《Batteries》:Deep Learning-Based Image Classification of 18650 Lithium-Ion Battery Structural Health Using X-Ray Micro-Computed Tomography
编辑推荐:
锂离子电池在运行和储存过程中会发生结构退化,这可能对性能、安全性和使用寿命产生不利影响。及早识别这些由退化诱发的结构变化,对于电池健康评估和可靠性监测具有重要意义。本研究提出了一种基于深度学习的框架,用于利用X射线微型计算机断层成像(μCT)图像对18650型
锂离子电池在运行和储存过程中会发生结构退化,这可能对性能、安全性和使用寿命产生不利影响。及早识别这些由退化诱发的结构变化,对于电池健康评估和可靠性监测具有重要意义。本研究提出了一种基于深度学习的框架,用于利用X射线微型计算机断层成像(μCT)图像对18650型锂离子电池的结构状态进行分类。所提出的方法结合了基于质心的核心区域裁剪、图像归一化、三切片堆叠,以及基于微调InceptionResNet-V2架构的迁移学习(TL)。研究人员将三个相邻的μCT切片堆叠为类似RGB的表示形式,从而在保持与二维卷积神经网络(2D-CNN)兼容的同时,保留局部三维结构信息。InceptionResNet-V2原始分类头被替换为定制分类模块,该模块由dropout层、全连接层和针对电池状态识别优化的SoftMax分类器组成。该框架在四种电池结构状态下进行了评估:原始态(pristine)、循环老化态(cycle-aged)、日历老化态(calendar-aged)和热循环态(thermally cycled)电芯。实验结果表明,总体分类准确率为96.62%,精确率为95.62%,灵敏度为96.94%,特异度为98.92%,F1值为96.20%。与既往报道的电池成像研究进行比较分析表明,所提出框架在解决基于μCT图像的结构状态分类这一具有挑战性的任务时,实现了具有竞争力的性能。结果表明,将先进X射线成像与迁移学习(TL)相结合,用于锂离子电池结构健康自动评估与退化监测具有潜力。
该论文发表于《Batteries》,围绕18650型锂离子电池的无损结构健康评估展开,核心目标是利用X射线微型计算机断层成像(μCT)与深度学习实现不同退化状态电池的自动分类。研究背景在于,锂离子电池(LIBs)在服役与储存期间不可避免地发生机械、化学与热致退化,内部可表现为电极分层、隔膜收缩、卷绕体变形及微裂纹形成等结构变化。这些变化不仅降低容量保持与服役寿命,还可能诱发内部短路与热失控等安全问题。传统健康状态评估方法主要依赖容量保持率、健康状态(SOH)估计模型、电化学阻抗谱(EIS)与电压分析等电学手段,虽然能够反映整体性能,却难以直接揭示电池内部结构演化。因此,能够以无损方式观察内部构型的X射线计算机断层成像(CT)与μCT)逐渐成为电池研究的重要技术路径。与此同时,深度学习,尤其是卷积神经网络(CNN),在复杂图像特征提取和模式识别方面表现突出,但现有电池人工智能研究仍以电学或运行数据为主,直接面向μCT结构状态分类的研究相对有限,对面向电池结构特征的预处理策略讨论也不足。在此背景下,开展本研究具有明确必要性,即探索一种结合领域特异性图像预处理与迁移学习(TL)的自动化框架,以提升基于μCT图像的电池结构退化判别能力。
研究人员构建了一种基于InceptionResNet-V2的迁移学习分类框架,用于对四类18650电池结构状态进行识别,包括原始态、循环老化态、日历老化态和热循环态。研究结论表明,所提框架能够从μCT图像中有效学习与退化相关的结构形变特征,并实现96.62%的总体分类准确率,同时在精确率、灵敏度、特异度和F1值等指标上均表现优良。论文的重要意义在于证明了“先进X射线无损成像+迁移学习”可作为电池结构健康监测的可行路径,为电池安全评估、退化分析和生命周期管理提供了自动化工具基础。
