1.简介
锂离子电池(LIB)在从便携式消费电子产品和电动汽车到可再生能源存储系统的各种应用中起着关键的推动作用。LIB的广泛采用对环境和商业产生了巨大的影响,在现代社会中是不可或缺的。现实世界LIB的特点是结构和化学复杂性跨越了广泛的长度和时间尺度。各种电池组件,包括复合电极、电解质、分离器和集电器,在电池循环时会改变各自的形态和化学特性,导致性能逐渐下降,甚至有急性电池故障的风险。因此,研究电池材料在工作条件下的化学-机械相互作用和演变具有科学意义和实际意义。
纳米分辨率X射线显微镜具有极高的高分辨率和非破坏性成像能力,被认为是电池研究的有力工具。根据研究目标,开发了不同的成像模式。例如,纳米分辨率X射线照相术被用于跟踪正在运行的Li–S细胞中S颗粒的形态变化(Nelson等。, 2012). 观察到的颗粒级的部分溶解和钝化表明Li-S电池退化的一个潜在被忽视的机制。另一个很好的例子是将X射线照相术与X射线能量扫描相结合,以分析X射线吸收近边缘结构(XANES)的空间分辨信号。Xu及其同事利用这种方法(也称为XANES成像)跟踪单个LiCoO2阴极粒子在20多个不同循环速率的充放电循环中(Xu等。, 2017). 使用XANES扫描,对氧化状态靶向过渡金属阳离子的实现,间接揭示了成像活性阴极粒子中锂浓度和分布的演变。纳米成像结果还可以通过层析成像扩展到三维,这已成功应用于几种不同的电池系统(Wang、Chen-Wegart和Wang,2014一,b条)追踪它们的形态复杂性和动力学,这两者都会影响细胞的行为和寿命。
电池材料的动态形态演变给X射线纳米成像带来了一些技术挑战。当使用低时间分辨率的成像设备时尤其如此,在这种情况下,样品的结构变形可能会导致显著的成像伪影,从而危及下游图像分析。例如,全场XANES成像的执行涉及采集许多透射图像,作为X射线能量的函数(Malabet等。, 2020; 帕塔玛特尔等。, 2020; 张等。, 2021). 这种成像方式最先进的时间分辨率大约在十分钟的水平上(谢等。, 2019). 由于复合电池电极在电化学循环过程中可能会发生非刚性、非线性和多向变形,因此准确跟踪图像中的所有结构特征可能非常困难,并且可能会产生非常显著的伪影,从而阻碍XANES图的定量分析。此外,实验中的实际限制,如仪器的机械不稳定性,或温度、压力和湿度的波动,也可能导致图像抖动,这需要在数据缩减过程中加以考虑。
传统的图像对齐方法在一定程度上解决了这些挑战(Su等。, 2022). 它们可以大致分为两类。第一组评估两个图像之间的互信息。流行算法,如互相关、相位相关、快速归一化互相关(FNCC)(Yoo&Han,2009年)和平方差之和(SSD)(希沙姆等。, 2015)所有这些都属于第一类。第二组称为基于特征的对齐方法。它们采用特征检测和匹配算法来对齐图像。基于特征的技术的例子包括尺度不变特征变换(SIFT)(Burger&Burge,2022)),加速鲁棒功能(SURF)(海湾等。, 2006)和光流(尼基丁等。, 2021). 当图像受到显著噪声、伪影和样本变形的影响时,这些方法通常在生成准确结果的能力方面表现出局限性。
在这项工作中,提出了一种基于生成掩模的图像对齐算法,以解决操作电池中复合电池阴极的X射线纳米成像中的上述挑战。我们的方法首先检测图像中孤立的电池阴极粒子,然后利用它们各自的质量中心坐标来评估它们的非刚性几何畸变。这种方法特别适用于分析复合电池阴极的纳米成像数据,因为尽管电极可能经历相当复杂的变形,但单个颗粒大多保持结构完整。我们的方法的总体方案如图1所示。将原始纳米分辨率XANES成像数据输入到我们的模型中,并使用GAN循环循环生成对抗网络;Zhu等。, 2017). 接下来是用双U型网网络(Su等。, 2022). 生成的子区域用于确定目标的质心和边界,然后用于粒子注册和量化电极变形。
| 图1 所提算法的示意图概述。(一)典型XANES成像数据的原始图像堆栈,具有显著的图像抖动和变形。(b条)基于深度学习的图像对齐方法,包括GAN循环并进行了优化U型网. (c)对齐XANES图像堆栈的示意图。(d日)–(克)堆叠图像与[面板前的放大感兴趣区域的比较(d日)和((f))]和[面板之后(e(电子))和(克)]应用我们的注册方法。 |
我们使用单目标和多目标的成像数据训练和验证了我们的模型,这意味着不同数量的孤立和可检测电池阴极粒子的图像。然后将该模型应用于SSRF(中国上海同步辐射设施)和SSRL(美国斯坦福同步辐射光源)纳米成像光束线的真实实验数据,具有合理的精度和鲁棒性。
2.方法
2.1. XANES电池材料变形成像数据集的特征
自2010年代初以来,我们团队开发并广泛应用了XANES成像技术。最成功的应用之一是成像电池阴极电极,在电池循环过程中,阴极电极会经历结构和化学演变。XANES成像将形态变化和局部化学演变联系在一起,它们紧密交织在一起,共同控制电池性能。
在理想情况下,样品应在整个能量扫描过程中保持刚性。实际上,这种方法面临着技术挑战,因为所需的能量扫描需要大约10分钟才能完成,并且在10分钟的测量过程中可能会有相当大的形态演变。更具体地说,XANES成像数据重建的质量受到两个因素的显著影响:(i)成像系统缺陷和(ii)固有样品变形。成像系统的缺陷包括样品台和X射线光学系统的不稳定性,以及X射线源尺寸、强度和位置的波动。同时,样品变形与电池的固有特性密切相关。此外,成像噪声在粒子分割和轮廓检测中也起着作用。这尤其适用于在较低X射线能量下采集的图像,其中吸收相对较弱,对比度较差。因此,我们专注于检测分离的粒子,并使用它们的质心量化它们各自的位置,这将在下面详细讨论。
2.2. 基于深度学习的动态系统对准算法
我们将对齐任务划分为几个步骤,并使用不同的深度学习模型分别进行处理。我们首先实现了一个模型(GAN循环)用于识别图像中的多个孤立粒子,并随后定义各个感兴趣区域(ROI)。对于在不同能量和时间采集的图像,重复此步骤。通过评估ROI相似性(SSIM)来执行ROI匹配步骤,以确保对识别的粒子进行粗略跟踪。将整个图像分割为多个ROI进行下游独立处理有两个原因:(i)此方法可以考虑电极变形,这使得几乎不可能以高精度实现全局对齐,以及(ii)粒子轮廓检测模块(双U型网)使用单目标(粒子)图像效果更好。然后对这些ROI进行处理,以减少噪音和轮廓检测(双U型网)在我们使用它们各自的质心进行校准之前。然后使用一个已建立的软件包(Liu)对校准后的ROI进行XANES分析等。, 2012). 整个过程如图2所示有关每个步骤的更多详细信息将在下面的部分中讨论。
| 图2 所提算法的说明。一GAN循环生成器首先用于识别孤立的粒子,从而生成一组ROI过滤器。一双U型网然后使用生成器分别进行ROI注册。在最后一步中,引入了ROI融合方法。 |
2.2.1. 粒子识别、ROI提取和轮廓检测
这个GAN循环本研究利用深度学习模型检测多个粒子ROI,以细化其几何信息,如粒子轮廓,同时减少复杂的背景干扰(变化亮度或对比度和任何干扰物质的出现)和噪声,以产生不同数据集的高质量结果。
GAN循环可以使用未配对的数据集进行训练,从而生成更健壮的模型,能够在不需要标记数据的情况下缩放和传输学习,从而可以用更少的数据创建更快、更准确的模型。网络结构由两个发生器和两个鉴别器组成。
本研究中使用的另一个深度学习模型是双U网络基于参考模型(Su等。, 2022).双U网络用于优化从GAN循环该模型专门用于去噪、背景去除和单个轮廓检测,为ROI图像对齐提供了一个单一且极易描述的目标。这个双U网络该网络使用两个具有相同结构的网络,由四个下采样层(步长为2)、四个上采样层(使用步长为2中的估计插值)、18个特征卷积层(3×3卷积核)和一个完全连接层组成。
2.2.2. ROI匹配
与第2.1节中描述的XANES特性一致正确对齐的XANES数据集应显示相邻投影之间的高度相似性,因为数据采集期间采用了能量调整步骤。因此,我们采用结构相似性指数(SSIM)方法(Sara等。, 2019)评估分割ROI内每个图像对的相似性,以对不同粒子的ROI进行分类,还可以根据平均值和方差来确定对齐技术的有效性。成对投影图像的相似性以及相关的方差和平均值由以下公式计算
使用以下参数,
哪里α,γ,β,c1,c2和c三是常数,α=γ=β= 1,μ是平均值σ是标准偏差。
2.2.3. 基于中心的注册
继两个深度学习模型的结果之后,质量中心波动技术(Aganj等。, 2018)用于执行单个ROI图像的对齐,如图2所示(c)和2(d日). 此外,由于扫描能量的波动,投影图像中的粒子边缘可能变得模糊,从而导致XANES对准的潜在困难。然而,尽管发生了这些变化,但通过深度学习模型处理后,粒子内部像素强度的分布仍然保持一致,如粒子轮廓识别所示。这种均匀性允许使用轮廓作为对准的可靠特征来计算质心。使用粒子轮廓的信息,其几何结构的零阶和一阶矩(约瑟夫·里夫林等。, 2019)可用于计算质心。零阶矩是轮廓内所有非零像素的总和,可以用数学形式表示为
一阶矩是像素坐标乘以其强度值,再除以零阶矩的和。这个力矩可以用数学形式表示为
使用这些力矩,可以获得重心的水平和垂直坐标,如下所示
其中使用了以下参数:我(x个, 年)是位置处的像素值(x个, 年)在图像中,表示该位置处的像素强度;M(M)00是图像的零阶矩,是图像中所有像素强度值的总和;M(M)10是图像的一阶矩,是像素强度值与其乘积的平均值x个坐标,表示粒子沿x个轴线;M(M)01是图像的一阶矩,是像素强度值与其乘积的平均值年坐标,表示粒子沿年轴线;X(X)c是粒子质心的水平坐标;和年c是粒子质心的垂直坐标。
3.实验方法
3.1. 电池电极和电池制备
为了进行这个实验,我们组装了一个带有X射线透明卡普顿窗的币形电池。阴极电极由单晶LiNi单层构成0.6有限公司0.2锰0.2O(运行)2(NCM622)粒子。将电极在85°C下真空干燥12 h。电解液[1.2M(M)LiPF6,EC(碳酸乙烯酯):DMC(碳酸二甲酯):DEC(碳酸二乙二醇)=1:1:1(按重量计)和1.5 wt%VC(碳酸乙烯基酯)添加剂]填充在充氩手套箱(O2/H(H)2O<0.1 p.p.m.)。使用电池循环仪(Biologic SP300)进行电池充电。在形成周期中,细胞首先在2.7 V和4.25 V之间循环两次。之后,在进行X射线表征时,以0.1 C的速率对电池充电。
3.2. TXM配置和XANES成像协议
本工作中使用的实验数据是在斯坦福同步辐射光源的光束线6-2C和上海同步辐射光源(陶)的18B 3D纳米成像实验光束线站上获得的等。, 2023). 成像过程采用了使用透射X射线显微镜(TXM)和XANES的全场纳米分辨率成像的组合。TXM设置使用毛细管椭球聚焦镜(单毛细管)作为冷凝器,然后是针孔,即样品台(x个,年,z(z)和旋转)、分区板物镜和区域成像探测器(CCD)。照明视野(FOV)约为20µm×20µn,能量范围为5 keV至14 keV,涵盖了吸收K(K)-与电池应用相关的几个过渡金属元素的边缘。能量分辨率(Δ电子/电子)约为2×10−4,这足以进行XANES成像实验。除了样品变形外,观测到的图像失准也由成像系统的缺陷造成,包括同步辐射源和硬件沿光束线和终端的稳定性有限。在实验过程中,样品被反复移入和移出光束,以获取有无图像(即背景)样品就位。
完整的数据集包含6435个投影图像。我们使用了286张图像来训练我们的模型,其余的图像用于验证,以及表征充电周期中电池电极的物理化学反应。对于每次XANES扫描,我们都会覆盖NiK(K)-边缘有143个能量点,提供足够的能量分辨率来解决局部镍氧化状态的差异。整个图像堆栈包括54个XANES扫描,用于显示粒子在慢速充电时的化学动力学。虽然每个原始图像都有1000×1000像素,但我们有效地将视野减少到460×460像素,以避免FOV边缘由于照明不足而产生的图像伪影。
本研究中使用的计算工作站使用Python 3.8实现,并使用PyTorch 1.8.1和CUDA 10.2编译。投影对齐过程是使用Intel Xeon W-2245中央处理器(CPU)和带有256 GB RAM的Nvidia Quadro 5000图形处理单元(GPU)执行的。
5.结论
我们提出了一种高效的非刚性对齐方法,用于XANES重建电池NCM粒子,实现多个粒子的同时跟踪。此方法捕获粒子的偏移速度、加速度和距离,从而有助于深入分析涉及形态、成分分布和氧化还原行为的耦合机制。该方法的意义在于它有助于阐明控制形态、成分分布和氧化还原异质性的耦合机制,对下一代电池的设计具有深远的意义。除了将其应用于本研究中描述的电池NCM粒子外,我们提出的方法还显示出在不同学科中检测化学-物理耦合效应的巨大潜力。
所提出方法的深度学习模型的样本识别能力和准确性取决于训练数据集固有的多样性和质量。该方法固有的主要局限性和潜在挑战包括形态变化(尺寸、厚度、辐射变形和其他因素)、样品的X射线吸收率、背景动态变化的多种情况、,XANES投影图像的质量(多信噪比条件)。现有的训练数据集包括通过TXM获取的电池NCM颗粒样本,以及以钨针为特征的额外形态样本和以黄金颗粒特征区分的样本。当部署在不同的域中时,该模型的适用性和精度可能会受到限制,这些域的特征是与训练数据集中包含的域相比,形态学和背景特征存在显著差异。然而,通过在本工作中纳入无监督的深度学习模型,解决了与数据集扩展相关的挑战,这一限制得以缓解。
为了应对不断发展的研究工作,未来的调查可以扩大培训数据的多样性和质量。这个迭代过程可能涉及优化深度学习网络模型,从而在跨多个学科和行业的各种应用场景中增强方法的健壮性和效率。
资金筹措信息
确认以下资助:中国国家重点研发计划(批准号:2021YFA1600703和2021YFF0701202);国家自然科学基金(批准号:U1932205和12275343)。
工具书类
Aganj,I.、Harisinghani,M.G.、Weissleder,R.和Fischl,B.(2018年)。科学。代表。 8, 13012. 科学网 交叉参考 公共医学 谷歌学者
Barron,J.L.,Fleet,D.J.&Beauchemin,S.S.(1994)。国际期刊计算。视觉。 12, 43–77. 交叉参考 科学网 谷歌学者
Bay,H.、Tuytelaars,T.和Van Gool,L.(2006年)。计算机科学课堂讲稿第3951卷,第404-417页。纽约:Springer Science+Business Media。 谷歌学者
Burger,W.&Burge,M.J.(2022年)。数字图像处理:算法简介由W.Burger&M.J.Burge编辑,第709–763页。查姆:斯普林格国际出版公司。 谷歌学者
Gonzalez Malabet,H.J.、Juarez Robles,D.、de Andrade,V.、Mukherjee,P.P.和Nelson,G.J.(2020年)。《电化学杂志》。Soc公司。 167, 040523. 科学网 交叉参考 谷歌学者
Hisham,M.、Yaakob,S.N.、Raof,R.、Nazren,A.A.和Wafi,N.(2015)。2015年IEEE学生研究与开发会议论文集(SCOReD2015)2015年12月13日至14日,马来西亚吉隆坡,第100-104页谷歌学者
Joseph-Rivlin,M.、Zvirin,A.和Kimmel,R.(2019年)。2019 IEEE/CVF国际计算机视觉研讨会会议记录(CCVW2019)2019年10月27日至28日,大韩民国首尔,第4085至4094页谷歌学者
Kuppan,S.、Xu,Y.、Liu,Y.&Chen,G.(2017)。国家公社。 8, 14309. 科学网 交叉参考 公共医学 谷歌学者
Li,J.、Sharma,N.、Jiang,Z.、Yang,Y.、Monaco,F.、Xu,Z.、Hou,D.、Ratner,D.、Pianetta,P.、Cloetens,P.、Lin,F.、Zhao,K.&Liu,Y.(2022)。科学类,376, 517–521. 科学网 交叉参考 中国科学院 公共医学 谷歌学者
Liu,Y.、Meirer,F.、Williams,P.A.、Wang,J.、Andrews,J.C.和Pianetta,P.(2012)。J.同步辐射。 19, 281–287. 科学网 交叉参考 中国科学院 IUCr日志 谷歌学者
Nelson,J.、Misra,S.、Yang,Y.、Jackson,A.、Liu,Y.,Wang,H.、Dai,H.,Andrews,J.C.、Cui,Y.和Tony,M.F.(2012年)。美国化学杂志。Soc公司。 134, 6337–6343. 科学网 交叉参考 中国科学院 公共医学 谷歌学者
Nikitin,V.、De Andrade,V.,Slyamov,A.、Gould,B.J.、Zhang,Y.、Sampathkumar,V.和Kasthuri,N.、Gürsoy,D.和De Carlo,F.(2021)。IEEE传输。计算。成像,7, 272–287. 科学网 交叉参考 谷歌学者
Pattammattel,A.、Tappero,R.、Ge,M.、Chu,Y.S.、Huang,X.、Gao,Y.和Yan,H.(2020年)。科学。副词。 6,eabb3615科学网 交叉参考 公共医学 谷歌学者
Sara,U.、Akter,M.和Uddin,M.S.(2019年)。J.计算。Commun公司。 07, 8–18. 交叉参考 谷歌学者
Su,B.,Gao,R.,Tao,F.,Zhang,L.,Du,G.,Li,Z.,Deng,B.&Xiao,T.(2022)。编号。仪器。方法物理学。决议A,1040, 167242. 科学网 交叉参考 谷歌学者
Sun,D.、Roth,S.和Black,M.J.(2010年)。2010年IEEE计算机学会计算机视觉和模式识别会议(CVPR2010)2010年6月13日至18日,美国加利福尼亚州旧金山,第2432-2439页谷歌学者
Tao,F.、Wang,J.、Du,G.、Su,B.、Zhang,L.、Hou,C.、Deng,B.和Xiao,T.(2023)。J.同步辐射。 30, 815–821. 科学网 交叉参考 中国科学院 IUCr日志 谷歌学者
Wang,J.、Chen-Weigart,Y.和Wang,J(2014)一).安圭。化学。国际编辑。 53, 4460–4464. 科学网 交叉参考 中国科学院 谷歌学者
Wang,J.、Chen-Weigart,Y.和Wang,J(2014)b条).国家公社。 5, 4570. 科学网 交叉参考 公共医学 谷歌学者
Wang,J.、Karen Chen-Wegart,Y.、Eng,C.、Shen,Q.和Wang,J(2016)。国家公社。 7, 12372. 科学网 交叉参考 公共医学 谷歌学者
Xie,H.、Luo,H.,Du,G.、Zhao,C.、Xu,W.、Zhou,G.,Chen,R.和Xiao,T.(2019年)。J.同步辐射。 26, 1631–1637. 科学网 交叉参考 中国科学院 IUCr日志 谷歌学者
Xu,Y.,Hu,E.,Zhang,K.,Wang,X.,Borzenets,V.,Sun,Z.,Pianetta,P.,Yu,X.、Liu,Y.&Yang,X.-Q.(2017)。ACS能源通讯。 2, 1240–1245. 科学网 交叉参考 中国科学院 谷歌学者
Xu,Z.、Jiang,Z.,Kuai,C.、Xu,R.、Qin,C.、Zhang,Y.、Rahman,M.M.、Wei,C.、Nordlund,D.、Sun,C.-J.、Xiao,X.、Du,X.W.、Zhao,K.、Yan,P.、Liu,Y.和Lin,F.(2020年)。国家公社。 11, 83. 科学网 交叉参考 公共医学 谷歌学者
Yoo,J.-C.和Han,T.H.(2009)。电路系统。信号。过程。 28, 819–843. 科学网 交叉参考 谷歌学者
Zhang,J.,Hu,J.、Jiang,Z.、Zhang、K.、Liu,P.、Wang,C.、Yuan,Q.、Pianetta,P.和Liu,Y.(2021)。J.同步辐射。 28, 278–282. 科学网 交叉参考 中国科学院 IUCr日志 谷歌学者
Zhu,J.-Y.,Park,T.,Isola,P.&Efros,A.A.(2017)。2017 IEEE计算机视觉国际会议(ICCV2017)会议记录,2017年10月22-29日,意大利威尼斯,第2242-2251页谷歌学者
| 的日志 同步加速器 辐射 |
国际标准编号:1600-5775
打开访问