基于YOLOv7的动力锂电池极柱焊接质量检测方法技术

本发明专利技术公开一种基于YOLOv7的动力锂电池极柱焊接质量检测方法，包括：采集并筛选激光焊接图像后，根据缺陷信息进行定义及标注，获得标注数据集；对标注数据集进行数据增强并统一尺寸后划分为训练集、验证集及测试集；采用YOLOv7网络构建检测算法初步模型并设置对应的超参数，在Backbone层中引入C3SE注意力机制模块，替换Neck层的PANet结构为BiFPN结构，对Neck层的MPC模块的中间分支进行分离合并并添加SE注意力机制模块，替换Head层的边界框回归损失函数中的CIoU_Loss函数为Wise

【技术实现步骤摘要】
基于YOLOv7的动力锂电池极柱焊接质量检测方法


[0001]本专利技术涉及机器视觉引导表面缺陷检测领域，尤其涉及一种基于YOLOv7的动力锂电池极柱焊接质量检测方法。

技术介绍

[0002]近年来，由于电动汽车产业的飞速发展，动力锂电池在汽车行业中的作用越发突出。其中，极柱是动力电池中连通电池内外的部件，以使电池能够实现充放电的功能。现有的动力锂电池的极柱的连接柱和连接片之间通过激光焊接的方式进行固定，最终组装成电池模组。但在实际生产中，由于焊接工序的复杂性，无法避免产生焊洞、鼓包、焊偏、烧毁等缺陷，严重威胁产品的安全与质量，而无法保证成组后的电池系统在电动车辆实际行驶过程中的可靠性和耐久度。因此，必须及时发现焊接不良的电池，将其从当前生产流程中排除，防止流入下道工序，造成安全隐患。
[0003]表面缺陷检测主要可分为人工检测和机器视觉检测两种方法。目前国内对动力锂电池极柱焊接缺陷的检测仍停留在人工目检阶段，自动化程度比较低，而且依赖于检测人员的技术水平和经验积累，存在精度低，耗时长等缺点。而机器视觉中传统的图像处理方法，比如边缘检测和阈值分割等方法，虽然比人工检测更快、漏检率更低，但难以满足工业自动生产中所需的毫秒级检测速度以及高精度检测结果。

