一种基于Yolov5算法分割极片待检测区域的方法技术

本发明专利技术公开了一种基于Yolov5算法分割极片待检测区域的方法，属于电芯检测技术领域，包括以下步骤：S1、传统算法生成模型数据集，S2、对生成的批量标注，使用labelimg修正其中异常标注，制作训练集、验证集，导入模型训练，S3、模型预测，保留得分最高ROI区域，并对预测结果算法校验。常规算法无法精准定位分割出待检测区域，使用传统算法制作数据集，减少人工标注工作，通过AI算法精准识别出不规则、多形态的待检测区域，保证后续极片对齐度计算的准确性，最快速度检测电芯极组中各极片的状态是否符合工艺标准，以及对齐度数值计算，真实有效区域集中在阴阳极固定区域，避免其他区域干扰，以及提升算法运算效率。以及提升算法运算效率。以及提升算法运算效率。

【技术实现步骤摘要】
一种基于Yolov5算法分割极片待检测区域的方法


[0001]本专利技术涉及电芯检测
，具体为一种基于Yolov5算法分割极片待检测区域的方法。

技术介绍

[0002]随着国家政策的支持，消费水平的提高，以及人们环保意识的提升，以锂离子电池作为动力的电动汽车已开始被广泛使用，电动汽车的动力电池组由单个电池组成，单个电池又由若干电芯极组组成，每个电池的电芯极组在生产过程时，需要检测电芯极组中各极片的状态是否符合工艺标准，在进行对齐度数值计算时，真实有效区域集中在阴阳极固定区域，为避免其他区域干扰，以及提升算法运算效率，需要对待检测区域准确分割出来。

