基于改进YOLOv5s网络的锂电池极片缺陷检测.pdf
《基于改进YOLOv5s网络的锂电池极片缺陷检测.pdf》由会员分享,可在线阅读,更多相关《基于改进YOLOv5s网络的锂电池极片缺陷检测.pdf(7页珍藏版)》请在咨信网上搜索。
1、收稿日期:2 0 2 3-0 5-2 6基金项目:国家自然科学基金资助项目(6 1 9 7 3 2 0 9)作者简介:陶怡帆(1 9 9 8),女,硕士生,主要研究方向为机器视觉与图像处理,E-m a i l:1 3 1 2 2 4 0 0 5 9 5 1 6 3 c o m指导教师:李林升(1 9 7 5),男,副教授,博士,主要研究方向为机器视觉、机器人技术与电机控制,E-m a i l:1 5 4 5 9 2 8 5 8 7 q q.c o m文章编号 2 0 9 5-0 0 2 0(2 0 2 3)0 5-0 2 9 9-0 6基于改进YO L O v 5 s网络的锂电池极片缺陷检测陶
2、怡帆,李林升,毛伟生,周文一(上海电机学院 电气学院,上海 2 0 1 3 0 6)摘 要 锂电池被广泛应用于工业生产,针对传统方法在检测锂电池极片缺陷时存在漏检和误检率高等问题,提出一种以Y O L O v 5 s模型为基础网络进行改进的检测算法。首先,针对锂电池极片图像分辨率低且缺陷目标较小的问题,在主干网络引入空间深度层(S P D)和无步长卷积层(C o n v),以提升小目标缺陷的检测性能;其次,将通道维度(S E)注意力机制嵌入C 3模块中,并将原Y O L O v 5 s模型网络中的C 3模块替换为新的C 3 S E模块,以强化模型的特征表达能力;最后,在特征融合网络的最后一层引
3、入注意力机制,以提高模型的特征融合能力。实验结果表明,改进模型与原Y O L O v 5 s模型相比,平均精度均值达9 6.8%,提升了5.5%,能够更好地满足锂电池极片制造工业的需求。关键词 锂电池极片;卷积神经网络;注意力机制;缺陷检测中图分类号 T P 3 9 1.4文献标志码 AL i t h i u m b a t t e r y p o l e p i e c e d e f e c t d e t e c t i o n m e t h o d b a s e do n i m p r o v e d Y O L O v 5 sT A O Y i f a n,L I L i n
4、s h e n g,MA O W e i s h e n g,Z HO U W e n y i(S c h o o l o f E l e c t r i c a l E n g i n e e r i n g,S h a n g h a i D i a n j i U n i v e r s i t y,S h a n g h a i 2 0 1 3 0 6,C h i n a)A b s t r a c t L i t h i u m b a t t e r i e s a r e w i d e l y u s e d i n i n d u s t r i a l p r o d u
5、c t i o n.T o s o l v e t h e p r o b l e m s o f m i s s e d d e t e c t i o n a n d h i g h f a l s e d e t e c t i o n r a t e s i n t r a d i t i o n a l m e t h o d s w h e n d e t e c t i n g l i t h i u m b a t t e r y p o l e p i e c e d e f e c t s,a n i m p r o v e d d e t e c t i o n a l
6、g o r i t h m b a s e d o n t h e Y O L O v 5 s m o d e l i s p r o p o s e d.F i r s t l y,t o a d d r e s s t h e p r o b l e m o f l o w r e s o l u t i o n a n d s m a l l d e f e c t t a r g e t s o f l i t h i u m b a t t e r y p o l e p i e c e i m a g e s,a s p a t i a l d e p t h l a y e r(
7、S P D)a n d a n o n-s t e p c o n v o l u t i o n l a y e r(C o n v)a r e i n t r o d u c e d i n t o t h e b a c k b o n e n e t w o r k t o i m p r o v e t h e d e t e c t i o n p e r f o r m a n c e o f s m a l l t a r g e t d e f e c t s.S e c o n d l y,t h e s q u e e z e-a n d-e x c i t a t i
