一种基于YOLOv7的锂电池极片翻折缺陷检测方法技术

本发明专利技术公开了一种基于YOLOv7的锂电池极片翻折缺陷检测方法，涉及锂电池检测技术领域，本发明专利技术包括以下步骤：S1收集翻折样本集图片；S2：模型重新参数化；S201：首先在推理阶段将多个计算模块合并为一个，并且在推理期间将多个分支模块集成为完全等价的模块；在进行模型缩放，对翻折缺陷图像进行缩放，得到尺寸相同的翻折缺陷图像；S203：建立扩展的高效层聚合网络，S3：建立YOLOv7模型，使用不同数据集的特点对设计到的参数进行调整，找到最佳参数值，训练完成最终得到YOLOv7算法模型；S4：YOLOv7模型进行非极大值抑制和置信度阈值进行筛选的最终结果；将翻折缺陷信息绘制在翻折缺陷图像。本发明专利技术为一种基于YOLOv7的锂电池极片翻折缺陷检测方法，检测结果精确。检测结果精确。检测结果精确。

【技术实现步骤摘要】
一种基于YOLOv7的锂电池极片翻折缺陷检测方法


[0001]本专利技术涉及锂电池检测
，特别涉及一种基于YOLOv7的锂电池极片翻折缺陷检测方法。

技术介绍

[0002]随着锂电池产品的广泛应用，电池中各个组件的安全性得到重视。电池中电芯制造方法主要包括卷绕和叠片两种。以叠片工艺为例，需要检测电芯极组中各级片的状态是否符合工艺标准，若极片状态发生翻折属于不合格品，需要进行检出、并报废处理。
[0003]目前进行电芯极片翻折检测的多为先用X
‑
ray射线对电芯极组的四角进行成像，再通过图像分析极片图像特征判定是否存在翻折缺陷，但是传统的极组翻折检测是基于特征的机器视觉算法的工业产品表面缺陷检测方法来检测，因为极片的成像复杂，极片翻折缺陷形状颜色不规则，传统算法无法有效检测，造成翻折极组无法识别，完全依靠人工后期目视挑选翻折产品，加大员工的工作量与人力的浪费。
[0004]本专利技术旨在提出一种基于Yolov7检测极片翻折的方法，YOLOv7的发展方向与当前主流的实时缺陷检测器不同，它能够同时支持移动GPU和从边缘到云端的GPU设备，除了架构优化之外，YOLOv7还专注于训练过程的优化，将重点放在了一些优化模块和优化方法上，这可能会增加训练成本以提高缺陷检测的准确性，但不会增加推理成本，以此提高电芯极片翻折检测的准确性，减少人工与提高产品质量。

