基于Segment Anything模型的定制计算机断层图像分割框架，用于电力电池电极

近年来，新能源电池行业随着新能源车的发展迅速发展。电池的结构质量非常重要，任何缺陷都可能导致严重的安全隐患，如热失控、自燃（Jiang 等，2024）等。其中最重要的指标之一是悬垂（OH）值，指的是相邻阳极板与阴极板之间的垂直距离（Choudhary 等，2022）。工业计算机断层扫描（CT）是一种强大的无损缺陷检测技术（Jing 等，2025;Sun 等，2024），因其能够精确重建内部电池结构，从而有效解决内部OH检测。如图1所示，通过在样品阶段扫描电池，CT技术可以根据某些CT重建方法（如Feldkamp–Davis–Kress，FDK）获得的投影重建电池内部结构，实现精确测量而无需物理拆解电池。

准确测量羟色酸值的关键在于从重建的CT图像中精确划定电极边界。因此，需要能够实现像素级缺陷定位的图像分割。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展示了具有代表性的复杂案例和细分错误。首先，通常两个相邻电极之间的间隙极其狭窄，通常以微米级为单位。这种超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的高速扫描常导致曝光时间较短，导致图像中出现明显的CT噪声（Ji 等，2023）。此外，新能源电池的高密度金属和多层异质性优先吸收低能X射线，导致光谱硬化和条纹伪影，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。例如，X射线源和探测器设置的变化常常导致灰度显著变化，使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。遗憾的是，来自真实工业场景的电池数据有限，这使得在此类条件下获得具有强大泛化能力的分段模型极具挑战。

现有的细分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被广泛应用于CT图像分割，并在某些任务中取得了良好效果，但其有限的感受野限制了捕捉长距离依赖的能力，导致在复杂背景中分割小或细缺陷时性能不理想。尽管一些基于Transformer的分割方法提升了全球上下文建模能力，且部分为细长结构设计的方法加强了局部形态表现，但在工业CT图像中，它们在CT噪声、伪影干扰和跨设备灰度变化下仍难以实现准确的边界划定和稳健的泛化。最近，Segment Anything Model（SAM）（Kirillov 等，2023）通过在超过十亿个自然图像掩模上训练，展现出特征提取和跨域泛化的强大潜力。然而，由于自然图像与CT图像之间的域差距，SAM几乎无法直接应用于CT图像分割。此外，现有基于SAM的方法无法实现微米级电极间隙分割所需的精度。在成像过程中，CT噪声严重干扰会遮蔽细节，进一步加剧了难度。带注释的训练数据稀缺带来了额外限制，限制了现有方法在工业电池检测场景中的推广性。

为应对上述挑战，我们提出了一种电池电极CT图像分割方法，称为BE-SAM，开发基于SAM的定制编码-解码器分割框架，将全球对SAM的先验知识与任务特定适应结合起来。BE-SAM可以在CT噪声下实现精确的边界划定，并在有限的训练数据下保持良好的泛化。具体来说，该编码器采用了双分支设计，包括SAM图像编码器分支和拟议的条带边缘编码器（SEE）分支。SAM编码分支用于维护跨域泛化能力，而SEE分支则基于定制的带状边缘注意（SEA）机制构建，该机制协同融合各向异性条带卷积与多尺度小波变换，这得益于电池电极特殊的细长几何形状。这种双分支设计能够很好地提取边缘特征，有效克服了SAM在模拟电池电极细长形态特性时的固有局限。该解码器执行混合特征解码，通过将SAM解码器与交叉注意力、多尺度鲁棒自适应模块（MSRA）和多级特征融合模块（MLFF）集成实现。SAM解码器将来自SAM编码器的全局上下文信息与SEE分支通过交叉注意力机制提供的局部边缘细节集成。MSRA利用高斯拉普拉斯算子（LoG）变换和自适应信道交互机制，精细化多尺度特征，增强对CT噪声的鲁棒性。最后，MLFF汇聚了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能够在复杂的工业成像条件下实现准确的边界划定，同时在有限的训练数据下保持强强的泛化能力。

总结来说，我们的贡献如下：

• 1.
  为了在有限的工业数据下有效提取电池电极的边缘特征，我们提出了BE-SAM，这是一种基于SAM的定制电池电极CT图像分割框架。通过利用SAM的泛化能力，结合专业编码机制，并在解码器中集成混合功能，BE-SAM即使在训练数据有限的情况下，也能实现微米级的分割精度和对CT噪声的稳健适应。
• 2.
  考虑到电池电极紧密堆积的层间结构，我们设计了一种双分支编码器，结合了SAM编码分支和SEE分支，基于定制的SEA机制。为应对灰度显著变化及电池电极CT图像噪声敏感性挑战，我们开发了以MSRA为核心的混合特征解码器，实现多尺度特征动态融合并生成精确分割掩码。
• 3.
  我们建立了三个真实数据集，包括来自不同生产线采集的电池电极CT图像，并由专家注释。实验结果表明，BE-SAM在分割精度和泛化能力方面都达到了最先进的性能。