一种基于机器学习的腐蚀铝箔各形成电压下CV预测方法

本发明属于图像处理及铝箔表面分析，具体涉及一种基于机器学习的腐蚀铝箔各形成电压下cv预测方法。

背景技术：

1、电容器是世界三大被动电子元器件(电阻器、电容器及电感器)之一，在电子元器件产业中占有重要的地位，是电子线路中必不可少的基础电子元器件。铝电解电容器具有成本低、性能优良、工艺成熟、应用方便等优点，在电子元器件及整机中需求量非常大。

2、随着电子行业的不断发展，对铝电解电容器的性能要求越来越高，促使铝电解电容器向小型化、长寿命等方向发展。阳极化成箔是铝电解电容器的关键材料，如何提高铝电解电容器阳极箔的性能是电路系统小型化需要解决的核心问题。

3、腐蚀铝箔是铝电解电容器的基础材料，它的质量高低直接影响了铝电解电容器阳极箔的性能。目前对于腐蚀箔微观结构和形貌表征的研究较少，缺乏系统的测量方法表征腐蚀铝箔性能的好坏。大多数对腐蚀铝箔的微观表征主观因素较大，同时观测仅集中在一个或数个孔洞，无法反映整体的性能，测试结果具有随机性，不具有说服力。同时，腐蚀箔cv性能的测量，仍需要人工实验进行，消耗大量的人力和物力。

技术实现思路

1、针对现有技术中铝电解电容器用铝箔微观分析技术存在的上述问题，本发明的目的是提供一种基于机器学习的腐蚀铝箔各形成电压下cv预测方法，该方法通过拍摄腐蚀箔的表面sem照片，精确预测腐蚀箔在不同形成电压下的cv值，节省了手动实验的所消耗的人力物力。

2、为达上述目的，本发明采用的技术方案如下：

3、一种基于机器学习的腐蚀铝箔各形成电压下cv预测方法，包括以下步骤：

4、1)获取腐蚀铝箔的sem图像；

5、2)对腐蚀铝箔的sem图像进行预处理，得到预处理后的图像；

6、3)在不同形成电压下对预处理后的图像二次修正，去除存在堵塞的孔洞，得到对应电压下修正后的图像；

7、4)根据修正后的图像计算不同形成电压下的铝箔单位面积的cv值。

8、进一步的，腐蚀铝箔的sem图像的放大倍数为2-10k。

9、进一步的，对腐蚀铝箔的sem图像进行预处理的具体步骤如下：使用dlib库中的imglab工具对sem图像中的样本孔洞进行标注，使用数据增强的方法对样本进行扩充。

10、进一步的，数据增强的方法包括对样本的旋转与裁剪。

11、进一步的，不同形成电压u下的铝箔单位面积cv通过下式计算：

12、c＝ε0*εs/a

13、式中，c为区域面积内铝箔容量，ε0为真空的介电常数，ε为氧化铝的介电常数，s为单位面积铝箔形成后的氧化铝总表面积，a为形成常数。

14、进一步的，单位面积铝箔形成后的氧化铝总表面积为氧化铝孔洞内表面积、铝箔的外表面积和侧表面积的和。

15、进一步的，氧化铝孔洞内表面积为氧化铝孔洞数量与氧化铝孔洞平均内径的乘积。

16、进一步的，氧化铝孔洞平均内径r通过下式计算：r＝0.5*l-0.39d，其中，l为平均边长，d为氧化膜的厚度；氧化铝孔洞内表面积为50*2*pi*r*n，其中，n为孔洞数量；pi为圆周率。

17、进一步的，平均边长通过以下过程得到：采用dlib库中的支持向量机svm模型对数据进行训练，得到训练好的模型，使用训练好的模型，将腐蚀铝箔的sem图像区域划分为铝基底与孔洞区域，通过对孔洞的目标检测，统计孔洞的数量n，同时，得到方形孔洞的坐标以及方形孔洞长宽，根据孔洞长宽和孔洞数目求得平均边长。

18、进一步的，对预处理后的图像二次修正的具体过程为：在不同的形成电压下，根据氧化铝孔洞生长模型，求得电压u下生成的氧化膜的厚度d，氧化铝厚度d与形成电压u的关系为：d＝au，a为形成常数，再采用bwareaopen函数剔除面积小于π*d2的区域，得到修正后的图像。

