CN114170140A - 一种基于Yolov4的隔膜缺陷识别方法 - Google Patents

一种基于Yolov4的隔膜缺陷识别方法 Download PDF

Info

Publication number
CN114170140A
CN114170140A CN202111325709.5A CN202111325709A CN114170140A CN 114170140 A CN114170140 A CN 114170140A CN 202111325709 A CN202111325709 A CN 202111325709A CN 114170140 A CN114170140 A CN 114170140A
Authority
CN
China
Prior art keywords
diaphragm
network model
module
training
detection
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111325709.5A
Other languages
English (en)
Inventor
甄志明
卢清华
陈勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Foshan University
Original Assignee
Foshan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Foshan University filed Critical Foshan University
Priority to CN202111325709.5A priority Critical patent/CN114170140A/zh
Publication of CN114170140A publication Critical patent/CN114170140A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于Yolov4的隔膜缺陷识别方法，包括以下步骤：第一步，获取隔膜图像数据；第二步，使用标注工具标注缺陷类型，生成标注文件，作为数据集；第三步，使用聚类算法k‑means聚类出数据集的先验框；第四步，建立改进Yolov4网络模型，通过训练集对改进Yolov4网络模型进行训练；其中，改进Yolov4网络模型采用低层特征信息与高层特征信息相结合的结构；该改进Yolov4网络模型的SPP和PANet中添加CSP结构，并采用与注意力机制相结合，以提高缺陷的检测精度；第五步，使用测试集测试训练后的改进Yolov4网络模型的检测性能；第六步，将最优改进Yolov4网络模型的训练模型部署到隔膜检测现场进行隔膜的缺陷检测。本发明鲁棒性强，可降低漏检率和误检率，可提高隔膜的检测质量。

