基于深度学习的电池陶瓷复合材料成分检测

王春媚，李云梅

（天津轻工职业技术学院 科研处，天津 300350）

电池在现代电子信息产业中的能源供应中起着非常重要的作用，在当前的电池技术中，电池具有更高的能量密度，更小的体积和更久使用寿命。随着电池技术的飞速发展和更新，电池材料的成分也越来越多样化。在三元正级材料中，主要以镍盐、钴盐和锰盐为原料。近年来，石墨晶材料被广泛地应用于电池的阳极材料中，但是石墨晶材料存在破坏环境的问题。目前电子陶瓷材料作为一种新型材料得到广泛的应用，其在性能上具有一定优势。随着大型电子设备在商业产品中的广泛应用，其供电的电池设备研发和应用也得到进一步发展。因此，检测电子陶瓷复合材料成分，将电子陶瓷复合材料替换石墨晶电池，对于减少稀土金属的需求，提高电池的可持续性使用和环境保护具有主要意义。

目前，复合材料成分检测的研究取得了快速的发展和进步。常用的方法有多元线性回归、主程序分析法与最小二乘分析法对电池的主要成分数据进行拟合和分析，建立相关的分析函数。根据相关函数，对电池的成分进行定量分析，并且得出样品的有效成分和含量，对电池成分进行定性分类。近年来随着深度学习和人工神经网络算法的普及应用，CNN卷积神经网络具有模拟人脑处理信息的特性，具有分布式处理和自适应学习的特点，并且具有一定鲁棒性，其处理非线性系统信息具有一定的优势。

综上所述，提出一种基于深度学习算法的CNN卷积神经网络算法进行电池中电子陶瓷复合材料中的成分检测，采用机器学习算法进行电池中的电子陶瓷复合材料成分的分析，并将分析得到的结果与传统的方法进行对比和实验。

1 基于卷积神经网络的电池电子陶瓷复合材料检测

1.1 电子陶瓷复合材料的无损区域确定

采用孙晓刚等[1]的方法收集电子陶瓷复合材料的检测信号，定位到复合材料的无损区域。将音频信号传输到上位机器中得到电子陶瓷复合材料产生的音频振动响应，并将音频信号进行预处理。音频信号在传输过程中会受到很大的破坏，需要在处理过程中进行信号补偿处理。通过滤波器进行高频分量的补偿，增强电子陶瓷复合音频信号的高频部分，减少基频对信号共振峰的干扰，并使信号频谱平坦。具体公式为

式中：H为音频信号的强调处理格式；u为预强调系数；z为音频信号动态范围的振幅；l为预加重系数。将电子陶瓷复合材料的能量信息传输到计算机，对音频信号进行处理，并进一步观察频域曲线的偏差，用李松波等[2]的方法以确定建筑材料是否存在缺陷。利用电子陶瓷复合材料缺陷的音频信号分布特征，对材料缺陷进行定量分析，区分材料内部的水平裂纹、倾斜裂纹和纵向裂纹，提取裂纹不同路径上的频域变化趋势，由于信号通过裂纹中心线，因此振幅较大，可以根据频域中的密度变化来判断电子陶瓷复合材料缺陷的中心位置。根据频域的变化可以得到频域变化的波谷，并且通过增强信号的提取可以确定电子陶瓷复合材料缺陷边缘的实际位置。根据材料缺陷的信号特征图和波峰值可以判断电子陶瓷复合材料的内部缺陷角度，并进行缺陷材料的定量分析，具体公式为

式中：y为定量分析；w为缺陷信号的固有振动频率；M为材料缺陷的归一化处理函数；k为电子陶瓷复合材料的刚度矩阵。

1.2 电子陶瓷复合材料在高温下的红外图像

为了收集到电池无损区域的近红外图像，将电池处于高温状态，进一步获得电池无损区域的近红外图像电子陶瓷复合材料。首先利用激光诱导荧光技术快速获得电子陶瓷复合材料的荧光光谱，具体采用四倍频固体激光器作为激发光源；其次，通过几何校正激光扫描图形，三维激光扫描电子陶瓷复合材料时，发射脉冲信号，测量电子陶瓷复合材料的表面形貌信息，并使用内置在激光扫描仪中的接收器接收发射的激光信号，以获得电子陶瓷。最后，扫描材料表面后，将多个激光发射器排列成激光阵列，调整激光扫描角度，对激光扫描图像进行几何校正，并计算材料表面上扫描图像的归一化焦距。具体公式为

式中：Au和Av为水平轴的标准化焦距u垂直轴v扫描的图像；Bu和Bv为图像的单位像素大小u轴心和v轴心；L为激光发射器的焦距。对扫描图形的每条扭曲直线进行二次曲线近似拟合，并在原始直线的每一点扭曲后获得扭曲变量，并在直线的相反方向添加一个畸变变量，对每个扫描图像进行校正，最后匹配扫描图形的特征点，检查每个激光扫描图形的坐标空间，对应的转换关系是否准确，并采集具有精确转换关系的近红外图像。

1.3 电子陶瓷复合材料近红外图像的预处理

对采集到的图像进行预处理，校正电子陶瓷复合材料近红外图像的颜色，确保整体图像颜色的一致性。在激光扫描过程中，使用双波长组合滤光片和RGB三元组将3种原色组合成1束。激光发散角f的计算公式为

式中：d为光输出直径；b为光斑直径；Q为组合投影距离。激光发散角f的计算公式为

通过拟合扫描图像的灰度值，并以一定的灰度值间隔扫描图形，得到单个激光器组合光路的扫描图像，并将灰度值平均分配到多个区域。进行该点的灰度值拟合，并建立多条拟合曲线[3]，根据拟合曲线的灰度值，计算亮度分布j在扫描的显示区域中，公式为

式中：i为拟合曲线的数量；ai和ai-1分别为i和i-1曲线的斜率；ci和ci-1分别为i和i-1曲线的平移距离；G为多个区域中心点之间的距离；S为扫描图像的灰度值。

使用均值滤波方法对二维图像进行去噪，选择一个3×3的模板，模板中心对应待处理的图像像素，计算每个像素和周围像素的平均值，并将其替换为新的像素值原始像素。计算公式为

式中：F（x，y）表示像素坐标为像素（x，y）计算出的新像素值；（i，j）表示模板坐标；f（i，j）表示要获取的像素的3×3区域中每个像素的像素值。使用高斯滤波方法，选择3×3区域中的所有像素，对像素的新像素值进行排序，将像素分配到高斯滤波模板，并根据高斯函数的形状选择邻域中像素的权重值，以便权重根据位置变化而变化[4-5]。

1.4 提取电子陶瓷复合材料的近红外图像特征

在进行神经网络训练之前，需要提取电子陶瓷复合材料预处理后的近红外图像特征，其中的特征包括灰度特征、形状特征和几何特征等。在提取特征时，首先提取近红外图像的灰度特征，遍历近红外图像的矩形区域，记录区域中像素值为255的像素的位置信息，并访问灰度图像中记录的位置。计算平均灰度值W，具体计算公式如下所示

式中：Z（x，y）为在灰度图像中位置处像素的像素值（x，y）；D为近红外图像矩形区域中轮廓像素的集合；N为图像中的轮廓像素数。进行图像的提取灰度特征后，提取图像区域的形状特征，直接统计轮廓区域中的目标像素数，得到图像区域的面积。

根据区域图像的灰度直方图，提取纹理特征，并对纹理特征进行一阶统计测量。直方图中计算平均值ε公式为

式中：I为灰度级；U为灰度级的总数。ε越大，则判断纹理的平均亮度越高，反之亦然。根据灰度直方图的灰度一致性，判断标准差和平滑度的取值范围，标准差作为纹理的平均对比度，平滑度作为纹理亮度的相对平滑度。测量直方图的偏度和随机性，确定区域图像的熵和三阶矩阵，得到与纹理对应的信息量。

1.5 基于CNN卷积神经网络的电子陶瓷复合材料成分检测

将上述步骤中得到的红外图像特征值输入深度学习的卷积神经网络中进行训练，以检测电子陶瓷复合材料的主要成分，具体使用的神经网络算法是基于CNN的卷积神经网络算法来进行图像特征的神经网络训练，在进行神经网络训练前需要对图像进行归一化处理，在训练过程中通过反向传播和梯度下降的方法对训练参数进行最优化处理。最终得到最优化的神经网络训练最优特征向量，并将向量作为学习后的数据集，并最终通过转换形成特征向量。

式中：t和O分别代表输出值和预期值；q代表输入特征。

为了进一步减少神经网络不稳定性，加快算法收敛的速度和学习训练的时间。在卷积层中采用傅里叶变换操作，通过旋转和平移，将变换后的特征向量随机组合，当训练结束后，将归一化特征保存到样本容器中，使用训练好的CNN卷积神经网络分类器对样本容器的样本特征进行分类，采样器提取输出检测信息，记录检测结果，然后判断电子陶瓷复合材料元件。

2 实验和效果分析

将该上述基于神经网络的电池陶瓷复合材料成分检测与2种常用电池中电子陶瓷复合材料的检测方法进行了比较。

2.1 实验准备

为了验证本文在电池陶瓷复合材料成分检测的有效性，选择富锂离子电池作为研究对象，并对电池进行编号。在溶胶缓慢聚合条件下形成三维网络结构凝胶，形成稳定的透明溶胶体系。正极材料由黏结剂（聚偏氟乙烯PVDF）、导电剂（乙炔黑）和溶剂（N-甲基-2-吡咯烷酮NMP）组成，阳极材料由石墨和黏结剂（PVDF）、导电剂（炭黑）、溶剂（NMP）和电子陶瓷复合材料组成。电解液使用碳酸乙烯酯和碳酸二甲酯的体积比为1∶1的电解液，隔膜使用Celgard 2400微孔聚丙烯膜。电池正极材料的比容量为253 mAh/g，放电电压为4 V，电池放电容量为47.5 Ah。这3种方法用于检测电池中电子陶瓷复合材料的成分。用设计方法构造的CNN卷积神经网络的参数见表1。

表1 CNN卷积神经网络结构参数

2.2 实验结果与分析

比较了3种检测电子陶瓷复合材料精度的方法，设计了由该方法构造的CNN卷积神经网络，神经网络输出层包含10个神经元，对应于10种不同的复合材料成分类别，并设置神经网络的训练次数为200次，训练误差阈值为0.11，学习率为0.02，输出复合材料构件类别。统计3种方法的检测结果，检测精度实验结果见表2。

表2 复合材料成份检测准确率 %

从表2可以看出，设计方法的平均检测准确率为96.63%，普通方法1和普通方法2的平均检测准确率分别为92.93%和91.11%，设计方法的检测准确率分别提高了3.70%和5.52%。综上所述，该设计方法提高了电子陶瓷复合材料的检测效率，充分保证了检测精度。