NEC锂电池产品分类
NEC锂电池基于Segment Anything模型的动力电池电极定制化CT图像分割框架
发布时间：2026-04-08 20:46:34 点击： 次
新能源电池中的任何结构缺陷都可能导致严重的安全隐患。工业计算机断层扫描（CT）结合图像分割技术为精确缺陷检测提供了有效解决方案，但狭窄的电极间隙、跨设备灰度差异、CT噪声以及有限的训练数据使得该任务极具挑战性。现有分割方法难以同时实现理想的分割精度与泛化能力。尽管Segment Anything Model (SAM)在自然图像上展现出卓越的特征提取与泛化能力，但其直接应用于CT图像分割仍存在挑战。为解决上述问题，我们提出BE-SAM——一种基于SAM的定制化编码器-解码器框架，专用于动力电池电极的CT图像分割。该编码器采用双分支设计：SAM编码器分支负责提取全局上下文特征，而基于多尺度小波条带卷积构建的条带边缘编码器（SEE）分支则用于捕捉细粒度边缘细节。以多尺度鲁棒自适应模块（MSRA）为核心，解码器有效整合了多尺度混合特征并增强了对CT噪声的鲁棒性。为评估BE-SAM，我们构建了三个真实数据集，包含从不同产线采集并由专家标注的电池电极CT图像。实验表明BE-SAM在实现高精度分割的同时，展现出优异的泛化能力和鲁棒性。
图形摘要
引言
精确测量OH值的关键在于从重建CT图像中准确界定电极边界。因此，需要能实现像素级缺陷定位的图像分割技术。然而，电池电极的CT图像分割是一项极具挑战性的任务。图2展示了典型挑战性案例及分割误差。首先，通常情况下相邻电极之间的间隙极为狭窄——通常处于微米量级。这种超精细结构纹理使得分割方法难以准确捕捉语义特征。其次，工业CT的高速扫描通常导致曝光时间缩短，在图像中引入显著的CT噪声（Ji等，2023）。此外，新能源电池的高密度金属与多层异质性会优先吸收低能X射线，引发能谱硬化及条状伪影，从而降低CT图像质量（Martinez等，2022）。第三，在CT扫描和重建过程中，设备参数的差异会影响重建图像质量。例如X射线源与探测器设置的变动常导致灰度值显著变化，这使得跨设备图像分割更具挑战性。第四，大多数基于人工智能的分割方法需要大量训练数据。但现实工业场景中可获取的电池数据量有限，这种情况下要获得具有强泛化Ability的分割模型极具挑战性。
现有分割方法在应对上述挑战时仍存在明显局限性。基于卷积神经网络的方法已广泛应用于CT图像分割任务，并在特定任务中取得良好效果，但其有限的感受野制约了捕捉长程依赖关系的能力，导致在复杂背景中分割微小或细长缺陷时性能欠佳。尽管部分基于Transformer的分割方法提升了全局上下文建模能力，而某些针对细长结构设计的方法强化了局部形态表征，这些方法仍难以在工业CT图像上实现精确的边界划分，且在CT噪声、伪影干扰及跨设备灰度变化的条件下缺乏稳健的泛化能力。近期，Segment Anything Model（SAM）（Kirillov等，2023）通过训练超过十亿个自然图像掩模，在特征提取与跨域泛化方面展现出显著潜力。然而，由于自然图像与CT图像之间存在领域差异，SAM难以直接应用于CT图像分割任务。现有基于SAM的方法亦无法满足微米级电极间隙分割所需的精度要求。成像过程中严重的CT噪声干扰进一步加剧了该难度，导致精细结构特征模糊化。此外，标注训练数据的稀缺性带来额外限制，使得现有方法在工业电池检测场景中的泛化能力受到制约。
为解决上述挑战，我们提出了一种名为BE-SAM的电池电极CT图像分割方法。该方法开发了一种基于SAM的定制化编码器-解码器分割框架，将SAM的全局先验知识与任务特异性适配相协同。BE-SAM能够在CT噪声干扰下实现精确的边界划分，并在有限训练数据条件下保持良好的泛化性能。具体而言，该编码器采用双分支设计，包含SAM图像编码器分支和本文提出的条带边缘编码器（SEE）分支。SAM编码器分支用于维持跨域泛化能力，而SEE分支则基于定制的Strip Edge Attention（SEA）机制构建。由于电池电极特殊的细长几何形态，该机制通过各向异性条带卷积与多尺度小波变换的协同融合实现特征提取。这种双分支设计能有效捕捉边缘特征，从而克服SAM在建模电池电极细长形态特征时的固有局限性。解码器执行混合特征解码，该功能通过将SAM解码器与交叉注意力机制、多尺度鲁棒自适应模块（MSRA）以及多层次特征融合模块（MLFF）相集成而实现。SAM解码器通过交叉注意力机制，将SAM编码器提供的全局上下文信息与SEE分支提供的局部边缘细节相融合。MSRA利用高斯-拉普拉斯（LoG）变换和自适应通道交互机制来优化多尺度特征，从而增强对CT噪声的鲁棒性。最终，MLFF聚合来自MSRA和SAM编码器分支的特征，生成结构一致且精确的分割掩模，使BE-SAM能够在具有挑战性的工业成像条件下实现准确的边界划分，同时在有限训练数据下保持强大的泛化能力。
综上所述，我们的贡献如下：
- 1.
为在有限工业数据条件下有效提取电池电极的边缘特征，我们提出BE-SAM——一种基于SAM架构、专用于电池电极CT图像分割的定制化框架。该框架通过利用SAM的泛化能力，结合专用编码机制，并在解码器中融合混合特征，即使训练数据有限，也能实现微米级分割精度，并保持对CT噪声的强鲁棒性适应。 - 2.
考虑到电池电极层间结构紧密排列的特性，本研究设计了一种双分支编码器，将基于定制化SEA机制的SAM编码器分支与SEE分支相结合。针对电池电极CT图像灰度变化显著且易受噪声干扰的挑战，我们开发了以MSRA为核心的混合特征解码器，通过动态融合多尺度特征来生成精确的分割掩模。 - 3.
我们建立了三个真实数据集，包含从不同产线采集并由专家标注的电池电极CT图像。实验结果表明，BE-SAM在分割精度和泛化能力方面均达到最先进水平。
标签: