The increasing occurrence of structural deformations in the electrodes of the jelly roll has raised quality concerns during battery manufacturing, emphasizing the need to detect them automatically with the advanced techniques. This thesis aims to explore and provide two models based on traditional computer vision (CV) and deep neural network (DNN) techniques using computed tomography (CT) scan images of jelly rolls to ensure that the product is of high quality. For both approaches, electrode peaks as keypoints of anodes and cathodes in prismatic lithium battery jelly rolls are detected to extract the geometric features to identify if a particular jelly roll has some structural deformations. For traditional CV methods, the images undergo some pre-processing steps, extraction of foreground through adaptive thresholding, and morphological operations to extract contour edges, followed by applying Harris corner detector to detect electrode peaks. However, this approach shows limitations in detecting small or negative distance differences in deformed images. Furthermore, this study proposes another approach based on supervised transfer learning using pre-trained deep learning models on annotated data. After exploring different architectures, the VGG19 model pre-trained on ImageNet dataset outperformed as compared to other architectures, even with insufficient training data, achieving a maximum accuracy of 93.13 % for 1-pixel distance, 98.87 % for 5-pixel distance and 99.29 % for 10-pixel distance on test data, where the performance metrics, such as Percentage of Correct Keypoint (PCK), Mean-Square Error and Huber loss are utilized. As a result, this baseline proves to be a valuable tool for detecting structural deformations in jelly rolls. Moreover, a GUI-based executable application is developed using both approaches for raising the OK or NG flags for detecting structural deformations in each jelly roll. / Den ökande förekomsten av strukturella deformationer av elektroderna i så kallade jelly rolls har väckt kvalitetsproblem under batteritillverkning, och betonat behovet av att upptäcka dem automatiskt med avancerade tekniker. Denna avhandling syftar till att utforska och tillhandahålla två modeller baserade på traditionell datorseende (CV) och djupa neurala nätverk (DNN) tekniker med hjälp av bilder från datortomografisk skanning (CT) av jelly rolls för att säkerställa att produkten är av hög kvalitet. För båda metoderna detekteras elektrodtoppar som nyckelpunkter på anoder och katoder i prismatiska litiumbatteriers jelly rolls för att extrahera de geometriska egenskaperna för att identifiera om en viss jelly roll har några strukturella deformationer. För traditionella CV-metoder genomgår bilderna några förbehandlingssteg, extraktion av förgrund genom adaptiv tröskling och morfologiska operationer för att extrahera konturkanter, följt av användning av Harris hörndetektor för att upptäcka elektrodtoppar. Denna metod visar dock begränsningar i att detektera små eller negativa avståndsskillnader i deformerade bilder. Vidare föreslår denna studie en annan metod baserad på övervakad överföringsinlärning med förtränade djupinlärningsmodeller på annoterade data. Efter att ha utforskat olika arkitekturer presterade VGG19-modellen förtränad på ImageNet-datasetet bättre jämfört med andra arkitekturer, även med otillräcklig träningsdata, och uppnådde en maximal noggrannhet på 91,56% för 1-pixels avstånd, 97,49% för 5-pixels avstånd och 98,91% för 10-pixels avstånd på testdata, där prestationsmått som procentandel av korrekta nyckelpunkter (PCK), medelkvadratfel och Huber-förlust används. Som ett resultat visar sig denna grundlinje vara ett värdefullt verktyg för att upptäcka strukturella deformationer i jelly rolls. Dessutom har exekverbar applikation med grafiskt gränssnitt utvecklats med båda metoderna för att höja OK/NG-flaggorna för att upptäcka strukturella deformationer i varje jelly roll.

Introduction : Les conduits nerveux synthétiques représentent une alternative chirurgicale aux autogreffes dans la réparation des traumatismes aux nerfs périphériques. Afin d’améliorer la régénération nerveuse périphérique, plusieurs biomatériels, tels que la multicouche polyélectrolyte de soie (MPE), et modèles ont été étudiés. Dans le cadre de ma maitrise, nos objectifs de recherche sont d’établir si la MPE de soie permet d’améliorer la régénération nerveuse périphérique in vivo et si notre nouveau modèle de conduit (« jelly roll ») peut mener à une meilleure régénération du nerf sciatique chez le rat que le modèle de conduit creux. Méthodes : Dans cette étude, une technique chirurgicale in vivo de lacération et de réparation du nerf sciatique chez le rat fut utilisé. Cinq conditions expérimentales de conduits (autogreffe, conduit creux avec et sans MPE de soie et « jelly roll » avec et sans MPE de soie) furent implantées (n= 2 rats par condition). Après 4 semaines, les conduits furent récupérés et marqués par immunohistochimie avec le neurofilament et la protéine basique de la myéline (MBP). La performance de chaque conduit fut évaluée par sa capacité à supporter l’excroissance axonale à travers le long du conduit et à travers la largeur de ce dernier à divers endroits. Résultats : Chaque condition expérimentale a supporté une régénération axonale avec différents degrés de succès. Globalement, l’autogreffe a supporté une plus longue croissance de fibres. De plus, la surface de fibres obtenue était plus large que les autres conditions. Les conduits avec la MPE de soie ont eu une performance similaire à leurs homologues sans soie. De plus, le modèle de conduit creux a mené à une meilleure régénération axonale que le modèle du « jelly roll ». Conclusion : L’autogreffe demeure le meilleur conduit pour supporter la régénération nerveuse périphérique. Les conduits avec la MPE de soie peuvent supporter une régénération nerveuse similaire aux conduits sans soie tandis que le modèle de « jelly roll » a généré des performances inférieures au modèle de conduit creux. / Background: Synthetic nerve conduits constitute alternative surgical options to autografts in the repair of peripheral nerve injuries. Silk polyelectrolyte multilayer (PEM) as a biomaterial and novel conduit designs have been proposed to improve peripheral nerve regeneration. In my master’s project, my objective is to assess whether silk PEM can improve peripheral nerve regeneration in vivo and to assess whether our novel conduit design (“jelly roll”) can better support rat sciatic nerve regeneration than a hollow conduit design. Methods: In this study, an in vivo rat model of sciatic nerve laceration and repair was used. Five experimental conduit conditions (autograft, hollow conduit with and without silk PEM, and jelly roll with and without silk PEM) were implanted (n=2 rats per condition). After 4 weeks, the conduits were harvested and immuno-stained for neurofilament and myelin basic protein (MBP). Conduit performance was assessed by its ability to support axonal outgrowth throughout the conduit’s length and at various locations along its width. Results: Each condition supported axonal regeneration at varying levels of success. Overall, the autograft group outperformed all other groups by supporting the longest and widest occupying regenerating fibers. Conduits with silk PEM performed similarly to conduits without silk PEM. In addition, the hollow conduit design demonstrated better regenerative outcomes than the jelly roll design. Conclusion: The autograft remains the superior conduit to support peripheral nerve regeneration. Conduits with silk PEM support nerve regeneration in the same capacity as non silk-coated conduits while the jelly roll design underperformed in comparison to the hollow conduit design.