在技术方法方面,研究首先使用Scanco X-ray 100柜式μCT扫描仪获取18650电池横截面灰度图像,样本包括四种结构状态、每种状态1个代表性物理电芯;模型开发所用样本实际上为各扫描体积中提取的多张径向切片。随后在MATLAB R2025b中完成预处理,主要包括基于质心的核心区域裁剪、图像归一化、对比度校正以及将三个相邻轴向切片堆叠为类似RGB的三通道输入,以在2D-CNN中保留有限三维连续性信息。研究人员进一步进行受控数据增强,并将处理后的图像划分为训练集、验证集和独立测试集。最后,采用预训练InceptionResNet-V2作为骨干网络,移除原始分类头,接入由dropout层、全连接层和SoftMax分类器组成的定制分类头,使用交叉熵损失函数与Adam优化器进行微调训练,并以准确率、精确率、灵敏度、特异度和F1值评估模型性能。
在研究结果部分,论文围绕多个小节展开了系统报告。
2.1. Overview of the Proposed Framework
该部分给出了整体工作流。研究人员首先对18650锂离子电池进行X射线μCT扫描并重建为一系列横截面灰度图像,然后依次完成基于质心的核心裁剪、图像归一化与三切片堆叠等预处理,再经过数据增强和数据集划分后输入深度网络。通过这一流程,模型能够在保持计算效率的前提下,聚焦于卷绕核心区域中与退化相关的关键结构特征。
2.2. μCT Imaging
该部分介绍了成像平台与扫描条件。研究使用Scanco X-ray 100 cabinet μCT扫描仪,在90 kV、200 μA、18 W条件下进行高分辨率扫描,并使用空气滤波以减弱束硬化效应。研究指出,μCT能够无损提供电极、隔膜、集流体及卷绕结构的高分辨率三维信息,是开展结构健康评估的基础。该部分主要结论是,所设定成像参数能够兼顾穿透能力与图像对比度,从而支持后续退化特征提取。
2.3. InceptionResNetV2 Architecture
该部分说明了为何选用InceptionResNet-V2作为预训练骨干网络。研究人员指出,该架构融合了Inception模块的多尺度特征提取能力与残差连接(residual connections)的稳定训练优势,能够同时学习细粒度与粗粒度结构模式,适合识别μCT图像中细微的形态差异。由此得出的结论是,InceptionResNet-V2可为电池结构状态分类提供稳健且可迁移的特征提取基础。
2.4. Dataset Preparation
该部分描述了数据集构成。研究纳入四种结构状态的18650电池,每类扫描1个代表性电芯,并从每个扫描体积中提取多张径向切片作为图像样本,因此样本数反映的是CT切片数而非独立电芯数。研究还给出了训练集、验证集与独立测试集的划分原则。通过对原始态与热循环态图像的比较,研究发现前者卷绕结构均匀且同心,后者则存在明显畸变与不规则性;而四类裁剪后μCT图像也呈现出各异的内部形态差别。该部分结论是,不同退化机制可在卷绕区域留下可视化的结构表型,为深度学习分类提供了依据。
2.5. Preprocessing
该部分是论文的方法学重点之一。研究人员在MATLAB R2025b中对图像进行标准化处理,并引入领域特异性的预处理方案。首先,自动提取电池中心卷绕区域,以减少背景干扰并突出最相关的结构信息;其次,将相邻三张切片堆叠为三通道输入,以有限代价编码局部三维连续性;再次,对图像进行归一化、对比度校正和类别平衡,并通过小幅旋转、平移和缩放实现受控增强。该部分结论是,这些预处理有助于提升退化相关结构特征的可提取性,并增强模型泛化能力。
2.6. Proposed Transfer Learning Architecture
该部分详细介绍了被命名为NewNet的网络构型。研究将InceptionResNet-V2的原始分类头移除,替换为包含多个dropout层、中间全连接层、最终全连接层及SoftMax输出层的定制模块,同时采用类别加权分类层降低残余类别不平衡的影响。输入图像被统一调整为299 × 299 × 3像素。训练使用交叉熵损失函数和Adam优化器,初始学习率为0.0001,训练轮次约为12至20轮。该部分的结论是,经微调后的网络能够针对电池μCT图像学习与核心对称性、卷绕畸变、孔隙形成及局部密度异常有关的结构特征,从而实现针对四类结构状态的有效识别。
