スクリーン印刷は高スループット、高解像度、低コストのバッテリー製造を可能にしますが、手動検査は生産速度に追いつけません。過去に単一材料の品質管理分類で各々98%以上の品質評価精度を達成したZnO、SnO2、TiO2の3つの論文（それぞれ900枚超の電極画像を用いて訓練）を基に、本稿ではより困難で現実的な産業課題、すなわち単一モデルが7クラスにわたり材料と品質を同時に識別可能かを問います。ここでは、4種の機械学習モデル（ランダムフォレスト、XGBoost、サポートベクターマシン（SVM）、ロジスティック回帰）、2種の深層学習モデル（フィードフォワードニューラルネットワーク、畳み込みニューラルネットワーク）、1種の転移学習モデル（ResNet-50）を検討しました。古典的機械学習を画像に適用可能とするため、電極写真を堅牢な特徴量に変換するコンパクトな画像から特徴量へのパイプラインを新たに導入し、高負荷な計算なしに高速学習・推論を実現しました。主要評価指標はクラス不均衡と非対称コストに対応したマクロF1スコアです。ResNet-50が最良の総合性能（Accuracy=0.92、Precision=0.87、Recall=0.90、F1=0.88）を示し、過学習も低水準に抑えられました。SVMは、程々の精度かつ最小限の過学習で、最も安定した古典的選択肢となりました。複数材料が関与するとモデルの困難さが明らかとなり、転移学習がバッテリー電極製造におけるリアルタイム多材料品質管理の実用的手段となることが示されました。
Nyabadzaら（Sun）がこの課題を研究しました。