基于改进YOLOv4的锂电池缺陷检测方法

针对传统方法检测锂电池表面缺陷精度低、速度慢的问题,提出一种改进的YOLOv4算法。首先,在 CSPDarknet-53 骨干网络中使用空洞卷积代替传统卷积,提高了对不同尺度缺陷的检测。其次,将通道注意力机制插入到颈部网络中,自适应地选择一维卷积核的大小,降低模型的复杂度和计算量。最后,在分类和边界框回归中融合条件卷积来提高网络性能,并扩大数据集以解决由于缺陷样本太少而导致的网络训练过拟合问题。实验结果表明,改进后的YOLOv4算法可以有效检测锂电池表面缺陷并提高对于缺陷的识别和定位能力。改进算法的平均精度均值为93.46%,相较原算法提高了3.03%。     

基于图像处理与卷积神经网络的锂电池极片缺陷检测与分类

针对锂电池生产过程中极片缺陷检测存在精度差、速度慢的问题，提出了一种基于图像处理和卷积神经网络（Convolutional Neural Networks,CNN）的缺陷检测与分类方法。首先，利用双边滤波、灰度变换、阈值分割、形态学处理、Canny检测和最小外接矩形提取等方法，分别实现图像去噪、对比度增强、图像分割、区域填充、边缘检测和缺陷轮廓标定；然后，对极片的裂纹、破损、黑斑和压孔四种缺陷图像进行变换，扩充数据集，搭建卷积神经网络模型；最后，将标定轮廓区域延展图像输入到搭建的模型，确定缺陷类型。结果表明，该方法对锂电池极片缺陷的检测与分类具有较高的准确率，能够实现对锂电池极片缺陷的自动化检测。