技术实现思路

[0003]本专利技术提供的专利技术目的在于提供一种基于Yolov5算法分割极片待检测区域的方法。通过本专利技术一种基于Yolov5算法分割极片待检测区域的方法，为了解决电池生产过程中，常规算法无法精准定位分割出待检测区域，使用传统算法制作数据集，减少人工标注工作，通过AI算法精准识别出不规则、多形态的待检测区域，保证后续极片对齐度计算的准确性，最快速度检测电芯极组中各极片的状态是否符合工艺标准，以及对齐度数值计算，真实有效区域集中在阴阳极固定区域，避免其他区域干扰，以及提升算法运算效率。
[0004]为了实现上述效果，本专利技术提供如下技术方案：一种基于Yolov5算法分割极片待检测区域的方法，包括以下步骤：
[0005]S1、传统算法生成模型数据集。
[0006]S2、对生成的批量标注，使用labelimg修正其中异常标注，制作训练集、验证集，导入模型训练。
[0007]S3、模型预测，保留得分最高ROI区域，并对预测结果算法校验。
[0008]进一步的，包括以下步骤：根据S1中的操作步骤，
[0009]S101、明确待检测区域与样本集的收集。
[0010]S102、图像收集：使用X
‑
ray光+TDI线扫相机的方案对电芯极组四个角进行成像。
[0011]S103、传统算法制作标注文件，选择成像效果达标的图像作为模板图像，对图像切割获得目标区域的模板，导入批量图像(10000+)使用cv2.matchTemplate进行模板匹配，获得结果矩阵，使用cv2.minMaxLoc来查找结果矩阵的最大元素所在位置，根据所得min_loc/maxloc数值获得起点坐((startX,startY)，加入所要切割区域宽W：600、高H：300，计算出矩形的左上角(xmin,ymin)、右下角坐((ymin,ymax)，并且结合所要做的分类类别battery与当前图像位置信息，将区域信息写入XML格式文件，循环制作出大批量图像对应的XML文件，通用算法形成批量数据集。
[0012]进一步的，包括以下步骤：根据S2中的操作步骤，
[0013]S201、数据集校正。
[0014]S202、制作训练集、验证集。
[0015]S203、模型训练。
[0016]S204、训练过程得分展示。
[0017]进一步的，包括以下步骤：根据S203中的操作步骤，
[0018]S2031、分类定为一个类型：battery。
[0019]S2032、设置图片训练尺寸：640*640(原图尺寸1600*1600，统一对图像resize为640*640)，加载权重文件：yolov5s.pt。
[0020]S2033、载入分类类别：battery，先验框参数：[10,13,16,30,33,23][30,61,62,45,59,119][116,90,156,198,373,326]，此处的先验框参数，可根据具体场景，使用k
‑
means算法在训练集中所有样本的ground truth box中聚类得出。
[0021]S2034、训练模型核心参数设置。
[0022]进一步的，包括以下步骤：根据S3中的操作步骤，
[0023]S301、加载模型，使用torch.load加载已训练完成的模型文件best.pt。
[0024]S302、载图像，使用cv2.imread读取指定目录下的图像。此处注意，当前检测产品为极组，一个极组对应四张图片，四张图片成像的朝向不一样，因此增加读图后旋转cv2.getRotationMatrix2D，统一方向。
[0025]S303、将要检测的图像传入训练完成的模型。
[0026]S304、获得模型的预测结果后进行解码操作。
[0027]S305、解码后将预测框堆叠，进行非极大抑制(Non
‑
maximum suppression,NMS)，刷选出一定区域内得分最大的方框。
[0028]S306、在本场景中，一张图像待检测只有一个，因此对结果的阈值得分进行对比，保留得分最高区域为待检测区域。
[0029]S307、输出调整后的预测框，包括预测框矩形的XY坐标，宽高，置信值，以及分类类别(battery)。
[0030]S308、使用draw.rectangle绘制出边界框(待检测区域框出显示)，使用。
[0031]S309、预测结果校验：对算法模型生成的区域进行验证。
[0032]S310、将图像处理结果与待检测区域图像分类保存至本地。
[0033]S311、模型核心参数设置。
[0034]S312、算法评价。
[0035]进一步的，包括以下步骤：根据S309中的操作步骤，所述算法模型生成的区域进行验证，待检测区域上方、左侧、右侧三处生成矩形边框。
[0036]进一步的，包括以下步骤：根据S309中的操作步骤，所述传统算法提取三个矩形边框内灰度值，待检测区域旁边空间无极片，成像呈白色(灰度值〉230)，即内部出现像素点灰度值≤230且像素数量大于15，即判定待检测区域提取异常。
[0037]进一步的，包括以下步骤：根据S311中的操作步骤，所述模型核心参数设置：
[0038]model(weights＝'weights/best.pt'
[0039]img
‑
size＝[640,640][0040]conf
‑
thres＝0.8
[0041]iou
‑
thres＝0.45
[0042]device＝0,1,2。
[0043]进一步的，包括以下步骤：根据S312中的操作步骤，所述算法评价根据准确率、目标与实际提取准确度进行检测。
[0044]进一步的，包括以下步骤：根据S311中的操作步骤，所述weights:训练的权重，Batch_size:每个batch包含的样本数量，Epoch:一个Epoch就是将所有训练样本训练一次的过程，device:设置设备，根据选择调用CPU/GPU，img
‑
size:网络输入图片大小，confidence:置信度，框出的box内确实有本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Yolov5算法分割极片待检测区域的方法，其特征在于，包括以下步骤：S1、传统算法生成模型数据集；S2、对生成的批量标注，使用labelimg修正其中异常标注，制作训练集、验证集，导入模型训练；S3、模型预测，保留得分最高ROI区域，并对预测结果算法校验。2.据权利要求1所述的一种基于Yolov5算法分割极片待检测区域的方法，其特征在于，包括以下步骤：根据S1中的操作步骤，S101、明确待检测区域与样本集的收集；S102、图像收集：使用X
‑
ray光+TDI线扫相机的方案对电芯极组四个角进行成像；S103、传统算法制作标注文件，选择成像效果达标的图像作为模板图像，对图像切割获得目标区域的模板，导入批量图像(10000+)使用cv2.matchTemplate进行模板匹配，获得结果矩阵，使用cv2.minMaxLoc来查找结果矩阵的最大元素所在位置，根据所得min_loc/maxloc数值获得起点坐((startX,startY)，加入所要切割区域宽W：600、高H：300，计算出矩形的左上角(xmin,ymin)、右下角坐((ymin,ymax)，并且结合所要做的分类类别battery与当前图像位置信息，将区域信息写入XML格式文件，循环制作出大批量图像对应的XML文件，通用算法形成批量数据集。3.据权利要求1所述的一种基于Yolov5算法分割极片待检测区域的方法，其特征在于，包括以下步骤：根据S2中的操作步骤，S201、数据集校正；S202、制作训练集、验证集；S203、模型训练；S204、训练过程得分展示。4.据权利要求3所述的一种基于Yolov5算法分割极片待检测区域的方法，其特征在于，包括以下步骤：根据S203中的操作步骤，S2031、分类定为一个类型：battery；S2032、设置图片训练尺寸：640*640(原图尺寸1600*1600，统一对图像resize为640*640)，加载权重文件：yolov5s.pt；S2033、载入分类类别：battery，先验框参数：[10,13,16,30,33,23][30,61,62,45,59,119][116,90,156,198,373,326]，此处的先验框参数，可根据具体场景，使用k
‑
means算法在训练集中所有样本的ground truth box中聚类得出；S2034、训练模型核心参数设置。5.据权利要求1所述的一种基于Yolov5算法分割极片待检测区域的方法，其特征在于，包括以下步骤：根据S3中的操作步骤，S301、加载模型，使用torch.load加载已训练完成的模型文件best.pt；S302、载图像，使用cv2.imread读取指定目录下的图像。此处注意，当前检测产品为极组，一个极组对应四张图片，四张图片成像的朝向不一样，因此增加读图后旋转cv2.getRotationMatrix2D，统一方向；S303...

【专利技术属性】
技术研发人员：吴德刚，杨红新，李翌辉，周晓毅，武振昕，梁洋洋，
申请(专利权)人：章鱼博士智能技术上海有限公司，
类型：发明
国别省市：