19、进一步的，氧化铝孔洞生长模型为方形铝箔孔洞形成电压作用下，在电解液中生长为圆形氧化铝孔洞。

20、与现有技术相比，本发明的有益效果为：

21、本发明使用机器学习算法对图像的孔洞模型进行了训练，使用本发明可以更为精确的得到铝腐蚀箔的孔洞数目和孔洞边长。本发明使用机器学习算法对图像区域进行判断，降低了计算成本，减少了内存和时间的消耗。本发明对图像进行二次修正，去除了不同形成电压下的化成过程中堵塞的小孔洞。本发明可以解决人工测量繁琐随机的问题，更为高效便利。本发明可以通过拍摄不同区域多张照片提高测量精确程度，相较人工测量结果更为准确。本发明所得的cv数据可用于不同腐蚀箔之间对比，确定不同箔的适用形成电压区间。

22、进一步的，本发明建立了简易的氧化铝孔洞生长模型，用于计算不同形成电压下氧化铝孔洞内径。

23、进一步的，本发明使用软件进行预测，无需耗费化成材料和电解液，节约能源，保护环境。

技术特征：

1.一种基于机器学习的腐蚀铝箔各形成电压下cv预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于机器学习的腐蚀铝箔各形成电压下cv预测方法，其特征在于，腐蚀铝箔的sem图像的放大倍数为2-10k。

3.根据权利要求1所述的一种基于机器学习的腐蚀铝箔各形成电压下cv预测方法，其特征在于，对腐蚀铝箔的sem图像进行预处理的具体步骤如下：使用dlib库中的imglab工具对sem图像中的样本孔洞进行标注，使用数据增强的方法对样本进行扩充。

4.根据权利要求3所述的一种基于机器学习的腐蚀铝箔各形成电压下cv预测方法，其特征在于，数据增强的方法包括对样本的旋转与裁剪。

5.根据权利要求1所述的一种基于机器学习的腐蚀铝箔各形成电压下cv预测方法，其特征在于，不同形成电压u下的铝箔单位面积cv通过下式计算：

6.根据权利要求5所述的一种基于机器学习的腐蚀铝箔各形成电压下cv预测方法，其特征在于，单位面积铝箔形成后的氧化铝总表面积为氧化铝孔洞内表面积、铝箔的外表面积和侧表面积的和。

7.根据权利要求6所述的一种基于机器学习的腐蚀铝箔各形成电压下cv预测方法，其特征在于，氧化铝孔洞内表面积为氧化铝孔洞数量与氧化铝孔洞平均内径的乘积。

8.根据权利要求7所述的一种基于机器学习的腐蚀铝箔各形成电压下cv预测方法，其特征在于，氧化铝孔洞平均内径r通过下式计算：r＝0.5*l-0.39d，其中，l为平均边长，d为氧化膜的厚度；氧化铝孔洞内表面积为50*2*pi*r*n，其中，n为孔洞数量；pi为圆周率。

9.根据权利要求8所述的一种基于机器学习的腐蚀铝箔各形成电压下cv预测方法，其特征在于，平均边长通过以下过程得到：采用dlib库中的支持向量机svm模型对数据进行训练，得到训练好的模型，使用训练好的模型，将腐蚀铝箔的sem图像区域划分为铝基底与孔洞区域，通过对孔洞的目标检测，统计孔洞的数量n，同时，得到方形孔洞的坐标以及方形孔洞长宽，根据孔洞长宽和孔洞数目求得平均边长。

10.根据权利要求1所述的一种基于机器学习的腐蚀铝箔各形成电压下cv预测方法，其特征在于，对预处理后的图像二次修正的具体过程为：在不同的形成电压下，根据氧化铝孔洞生长模型，求得电压u下生成的氧化膜的厚度d，氧化铝厚度d与形成电压u的关系为：d＝au，a为形成常数，再采用bwareaopen函数剔除面积小于π*d2的区域，得到修正后的图像。

技术总结
本发明公开一种基于机器学习的腐蚀铝箔各形成电压下CV预测方法，获取腐蚀铝箔的SEM图像；对腐蚀铝箔的SEM图像进行预处理，得到预处理后的图像；在不同形成电压下对预处理后的图像二次修正，去除存在堵塞的孔洞，得到对应电压下修正后的图像；根据修正后的图像计算不同形成电压下的铝箔单位面积的CV值。本发明对图像进行二次修正，去除了不同形成电压下的化成过程中堵塞的小孔洞。本发明可以解决人工测量繁琐随机的问题，更为高效便利。本发明可以通过拍摄不同区域多张照片提高测量精确程度，相较人工测量结果更为准确。本发明所得的CV数据可用于不同腐蚀箔之间对比，确定不同箔的适用形成电压区间。

技术研发人员：徐友龙,李一卓,安静怡,姚向华
受保护的技术使用者：西安交通大学
技术研发日：
技术公布日：2024/1/15