8、o n(S E)a t t e n t i o n m e c h a n i s m i s i n t r o d u c e d i n t o t h e C 3 m o d u l e,a n d t h e C 3 m o d u l e i n t h e o r i g i n a l Y O L O v 5 s m o d e l n e t w o r k i s r e p l a c e d w i t h t h e n e w C 3 S E m o d u l e t o e n h a n c e t h e f e a t u r e e x p r e s
9、s i o n a b i l i t y o f t h e m o d e l.F i n a l l y,t h e a t t e n t i o n m e c h a n i s m i s a p p l i e d i n t h e l a s t l a y e r o f t h e f e a t u r e f u s i o n n e t w o r k t o i m p r o v e t h e f e a t u r e f u s i o n p e r f o r m a n c e o f t h e m o d e l.T h e e x p e
10、r i m e n t a l r e s u l t s s h o w t h a t c o m p a r e d w i t h t h e o r i g i n a l Y O L O v 5 s m o d e l,t h e i m p r o v e d m o d e l 第2 6卷 第5期2 0 2 3年上 海 电 机 学 院 学 报J O U R N A L O F S HA N G HA I D I A N J I U N I V E R S I T YV o l.2 6 N o.5 2 0 2 3 h a s a n a v e r a g e a c c u r
11、 a c y o f 9 6.8%a n d a n i n c r e a s e o f 5.5%,w h i c h c a n b e t t e r s a t i s f y t h e n e e d s o f t h e l i t h i u m b a t t e r y p o l e p i e c e m a n u f a c t u r i n g i n d u s t r y.K e y w o r d s l i t h i u m b a t t e r y p o l e p i e c e s;c o n v o l u t i o n a l n
12、e u r a l n e t w o r k;a t t e n t i o n m e c h a n i s m;d e f e c t d e t e c t i o n 极片是锂电池的主要部件,在电池制造过程中,若使用有缺陷的极片,会直接影响锂电池的导电能力和安全性1。为确保锂电池的正常使用,有必要对极片表面存在的缺陷进行检测。传统的人工检测方法存在成本高、效率低、精度低等弊端,已经不能满足现代工业化的需求。随着市场需求的迅速增长,电池生产企业在制造工艺、技术上不断突破,计算机视觉为锂电池极片缺陷检测带来了新机会2。赵晓云等3使用中值滤波和S o b e l算子对缺陷进行边缘提取,再
13、通过对每一类缺陷的详细参数进行分类,完成对多类缺陷的提取,但该方法只能完成粗略的检测。黄梦涛等4提出了一种改进的多阶段边缘检测方法,使用双边滤波对图像预处理改善背景噪声,再引入多尺度细节增强、最大熵算法检测出极片缺陷,但对划痕缺陷的边缘提取能力较差,且该方法只适用于低速检测。利用传统方法提取特征的检测速度缓慢,预测精度不理想5-6。目前,目标检测领域的主流算法分为两类:双阶段模型和单阶段模型。双阶段模型从区域卷积神经网络(R e g i o n b a s e d C o n v o l u t i o n a l N e u r a l N e t w o r k,R-C N N)发展到快速
14、区域卷积神经网络(F a s t e r-R C N N),检测精度有明显提升,但训练和检测的速度较慢7。经典的单阶段检测算法包括Y O L O(Y o u O n l y L o o k O n c e)8-9、S q u e e z e D e t1 0和单发多箱探测器(S i n g l e S h o t M u l t i B o x D e t e c t o r,S S D)1 1等,其中Y O L O系列经过不断衍生和改进,检测性能逐步提升。桂久琪等1 2基于Y O L O v 4网络进行改进,使用空洞卷积代替传统卷积并添加注意力机制的方法,提升了锂电池极片缺陷检测的准确率,平
15、均精度均值达9 3.4 6%,相较原始Y O L O v 4网络提高了3.0 3%。葛钊明等1 3基于Y O L O v 5网络进行改进,添加通道和空间注意力模块以及选用高效交互比作为损失函数,实现对极片表面缺陷的准确检测,平均精度均值达9 1.2%。上述方法的检测性能均有所提升,但针对极片缺陷的检测精度可得到进一步提升。本文通过改进Y O L O v 5 s网络模型,提高了锂电池极片缺陷检测精度。首先,在主干网络引入空间深度层(S P D)和无步长卷积层(C o n v),提升锂电池极片图像中低分辨率小目标缺陷的检测性能。其次,构建C 3 S E模块,将原Y O L O v 5 s模型中的C
