基于改进YOLOv5s网络的锂电池极片缺陷检测

陶怡帆,李林升,毛伟生,周文一

(上海电机学院 电气学院,上海 201306)

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Sobel算子对缺陷进行边缘提取,再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(Region based Convolutional Neural Network,R-CNN)发展到快速区域卷积神经网络(Faster-RCNN),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YOLO(You Only Look Once)[8-9]、SqueezeDet[10]和单发多箱探测器(Single Shot MultiBox Detector,SSD)[11]等,其中YOLO系列经过不断衍生和改进,检测性能逐步提升。桂久琪等[12]基于YOLOv4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,平均精度均值达93.46%,相较原始YOLOv4网络提高了3.03%。葛钊明等[13]基于YOLOv5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91.2%。

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YOLOv5s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(SPD)和无步长卷积层(Conv),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C3SE模块,将原YOLOv5s模型中的C3模块替换为新的C3SE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(Squeeze-and-Excitation,SE)注意力机制,提升特征融合的计算能力。实验表明,改进后YOLOv5s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 YOLOv5s网络模型

YOLOv5网络模型是YOLO 系列模型的衍生版本之一,相比YOLOv4网络进行了优化改进。YOLOv5系列有多个版本,其中YOLOv5s网络具有速度快、网络小的特点。选择YOLOv5s网络作为本文实验的基础模型,YOLOv5s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Focus模块、CBS结构、C3 模块和快速空间金字塔池化模块(Fast Spatial Pyramid Pooling,SPPF)构成。通过Focus模块对图片进行下采样,增加数据通道数;CBS结构由卷积层、批归一化(Batch Normalization,BN)和新型非线性激活函数(Sigmoid Linear Unit,SiLU)组成;C3模块利用残差结构,增强网络的特征学习能力;SPPF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YOLOv5s网络模型

2.1 卷积构建块SPD-Conv

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YOLOv5s模型的主干网络部分引入卷积构建块SPD-Conv[14]。

2.1.1 SPD SPD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S×S×C1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 SPD-Conv图解

2.1.2 Conv 在SPD特征转换层之后,添加一个带有C2过滤器的Conv,再进一步进行转换,将转换为其 中C2＜q2C1。使用该卷积是为了尽可能地保留所有特征信息。

SPD-Conv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 SE注意力机制

SE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[15]。SE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。SE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YOLOv5s模型中引入SE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 改进后的YOLOv5s模型

改进后的模型如图2所示。在YOLOv5s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SPD-Conv,其次将C3模块替换为C3SE模块,最后在特征融合网络的最后一层引入SE 注意力机制。

图2 改进后的YOLOv5s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761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大多集中在图像的中部,因此需进行数据增强处理。数据增强可以防止网络过度拟合训练数据,得到泛化能力和鲁棒性更强的网络。利用随机翻转、平移和镜像等方法对原始图像进行处理,最终得到2110张锂电池极片图像,并按8∶2的比例随机分配为训练集和测试集。

锂电池极片由极耳和涂布两部分组成,本文将极片缺陷定义为5类:极耳缺失(1qs)、极耳褶皱(2zz)、极耳接带(3jd)、划痕(4hh)和黑斑(5hb)。为区分极片背景和缺陷目标,使用LabelImg图像标注工具对极片缺陷进行矩形框标注,如图3所示。

图3 锂电池极片缺陷样本标注示例

3.2 模型训练

为了客观评估本文改进网络的优势,采用精确率P,召回率R,平均精度AP和平均精度均值Mp作为评价指标,取交互比为0.5。

实验平台配置如表1所示。

表1 实验平台配置

实验参数设置如表2所示。

3.3 改进效果

为确保模型对比的严谨性,使用相同的数据集和实验参数,分别对原YOLOv5s模型和改进后的YOLOv5s模型进行训练。不同模型检测效果如图4所示。由图4可见,在含有多个相似缺陷的区域,原YOLOv5s模型容易发生漏检;改进后的模型大大降低了漏检率,对极片边缘的小目标缺陷也能稳定检出。

图4 检测效果对比

由于图像整体灰度较暗,需要利用客观指标分析,进一步验证主观观测的检测结果。改进前后极片缺陷的检测性能对比如表3所示。由表3可知,本文改进YOLOv5s模型检测结果Mp值比原YOLOv5s模型显著提高了5.5%。针对5种类型的锂电池极片缺陷,改进后的检测精度均有明显提升。其中,极耳缺失类AP值提升2.3%;极耳褶皱类AP值提升0.5%;极耳接带类AP值提升4.6%;划痕类AP值提升19.1%;黑斑类AP值提升0.7%,对于分辨率低且形状不规则的划痕缺陷检测精度有了较大提升。

表3 检测结果对比

3.4 对比实验

将本文算法与其他目标检测算法做对比,利用Mp值作为评价指标,训练后的检测结果如表4所示。结果 显示,相比SSD、Faster R-CNN 和YOLOv4模型,本文算法对极片缺陷的检测精度有大幅提升,Mp值分别提高了28.6%、7%、6.4%,表明了本文算法的竞争优势。

表4 不同算法检测结果对比

3.5 消融实验

为更加全面分析各改进模块对锂电池极片缺陷检测的优越性,本文在原YOLOv5s模型的基础上进行3组消融实验,结果如表5所示。

表5 消融实验结果

由表5可知,3个改进模块均能够对极片缺陷检测的精度有不同程度的提升,具体分析如下:

(1) YOLOv5s-SPD 模型在主干网络引入SPD-Conv结构,检测Mp值提高了4.5%。特别是划痕和黑斑类缺陷,AP值分别提升了15.2%和2.6%。这两种缺陷在5类缺陷类型中对比度更低,缺陷目标更细微,更具小目标检测的特点。实验结果验证了SPD卷积构建块能够有效提升小目标缺陷的检测效果。

(2) YOLOv5s-C3SE模型将C3模块和SE模块整合在一起,加强了模块的信息表达能力,有效解决了极片背景噪声干扰大以及缺陷边缘过度剧烈导致的特征提取困难、缺陷信息损失较大的问题,使检测Mp值提高了2.1%。

(3) YOLOv5s-SE模型通过在特征融合模块中引入SE注意力机制,得到了更深层次的特征表达,检测Mp值提高了1.7%。

4 结论

本文将基于深度学习的目标检测方法应用于锂电池极片的缺陷检测,提出了一种改进的YOLOv5s模型,实现各类缺陷的精准定位和识别。该模型在主干网络引入SPD 卷积构建块,提升了低分辨率小目标缺陷的检测精度;在C3模块添加SE 注意力机制,将原C3 模块全部替换为C3SE模块,加强了网络的特征提取能力;在特征融合模块引入SE注意力机制,提升了网络的特征融合能力。实验结果表明,本文方法能够精确检测出极片存在的不同缺陷,与原YOLOv5s模型相比,检测Mp值达96.8%,检测性能有了较大提升,能够更好地满足极片缺陷检测的要求。