技术实现思路

[0005]本专利技术的主要目的在于提供一种基于YOLOv7的锂电池极片翻折缺陷检测方法，可以有效解决背景技术中的问题。
[0006]为实现上述目的，本专利技术采取的技术方案为：一种基于YOLOv7的锂电池极片翻折缺陷检测方法，包括以下步骤：
[0007]S1：翻折样本集图片的收集；
[0008]S101：使用X
‑
ray光+CCD+图像增强器的方案对电芯极组四个角进行成像，得到四张翻折缺陷图像；
[0009]S102：使用标注工具，对图像翻折区域进行标注，生成与图像对应的标注文本文件；
[0010]S103：使用图像处理技术对图像进行增强，输出增强后的翻折缺陷图像；通过图像增强，改善图像的视觉效果，有目的地强调图像的整体或局部特性，将原来不清晰的图像变得清晰或强调某些感兴趣的特征，扩大图像中不同物体特征之间的差别，抑制不感兴趣的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果，满足某些特殊分析的需要，确保对翻折缺陷图像的处理；
[0011]S2：模型重新参数化；
[0012]S201：首先在推理阶段将多个计算模块合并为一个，模式重新参数化技术看作是
一种集成技术，将其分为两类，即模块级集成和模型级集成，对于模型级重新参数化以获得最终推理模型，模块级重新参数化是在训练期间将一个模块拆分为多个相同或不同的模块分支，并且在推理期间将多个分支模块集成为完全等价的模块；
[0013]S202：在进行模型缩放，模型缩放是一种扩大或缩小已经设计好的模型，并使其适合不同计算设备的方法，使用上述模型对翻折缺陷图像进行缩放，得到尺寸相同的翻折缺陷图像；
[0014]S203：建立扩展的高效层聚合网络，通过扩展的高效层聚合网络使用组卷积来增加添加特征的基数，并以重新排序以及合并基数的方式组合不同组的特征；这种操作方式可以增强不同特征图学习到的特征，提高参数的使用和计算；最终输出质量较高的翻折缺陷图像，便于识别翻折缺陷图像中的电极组角位置是否发生翻折，最终提高检测结果；
[0015]S3：建立YOLOv7模型，使用不同数据集的特点对设计到的参数进行调整，找到最佳参数值，设置训练参数：批量大小为128、学习率为0.01，权重衰减0.0001，最大迭代次数1000，采用电芯X
‑
RAY翻折图像数据集进行训练，训练完成最终得到YOLOv7算法模型；
[0016]S4：具体过程如下：
[0017]S401：加载待处理翻折缺陷图像；
[0018]S402：将长宽不一致的图像进行像素填充使得长宽保持一致，图像尺寸改为固定输入大小640x640；
[0019]S403：对图像进行归一化后传入所述YOLOv7模型；
[0020]S404：所述YOLOv7模型进行非极大值抑制和置信度阈值进行筛选的最终结果；
[0021]S405：将翻折缺陷信息绘制在翻折缺陷图像；
[0022]优选地，翻折定义：电池极组中，负极长度大于正极，成像中规律为一张负极一张正极；一张负极一张正极实现一高一低，违背该形态即为异常就需要进行翻折。
[0023]优选地，对于模型级重新参数化以获得最终推理模型，有两种常见的做法。一种是用不同的训练数据训练多个相同的模型，然后对多个训练模型的权重进行平均，另一种是在不同迭代次数下对模型的权重进行加权平均。
[0024]优选地，模型缩放方法通常使用不同的缩放因子，使用分辨率：输入图像的大小、深度：图像层数、宽度；图像通道数或阶段：特征金字塔的数量，从而实现网络参数数量、计算量、推理速度和精度的良好折中。
[0025]优选地，所述翻折缺陷图像为X
‑
RAY图像，通过得到X
‑
RAY图像实现得到更加精确清晰的翻折缺陷图像，方便进行锂电池极片翻折缺陷检测，提高检测结果。
[0026]优选地，所述YOLOv7模型是目标检测算法模型，主要用于进行图像特征目标位置检测，所述YOLOv7模型主要用于自动识别翻折缺陷图像电极组角翻折处位置，有着更快更强的网络架构；更有效的特征集成方法；更准确的检测方法；更精确的损失函数；更有效的标签分配方法；更有效的训练方法。
[0027]优选地，所述步骤S101中所述X
‑
ray光为X射线，具体通过X
‑
ray光管产生X
‑
ray光，步骤S101中所述CCD相机是一种大规模集成电路工艺制作的半导体光电元件，步骤S101中所述图像增强器是能够把亮度很低的光学图像变为足够亮度的图像的真空光电管。
[0028]与现有技术相比，本专利技术具有如下有益效果：
[0029]本专利技术中，使用X
‑
ray光+CCD+图像增强器的方案对电芯极组四个角进行成像，得
到四张翻折缺陷图像；然后使用标注对图像翻折区域进行标注，再使用图像处理技术对图像进行增强，输出增强后的翻折缺陷图像；然后在推理阶段将多个计算模块合并为一个，模式重新参数化技术看作是一种集成技术，将其分为两类，即模块级集成和模型级集成，对于模型级重新参数化以获得最终推理模型，模块级重新参数化是在训练期间将一个模块拆分为多个相同或不同的模块分支，并且在推理期间将多个分支模块集成为完全等价的模块；再进行模型缩放，对翻折缺陷图像进行缩放，得到尺寸相同的翻折缺陷图像；然后建立扩展的高效层聚合网络，通过扩展的高效层聚合网络使用组卷积来增加添加特征的基数，并以重新排序以及合并基数的方式组本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于YOLOv7的锂电池极片翻折缺陷检测方法，其特征在于：包括以下步骤：S1：翻折样本集图片的收集；S101：使用X
‑
ray光+CCD+图像增强器的方案对电芯极组四个角进行成像，得到四张翻折缺陷图像；S102：使用标注工具，对图像翻折区域进行标注，生成与图像对应的标注文本文件；S103：使用图像处理技术对图像进行增强，输出增强后的翻折缺陷图像；S2：模型重新参数化；S201：首先在推理阶段将多个计算模块合并为一个，模式重新参数化技术看作是一种集成技术，将其分为两类，即模块级集成和模型级集成，对于模型级重新参数化以获得最终推理模型，模块级重新参数化是在训练期间将一个模块拆分为多个相同或不同的模块分支，并且在推理期间将多个分支模块集成为完全等价的模块；S202：在进行模型缩放，模型缩放是一种扩大或缩小已经设计好的模型，并使其适合不同计算设备的方法，使用上述模型对翻折缺陷图像进行缩放，得到尺寸相同的翻折缺陷图像；S203：建立扩展的高效层聚合网络，通过扩展的高效层聚合网络使用组卷积来增加添加特征的基数，并以重新排序以及合并基数的方式组合不同组的特征；S3：建立YOLOv7模型，使用不同数据集的特点对设计到的参数进行调整，找到最佳参数值，设置训练参数：批量大小为128、学习率为0.01，权重衰减0.0001，最大迭代次数1000，采用电芯X
‑
RAY翻折图像数据集进行训练，训练完成最终得到YOLOv7算法模型；S4：具体过程如下：S401：加载待处理翻折缺陷图像；S402：将长宽不一致的图像进行像素填充使得长宽保持一致，图像尺寸改为固定输入大小640x640；S403：对图像进行归一化后传入所述YOLOv7模型；S404：所述YOLOv7模型进行非极大值抑制和置信度阈值进行...

【专利技术属性】
技术研发人员：张尧，杨红新，李翌辉，周晓毅，杨成宏，武振昕，梁洋洋，金帅，
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：