦磊，男，硕士，研究方向为CT成像技术与应用，E-mail：1214836824@qq.com

通讯作者:
赵树森✉，男，副研究员，主要从事CT理论与技术研究和新型CT成像设备研制，E-mail：zhaoss@sustech.edu.cn。