一种基于YOLOv4的电池片缺陷检测方法和系统技术方案

本发明专利技术公开了一种基于YOLOv4的电池片缺陷检测方法，包括：获取带有缺陷的电池片图片，在YOLOv4模型的CSPDarknet53网络中，加入密集相连的三尺度主网络，增加输入PANet网络的通道，对获得的每个预测特征层输入改进的三尺度金字塔结构模型，构建改进YOLOv4模型，在改进的YOLOv4模型中输入有缺陷的电池片图片，得到电池片缺陷检测结果。该方法能够提高模型识别电池片缺陷的精确度。电池片缺陷的精确度。电池片缺陷的精确度。

【技术实现步骤摘要】
一种基于YOLOv4的电池片缺陷检测方法和系统


[0001]本专利技术涉及电池检测
，更具体的涉及一种基于YOLOv4的电池片缺陷检测方法和系统。

技术介绍

[0002]目标的检测与识别是近年来的一个研究热点，其主要目的是要准确定位出物体出现的位置以及准确的判断出该物体是为何物。当前深度学习的应用随处可见，比如高铁入站口的人脸识别系统、高速路口的车牌检测识别、智能汽车的自动驾驶以及高空遥感物体定位等等。当然目标检测可以是单目标检测，也可以是多目标检测。目标检测大致可分为三个方面：分类、检测和分割。为了更好的实现目标检测这一需求，许多学者都在不断的研究，以期望诞生出一个精度与速度都高效的目标检测识别算法。典型的传统目标检测算法主要有三个：(Haar特征+Adaboost算法)、(Hog特征+Svm算法)以及DPM算法。总的来说，传统的目标检测算法凭借可移动的窗口或者图像分割技术将图像划为不同大小的域，以此来得到很多的候选区域，再通过以上算法提取可能存在区域内的特征比如颜色，形状，纹理等，对生成的每一个区域都进行遍历，最终完成全部区域的特征提取，最后将提取到的特征传入分类器中进行判别分类，得到与初始标注匹配的类别。显然，这种方法需要大量的遍历过程，使得计算量大幅提高，检测的速度与要求的标准差距很大。2014年Girshick等人提出了以深度学习为代表的目标检测算法R
‑
CNN，该算法最大的看点在于采用卷积神经网络作为特征提取工具。不久，其对R
‑
CNN检测算法做出了改进，2015年又提出Fast R
‑
CNN检测算法，该算法实现了大部分的端到端训练，同时抛弃多数目regionproposal卷积，而是直接整张图片进行，大大减少了没有必要的重复计算。同一年，Ren等人又提出了Faster R
‑
CNN算法，该算法又出现了另一种新思路，将区域生成网络(Region Proposal Network， RPN)来产生建议窗口，该网络一网二用，同作为卷积网络。到了2015年， YOLO算法的诞生是实时检测的一个重要里程碑，虽然该算法的准确率低于 Fast R
‑
CNN算法，但YOLO算法与背景的误判率较低，对于必要信息的提取还是令人满意的。在此之后，Joseph Redmon又在YOLO的基础上不断改进，又提出了YOLOv2检测算法、YOLOv3检测算法，使得YOLO系列检测算法更加受到了学者的欢迎与关注。2016年Liu等人提出了SSD检测算法，随着研究者的进一步研究，2017年Jisoo等人在SSD检测模型的基础上又提出了 RSSD检测算法，该算法以不断的卷积和池化，得到不同大小的特征层，将不同层上的feature map构建了一个既可上采样又可下采样的关系，同时也增加了不同层的feature map个数，特征融合增多，特征图也增多，明显增加了模型的特征提取能力，这对浅层特征的小物体识别大有帮助。仅在一年之内， Cheng等人也提出了DSSD算法。该算法为了提高浅层的特征提取能力，将原有的VGG16模型改为ResNet模型，虽然增强了模型特征提取能力，但是ResNet模型过于庞大，这也导致了DSSD模型的检测速度远远要低于SSD 检测模型。2020年来自俄罗斯的Alexey Bochkovskiy和两位我国台湾地区开发者Chien
‑
Yao Wang、Hong
‑
Yuan Mark Liao接棒Joseph Redmon，又提出了一个新的YOLO模型：YOLOv4。YOLOv4算法虽然没有做出理论创新，但它尝试了大量的优化策略，从
数据处理、主干网络、网络训练、激活函数、损失函数等各个方面都有着不同程度的优化。比如使用GA算法进行最优参数选择、引入Mosaic数据增强方法等，开发了一个高效而强大的模型，使得任何人都可以使用一张1080Ti或者2080Ti GPU去训练一个超级快速和精确的目标检测器。国内有相关改进也有相关应用，如路生亮等人基于FasterR
‑
CNN对钢板表面缺陷识别进行研究，取得了较好的检测果。黄荣瑞等人基于改进Faster R
‑
CNN的铝型材表面缺陷检测进行研究，缺陷的平均准确率达到86.81％。李宝奇等人基于改进的SSD模型在孔径声呐图像水下多尺度目标检测数据集SST
‑
DET上取得了良好的检测效果。邓壮来等人将SSD模型使用在了粮仓害虫的检测上面。陈欣佳等人将SSD应用到了无人艇的目标检测跟踪上也取得了较好的效果。朱宪宇等人基于改进YOLOv4算法对PCB 缺陷检测进行研究，提取得了很好的检测效果。但是在电池检测领域存在的问题是：缺陷类别的检测精度不高。

