周 圍，汪 芮，孟凡欽，鞠國銘，孟慶宜，張 旭

（1.河北工業(yè)大學(xué) 機(jī)械工程學(xué)院，天津 300130；2.天津中德應(yīng)用技術(shù)大學(xué) 能源工程學(xué)院，天津 300350；3.天津職業(yè)技術(shù)師范大學(xué) 機(jī)械工程學(xué)院，天津 300222）

引言

熱電池，又稱熱激活儲備電池[1]，因放電電流密度大、環(huán)境耐受性強(qiáng)等優(yōu)點(diǎn)被廣泛應(yīng)用于航天、軍用裝備及應(yīng)急電子儀器[2-3]。熱電池的使用需保證高可靠性與安全性，但目前采取的人工裝配方式難以避免出現(xiàn)操作失誤，這將導(dǎo)致極大的安全隱患。因此，必須對待使用的熱電池進(jìn)行缺陷檢測。目前，應(yīng)用于電池缺陷識別的無損檢測技術(shù)主要包括：X 射線探測、中子探測、紅外探測和空氣耦合超聲檢測等[4-5]。本文選用X 射線圖像進(jìn)行識別檢測。近年來，基于X 射線圖像的缺陷檢測已有很多成果。劉艷莉[6]深入研究了X 射線圖像邊緣細(xì)節(jié)和對比度增強(qiáng)算法，通過數(shù)學(xué)形態(tài)學(xué)和圖像自相關(guān)性解決了清晰度較差與背景不均勻等問題。Wouter Sterkens[7]利用電氣設(shè)備內(nèi)部X 射線圖像，生成523 張有限數(shù)據(jù)集，通過深度學(xué)習(xí)實(shí)現(xiàn)電池區(qū)域提取與分類。Christiane Rahe[8]利用X 射線、CT 研究電池內(nèi)部空隙結(jié)構(gòu)并識別材料形態(tài)，建立了電池缺陷形態(tài)的分析模型。張思祥[9]采用模板匹配法對熱電池電池堆區(qū)域進(jìn)行分割，利用改進(jìn)灰度共生矩陣、HU 不變矩和模板匹配3 種算法對裝配缺陷進(jìn)行特征提取。趙濤[10]針對熱電池常見裝配缺陷提出了電池堆灰度峰值坐標(biāo)比對的檢測算法，利用灰度直方圖的波峰波谷特征進(jìn)行缺陷識別。在獲得熱電池X 射線圖像后，通常先通過模板匹配分割出內(nèi)部電池堆，然后提取其特征參數(shù)，最后進(jìn)行分類判斷。然而現(xiàn)有方法對局部對比度低、邊界模糊的圖像處理效果較差，且只用一種分類器可能導(dǎo)致缺陷判別效果不佳。針對上述問題，本文研究了一種可精確提取和處理目標(biāo)區(qū)域，并準(zhǔn)確判斷特征類型的檢測方法。

1 熱電池內(nèi)部結(jié)構(gòu)及檢測方案

1.1 內(nèi)部結(jié)構(gòu)

圖1(a)為熱電池X 射線圖像，由德國phoenix公司的s240D 工業(yè)射線儀拍攝，射線源焦點(diǎn)最小為500 μm，實(shí)際工作電壓為140 kV，電流為35 μA，可達(dá)0.01 mm 的細(xì)節(jié)分辨率，所拍攝圖像的像素矩陣為1 000×1 000。圖1(b)為熱電池的單體電池結(jié)構(gòu)示意圖。

圖1 熱電池X 射線圖像及單體電池結(jié)構(gòu)Fig.1 X-ray image of thermal battery and structure of single battery

熱電池主體由單體電池和集流片循環(huán)堆疊壓制而成，其中單體電池依次由負(fù)極、電解質(zhì)、正極、鐵粉加熱藥組成。常見的內(nèi)部缺陷有單體電池漏裝、倒裝、裝配次序錯誤和缺少集流片。