技术实现思路

[0004]本专利技术所要解决的技术问题是提供一种基于YOLOv7的动力锂电池极柱焊接质量检测方法，以可以高效提供缺陷的种类、位置和几何信息。
[0005]为解决上述技术问题，本专利技术的目的是通过以下技术方案实现的：提供一种基于YOLOv7的动力锂电池极柱焊接质量检测方法，包括以下步骤：步骤A、实时采集激光焊接图像，筛选图像，对筛选后的激光焊接图像根据缺陷信息进行定义及标注，获得标注数据集；其中，缺陷信息包括缺陷类别信息、缺陷位置信息及缺陷边框信息；步骤B、对标注数据集进行数据增强并统一尺寸后划分为训练集、验证集及测试集；步骤C、采用YOLOv7网络作为基础结构构建检测算法初步模型，设置所述检测算法初步模型的超参数，在Backbone层中引入C3SE注意力机制模块，替换Neck层的PANet结构为BiFPN结构，对Neck层的MPC
‑
N模块的中间分支进行分离合并操作并添加SE注意力机制模块，替换Head层的边界框回归损失函数中的CIoU_Loss函数为Wise
‑
IoU_Loss函数，获得检测算法改进模型；步骤D、将训练集中的激光焊接图像输入至获得的检测算法改进模型，对检测算法改进模型进行训练学习和缺陷判断，将检测算法改进模型的输出端检测到的带有缺陷类别信息的不同尺寸的目标定位框保存至对应的训练好的模型权重，根据模型权重对验证集中的激光焊接图像进行验证；步骤E、将验证后的检测算法改进模型部署至嵌入式平台。
[0006]本专利技术的有益技术效果在于：本专利技术的基于YOLOv7的动力锂电池极柱焊接质量检测方法采用YOLOv7网络作为基础结构，构建检测算法初步模型，设置所述检测算法初步模
型的超参数，在Backbone层中引入C3SE注意力机制模块，以在不增加模型复杂度的情况下，利用C3SE注意力机制模块使网络聚焦更多重要信息的特征信息，提高模型对深层重要特征的提取能力；通过替换Neck层的PANet结构为BiFPN结构，从而减少以融合不同特征为目标的结构中的冗余；通过对Neck层的MPC
‑
N模块的中间分支进行分离合并操作并添加SE注意力机制模块，以减少网络特征梳理过程中对小目标网络造成的特征损失；通过替换Head层的边界框回归损失函数中的CIoU_Loss函数为Wise
‑
IoU_Loss函数，以优化损失函数，减少了低质量样本产生的有害梯度，降低了损失函数的自由度，可提高检测设备整体的泛化性能；利用标注有缺陷信息的筛选后的激光焊接图像作为标注数据集并划分出的训练集、验证集和测试集，对检测算法改进模型进行学习训练，又数据集标注的缺陷信息包括缺陷类别信息、缺陷位置信息及缺陷边框信息，以使最终获得的检测算法改进模型可将缺陷逐像素从背景中定位出来，并能进一步得到缺陷的类别、边界、位置等信息，有效降低漏检率和错检率。
附图说明
[0007]为了更清楚地说明本专利技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0008]图1为本专利技术实施例提供的基于YOLOv7的动力锂电池极柱焊接质量检测方法的流程示意图；
[0009]图2为本专利技术实施例提供的基于YOLOv7的动力锂电池极柱焊接质量检测方法的检测算法改进模型的实时检测结果示意图；
[0010]图3为本专利技术实施例提供的基于YOLOv7的动力锂电池极柱焊接质量检测方法的第一子流程示意图；
[0011]图4为本专利技术实施例提供的基于YOLOv7的动力锂电池极柱焊接质量检测方法的YOLOv7网络中的Neck层的BiFPN结构的示意图；
[0012]图5为本专利技术实施例提供的基于YOLOv7的动力锂电池极柱焊接质量检测方法的Neck层的MPC
‑
N模块改进前后的对比示意图；
[0013]图6为本专利技术实施例提供的基于YOLOv7的动力锂电池极柱焊接质量检测方法的检测算法改进模型的示意图；
[0014]图7为本专利技术实施例提供的基于YOLOv7的动力锂电池极柱焊接质量检测方法的第二子流程示意图；
[0015]图8为本专利技术实施例提供的基于YOLOv7的动力锂电池极柱焊接质量检测方法的第三子流程示意图。
具体实施方式
[0016]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0017]请参阅图1，图1为本专利技术实施例提供的基于YOLOv7的动力锂电池极柱焊接质量检测方法的流程示意图，所述基于YOLOv7的动力锂电池极柱焊接质量检测方法包括以下步骤S11
‑
S15：
[0018]步骤S11、实时采集激光焊接图像，筛选图像，对筛选后的激光焊接图像根据缺陷信息进行定义及标注，获得标注数据集；其中，缺陷信息包括缺陷类别信息、缺陷位置信息及缺陷边框信息，缺陷类别信息包括焊洞、鼓包、焊偏及烧毁，以使最终获得的检测算法改进模型可将缺陷逐像素从背景中定位出来，并能进一步得到缺陷的类别、边界、位置等信息，从而辅助产品优劣等级质量评估，并可有效降低漏检率和错检率。
[0019]步骤S12、对标注数据集进行数据增强并统一尺寸后划分为训练集、验证集及测试集；其中，统一图像尺寸可使得后续图像处理更快速准确。
[0020]步骤S13、采用YOLOv7网络作为基础结构构建检测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于YOLOv7的动力锂电池极柱焊接质量检测方法，其特征在于，包括以下步骤：步骤A、实时采集激光焊接图像，筛选图像，对筛选后的激光焊接图像根据缺陷信息进行定义及标注，获得标注数据集；其中，缺陷信息包括缺陷类别信息、缺陷位置信息及缺陷边框信息；步骤B、对标注数据集进行数据增强并统一尺寸后划分为训练集、验证集及测试集；步骤C、采用YOLOv7网络作为基础结构构建检测算法初步模型，设置所述检测算法初步模型的超参数，在Backbone层中引入C3SE注意力机制模块，替换Neck层的PANet结构为BiFPN结构，对Neck层的MPC
‑
N模块的中间分支进行分离合并操作并添加SE注意力机制模块，替换Head层的边界框回归损失函数中的CIoU_Loss函数为Wise
‑
IoU_Loss函数，获得检测算法改进模型；步骤D、将训练集中的激光焊接图像输入至获得的检测算法改进模型，对检测算法改进模型进行训练学习和缺陷判断，将检测算法改进模型的输出端检测到的带有缺陷类别信息的不同尺寸的目标定位框保存至对应的训练好的模型权重，根据模型权重对验证集中的激光焊接图像进行验证；步骤E、将验证后的检测算法改进模型部署至嵌入式平台。2.根据权利要求1所述的基于YOLOv7的动力锂电池极柱焊接质量检测方法，其特征在于，所述步骤A具体包括：在工业焊接流水线上实时拍摄激光焊接图像；对获得的激光焊接图像中的重复度高的激光焊接图像和无焊接缺陷的冗余图像进行筛选和去除，获得筛选后的激光焊接...

【专利技术属性】
技术研发人员：杨亚涛，李俊卿，周云豪，杨延钊，陈炎峰，
申请(专利权)人：深圳市大德激光技术有限公司，
类型：发明
国别省市：