一种基于改进YOLOv4的锂电池缺陷检测方法技术

本发明专利技术涉及一种基于改进YOLOv4的锂电池缺陷检测方法，包括步骤：1)获取锂电池表面缺陷图像；2)对获取的锂电池表面缺陷图像进行缺陷类型和缺陷位置标注，生成数据集，对数据集进行预处理，并将处理后的数据集划分为训练集和测试集；3)改进YOLOv4网络模型的主干特征提取网络，加入空洞卷积扩大感受野，获取优化后的改进YOLOv4网络模型，基于训练集对优化后的改进YOLOv4网络模型进行训练；4)利用训练后的改进YOLOv4网络模型对锂电池表面缺陷进行测试。与现有技术相比，本发明专利技术具有检测精度高、降低漏检率等优点。低漏检率等优点。低漏检率等优点。

【技术实现步骤摘要】
一种基于改进YOLOv4的锂电池缺陷检测方法


[0001]本专利技术涉及深度学习
，尤其是涉及一种基于改进YOLOv4的锂电池缺陷检测方法。

技术介绍

[0002]二十世纪以来，随着微电子产业的技术发展，小型电器设备对电源提出了较高要求，由此锂电池逐步广泛应用。然而，作为制造锂电池的关键材料，锂电池的极耳和极片在生产制造的过程中极易出现气泡、压痕、破损等缺陷，这对锂电池的安全产生极大影响，关乎个人安全由于形成缺陷的生产环节较多，且原因各不相同，导致锂电池表面缺陷漏检率极高。因此，将各种复杂的缺陷从图片中提取出来，更有效地实现对锂电池表面缺陷的检测是视觉检测的重要环节。
[0003]近年来，目标检测框架已成为当今的研究热点，基于深度学习的目标检测算法主要分为两类：One
‑
Stage和Two
‑
Stage。One
‑
Stage算法以YOLO系列、SSD等为代表，Two
‑
Stage算法则以R
‑
CNN、Fast R
‑
CNN等为代表。YOLOv1自问世以来，经过不断实验与完善，如今YOLOv4已能很好地兼顾检测速度与精度，在小目标检测方向体现出了明显的优势，并广泛应用与缺陷检测方向。然而目前利用深度学习方法针对锂电池表面缺陷检测的研究较少，研究主要集中在利用Opencv对图像进行预处理、阈值分割等几个方面。
[0004]由于在实际检测中，小目标缺陷容易与背景颜色模糊为一体，因此常规算法很难准确将锂电池缺陷的位置及特征提取出来。深度学习近年来蓬勃发展，模型框架更新迭代较快，受限于硬件条件，现有技术无法满足当今锂电池缺陷检测的需要，并且速度与精度无法达到平衡。

