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：