Description

一种基于Yolov4的隔膜缺陷识别方法
技术领域
本发明涉及隔膜检测技术领域，更具体地说，涉及一种基于Yolov4的隔膜缺陷识别方法。
背景技术
锂电池在日常生活中随处可见，比如我们常用的手机、电瓶车和新能源汽车等。需求量的增加，锂电池行业也不断量产化，但一些问题也逐渐暴露出来，比如某品牌手机充电发生***，又或者电池存在漏电等问题。电池的安全性和耐用性需要进一步加强。隔膜是锂电池的重要组成部分，隔离电池的正负极，为电池提供流动通路。
然而，隔膜在自动化生产线中，难免会发生一些磕碰，翻折和摩擦，隔膜表面就有可能存在折痕、划痕和针孔，又或者隔膜在喷涂过程中存在漏喷或少喷等因素。作为电池的原材料，隔膜的质量也影响着电池的质量与安全，因此需要检测隔膜的生产质量。
现阶段，采用人工方式进行隔膜检测的方式已经逐渐被淘汰，其检测效率是无法达到现代工业的生产需求的。伴随着相机、图像算法的不断进步，视觉检测在工业上应用也越来越多。由于隔膜一开始生产出来会经过辊压和分条的工序，检测时会在传送带上输送和拍照检测，一些厂商会选着使用线扫相机获取隔膜的图像，并通过使用传统的图像算法如形态学处理、图像分割等，从而检测隔膜的质量。然而，在自动化生产模式中，传统图像算法对于缺陷特征比较明显的检测上效果可观，但隔膜上存在的缺陷形态各异，并且有一些缺陷的灰度值与正常隔膜的背景相像，传统图像处理算法在这方面漏检和误检的概率会比较大，同时传统图像处理算法的方案设计很大程度上也与技术人员的技术水平有关，并且生产环境也会影响检测的效果。
发明内容
本发明的目的在于克服现有技术中的缺点与不足，提供一种基于Yolov4的隔膜缺陷识别方法，该隔膜缺陷识别方法鲁棒性强，可降低漏检率和误检率，能解决传统算法无法检测隔膜细微缺陷的问题，从而对隔膜缺陷达到更好的定位和分类的效果，进一步提高隔膜的检测质量。
为了达到上述目的，本发明通过下述技术方案予以实现：一种基于Yolov4的隔膜缺陷识别方法，其特征在于：包括以下步骤：
第一步，获取隔膜图像数据，从图像数据中筛选有缺陷的图片；
第二步，使用标注工具标注缺陷类型，生成标注文件，作为数据集；
第三步，使用聚类算法k-means聚类出数据集的先验框；
第四步，将数据集划分为训练集、验证集和测试集；建立改进Yolov4网络模型，通过训练集对改进Yolov4网络模型进行训练；其中，改进Yolov4网络模型采用低层特征信息与高层特征信息相结合的结构；该改进Yolov4网络模型的SPP和PANet中添加CSP结构，并采用与注意力机制相结合，以提高缺陷的检测精度；
第五步，使用测试集测试训练后的改进Yolov4网络模型的检测性能，将最优的改进Yolov4网络模型的训练模型用于检测；
第六步，将最优改进Yolov4网络模型的训练模型部署到隔膜检测现场进行隔膜的缺陷检测，对预测结果进行解码，预测结果经过得分排序和非极大值抑制筛选，将处理的结果在隔膜原图上进行绘制。
在第一步中，从图像数据中筛选有缺陷的图片后，对有缺陷的图片进行随机裁剪；对裁剪后的图像进行旋转和翻折处理，以增加样本数据。
对裁剪后的图像进行顺时针90°、180°和270°旋转；对裁剪后的图像进行水平翻折和垂直翻折。该方法可使得样本数据增强以扩充数据集，避免过拟合，同时也提高后续模型的泛化能力，使用数据增强增加样本的多样性。
第二步中，所述使用标注工具标注缺陷类型，生成标注文件，作为数据集是指：使用labelImg图片标注工具对带有隔膜缺陷的图像进行人工标注，标注出缺陷的类别、缺陷的最小外接矩形框，并生成.xml文件格式储存缺陷的所在的图片大小、类别和所标注矩形框的坐标信息，作为数据集。
所述改进Yolov4网络模型包括模块1、模块2、模块3和头部网络Yolo Head；所述模块1为主干特征提取网络COSA-2x2x；所述模块2是在SPP基础上添加CSP结构；所述模块3是在PANet结构的上采样和下采样添加了CSP结构，并添加了注意力机制。
在模块3的最上层特征层添加特征融合层，该特征融合层为3个卷积层，实现低层特征信息与高层特征信息相结合。
CSP结构首先把输入部分分成两份，接着一部分经过主干Conv block部分，另一部分直接与经过Conv block后的输出进行堆叠；其中，把输入部分分成两份是指平均拆分成两份，通道数都为原来输入的一半；或者把输入部分分成两份是指进行1×1的卷积，将通道数减半。
第四步包括以下步骤：
步骤一，数据集以0.7:0.15:0.15的比例划分为训练集、验证集和测试集；
步骤二，改进Yolov4网络模型进行初始化；
步骤三，输入的训练集数据经主干特征提取网络COSA-2x2x、模块2、模块3和头部网络Yolo Head得到输出值；
步骤四，求出改进Yolov4网络模型的输出值与目标值之间的误差，即损失函数；
步骤五，权值进行更新，当改进Yolov4网络模型收敛到一定程度不再下降则结束训练。
步骤三中，训练集数据通过主干特征提取网络COSA-2x2x提取隔膜的缺陷特征信息，经过模块2增加感受野，分离上下文信息，再由模块3反复提取特征，最后通过头部网络Yolo Head将得到的特征进行预测。
步骤四中的损失函数为
loss＝loss边界框+loss置信度+loss分类；
loss边界框＝lossCDIoU＝1-IoU+ρ2(box_dt,box_gt)/c2+αν；
Figure BDA0003346868180000031
Figure BDA0003346868180000041
Figure BDA0003346868180000042
本发明没有使用yolov4原来的主干网络CSPdarknet53，CSPdarknet53具有强大的特征提取能力，但是相应所带来大量的计算和网络训练所占用的显卡内存，检测速度相较于COSA-2x2x慢。COSA-2x2x带有PCB技术可以使模型更加灵活，速度有了极大的提升。另外，在SPP基础上添加的CSP结构能在少量精度损失的情况下，有效减少模型计算量。
对PANet结构中上采样和下采样添加了CSP结构，并将注意力机制集成到PANet结构当中，使改进Yolov4网络模型更加关注缺陷中的ROI区域，提取隔膜缺陷的关键信息，同时忽略锂电池隔膜的大部分无关背景信息，也可减少参数量和提高检测精度。由于隔膜中存在一些细小的缺陷，为此本发明在模块3的最上层特征层添加特征融合层，实现低层特征信息与高层特征信息相结合，进行后续的缺陷检测和定位，使得输出的特征层为(104，104，128)，使其更适合检测微小型的目标，具有较高的定位精度和减少细小缺陷的误检率。
与现有技术相比，本发明具有如下优点与有益效果：本发明基于Yolov4的隔膜缺陷识别方法鲁棒性强，可降低漏检率和误检率，能解决传统算法无法检测隔膜细微缺陷的问题，从而对隔膜缺陷达到更好的定位和分类的效果，进一步提高隔膜的检测质量。
附图说明
图1是本发明基于Yolov4的隔膜缺陷识别方法的流程图；
图2是本发明改进Yolov4网络模型的示意图；
图3是本发明改进Yolov4网络模型中CSP结构示意图；
图4是本发明改进Yolov4网络模型中CSP结构和5次卷积示意图；
图5(a)-5(e)是本发明基于Yolov4的隔膜缺陷识别方法的检测效果图；
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细的描述。
实施例
如图1至图5(e)所示，本发明基于Yolov4的隔膜缺陷识别方法包括以下步骤：
第一步，获取隔膜图像数据，从图像数据中筛选有缺陷的图片；从图像数据中筛选有缺陷的图片后，对有缺陷的图片进行随机裁剪；对裁剪后的图像进行顺时针90°、180°和270°旋转，以及进行水平翻折和垂直翻折处理，以增加样本数据。
第二步，使用labelImg图片标注工具对带有隔膜缺陷的图像进行人工标注，标注出缺陷的类别、缺陷的最小外接矩形框，并生成.xml文件格式储存缺陷的所在的图片大小、类别和所标注矩形框的坐标信息，作为数据集。
第三步，使用聚类算法k-means聚类出数据集的9组先验框，把这9组先验框作为第四步改进Yolov4网络模型的anchor box，使其更加符合隔膜缺陷的矩形框的大小及分布情况。
第四步，将数据集划分为训练集、验证集和测试集；建立改进Yolov4网络模型，通过训练集对改进Yolov4网络模型进行训练；其中，改进Yolov4网络模型采用低层特征信息与高层特征信息相结合的结构；该改进Yolov4网络模型的SPP和PANet中添加CSP结构，并采用与注意力机制相结合，以提高缺陷的检测精度；
第五步，使用测试集测试训练后的改进Yolov4网络模型的检测性能，将最优的改进Yolov4网络模型的训练模型用于检测；
第六步，将最优改进Yolov4网络模型的训练模型部署到隔膜检测现场进行隔膜的缺陷检测，对预测结果进行解码，预测结果经过得分排序和非极大值抑制筛选，将处理的结果在隔膜原图上进行绘制，其中，图5(a)-5(e)是采用本发明基于Yolov4的隔膜缺陷识别方法分别检测出折痕、黑点、漏喷、划痕和针孔的效果图。
具体地说，改进Yolov4网络模型包括模块1、模块2、模块3和头部网络Yolo Head，其中，模块1为主干特征提取网络COSA-2x2x，模块2是在SPP基础上添加CSP结构，模块3是在PANet结构的上采样和下采样添加了CSP结构，并添加了注意力机制。本发明在模块3的最上层特征层添加特征融合层，该特征融合层为3个卷积层，实现低层特征信息与高层特征信息相结合。
如图3所示，CSP结构首先把输入部分分成两份，接着一部分经过主干Conv block部分，另一部分直接与经过Conv block后的输出进行堆叠；其中，把输入部分分成两份是指平均拆分成两份，通道数都为原来输入的一半；或者把输入部分分成两份是指进行1×1的卷积，将通道数减半。
本发明没有使用yolov4原来的主干网络CSPdarknet53，CSPdarknet53具有强大的特征提取能力，但是相应所带来大量的计算和网络训练所占用的显卡内存，检测速度相较于COSA-2x2x慢。COSA-2x2x带有PCB技术可以使模型更加灵活，速度有了极大的提升。另外，在SPP基础上添加的CSP结构能在少量精度损失的情况下，有效减少模型计算量。
对PANet结构中上采样和下采样添加了CSP结构，并将注意力机制集成到PANet结构当中，使改进Yolov4网络模型更加关注缺陷中的ROI区域，提取隔膜缺陷的关键信息，同时忽略锂电池隔膜的大部分无关背景信息，也可减少参数量和提高检测精度，其中，CSP结构和5次卷积示意图如图4所示。由于隔膜中存在一些细小的缺陷，为此本发明在模块3的最上层特征层添加特征融合层，实现低层特征信息与高层特征信息相结合，进行后续的缺陷检测和定位，使得输出的特征层为(104，104，128)，使其更适合检测微小型的目标，具有较高的定位精度和减少细小缺陷的误检率。
本发明的Yolo Head利用提取到的特征进行预测，一共预测3个特征尺度，包含宽、高和通道数，分别为(104，104，128)，(26，26，512)，(13，13，1024)。本发明所有卷积核为1x1的卷积使用Mish激活函数。Mish激活函数比Leaky-ReLU有更好的平滑性，能允许更好的信息传入神经网络，从而得到更好的准确性和泛化能力。Mish激活函数表达式如下：
Mish＝x×tanh(In(1+ex))
本发明的第四步包括以下步骤：
步骤一，数据集以0.7:0.15:0.15的比例划分为训练集、验证集和测试集。
步骤二，改进Yolov4网络模型进行初始化。
步骤三，训练集数据通过主干特征提取网络COSA-2x2x提取隔膜的缺陷特征信息，经过模块2增加感受野，分离上下文信息，再由模块3反复提取特征，最后通过头部网络YoloHead将得到的特征进行预测。
步骤四，求出改进Yolov4网络模型的输出值与目标值之间的误差，即损失函数；其中，损失函数为
loss＝loss边界框+loss置信度+loss分类；
loss边界框＝lossCDIoU＝1-IoU+ρ2(box_dt,box_gt)/c2+αν；
Figure BDA0003346868180000071
Figure BDA0003346868180000072
Figure BDA0003346868180000073
步骤五，权值进行更新，当改进Yolov4网络模型收敛到一定程度不再下降则结束训练。
本实施例采用的基于Yolov4的隔膜缺陷识别方法的检测性能如下表1所示。
表1.模型的检测性能
检测速度(ms/张) 召回率(％) 模型参数量params
原模型算法 54 88.13 64,040,001
本实例方法 28 91.80 15,178,913
SSD 20 48.18 6,204,004
YOLOv4-tiny 9 75.35 5,961,014
其中，召回率公式如下：
Figure BDA0003346868180000074
True Positives(TP)表示被预测为正样本，实际是正样本。False positive(FP)表示被预测为正样本，实际是负样本。召回率越高，代表实际缺陷被预测出来的概率越高。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