技术实现思路

[0005]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于改进YOLOv4的锂电池缺陷检测方法。
[0006]本专利技术的目的可以通过以下技术方案来实现：
[0007]一种基于改进YOLOv4的锂电池缺陷检测方法，该方法包括如下步骤：
[0008]S1：获取锂电池表面缺陷图像。
[0009]进一步地，采用高精度的工业线性扫描摄像机拍摄锂电池表面缺陷图像。
[0010]S2：对获取的锂电池表面缺陷图像进行缺陷类型和缺陷位置标注，生成数据集，对数据集进行预处理，并将处理后的数据集划分为训练集和测试集。
[0011]进一步地，采用Labelimg软件对获取的锂电池表面缺陷图像进行缺陷类型和缺陷位置标注，生成数据集。
[0012]对数据集进行预处理为对数据集进行包括尺度变换、随机翻转和对比度调节在内的数据增强操作。
[0013]S3：改进YOLOv4网络模型的主干特征提取网络，加入空洞卷积扩大感受野，获取优
化后的改进YOLOv4网络模型，基于训练集对优化后的改进YOLOv4网络模型进行训练。
[0014]改进YOLOv4网络模型的主干特征提取网络的具体内容为：
[0015]在对训练集的图像分割时，注入空洞卷积代替下采样和上采样操作，通过调整扩张率控制数据之间的距离，在不降低特征分辨率的情况下，扩大模型的感受野，在上采样获取高层语义信息，输出特征图。
[0016]调整扩张率后卷积核的大小公式为：
[0017]K
′
＝(D
‑
1)
×
(K
‑
1)+K
[0018]式中：K
′
为等效卷积核的大小；K为空洞卷积的卷积核；D为空洞率。
[0019]所述改进YOLOv4网络模型的颈部网络中插入有轻量级ECA
‑
Net模块。
[0020]所述ECA
‑
Net模块利用大小为Q的快速一维卷积获取通道权值，基于给定使用全局平均池化层的聚合特性，通过函数自适应调整取值，由于通道维度通常取2的指数，则表达式如下：
[0021]C＝Φ(Q)＝2
(λ*Q
‑
b)
[0022][0023]式中：C为通道维度，|x|
odd
为最近的奇数，λ＝2，b＝1。
[0024]所述改进YOLOv4网络模型的YOLO Head部分设有条件卷积，在Condconv层，卷积核作为输入示例的函数来计算。
[0025]输出的特征图的表达式为：
[0026][0027]式中：V
out
为输出特征图的大小；V
in
为输入特征图的大小；F为卷积核的大小；P为特征图填充的圈数；S为卷积的步长。
[0028]S4：利用训练后的改进YOLOv4网络模型对锂电池表面缺陷进行测试。
[0029]本专利技术提供的基于改进YOLOv4的锂电池缺陷检测方法，相较于现有技术至少包括如下有益效果：
[0030]1)现有原YOLOv4模型虽能较为准确地检测出锂电池表面的多种缺陷，但无法完整分割出缺陷的全部区域，且在相似缺陷的区域时容易发生漏检，该模型未能识别出破损缺陷，漏检率较高；而本专利技术提出的改进的YOLOv4模型不仅能有效识别出四种缺陷，且改进后的模型所预测的边界框相比原始模型更加接近真实缺陷区域，分割更为完整，表明本专利技术改进后的YOLOv4模型不仅提高了检测精度，而且定位更加准确。
[0031]2)相较于传统人工检测缺陷，面积较大且对比度较高的缺陷尚可能被肉眼检测出来，然而小面积或相似模糊的缺陷肉眼基本无法察觉；本专利技术在机器视觉的高精度相机下，通过改进的缺陷检测模型，可以较为有效的检测出细小的破损、气泡、压痕、异常缺陷，降低工业漏检率。
附图说明
[0032]图1为实施例中锂电池表面四种缺陷展示图，其中，子图(a)为破损缺陷，子图(b)为气泡缺陷，子图(c)为压痕缺陷，子图(d)为极耳异常缺陷；
[0033]图2为实施例中基于Labelimg软件进行缺陷标注示意图；
[0034]图3为实施例中空洞卷积结构示意图；
[0035]图4为实施例中ECA
‑
Net结构示意图；
[0036]图5为实施例中网络训练迭代过程；
[0037]图6为实施例中模型检测示意图，其中子图(a)为原YOLOv4模型检测示意图，子图(b)为改进后的YOLOv4模型检测示意图；
[0038]图7为实施例中缺陷检测方法的实验验证结果图。
具体实施方式
[0039]下面结合附图和具体实施例对本专利技术进行详细说明。显然，所描述的实施例是本专利技术的一部分实施例，而不是全部实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本专利技术保护的范围。
[0040]实施例
[0041]现有原YOLOv4模型虽能较为准确地检测出锂电池表面的多种缺陷，但无法完整分割出缺陷的全部区域，且在相似缺陷的区域时容易本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进YOLOv4的锂电池缺陷检测方法，其特征在于，包括下列步骤：1)获取锂电池表面缺陷图像；2)对获取的锂电池表面缺陷图像进行缺陷类型和缺陷位置标注，生成数据集，对数据集进行预处理，并将处理后的数据集划分为训练集和测试集；3)改进YOLOv4网络模型的主干特征提取网络，加入空洞卷积扩大感受野，获取优化后的改进YOLOv4网络模型，基于训练集对优化后的改进YOLOv4网络模型进行训练；4)利用训练后的改进YOLOv4网络模型对锂电池表面缺陷进行测试。2.根据权利要求1所述的基于改进YOLOv4的锂电池缺陷检测方法，其特征在于，步骤1)中，采用高精度的工业线性扫描摄像机拍摄锂电池表面缺陷图像。3.根据权利要求1所述的基于改进YOLOv4的锂电池缺陷检测方法，其特征在于，步骤2)中，采用Labelimg软件对获取的锂电池表面缺陷图像进行缺陷类型和缺陷位置标注，生成数据集。4.根据权利要求3所述的基于改进YOLOv4的锂电池缺陷检测方法，其特征在于，对数据集进行预处理为对数据集进行包括尺度变换、随机翻转和对比度调节在内的数据增强操作。5.根据权利要求1所述的基于改进YOLOv4的锂电池缺陷检测方法，其特征在于，步骤3)中，改进YOLOv4网络模型的主干特征提取网络的具体内容为：在对训练集的图像分割时，注入空洞卷积代替下采样和上采样操作，通过调整扩张率控制数据之间的距离，在不降低特征分辨率的情况下，扩大模型的感受野，在上采样获取高层语义信息，输出特征图。6.根据权利要求5所述的基于改进YOLOv4的锂电池缺陷检测方法，其特征在于，调整扩张率后卷积核的...

【专利技术属性】
技术研发人员：桂久琪，李林升，
申请(专利权)人：上海电机学院，
类型：发明
国别省市：