一种基于深度学习的锂离子电池活性材料损伤程度测试方法技术

本发明专利技术涉及一种基于深度学习的锂离子电池活性材料损伤程度测试方法。包括：制备锂离子电池极片截面样品；光学显微镜采集截面图像作为原始数据集；区分并标注原始数据集图像作为深度学习模型训练数据集；搭建和训练深度学习模型；搭建锂离子电池活性材料原位光学显微镜观测系统，并开展原位观测实验；向深度学习模型输入原位观测图像结果，完成对待观测的锂离子电池活性材料的颗粒智能识别；采用设定阈值方法对图像灰度值进行判定，从而实现锂离子电池材料损伤程度的定量统计分析。本发明专利技术可以对同一极片不同充放电阶段的活性材料损伤程度进行自动化和智能化的定量统计分析，可广泛应用于锂离子电池材料损伤程度演化机理研究。应用于锂离子电池材料损伤程度演化机理研究。应用于锂离子电池材料损伤程度演化机理研究。

【技术实现步骤摘要】
一种基于深度学习的锂离子电池活性材料损伤程度测试方法


[0001]本专利技术属于锂离子电池材料表征
，涉及一种基于深度学习的锂离子电池活性材料损伤程度测试方法。

技术介绍

[0002]在过去几十年中，锂离子电池由于其高能量密度和容量而成为一系列便携式储能设备解决方案的首选技术。为了满足绿色电网及新能源汽车等新兴应用场景在循环寿命、功率和能量密度的更高要求，先进的锂离子电池技术仍需不断发展。锂离子电池活性材料是决定锂离子电池性能的重要因素。在充放电过程中，锂离子在活性材料中嵌入脱出，同时伴随着活性材料的体积膨胀收缩。锂离子在活性材料内扩散的过程中会产生扩散诱导应力。随着长期循环充放电，锂离子电池材料会出现不同程度的裂纹进而影响锂离子电池性能。因此，探究锂离子电池材料的裂纹演化机理对于优化锂离子电池材料设计有着重要的指导意义。
[0003]通常研究者们会使用SEM观察颗粒横断面裂纹以表征锂离子电池材料的损伤情况。然而，这存在空间尺度和时间尺度两方面的问题。从空间尺度上来说，研究者通常选取几颗颗粒来作为表征结果。实际情况中，电池极片中包本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的锂离子电池活性材料损伤程度测试方法，其特征在于，包括以下步骤，(1)目标测试活性材料智能识别工具构建：S1.采用抛光手段对锂离子电池极片截面进行研磨抛光，获得平整、光洁的电池极片截面样品；S2.利用光学显微镜采集锂离子电池极片截面图像作为原始数据集；S3.区分并标注原始数据集极片图像中目标测试的锂离子电池活性材料，使用专业标注工具LabelMe对锂离子电池极片截面中的活性材料使用多边形进行绘制，并在像素尺度上保存每个顶点的坐标数据，以此获取训练数据集；S4.构建深度学习模型Mask R
‑
CNN，选择训练数据集，将训练数据集图像进行预处理并输入神经网络进行训练，经过梯度反向传播后，计算损失结果，未达到指定周期则继续输入神经网络进行训练，若达到指定周期后则保存神经网络参数作为目标测试活性材料智能识别工具；(2)基于原位光学显微镜观测平台实时监测锂离子电池活性材料损伤：S5.搭建锂离子电池活性材料原位光学显微镜观测平台，并在循环充放电过程中实时监测锂离子电池极片截面图像；S6.基于目标测试活性材料智能识别工具，完成对循环充放电过程中实时记录的电池极片光学显微镜图像中目标测试的锂离子电池活性材料的智能识别，获取图像中每一颗活性材料的掩膜图像及其坐标信息；(3)测试评价锂离子电池活性材料损伤程度：S7.采用设定阈值的方法对步骤(2)测试得到的每一颗活性材料的图像灰度值进行判定，将颗粒面积分为裂纹区域面积及块体面积，单颗活性材料的裂纹程度＝裂纹区域面积
÷
颗粒面积，测试分析每颗活性材料的裂纹程度以此获得待观测极片分布的...

【专利技术属性】
技术研发人员：栾伟玲，姚逸鸣，高妍，陈莹，
申请(专利权)人：华东理工大学，
类型：发明
国别省市：