1.一种基于Yolov4的隔膜缺陷识别方法，其特征在于：包括以下步骤：
第一步，获取隔膜图像数据，从图像数据中筛选有缺陷的图片；
第二步，使用标注工具标注缺陷类型，生成标注文件，作为数据集；
第三步，使用聚类算法k-means聚类出数据集的先验框；
第四步，将数据集划分为训练集、验证集和测试集；建立改进Yolov4网络模型，通过训练集对改进Yolov4网络模型进行训练；其中，改进Yolov4网络模型采用低层特征信息与高层特征信息相结合的结构；该改进Yolov4网络模型的SPP和PANet中添加CSP结构，并采用与注意力机制相结合，以提高缺陷的检测精度；
第五步，使用测试集测试训练后的改进Yolov4网络模型的检测性能，将最优的改进Yolov4网络模型的训练模型用于检测；
第六步，将最优改进Yolov4网络模型的训练模型部署到隔膜检测现场进行隔膜的缺陷检测，对预测结果进行解码，预测结果经过得分排序和非极大值抑制筛选，将处理的结果在隔膜原图上进行绘制。
2.根据权利要求1所述的基于Yolov4的隔膜缺陷识别方法，其特征在于：在第一步中，从图像数据中筛选有缺陷的图片后，对有缺陷的图片进行随机裁剪；对裁剪后的图像进行旋转和翻折处理，以增加样本数据。
3.根据权利要求2所述的基于Yolov4的隔膜缺陷识别方法，其特征在于：对裁剪后的图像进行顺时针90°、180°和270°旋转；对裁剪后的图像进行水平翻折和垂直翻折。
4.根据权利要求1所述的基于Yolov4的隔膜缺陷识别方法，其特征在于：第二步中，所述使用标注工具标注缺陷类型，生成标注文件，作为数据集是指：使用labelImg图片标注工具对带有隔膜缺陷的图像进行人工标注，标注出缺陷的类别、缺陷的最小外接矩形框，并生成.xml文件格式储存缺陷的所在的图片大小、类别和所标注矩形框的坐标信息，作为数据集。
5.根据权利要求1所述的基于Yolov4的隔膜缺陷识别方法，其特征在于：所述改进Yolov4网络模型包括模块1、模块2、模块3和头部网络Yolo Head；所述模块1为主干特征提取网络COSA-2x2x；所述模块2是在SPP基础上添加CSP结构；所述模块3是在PANet结构的上采样和下采样添加了CSP结构，并添加了注意力机制。
6.根据权利要求5所述的基于Yolov4的隔膜缺陷识别方法，其特征在于：在模块3的最上层特征层添加特征融合层，该特征融合层为3个卷积层，实现低层特征信息与高层特征信息相结合。
7.根据权利要求5所述的基于Yolov4的隔膜缺陷识别方法，其特征在于：CSP结构首先把输入部分分成两份，接着一部分经过主干Conv block部分，另一部分直接与经过Convblock后的输出进行堆叠；其中，把输入部分分成两份是指平均拆分成两份，通道数都为原来输入的一半；或者把输入部分分成两份是指进行1×1的卷积，将通道数减半。
8.根据权利要求6所述的基于Yolov4的隔膜缺陷识别方法，其特征在于：第四步包括以下步骤：
步骤一，数据集以0.7:0.15:0.15的比例划分为训练集、验证集和测试集；
步骤二，改进Yolov4网络模型进行初始化；
步骤三，输入的训练集数据经主干特征提取网络COSA-2x2x、模块2、模块3和头部网络Yolo Head得到输出值；
步骤四，求出改进Yolov4网络模型的输出值与目标值之间的误差，即损失函数；
步骤五，权值进行更新，当改进Yolov4网络模型收敛到一定程度不再下降则结束训练。
9.根据权利要求8所述的基于Yolov4的隔膜缺陷识别方法，其特征在于：步骤三中，训练集数据通过主干特征提取网络COSA-2x2x提取隔膜的缺陷特征信息，经过模块2增加感受野，分离上下文信息，再由模块3反复提取特征，最后通过头部网络Yolo Head将得到的特征进行预测。
10.根据权利要求8所述的基于Yolov4的隔膜缺陷识别方法，其特征在于：步骤四中的损失函数为
loss＝loss边界框+loss置信度+loss分类；
loss边界框＝lossCDIoU＝1-IoU+ρ2(box_dt,box_gt)/c2+αν；
Figure FDA0003346868170000031
Figure FDA0003346868170000032
Figure FDA0003346868170000033
CN202111325709.5A 2021-11-10 2021-11-10 一种基于Yolov4的隔膜缺陷识别方法 Pending CN114170140A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111325709.5A CN114170140A (zh) 2021-11-10 2021-11-10 一种基于Yolov4的隔膜缺陷识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111325709.5A CN114170140A (zh) 2021-11-10 2021-11-10 一种基于Yolov4的隔膜缺陷识别方法

