基于改進YOLOv5的鋰電池極片缺陷檢測

毛 曉, 李林升, 桂久琪, 王慶秋

(上海電機學院 電氣學院, 上海 201306)

鋰電池具有自放電低、能量密度高和循環使用壽命長等優點[1],被廣泛應用于通信、交通和儲能等領域。鋰電池極片由極耳與涂布兩部分組成[2],在生產加工過程中極片容易受到生產設備與生產工藝的影響,出現不同形狀、不同尺寸的缺陷。

當前,對鋰電池極片缺陷的檢測方法可以分為3類:人工檢測法、傳統目標檢測法和深度學習檢測法[3]。人工檢測法主要缺點是小目標缺陷漏檢率高、檢測效率低、易受主觀因素影響和工作強度高,難以滿足當今企業的生產需求。傳統目標檢測法通過人工構建特征因子,提取待檢測目標的顏色和形狀等特征信息進行檢測與識別,對設計者的經驗要求較高,檢測精度、速度以及適用性等方面表現較差。胡玥紅[1]采用中值濾波與Sobel算子檢測極片缺陷,并運用機器學習方法對缺陷進行分類。陳功等[4]采用最大熵閾值法分割鋰電池極片缺陷,并利用高斯混合模型算法實現缺陷目標的識別分類。深度學習檢測法分為雙階段目標檢測法和單階段目標檢測法,雙階段目標檢測法首先生成可能包含檢測目標的候選區域,然后采用卷積神經網絡對候選區域中的樣本進行分類與位置回歸并得到檢測框,其代表模型有區域卷積神經網絡(Region-Conventional Neural Network,R-CNN)[5]、Fast R-CNN[6]和Faster R-CNN[7]等。單階段目標檢測法無需候選區域,將目標檢測問題轉化為回歸問題,直接在卷積神經網絡中提取特征、預測物體類別概率與位置信息,其代表模型有YOLO(You Only Look Once)[8]、單階段多尺度檢測器(Single Shot MultiBox Detector,SSD)[9]等。許海彪[10]提出了一種新的YOLOv3-x網絡模型,通過K-means重新聚類先驗框、修改骨干網絡與替換激活函數等方法,提升鋰電池殼表面缺陷的檢測速度與平均精度均值。

YOLO系列中YOLOv5算法的檢測速度與精度已達到較好的平衡,被廣泛運用于缺陷檢測領域。本文以YOLOv5算法為基礎,結合鋰電池極片缺陷圖像的特點,通過引入圖像增強預處理(Image Enhancement Preprocessing,IEP)、采用深度可分離卷積(Depthwise Separable Convolution,DSC)、添加卷積注意力模塊(Convolutional Block Attention Module,CBAM)以及擴充多尺度檢測結構(Multi-scale Detection Structure,MDS)等方法,以提升算法的檢測性能。

1 鋰電池極片缺陷圖像數據集

1.1 數據集來源

通過圖像采集系統獲取鋰電池極片圖像,圖像的尺寸為4 096×4 096,共1 750張。鋰電池極片主要的缺陷類型如圖1所示。由圖可知,鋰電池極片缺陷目標尺度變化大,小目標缺陷較小且與背景的對比度不高。本文重點對極耳缺失、極耳褶皺、極耳接帶、劃痕和黑斑等5種常見的鋰電池極片缺陷進行檢測和識別。

圖1 鋰電池極片缺陷的主要類型

1.2 數據集構建與分析

本文利用開源標注軟件LabelImg標注鋰電池極片缺陷外圍框,生成對應的txt格式的標記文件,文件包括鋰電池極片缺陷的類別名稱與位置信息。原始數據集通過隨機平移、旋轉和鏡像等圖像操作,擴充至3 430張。本文的訓練集、測試集與驗證集比例按7∶2∶1自動隨機劃分,即訓練集2 401張圖像,測試集686張圖像,驗證集343張圖像,具體樣本標簽數量分布見表1。

表1 鋰電池極片缺陷樣本標簽數量

2 YOLOv5目標檢測算法簡介及改進

2.1 YOLOv5算法簡介

YOLOv5目標檢測算法由輸入端(Input)、骨干網絡(Backbone)、多尺度特征融合模塊(Neck)和檢測頭(Detect Head)組成[11]。輸入端有3個部分組成,分別為Mosaic數據增強、自適應錨框計算以及自適應圖片縮放[12];骨干網絡由Focus結構、CBS模塊、C3 模塊以及空間金字塔池化模塊(Spatial Pyramid Pooling,SPP)組成;多尺度特征融合模塊采用特征金字塔網絡與金字塔注意力網絡的組合結構,特征金字塔網絡自上而下傳遞語義信息,金字塔注意力網絡則自下而上傳遞定位信息[13];檢測頭輸出目標檢測后的最終結果。

YOLOv5輸出端的損失函數Lloss,由置信度損失Lobj、分類損失Lcls以及邊框回歸損失Lbox3部分組成,其表達式為

式中:λobj、λclass、λcoord分別為正樣本的置信度損失權重、分類損失權重以及邊框回歸損失權重;λnoobj為負樣本的置信度損失權重;K為輸出特征圖數量;S為網格邊長;B為每個網格產生的候選框個數;Iobjk,i,j為第k個輸出特征圖中第i個網格對應的第j個候選框有目標,即正樣本,其值為1,否則為0;Inoobjk,i,j為第k個輸出特征圖中第i個網格對應的第j個候選框沒有目標,即負樣本,其值為1,否則為0;lobj、lcls、lbox分別為置信度損失函數、分類損失函數以及邊框回歸損失函數。

原始YOLOv5模型的邊框回歸損失函數為GIOU_Loss,使預測框回歸具有較高的檢測速度和精度[14]。在目標檢測預測階段使用加權非極大值抑制,增強了多類別目標和部分遮擋目標的識別能力,從而獲得最優目標檢測框[15]。

結合萬州區農業發展的實際情況，分析了萬州區農業發展面臨的產業結構不合理、信息化和機械化水平低、補貼政策不全面等問題，提出了優化農業產業結構、發展“互聯網+”農業經濟和提高農業機械化水平等發展策略，以促進萬州區農業發展。

2.2 YOLOv5目標檢測算法改進

2.2.1 IEP 鋰電池極片的劃痕和黑斑缺陷與涂布背景對比度較低,容易造成缺陷漏檢。分段線性變換法變換后的圖像比較平滑、圖像不失真、實現較簡單[16]。采用分段線性變換對輸入模型訓練的鋰電池極片進行IEP,分段線性變換的公式為

式中:f(x,y)為原始圖像的像素值;a、b為原始圖像的像素節點;c、d為分段線性變換后圖像的像素節點;Mg、Mf分別為原始圖像與分段線性變換后圖像的最大像素值。

設置分段線性變換參數a=20、b=100、c=30、d=200、Mg=Mf。鋰電池極片圖像增強前后對比如圖2所示。對比圖2(a)、圖2(b)可知,鋰電池極片的劃痕和黑斑缺陷與涂布背景對比度明顯增強。

圖2 鋰電池極片IEP對比

2.2.2 DSC DSC分為深度卷積和點卷積兩部分。深度卷積部分,每個通道作為一個小組與對應卷積核進行卷積操作;點卷積部分,多個特征圖通過點卷積整合信息并串聯輸出[17]。DSC參數計算量C1與標準卷積的參數計算量C2之比為

式中:H×W為輸入特征圖的大小;M為輸入通道數;N為輸出通道數;K×K為卷積核的大小;H′×W′為輸出特征圖的大小。

若輸入特征圖大小為5×5×3、輸出特征圖大小為3×3×4、卷積核大小為3×3(即K=3)、步長為1且不進行補邊填充,則DSC參數計算量約為標準卷積參數計算量的1/3,但可能會使模型準確率略微下降[18]。使用DSC替換CBS模塊中的標準卷積,減少了參數計算量,提高了目標檢測速度。

2.2.3 CBAM CBAM 是一種通用的輕量化注意力模塊,可直接集成到YOLOv5網絡中,與原網絡一起進行端到端的訓練。CBAM 分為通道注意力模塊(Channel Attention Module,CAM)和空間注意力模塊(Spatial Attention Module,SAM)兩部分,分別在通道維度和空間維度上加強重要特征并抑制相對不重要的特征[19]。在YOLOv5的骨干網絡與多尺度特征融合模塊之間添加CBAM,增強網絡對空間和通道的關注度,提升模型的特征表達能力,CBAM 的結構如圖3所示。

圖3 CBAM 結構

原輸入特征F與一維通道注意力圖譜MC進行逐元素相乘,得到通道注意力特征F′,其計算過程為

通道注意力特征F′與二維空間注意力圖譜MS進行逐元素相乘,得到輸出特征F″,其計算過程為

圖4 改進后的YOLOv5網絡結構

3 實驗結果與分析

3.1 實驗條件與評價指標

實驗均在操作系統為Ubuntu的高性能服務器上完成,顯卡為NVIDIA Tesla P100 PCIE,16 GB顯存,模型框架為Py Torch,編程語言為Python。訓練過程中采用隨機梯度下降法對網絡進行訓練,設置實驗參數如表2所示。

