卷绕式锂电池电极缺陷检测方法研究

发布时间：2021-04-30 02:45

　　卷绕式锂电池具有空间利用率高、生产效率高和安全性好等特点,是目前主流的技术路线之一。但在组装涂布的过程当中容易产生隔膜起皱、电极错位的现象,导致容量低、循环性差等问题。锂电池通过X射线成像系统生成X射线影像,对X射线影像进行分析能够有效地检测电极缺陷以保证电池质量。针对锂电池电极缺陷在X射线影像中的特点,提出了一种以卷积神经网络为核心的锂电池电极缺陷检测方法。将锂电池X射线成像中最主要的电极区域提取出来并裁剪成小尺寸的图像作为数据集,完成神经网络的训练;再将完整的图片通过卷积神经网络后提取到的特征送入支持向量机,完成最终的分类预测。通过实验验证,该方法缺陷检测的成功率可达以上99%,且具有较高的检测速度。具体研究内容如下:（1）对锂电池的X射线影像进行处理,分割出独立的电极有效区域图像,再对电极图像进行裁剪,制作出训练网络的数据集。数据集中每张图片大小为95×95像素。数据分为两类,包含缺陷区域的图片为负例,不包含缺陷区域的为正例。（2）利用卷积神经网络对数据集进行训练,以学习分析图像特征的能力。网络中加入了改进批归一化算法和去均值的卷积核来完善网络性能,并使用了dropout和学习率... 

【文章来源】：辽宁大学辽宁省 211工程院校

【文章页数】：63 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 锂电池缺陷检测的研究现状
        1.2.2 卷积神经网络研究现状
    1.3 本文主要研究内容及章节安排
        1.3.1 本文主要研究内容
        1.3.2 章节安排
第2章 相关理论与知识介绍
    2.1 卷积神经网络
        2.1.1 卷积神经网络结构
        2.1.2 卷积神经网络原理
    2.2 批归一化算法
    2.3 全卷积网络
    2.4 支持向量机
    2.5 本章小结
第3章 基于CNN的锂电池电极缺陷检测
    3.1 数据集的制作
        3.1.1 电极影像及其位置调整
        3.1.2 倾斜校正与有效区域切割
        3.1.3 子图的裁剪与分类
    3.2 网络架构
    3.3 网络中的相关操作
        3.3.1 数据的预处理
        3.3.2 利用去均值的卷积核提取边缘特征
        3.3.3 网络训练相关参数选择
    3.4 本章小结
第4章 基于SVM的图像分类预测
    4.1 CNN的预测置信结果图
    4.2 基于SVM的图像分类预测
    4.3 本章小结
第5章 实验结果及分析
    5.1 实验环境
        5.1.1 实验硬件环境
        5.1.2 实验软件环境
    5.2 模型的测试精度
    5.3 性能对比
    5.4 本章小结
第6章 总结与展望
    6.1 总结
    6.2 展望
致谢
参考文献
攻读学位期间发表的学术论文及参加科研情况



本文编号：3168683