一种基于Yolov4的隔膜缺陷识别方法技术

本发明专利技术提供一种基于Yolov4的隔膜缺陷识别方法，包括以下步骤：第一步，获取隔膜图像数据；第二步，使用标注工具标注缺陷类型，生成标注文件，作为数据集；第三步，使用聚类算法k

【技术实现步骤摘要】
一种基于Yolov4的隔膜缺陷识别方法


[0001]本专利技术涉及隔膜检测
，更具体地说，涉及一种基于Yolov4的隔膜缺陷识别方法。

技术介绍

[0002]锂电池在日常生活中随处可见，比如我们常用的手机、电瓶车和新能源汽车等。需求量的增加，锂电池行业也不断量产化，但一些问题也逐渐暴露出来，比如某品牌手机充电发生爆炸，又或者电池存在漏电等问题。电池的安全性和耐用性需要进一步加强。隔膜是锂电池的重要组成部分，隔离电池的正负极，为电池提供流动通路。
[0003]然而，隔膜在自动化生产线中，难免会发生一些磕碰，翻折和摩擦，隔膜表面就有可能存在折痕、划痕和针孔，又或者隔膜在喷涂过程中存在漏喷或少喷等因素。作为电池的原材料，隔膜的质量也影响着电池的质量与安全，因此需要检测隔膜的生产质量。
[0004]现阶段，采用人工方式进行隔膜检测的方式已经逐渐被淘汰，其检测效率是无法达到现代工业的生产需求的。伴随着相机、图像算法的不断进步，视觉检测在工业上应用也越来越多。由于隔膜一开始生产出来会经过辊压和分条的工序，检测时会在传送带上输送和拍照检测，一些厂商会选着使用线扫相机获取隔膜的图像，并通过使用传统的图像算法如形态学处理、图像分割等，从而检测隔膜的质量。然而，在自动化生产模式中，传统图像算法对于缺陷特征比较明显的检测上效果可观，但隔膜上存在的缺陷形态各异，并且有一些缺陷的灰度值与正常隔膜的背景相像，传统图像处理算法在这方面漏检和误检的概率会比较大，同时传统图像处理算法的方案设计很大程度上也与技术人员的技术水平有关，并且生产环境也会影响检测的效果。