1.2 內(nèi)部缺陷檢測方案

熱電池內(nèi)部缺陷檢測流程如圖2所示。首先對圖像進(jìn)行垂直、水平積分投影，通過定位電池堆邊緣特征對其進(jìn)行分割，并對分割后的區(qū)域進(jìn)行局部對比度增強(qiáng)，然后提取缺陷特征參數(shù)。最后分別使用BP 神經(jīng)網(wǎng)絡(luò)和CART 決策樹兩種分類器對特征參數(shù)進(jìn)行分類，根據(jù)分類模型的評估結(jié)果進(jìn)行參數(shù)調(diào)整，并輸出最終加權(quán)融合判斷的結(jié)果。

圖2 熱電池內(nèi)部缺陷檢測方法流程Fig.2 Flow chart of internal defects detection method of thermal battery

2 電池堆區(qū)域提取及增強(qiáng)

2.1 電池堆區(qū)域提取

熱電池內(nèi)部缺陷主要出現(xiàn)在電池堆區(qū)域，但電池堆的分割易受背景干擾而出現(xiàn)偏差，進(jìn)而影響單體個數(shù)的計(jì)算及其他缺陷的判斷，故電池堆邊緣的精準(zhǔn)識別十分重要。

電池堆區(qū)域的黑色像素分布較為集中，故進(jìn)行水平、垂直積分投影可精確定位電池堆邊緣[11]。設(shè)圖像中I(x,y)表示點(diǎn)(x,y)處的像素值，[x1,x2]和區(qū)域內(nèi)的垂直積分投影函數(shù)Sv(x)和水平積分投影函數(shù)Sh(y)分別表示為

水平投影表示圖像每一行像素的數(shù)量和，根據(jù)水平投影可知圖像在水平方向上的灰度分布特征[9]，垂直方向同理。圖3 為熱電池X 圖像的積分投影。

圖3 熱電池X 圖像積分投影圖Fig.3 Integral projection of thermal battery X image

由圖3(b)可知，電池堆區(qū)域的灰度波動幅度相對較小，每個波谷的間距基本一致且分布均勻緊湊。波峰和波谷分別對應(yīng)負(fù)極和集流片，故分析波峰波谷的特征可精確定位電池堆的上下邊緣。具體分割步驟如下：

1）計(jì)算投影曲線所有局部極小值點(diǎn)和每個相鄰極值點(diǎn)的距離，對波谷密集區(qū)域定位，得到該區(qū)域起始極值點(diǎn)位置并剔除灰度超過閾值的極值點(diǎn)；

2）從波谷密集區(qū)起始點(diǎn)開始向上、下2 個方向?qū)O值點(diǎn)進(jìn)行篩選，直到成功定位電池堆頂部和底部的波谷特征；

3）計(jì)算頂部極值點(diǎn)與上邊緣之間的極大值點(diǎn)，底部極值點(diǎn)與下邊緣之間的極大值點(diǎn)，得到電池堆上下邊緣的位置，結(jié)合垂直積分投影得到的電池堆左右兩側(cè)邊緣的位置，最終完成電池堆區(qū)域的分割。

2.2 電池堆區(qū)域增強(qiáng)

分割后的電池堆圖像包含較多干擾信息，部分區(qū)域存在“黑影”且紋理變化不明顯，不利于特征提取。本文采用的局部標(biāo)準(zhǔn)差自適應(yīng)對比度增強(qiáng)算法(adaptive contrast enhancement,ACE)可以對上述細(xì)節(jié)進(jìn)行局部對比度增強(qiáng)。此法利用反銳化掩模技術(shù)[12]分別計(jì)算每個像素的局部均值與局部標(biāo)準(zhǔn)差：

式中：f(s,k)為點(diǎn)(s,k)的像素值；M(i,j)是以點(diǎn)(i,j)為中心、窗口大小為[(2n+1),(2m+1)]區(qū)域的局部均值；σ2(i,j)是局部方差；σ(i,j)是局部標(biāo)準(zhǔn)差。在得到局部均值與標(biāo)準(zhǔn)差后，通過（4）式和（5）式進(jìn)行增強(qiáng)處理：

式中：I(i,j)是增強(qiáng)后的像素值；M是全局均值；綜合考慮處理效果和噪聲，系數(shù) α取 0.5。增強(qiáng)處理后對其進(jìn)行灰度線掃描，其結(jié)果如圖4所示。

