Evaluation of machine vision algorithms and explainable AI methods for defect detection of lithium-ion battery electrodes

Abstract

As baterias de íons de lítio desempenham um papel estratégico na transição energé tica global, sendo amplamente utilizadas em veículos elétricos, dispositivos eletrônicos e sistemas de energia renovável. A crescente demanda por esses dispositivos impõe desafios significativos na garantia de qualidade e confiabilidade durante a produção. Este trabalho tem como foco a avaliação de métodos de Inteligência Artificial Expli cável (XAI) aplicados à detecção de defeitos em eletrodos durante a produção de células de baterias de íons de lítio. Os experimentos foram conduzidos no contexto industrial da Fraunhofer Research Institution for Battery Cell Production (Fraunhofer FFB), centro de referência em tecnologias para manufatura de baterias. Foram utiliza dos algoritmos de detecção de anomalias baseados em visão computacional, como EfficientAD, CFlowAD e FastFlow, treinados com imagens reais capturadas no pro cesso de revestimento de eletrodos. Em seguida, diferentes métodos de XAI—LIME, SHAP, Grad-CAM, Smooth Grad-CAM e Occlusion Sensitivity—foram aplicados para interpretar os resultados dos modelos de detecção. A avaliação das explicações foi realizada com base em métricas quantitativas de localização (Dice, IoU, F1-Score e AUC), métricas de fidelidade (Infidelity, Sensitivity, Deletion AUC) e também por meio de uma análise qualitativa com especialistas do instituto, por meio de um formulário estruturado. Os resultados mostram que SHAP e Occlusion Sensitivity apresentaram melhor desempenho na identificação e explicação de defeitos neste contexto, concili ando precisão, fidelidade e interpretabilidade. Conclui-se que a escolha de métricas adequadas é essencial para a comparação entre métodos explicáveis, e que a integra ção de avaliações quantitativas e qualitativas contribui para a adoção confiável da IA explicável em ambientes industriais críticos como o da produção de baterias.

Lithium-ion batteries play a strategic role in the global energy transition, being widely used in electric vehicles, electronic devices, and renewable energy systems. The grow ing demand for these technologies creates significant challenges in ensuring quality and reliability during production. This study focuses on the evaluation of Explainable Artificial Intelligence (XAI) methods applied to defect detection in electrodes during lithium-ion battery cell production. The experiments were carried out within the indus trial environment of the Fraunhofer Research Institution for Battery Cell Production (Fraunhofer FFB), a reference center for innovation in battery manufacturing technolo gies. Anomaly detection algorithms such as EfficientAD, CFlowAD, and FastFlow were trained using real production images from the electrode coating process. Several XAI techniques—including LIME, SHAP, Grad-CAM, Smooth Grad-CAM, and Occlusion Sensitivity—were applied to interpret the model outputs. The explanations were as sessed using quantitative localization metrics (Dice, IoU, F1-Score, and AUC), faith fulness metrics (Infidelity, Sensitivity, and Deletion AUC), and a qualitative evaluation based on a structured survey completed by domain experts at the institute. The results indicate that SHAP and Occlusion Sensitivity achieved the best performance in this context, effectively balancing precision, faithfulness, and interpretability across various defect scenarios. The study concludes that selecting appropriate evaluation metrics is essential to compare explainability methods and that combining quantitative and quali tative assessments enhances the reliability of explainable AI for deployment in critical industrial settings such as battery cell manufacturing.