技术实现思路

[0005]本专利技术的目的在于克服现有技术中的缺点与不足，提供一种基于Yolov4的隔膜缺陷识别方法，该隔膜缺陷识别方法鲁棒性强，可降低漏检率和误检率，能解决传统算法无法检测隔膜细微缺陷的问题，从而对隔膜缺陷达到更好的定位和分类的效果，进一步提高隔膜的检测质量。
[0006]为了达到上述目的，本专利技术通过下述技术方案予以实现：一种基于Yolov4的隔膜缺陷识别方法，其特征在于：包括以下步骤：
[0007]第一步，获取隔膜图像数据，从图像数据中筛选有缺陷的图片；
[0008]第二步，使用标注工具标注缺陷类型，生成标注文件，作为数据集；
[0009]第三步，使用聚类算法k
‑
means聚类出数据集的先验框；
[0010]第四步，将数据集划分为训练集、验证集和测试集；建立改进Yolov4网络模型，通过训练集对改进Yolov4网络模型进行训练；其中，改进Yolov4网络模型采用低层特征信息与高层特征信息相结合的结构；该改进Yolov4网络模型的SPP和PANet中添加CSP结构，并采用与注意力机制相结合，以提高缺陷的检测精度；
[0011]第五步，使用测试集测试训练后的改进Yolov4网络模型的检测性能，将最优的改进Yolov4网络模型的训练模型用于检测；
[0012]第六步，将最优改进Yolov4网络模型的训练模型部署到隔膜检测现场进行隔膜的缺陷检测，对预测结果进行解码，预测结果经过得分排序和非极大值抑制筛选，将处理的结果在隔膜原图上进行绘制。
[0013]在第一步中，从图像数据中筛选有缺陷的图片后，对有缺陷的图片进行随机裁剪；对裁剪后的图像进行旋转和翻折处理，以增加样本数据。
[0014]对裁剪后的图像进行顺时针90
°
、180
°
和270
°
旋转；对裁剪后的图像进行水平翻折和垂直翻折。该方法可使得样本数据增强以扩充数据集，避免过拟合，同时也提高后续模型的泛化能力，使用数据增强增加样本的多样性。
[0015]第二步中，所述使用标注工具标注缺陷类型，生成标注文件，作为数据集是指：使用labelImg图片标注工具对带有隔膜缺陷的图像进行人工标注，标注出缺陷的类别、缺陷的最小外接矩形框，并生成.xml文件格式储存缺陷的所在的图片大小、类别和所标注矩形框的坐标信息，作为数据集。
[0016]所述改进Yolov4网络模型包括模块1、模块2、模块3和头部网络Yolo Head；所述模块1为主干特征提取网络COSA
‑
2x2x；所述模块2是在SPP基础上添加CSP结构；所述模块3是在PANet结构的上采样和下采样添加了CSP结构，并添加了注意力机制。
[0017]在模块3的最上层特征层添加特征融合层，该特征融合层为3个卷积层，实现低层特征信息与高层特征信息相结合。
[0018]CSP结构首先把输入部分分成两份，接着一部分经过主干Conv block部分，另一部分直接与经过Conv block后的输出进行堆叠；其中，把输入部分分成两份是指平均拆分成两份，通道数都为原来输入的一半；或者把输入部分分成两份是指进行1
×
1的卷积，将通道数减半。
[0019]第四步包括以下步骤：
[0020]步骤一，数据集以0.7:0.15:0.15的比例划分为训练集、验证集和测试集；
[0021]步骤二，改进Yolov4网络模型进行初始化；
[0022]步骤三，输入的训练集数据经主干特征提取网络COSA
‑
2x2x、模块2、模块3和头部网络Yolo Head得到输出值；
[0023]步骤四，求出改进Yolov4网络模型的输出值与目标值之间的误差，即损失函数；
[0024]步骤五，权值进行更新，当改进Yolov4网络模型收敛到一定程度不再下降则结束训练。
[0025]步骤三中，训练集数据通过主干特征提取网络COSA
‑
2x2x提取隔膜的缺陷特征信息，经过模块2增加感受野，分离上下文信息，再由模块3反复提取特征，最后通过头部网络Yolo Head将得到的特征进行预测。
[0026]步骤四中的损失函数为
[0027]loss＝loss
边界框
+loss
置信度
+loss
分类
；
[0028]loss
边界框
＝loss
CDIoU
＝1
‑
IoU+ρ2(box_dt,box_gt)/c2+αν；
[0029][0030][0031][0032]本专利技术没有使用yolov4原来的主干网络CSPdarknet53，CSPdarknet53具有强大的特征提取能力，但是相应所带来大量的计算和网络训练所占用的显卡内存，检测速度相较于COSA
‑
2x2x慢。COSA
‑
2x2x带有PCB技术可以使模型更加灵活，速度有了极大的提升。另外，在SPP基础上添加的CSP结构能在少量精度损失的情况下，有效减少模型计算量。
[0033]对PANet结构中上采样和下采样添加了CSP结构，并将注意力机制集成到PANet结构当中，使改进Yolov4网络模型更加关注缺陷中的ROI区域，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Yolov4的隔膜缺陷识别方法，其特征在于：包括以下步骤：第一步，获取隔膜图像数据，从图像数据中筛选有缺陷的图片；第二步，使用标注工具标注缺陷类型，生成标注文件，作为数据集；第三步，使用聚类算法k
‑
means聚类出数据集的先验框；第四步，将数据集划分为训练集、验证集和测试集；建立改进Yolov4网络模型，通过训练集对改进Yolov4网络模型进行训练；其中，改进Yolov4网络模型采用低层特征信息与高层特征信息相结合的结构；该改进Yolov4网络模型的SPP和PANet中添加CSP结构，并采用与注意力机制相结合，以提高缺陷的检测精度；第五步，使用测试集测试训练后的改进Yolov4网络模型的检测性能，将最优的改进Yolov4网络模型的训练模型用于检测；第六步，将最优改进Yolov4网络模型的训练模型部署到隔膜检测现场进行隔膜的缺陷检测，对预测结果进行解码，预测结果经过得分排序和非极大值抑制筛选，将处理的结果在隔膜原图上进行绘制。2.根据权利要求1所述的基于Yolov4的隔膜缺陷识别方法，其特征在于：在第一步中，从图像数据中筛选有缺陷的图片后，对有缺陷的图片进行随机裁剪；对裁剪后的图像进行旋转和翻折处理，以增加样本数据。3.根据权利要求2所述的基于Yolov4的隔膜缺陷识别方法，其特征在于：对裁剪后的图像进行顺时针90
°
、180
°
和270
°
旋转；对裁剪后的图像进行水平翻折和垂直翻折。4.根据权利要求1所述的基于Yolov4的隔膜缺陷识别方法，其特征在于：第二步中，所述使用标注工具标注缺陷类型，生成标注文件，作为数据集是指：使用labelImg图片标注工具对带有隔膜缺陷的图像进行人工标注，标注出缺陷的类别、缺陷的最小外接矩形框，并生成.xml文件格式储存缺陷的所在的图片大小、类别和所标注矩形框的坐标信息，作为数据集。5.根据权利要求1所述的基于Yolov4的隔膜缺陷识别方法，其特征在于：所述改进Yolov4网络模型包括模块1、模块2、模块3和头部网络Yolo Head；所述模块1为主干特征提取网络COSA
‑
2x2x；所述模块2是在SPP基...

【专利技术属性】
技术研发人员：甄志明，卢清华，陈勇，
申请(专利权)人：佛山科学技术学院，
类型：发明
国别省市：