圖4 電池堆ACE 算法處理效果Fig.4 Battery stack ACE algorithm processing effect

從處理前后的對比圖（圖4（c）和4（d））可知，原電池堆圖像頭、尾部位置的灰度值波動不明顯，經(jīng)ACE 算法處理后，頭、尾部的灰度波動幅度有了顯著提升。同時此方法未改變整體的灰度分布情況，只對較暗處的紋理進(jìn)行了相應(yīng)的增強(qiáng)，特別是電池堆上下邊緣部位，這有利于后續(xù)紋理特征的正確提取。

3 特征參數(shù)提取

為提取紋理特征參數(shù)，對電池堆固定位置進(jìn)行自上而下的灰度掃描，得到灰度掃描的波峰、波谷圖，如圖5所示。

圖5 灰度線掃描波峰波谷圖Fig.5 Wave peaks and valleys scanned by gray line

灰度線掃描的波峰波谷圖與裝配特征的對應(yīng)關(guān)系如下：

1）正常電池堆的掃描結(jié)果應(yīng)是波峰波谷均勻排布，波峰或波谷的個數(shù)等于單體電池的個數(shù)，且相鄰波峰、相鄰波谷的距離為一個單體電池的厚度；

2）漏裝集流片的掃描結(jié)果是缺少一個波谷；

3）裝配次序錯誤會使相鄰谷峰間距小于平均距離；

4）整體倒裝會使相鄰兩波峰間距大于平均間距，且谷峰距離小于平均距離。

經(jīng)實(shí)驗(yàn)驗(yàn)證，用波谷來分析單體個數(shù)比波峰更準(zhǔn)確，這里將波谷個數(shù)記為Q。將每段峰、谷的位置分別存入數(shù)組f[i]、g[i]中，有：

式中n為正常電池的單體個數(shù)。

記相鄰波峰之間的距離為df[i]，相鄰波谷之間的距離為dg[i]，縱向自對比生成數(shù)組[d]，即：

為判斷單體區(qū)域內(nèi)是否存在灰度突變，需對波峰與其后的2 個像素點(diǎn)進(jìn)行灰度差值比較。將相鄰谷峰高度差值的一半記作C，突變的判斷標(biāo)準(zhǔn)是差值是否大于C。以上參數(shù)均用作后續(xù)的特征分類。

4 缺陷分類與實(shí)驗(yàn)分析

4.1 基于BP 神經(jīng)網(wǎng)絡(luò)的分類

BP 神經(jīng)網(wǎng)絡(luò)（backpropagation neural network）是一種用誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，可實(shí)現(xiàn)從輸入到輸出的任意非線性映射，具有較高的容錯性和魯棒性[13-14]，被廣泛用于缺陷領(lǐng)域的分類問題。將全部熱電池樣本分為訓(xùn)練集和測試集：訓(xùn)練集共1 500 個樣本，其中每類缺陷和標(biāo)準(zhǔn)樣本各300 個；測試集共500 個樣本，其中每類缺陷和標(biāo)準(zhǔn)樣本各100 個。BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練參數(shù)設(shè)置如表1所示。

表1 BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練參數(shù)設(shè)置Table 1 Training parameter setting of BP neural network

隱含層節(jié)點(diǎn)數(shù)參考如（11）式所示經(jīng)驗(yàn)公式，通過實(shí)驗(yàn)進(jìn)一步確定：

式中：N為輸入層節(jié)點(diǎn)數(shù)；M為輸出層節(jié)點(diǎn)數(shù)；L為隱含層節(jié)點(diǎn)數(shù)。綜合考慮上述參數(shù)和回歸值R，

最終確定L為5。網(wǎng)絡(luò)訓(xùn)練后得到樣本均方誤差收斂曲線如圖6所示。從圖6 可看出，在18 次迭代后就可達(dá)到較好的訓(xùn)練效果。最后得出的分類結(jié)果如表2所示。

圖6 BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練收斂曲線Fig.6 Training convergence curve of BP neural network

表2 BP 神經(jīng)網(wǎng)絡(luò)分類結(jié)果Table 2 Classification results of BP neural network

從表2 可看出，BP 神經(jīng)網(wǎng)絡(luò)對單體倒裝和漏裝單體的缺陷分類準(zhǔn)確率相對較高，對其他缺陷的分類準(zhǔn)確率相對較低。