技术实现思路

[0003]本专利技术实施例提供一种基于YOLOv4的电池片缺陷检测方法，包括：获取带有缺陷的电池片图片；
[0004]在YOLOv4模型的CSPDarknet53网络中，根据密集相连的三尺度主网络理论，选取其中三个特征层作为改进的基础特征层，将前一个特征层做卷积后，与后一个特征层做卷积后得到的特征层连接，输入PANet网络的通道，得到多个预测特征层，其中，将最后一个特征层做卷积后输出，与其后一个特征层做卷积后得到的特征层连接，增加进入空间金字塔池化SPP的通道；
[0005]对获得的每个预测特征层输入改进的三尺度金字塔结构模型，构建改进的 YOLOv4模型，其中，在金字塔结构模型底层，对每个预测特征层输出的feature map从不同的角度进行特征提取，对提取的特征进行三尺度密集聚合，获得三尺度金字塔结构模型；
[0006]在改进的YOLOv4模型中输入有缺陷的电池片图片，得到电池片缺陷检测结果。
[0007]优选地，电池片的缺陷包括：
[0008]短线型隐裂缺陷；
[0009]长线型缺陷；
[0010]X型隐裂；
[0011]雾状发黑缺陷；
[0012]黑点缺陷；
[0013]划痕缺陷。
[0014]优选地，还包括对缺陷电池片图片进行标注，其标注方式包括：
[0015]以电池片的缺陷为基础，依据经验对缺陷进行的命名作为为标签，对不同的缺陷进行分类标注；
[0016]对短线型隐裂缺陷的标注与背景特征结合，框选一部分的黑色背景，以区分划痕；
[0017]对剩余缺陷，采取实际框选标注。
[0018]优选地，还包括采用基于IOU的K
‑
means聚类算法对标注图像进行聚类，基于IOU的K
‑
means聚类算法对标注图像进行聚类包括：
[0019]输入聚类个数K；
[0020]初始化聚类中心；
[0021]根据公式D(box,centroid)＝1
‑
IOU(box,centroid)对先验框进行归类，其中，box为真实框，centroid为聚类中心，IOU(box,centro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的电池片缺陷检测方法，其特征在于，包括：获取带有缺陷的电池片图片；在YOLOv4模型的CSPDarknet53网络中，选取其中三个特征层作为改进的基础特征层，将前一个特征层做卷积后，与后一个特征层做卷积后得到的特征层连接，输入PANet网络的通道，得到多个预测特征层；将最后一个特征层做卷积后输出，与其后一个特征层做卷积后得到的特征层连接，增加进入空间金字塔池化SPP的通道；在三尺度金字塔结构模型底层，对每个预测特征层输出的feature map从不同的角度进行特征提取，对提取的特征进行三尺度密集聚合，构建改进的YOLOv4模型；在改进的YOLOv4模型中输入有缺陷的电池片图片，得到电池片缺陷检测结果。2.如权利要求1所述的一种基于YOLOv4的电池片缺陷检测方法，其特征在于，所述电池片的缺陷包括：短线型隐裂缺陷；长线型缺陷；X型隐裂；雾状发黑缺陷；黑点缺陷；划痕缺陷。3.如权利要求2所述的一种基于YOLOv4的电池片缺陷检测方法，其特征在于，还包括对缺陷电池片图片进行标注，其标注方式包括：以电池片的缺陷为基础，依据经验对缺陷进行的命名作为为标签，对不同的缺陷进行分类标注；对短线型隐裂缺陷的标注与背景特征结合，框选一部分的黑色背景，以区分划痕；对剩余缺陷，采取实际框选标注。4.如权利要求1所述的一种基于YOLOv4的电池片缺陷检测方法，其特征在于，还包括采用基于IOU的K
‑
means聚类算法对标注训的图像进行聚类，基于IOU的K
‑
means聚类算法对标注的图像进行聚类，包括：输入聚...

【专利技术属性】
技术研发人员：郭辉，邓思敬，杨玉萍，蒲维，傅成华，刘杰，
申请(专利权)人：四川轻化工大学，
类型：发明
国别省市：