16、 3模块替换为新的C 3 S E模块,以筛选出更多有用的特征。最后,在特征融合网络的最后一层引入通道维度(S q u e e z e-a n d-E x c i t a t i o n,S E)注意力机制,提升特征融合的计算能力。实验表明,改进后Y O L O v 5 s模型的极片缺陷检测平均精度均值得到明显提高,能够更好地满足工业自动化检测的要求。1 Y O L O v 5 s网络模型Y O L O v 5网络模型是Y O L O系列模型的衍生版本之一,相比Y O L O v 4网络进行了优化改进。Y O L O v 5系列有多个版本,其中Y O L O v 5 s网络具有速度快、网络小的特
17、点。选择Y O L O v 5 s网络作为本文实验的基础模型,Y O L O v 5 s模型结构包括以下4个部分:(1)输入端。首先进行数据增强,利用随机剪切、翻转和缩放等操作对图像进行组合,可扩充检测物体背景并提升模型的训练速度;然后,通过自适应锚框计算和自适应填充的方式缩减黑边,提升对检测目标的定位准确性;最后,送入主干网络中。(2)主干网络。其主要由F o c u s模块、C B S结构、C 3模块和快速空间金字塔池化模块(F a s t S p a t i a l P y r a m i d P o o l i n g,S P P F)构 成。通 过F o c u s模块对图片进行下采
18、样,增加数据通道数;C B S结构由卷积层、批归一化(B a t c h N o r m a l i z a t i o n,B N)和新型非线性激活函数(S i g m o i d L i n e a r U n i t,S i L U)组成;C 3模块利用残差结构,增强网络的特003上 海 电 机 学 院 学 报 2 0 2 3年第5期征学习能力;S P P F采用最大池化层的方式,实现全局特征的融合。(3)特征融合模块。通过特征金字塔网络和路径聚合网络进行融合。(4)输出端。输出网络的预测结果,最终显示预测框的类别和位置信息。2 改进的Y O L O v 5 s网络模型2.1 卷积构建块
19、S P D-C o n v卷积神经网络在图像分辨率较低或目标较小的情况下,其网络性能会迅速下降。这是由于现有的卷积神经网络架构中引入了步长卷积和池化层,而该结构易忽略全局信息导致图像边界信息丢失。为提升锂电池极片涂布区域划痕、黑斑等低分辨率小目标缺陷的检测效果,在Y O L O v 5 s模型的主干网络部分引入卷积构建块S P D-C o n v1 4。2.1.1 S P D S P D构建块的原理是对特征映射进行下采样处理,且保留了通道维度中的所有信息,所以没有信息丢失。给定大小为SSC1的原始特征图X,将其切分成一序列子特征图fx,y,按比例因子(q)对子特征图进行下采样,如图1所示。当q
20、为2时,得到4个子特征图,大小均为(S/2,S/2,C1),相当于对X进行2倍的下采样。接下来,沿着通道维度将这些子特征图连接起来,得到一个中间特征图X,其空间维度缩小一半,通道维度扩大4倍。图1 S P D-C o n v图解2.1.2 C o n v 在S P D特征转换层之后,添加一个带有C2过滤器的C o n v,再进一步进行转换,将X Sq,Sq,q2C1 转 换 为X Sq,Sq,C2 ,其 中C2q2C1。使用该卷积是为了尽可能地保留所有特征信息。S P D-C o n v首先将锂电池极片缺陷原始图像拆分成多个子特征图,再沿通道维度将子特征图连接起来,提高对缺陷目标特征信息的有效
21、提取,最后利用C2过滤器对特征信息整合,提升网络的表征能力。2.2 S E注意力机制S E注意力机制可以解决神经网络在多层运算迭代过程中引起的特征信息丢失的问题1 5。S E模块主要由压缩、激励两个部分组成。压缩操作通过全局平均池化的方式压缩通道维度,获取每个通道的描述信息;激励操作将压缩特征输入到全连接层,学习每个通道的权重信息,最后将学习到的通道权重信息从头标定每个通道的特征表现。S E模块是轻量级网络结构,仅对模型的参数量和计算量有轻微增加,且可以灵活应用于各个网络架构中。本文在Y O L O v 5 s模型中引入S E模块,使网络更加关注缺陷目标,筛选出有用的特征,提升检测性能。2.3
22、 改进后的Y O L O v 5 s模型改进后的模型如图2所示。在Y O L O v 5 s模型的主干和特征融合网络分别进行了结构上的改进。本文首先在主干网络部分引入卷积构建块S P D-C o n v,其次将C 3模块替换为C 3 S E模块,最后在特征融合网络的最后一层引入S E注意力机制。103 2 0 2 3年第5期陶怡帆,等:基于改进Y O L O v 5 s网络的锂电池极片缺陷检测 图2 改进后的Y O L O v 5 s模型3 实验结果及数据分析3.1 数据集处理本文使用图像传感器采集获取7 6 1张锂电池极片图像。由于训练深度学习网络需要使用大量的数据,且现有数据集缺陷目标位置
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 改进 YOLOv5s 网络 锂电池 缺陷 检测
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。