Publications (1)

Publication Number Publication Date
CN114170140A true CN114170140A (zh) 2022-03-11

Family

ID=80478538

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111325709.5A Pending CN114170140A (zh) 2021-11-10 2021-11-10 一种基于Yolov4的隔膜缺陷识别方法

Country Status (1)

Country Link
CN (1) CN114170140A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114723750A (zh) * 2022-06-07 2022-07-08 南昌大学 基于改进yolox算法的输电线路耐张线夹缺陷检测方法
CN115082401A (zh) * 2022-06-22 2022-09-20 桂林电子科技大学 一种基于改进yolox与pnn的smt产线贴片机故障预测方法
CN115588022A (zh) * 2022-11-10 2023-01-10 合肥惠强新能源材料科技有限公司 基于工序指标数据的锂电池隔离膜质量检测***
CN116758064A (zh) * 2023-08-14 2023-09-15 深圳天眼新能源科技有限公司 基于电子扫描显微镜的锂电池隔膜质量检测方法
WO2023202207A1 (zh) * 2022-04-18 2023-10-26 宁德时代新能源科技股份有限公司 对复合料带的隔膜进行缺陷检测的方法、装置、***

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023202207A1 (zh) * 2022-04-18 2023-10-26 宁德时代新能源科技股份有限公司 对复合料带的隔膜进行缺陷检测的方法、装置、***
CN114723750A (zh) * 2022-06-07 2022-07-08 南昌大学 基于改进yolox算法的输电线路耐张线夹缺陷检测方法
CN115082401A (zh) * 2022-06-22 2022-09-20 桂林电子科技大学 一种基于改进yolox与pnn的smt产线贴片机故障预测方法
CN115082401B (zh) * 2022-06-22 2024-03-19 桂林电子科技大学 一种基于改进yolox与pnn的smt产线贴片机故障预测方法
CN115588022A (zh) * 2022-11-10 2023-01-10 合肥惠强新能源材料科技有限公司 基于工序指标数据的锂电池隔离膜质量检测***
CN116758064A (zh) * 2023-08-14 2023-09-15 深圳天眼新能源科技有限公司 基于电子扫描显微镜的锂电池隔膜质量检测方法
CN116758064B (zh) * 2023-08-14 2024-04-19 深圳天眼新能源科技有限公司 基于电子扫描显微镜的锂电池隔膜质量检测方法

Similar Documents

Publication Publication Date Title
CN114170140A (zh) 一种基于Yolov4的隔膜缺陷识别方法
CN111598861B (zh) 基于改进的Faster R-CNN模型的非均匀纹理小缺陷的检测方法
CN111415329B (zh) 一种基于深度学习的工件表面缺陷检测方法
CN106875373B (zh) 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法
CN104392205B (zh) 一种非正常车牌的识别方法和***
CN113724231B (zh) 一种基于语义分割和目标检测融合模型的工业缺陷检测方法
CN110610475B (zh) 一种深度卷积神经网络的视觉缺陷检测方法
CN107437245A (zh) 基于深度卷积神经网络的高速铁路接触网故障诊断方法
CN110544231B (zh) 基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法
CN109544522A (zh) 一种钢板表面缺陷检测方法及***
CN111695514A (zh) 一种基于深度学习的雾天下车辆检测方法
CN111291806A (zh) 一种基于卷积神经网络工业产品标签号的识别方法
CN112258470B (zh) 基于缺陷检测的工业图像临界压缩率智能分析***及方法
CN114972316A (zh) 基于改进YOLOv5的电池壳端面缺陷实时检测方法
CN111507391A (zh) 一种基于机器视觉的有色金属破碎料智能识别方法
CN115456955A (zh) 一种球笼防尘罩内部毛刺缺陷检测方法
CN115184364A (zh) 一种基于3d点云的轮胎气泡缺陷检测方法及***
CN113781483B (zh) 工业产品外观缺陷检测方法和装置
CN110508510A (zh) 一种塑料泵缺陷检测方法、装置及***
CN112347967B (zh) 一种复杂场景下融合运动信息的行人检测方法
CN116363136B (zh) 一种机动车部件自动化生产在线筛选方法及***
CN113538342A (zh) 一种基于卷积神经网络的铝质气雾罐涂层质量检测方法
CN116486228A (zh) 一种基于改进yolov5模型的纸质药盒钢印字符识别方法
CN112001396B (zh) 一种轴承表面形变及文字混合缺陷图像检测方法
CN114092441A (zh) 一种基于双重神经网络的产品表面缺陷检测方法及***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination