迈向霍克蓄电池的清洁生产：结合线激光扫描和增强型PointNet++的电极毛刺检测方法

在气候变化持续的长期趋势下，《巴黎协定》敦促各方将全球平均气温升幅限制在比工业化前水平高出1.5°C以内（Change，2015）。作为全球碳排放的主要贡献者（约占六分之一），道路运输部门的深度脱碳至关重要（Hao 等，2024），电动汽车（EV）是实现道路交通脱碳的关键技术路径（Lai 等，2023）。其中，作为电动汽车和储能系统核心组件的动力电池，代表了实现交通领域碳中和的重要举措（Chen， J. 等，2025）。在广泛政策支持的推动下，电力电池的装机容量显著提升（Chu 等，2025）。然而，随着电池能量密度的提高，其在整个生命周期中也更容易受到安全风险的影响（Li 等，2025）。现有研究主要聚焦于电池运行阶段的状态估计（Tang 等，2024）、故障诊断（Li， D. 等，2025）、热失控（Wang 等，2024）以及能量管理（Kong 等，2023）。相比之下，电池制造阶段的质量控制仍然相对欠佳，尽管质量控制是电池可靠性的关键决定因素（Kwade 等，2018）。具体来说，各级产品质量的一致性将直接影响整个电池系统的安全性和可靠性，从车辆携带的电池组到单体，再到单体内部的核心电极（Broad 和 Fly，2022）。
为了满足不同尺寸电池的生产需求，作为电池电池的重要组成部分，电极需要经过切割和倒角工艺（Angeloni 等，2024）。在这些操作过程中，刀具磨损、上下刀片间隙以及空夹压力等因素常常导致细毛刺颗粒的产生（Chen 等，2025）。这些表面毛刺由电极材料（包括金属集电器）部分剥落形成，锋利且刚性强。它们可以轻易穿透分离器，导致阳极与阴极电极直接接触，进而诱导内部短路。此类故障常常引发热失控，导致严重的安全事故，包括火灾或爆炸（Sun 等，2022）。由于体积微小、随机分布且材料成分与电极相同，电极切割时产生的微小毛刺使得传统的目视检测方法难以有效检测（Abeysekera 等，2025）。这种缺陷已成为电池产品质量、一致性和本质安全的关键瓶颈。此外，电池制造的大规模影响进一步凸显了解决这一问题的紧迫性。从资源优化角度看，如果能及时准确地识别并丢弃存在毛刺缺陷的材料，就能有效防止缺陷电极流入后续电池组装工艺，从而大幅节省原材料和能耗，减少因使用缺陷电极而导致的整个电池链条资源和能量浪费。从工业规模挑战的角度来看，当前的电力电池行业正经历大规模且快速的产能扩张（Chen 等，2025）。面对大规模电力电池的生产需求，亟需开发高效、可靠且可在线的无损检测方法，并将其集成到生产线中，以确保产品的安全稳定以及大规模制造生产过程的可持续性。因此，开发一种能够识别电极表面细毛刺缺陷的非接触在线无损检测技术，对于提升电力电池本质安全水平、优化资源利用效率以及推动电池行业绿色可持续发展具有重大意义。
目前，工业生产领域常用的无损检测方法主要包括基于计算机断层扫描（CT）的无损检测技术（Han 等，2025）、超声回声检测技术（Deng 等，2020）、基于电荷耦合器件（CCD）工业相机的二维图像检测技术（Yu 等，2025）以及基于三维激光的表面轮廓重建技术（Guan 等， 尽管基于CT的无损检测具有很高的成像精度，但由于设备扫描和重建算法的限制，数据采集通常需要较长时间（Rahman等，2023）。这限制了其在高通量制造中的适用性，并涉及暴露于电离辐射。超声检测技术通常需要耦合剂来缓解空气中超声波的衰减，但耦合剂会污染电极表面。同时，由于超声扫描速度的限制，无法实现在线检测（McKnight 等，2024）。CCD工业相机是电池制造过程中生产缺陷检测最广泛使用的方法（Huang等，2025），结合多种神经网络模型，能够准确识别不同类型的生产缺陷。然而，辅助补光灯的位置和大小对检测结果有显著影响（Zi等，2026）。不同类型、大小和位置的缺陷在同一光源下具有不同的检测效果。当缺陷位置与正常位置的对比度较低时，可靠的检测变得具有挑战性（Ramesh 等，2025）。此外，由于CCD相机只能捕捉二维平面图像，由于缺乏高度信息，无法获得缺陷位置的具体空间尺寸。
基于三维线激光相机的表面轮廓重建技术利用三角测量原理，通过图像传感器捕捉激光发生器投射到物体表面的线激光信息，并重建测量到的物体表面轮廓信息（Wang， L. 等，2025）。该方法具有高速扫描速度，能够获取三维信息，无需辅助照明或耦合剂，并实现微米级的检测精度（Li 等，2025）。缺陷检测方法结合了线激光相机扫描所得的点云数据与智能算法，在多个领域取得了成果。Pan 等人（2025）采用了改进的 PointNet 框架，引入了骨干中的多尺度特征融合，并将不同层的局部特征串联，以增强细节学习，提高激光加工零件的缺陷检测效果。Zhang 等人（2025）利用语义分割方法处理复杂的道路场景点云。基于RandLA-net，增加了多级聚合模块和注意力池，以优化基于熵加权损失的边界分割。该方法在自建数据集上的平均交集除并（mIoU）为96.2%。Zhang 等人（2024）提出了改进版 PointNet++，以解决机械部件几何特征识别的难度。局部自注意机制被引入 PointNet++ 的集合抽象（SA）模块，PointNet-Transformer 的局部特征提取方法被用来替代传统的多层感知器和 MaxPooling 结构。此外，还使用焦点特沃尔斯基损耗解决类别失衡问题，并采用统计滤波算法来减少噪声。在自建数据集上，该方法的分割准确率为88.6%。Wang 等人（Wang 等，2025）探索了基于对比度预训练的 Geocontrast 框架，以解决工业点云分段中高自由度设备姿态变化、设备堆叠边界模糊以及大规模点云标注稀缺等挑战。该方法通过聚类和多维特征编码生成几何一致的特征，并根据信息熵的不确定性加权对比度损失函数动态调整样本权重。在自建实际焊接现场扫描（AWSs）数据集上，仅使用1%标签即可实现61.9%的mIoU，比传统方法高出45.2%。目前，关于电池生产过程中的缺陷，利用线激光相机结合点云数据结合的方法尚较少被探索。鉴于上述挑战和差距，本研究的主要贡献如下：

• (1)
  一种非破坏性在线检测电极表面毛刺缺陷的方法被提出，结合线激光相机与深度学习。这种方法有效切分了那些难以用传统CCD检测方法准确检测的微小毛刺。
• (2)
  基础的PointNet++模型经过优化，在其特征提取阶段引入了注意力机制，以增强对微小缺陷的检测。通过五重交叉验证和独立测试集，模型的稳健泛化能力和稳定的性能被证明。
• (3)
  关于模型可解释性，进行了消融实验以分析提取的点云特征。点云邻域内的高度和曲率特性提升了模型的检测性能。
• (4)
  在实际的电池生产线情景中，采用生命周期评估（LCA）和技术经济评估（TEA）对拟议的线路激光相机检测方案与传统CCD检测方案进行了比较分析。结果表明，所提方案支持更清洁的电池生产，同时保持工业应用中的竞争经济可行性。