Lithium Metal Battery Quality Control via Transformer-CNN Segmentation

要約

リチウム金属電池 (LMB) は、理論上のエネルギー密度が高いため、次世代の電池システムになる可能性があります。
ただし、デンドライトとして知られる欠陥は、異種リチウム (Li) メッキによって形成され、LMB の開発と利用を妨げます。
デンドライトの形態を観察するための非破壊技術は、多くの場合、コンピュータ化された X 線断層撮影 (XCT) イメージングを使用して断面図を提供します。
バッテリー内の三次元構造を取得するには、XCT 画像を定量的に分析するために画像のセグメンテーションが不可欠になります。
この作業では、XCT データから樹状突起をセグメント化できるトランスフォーマー ベースのニューラル ネットワーク (T-Net) モデルを使用して、新しいバイナリ セマンティック セグメンテーション アプローチを提案します。
さらに、提案された T-Net のパフォーマンスを、XCT 分析用のアンサンブル ネットワーク モデルで構成される U-Net、Y-Net、E-Net などの他の 3 つのアルゴリズムと比較します。
私たちの結果は、オブジェクト メトリックの観点から T-Net を使用することの利点を示しています。たとえば、平均交差オーバー ユニオン (mIoU) や平均ダイス類似度係数 (mDSC) など、およびいくつかの比較視覚化による定性的です。

要約(オリジナル)

Lithium metal battery (LMB) has the potential to be the next-generation battery system because of their high theoretical energy density. However, defects known as dendrites are formed by heterogeneous lithium (Li) plating, which hinder the development and utilization of LMBs. Non-destructive techniques to observe the dendrite morphology often use computerized X-ray tomography (XCT) imaging to provide cross-sectional views. To retrieve three-dimensional structures inside a battery, image segmentation becomes essential to quantitatively analyze XCT images. This work proposes a new binary semantic segmentation approach using a transformer-based neural network (T-Net) model capable of segmenting out dendrites from XCT data. In addition, we compare the performance of the proposed T-Net with three other algorithms, such as U-Net, Y-Net, and E-Net, consisting of an Ensemble Network model for XCT analysis. Our results show the advantages of using T-Net in terms of object metrics, such as mean Intersection over Union (mIoU) and mean Dice Similarity Coefficient (mDSC) as well as qualitatively through several comparative visualizations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google