3.1. Model Evaluation Metrics and Result Analysis
该部分给出了模型性能及其分析。研究人员采用准确率、精确率、灵敏度、特异度与F1值作为评估指标。分类结果显示,原始态类别性能最佳,精确率为97.87%,灵敏度达到100%,表明所有原始态样本均被正确识别;循环老化态灵敏度为95.65%;日历老化态灵敏度为100%;热循环态灵敏度最低,为92.11%,说明该类与其他退化类型之间存在一定结构特征重叠。整体上,模型在独立测试集上达到96.62%的准确率、95.62%的宏平均精确率、96.94%的宏平均灵敏度、98.92%的宏平均特异度和96.16%的宏平均F1值。由此可见,该框架在多类电池结构状态识别中具有稳健性。
该部分还进行了与文献的比较。研究指出,虽然部分既有研究在缺陷检测或相关任务上报告了略高的准确率,但本研究所处理的是更具挑战性的“基于μCT图像的结构状态分类”任务。与BatSort及其他基于X射线的电池检测、识别研究相比,所提方法在召回率和F1值方面表现较优,说明该框架在退化相关结构表征方面具备较强能力。
进一步地,混淆矩阵分析显示:循环老化态中95.7%的样本被正确识别,少量被误判为热循环态;日历老化态识别率为100%;原始态识别率同样为100%;热循环态正确识别率为92.1%,少量被混淆为日历老化态或原始态。这表明某些长期老化引发的结构畸变之间存在部分相似性,但总体区分能力较强。随机样本预测结果还显示,大多数正确分类的图像具有90%以上置信度,其中原始态通常最高,热循环态约为90%—95%,个别循环老化图像置信度约70%,对应结构特征相对模糊或与其他类别相近的情况。
3.2. Limitations and Future Work
该部分明确指出研究局限。每一种退化类别仅由1个物理电池代表,所报告图像样本来自同一电芯的不同切片,因此当前结果主要证明了方法可行性,尚不足以充分评价电芯间差异。作者提出未来需纳入更多电池样本,以检验模型对电芯间变异的泛化能力,并扩展至更多电池化学体系、封装形式及退化条件。该部分强调,数据规模和样本多样性仍是后续提升模型实用性的关键。
综合讨论部分,论文表明该研究成功将μCT无损成像与迁移学习深度网络结合,用于18650锂离子电池内部结构健康分类。其主要创新不在于单纯使用成熟网络,而在于加入了面向电池卷绕结构的预处理策略,尤其是基于质心的核心裁剪与三切片堆叠。这些设计使2D预训练网络能够更集中地捕获结构退化信号,并以较低计算成本引入局部三维上下文。结果显示,模型对日历老化与原始态的判别尤为稳定,对热循环态与循环老化态虽存在少量混淆,但总体性能仍然较高。论文同时谨慎指出,当前实验设计中每类仅1个代表性电芯,提示现阶段应将结论理解为方法学验证,而非大规模泛化结论。
研究结论部分可译为:
本研究证明了利用基于深度学习的迁移学习,对X射线微型计算机断层成像数据进行锂离子电池无损结构健康分类的可行性与有效性。通过结合基于质心的核心区域裁剪、用于捕获有限三维上下文的三切片堆叠,以及对InceptionResNet-V2架构的微调,所提出框架成功地从电池内部结构中直接学习到与形变相关的特征。定量评估表明,该方法在多种电池状态下均表现出较强性能,总体分类准确率达到96.62%,并同时具有较高的精确率、灵敏度、特异度和F1值。该框架在应对基于μCT图像的结构状态分类这一更具挑战性的任务时,相较于既有电池成像研究展现出有竞争力的性能。对混淆矩阵、置信度分数和可视化预测结果的详细分析表明,该模型在识别日历老化和热循环等典型退化模式方面尤为有效,并能在结构差异细微的情况下合理表达不确定性。可视化检查进一步证实,模型判别依据建立在具有物理意义的特征之上,包括核心不对称、卷绕畸变以及电极结构内的密度变化。总体而言,结果突出了深度学习辅助CT分析作为一种可扩展、无损电池诊断工具的潜力。该方法为自动化结构健康监测提供了实现路径,可支持电池安全评估、退化分析和全生命周期管理。尽管本研究聚焦于有限数量的退化类别,未来工作将致力于扩展数据集、细化退化标签并提升对早期损伤的灵敏度,从而进一步增强该框架在真实电池系统中的适用性。