4.2 基于CART 決策樹的分類

分類回歸樹(classification and regression tree，CART)，又稱分類決策樹，是一種用于數(shù)據(jù)分類和回歸的二叉樹模型[15]。它根據(jù)節(jié)點(diǎn)值將樣本集分為2 個子集，每個子集又根據(jù)下一個節(jié)點(diǎn)的值繼續(xù)分割成兩部分，以此類推，一直分割到層數(shù)為限定數(shù)或者到了最小類別數(shù)為止。為設(shè)置所需參數(shù)的閾值，分別計(jì)算標(biāo)準(zhǔn)電池波峰、波谷、谷峰之間的平均像素距離。建立的決策樹分類模型如圖7所示，其最大分支節(jié)點(diǎn)數(shù)為3，葉節(jié)點(diǎn)最小類別數(shù)為2。

圖7 CART 決策樹模型Fig.7 CART decision tree model

針對5 種電池堆類型，各選取100 個樣本進(jìn)行灰度掃描，對所得參數(shù)取平均值，并將其設(shè)為CART決策樹的輸入向量。再選取500 個樣本進(jìn)行分類檢測，結(jié)果如表3所示。

表3 CART 決策樹分類結(jié)果Table 3 Classification results of CART decision tree

從表3 可看出，CART 決策樹對漏裝集流片的分類準(zhǔn)確率相對較高，對漏裝單體的分類準(zhǔn)確率相對較低。

4.3 基于加權(quán)平均的分類結(jié)果融合

由上文可知兩種模型在不同的缺陷判斷中各有優(yōu)勢，故采用融合算法中的加權(quán)平均法將兩種結(jié)果融合。權(quán)值由上述分類結(jié)果的準(zhǔn)確率確定，計(jì)算公式如下：

權(quán)重越大代表分類效果更好。由表4 可知，對于漏裝集流片缺陷，CART 決策樹的分類效果較好，對于其4 類裝配類別，BP 神經(jīng)網(wǎng)絡(luò)的分類效果相對較好。

表4 兩種分類算法權(quán)重比Table 4 Weight ratio of 2 kinds of classification algorithms

4.4 實(shí)驗(yàn)結(jié)果分析

分別進(jìn)行4 次整體檢測實(shí)驗(yàn)，每次隨機(jī)抽選標(biāo)準(zhǔn)和缺陷電池共計(jì)500 個，檢測結(jié)果如表5所示。其中誤判是指將標(biāo)準(zhǔn)電池判斷成缺陷電池，漏檢是指未能檢測出缺陷電池。

表5 熱電池檢測準(zhǔn)確率實(shí)驗(yàn)結(jié)果Table 5 Experimental results of thermal battery detection accuracy

由表5 可知，電池4 次平均檢測準(zhǔn)確率可達(dá)98.9%，標(biāo)準(zhǔn)電池誤判率為0.3%，缺陷電池漏檢率為0.8%，平均單個樣本檢測時間為0.12 s，準(zhǔn)確率和檢測時間均滿足實(shí)際檢測需求。

經(jīng)分析，漏檢多出現(xiàn)于裝配次序錯誤和漏裝集流片缺陷，主要原因是每個單體都有細(xì)微的差別，缺陷結(jié)構(gòu)易受重影的影響，導(dǎo)致這兩類缺陷平均識別率偏低。誤判多出現(xiàn)于漏裝集流片缺陷，主要因?yàn)榧髌上裥螤钍躕 射線源聚焦位置、入射角度影響較大，特征提取的難度增大。

5 結(jié)論

對于熱電池4 種常見的內(nèi)部缺陷，本文研究了基于積分投影的電池堆圖像提取方法，并對電池堆進(jìn)行局部細(xì)節(jié)增強(qiáng)。通過灰度線掃描提取特征參數(shù)后，研究了兩種分類模型，并采用加權(quán)平均法對分類結(jié)果進(jìn)行融合判斷。測試結(jié)果表明，使用該方法的檢測準(zhǔn)確率達(dá)98.9%，單個熱電池平均檢測時間為0.12 s，相比于文獻(xiàn)[10]的方法，檢測效率提高了90%。該方法較好地解決了電池堆難以精準(zhǔn)分割的問題，具有較高的實(shí)用性，亦可用于檢測其他型號的熱電池。