表2 實驗參數

在鋰電池極片缺陷檢測的過程中,采用平均準確率、平均精度均值、幀率、網絡權重(Weight)、參數量(Parameters)以及浮點運算量(Floating Point Operations,FLOPs)作為目標檢測模型的評價指標。幀率表示檢測模型每秒鐘可以檢測的圖片數量;準確率與召回率(P-R)曲線為模型在準確率與召回率之間的平衡,對每一個缺陷類別,定義該缺陷的PA為P-R曲線下方的面積;PmA表示所有缺陷類別的平均精度均值。計算表達式如下:

式中:P為準確率;R為召回率;TP、FP、FN分別為真正樣本、假正樣本和假負樣本的數量;P(R)為P-R曲線函數;N為所有類別的數量。

3.2 訓練過程與實驗結果分析

設置兩組對比實驗,第1組為改進算法對模型檢測性能的影響,第2組為改進算法與主流檢測算法檢測性能的對比。

根據表2設置模型參數,改進前后損失值變化對比如圖5所示。由圖可知,改進后的(YOLOv5-IDCM)算法相比原始YOLOv5算法損失值略有下降,訓練次數小于50時,損失值下降較快;隨著訓練次數的增加,損失值逐漸降低并趨于平穩;當訓練次數達到150次時,損失值穩定且模型收斂。

圖5損失曲線

3.2.1 改進方法對模型檢測性能的影響 改進方法對模型檢測性能的影響如表3所示,其中模型A為原始的YOLOv5模型,模型B、C、D、E分別為模型A 的基礎上遞進增加IEP、DSC、CBAM 以及MDS。由模型A、B可知,IEP使平均精度均值提高1.6%,驗證了增強缺陷與背景的對比度可提升檢測精度;對比模型B與C可知,DSC替換CBS模塊中的標準卷積,可使模型C的參數量和浮點運算量分別降低到模型B的65.3%、69.5%,代價僅為平均精度均值降低0.8%;對比模型C 與D 可知,引入CBAM 后,有效提升平均精度均值達1.1%;對比模型D與E可知,MDS以更大的特征圖來檢測小目標,可使平均精度均值提升0.5%;對比模型A與E可知,在原始YOLOv5基礎上提出的4種改進方法,使模型平均精度均值提升2.4%,參數量僅有原始YOLOv5的71.8%,便于模型輕量化部署,代價則為浮點運算量小幅提高0.9 GFLOPs。

表3 改進方法對模型檢測性能的影響

改進前后檢測效果對比如圖6所示,圖6(a)、圖6(d)、圖6(g)為原始圖像;圖6(b)、圖6(e)、圖6(h)為原始YOLOv5算法檢測的結果;圖6(c)、圖6(f)、圖6(i)為YOLOv5-IDCM 算法檢測結果。由圖可知,YOLOv5-IDCM 算法對黑斑與劃痕等小目標缺陷的檢測效果優于原始YOLOv5算法,且對目標缺陷的檢測置信度更高。3.2.2 不同目標檢測模型性能對比 基于鋰電池極片缺陷數據集,將YOLOv5-IDCM 算法與SSD、Faster R-CNN、YOLOv4、YOLOv5等目前常用的目標檢測算法進行對比,分析各種算法的性能,結果如表4所示。

圖6 檢測效果對比

表4 不同目標檢測模型性能對比

由表4可知,YOLOv5-IDCM 算法在平均精度均值、幀率與網絡權重等方面均優于單階段目標檢測算法SSD 與雙階段目標檢測算法Faster R-CNN;YOLOv5-IDCM 算法的平均精度均值為93.1%,相較于YOLO 系列的單階段目標檢測算法YOLOv4和YOLOv5分別提高了2.2%、2.4%;YOLOv5-IDCM 算法的幀率為106 f·s-1,相比原始YOLOv5算法減少了6 f·s-1;YOLOv5-IDCM算法的網絡權重為10.3 MB,與其他主流檢測算法相比,具備一定的優勢;結合5類鋰電池極片缺陷的平均準確率,YOLOv5-IDCM 算法在檢測劃痕和黑斑等小目標缺陷時,相較于原始YOLOv5算法的劃痕與黑斑平均準確率分別提升6.8%、2.1%,驗證了本文改進算法可以增強模型對小目標缺陷的檢測性能。

4 結 論

本文將YOLOv5算法引入鋰電池極片缺陷目標檢測中,并在原YOLOv5模型基礎上增加IEP,提高圖像對比度;采用DSC降低模型參數,提升檢測速度;添加CBAM 增強網絡對空間和通道的關注度,提高模型的特征表達能力;利用MDS保留小目標缺陷的特征信息,提升模型的檢測性能。與其他常用的目標檢測算法相比,YOLOv5-IDCM算法檢測鋰電池極片缺陷的平均精度均值較高;網絡權重縮減至最小;幀率相較于原始YOLOv5算法雖略微下降,但提高了鋰電池極片小目標缺陷的精度。下一步將擴充鋰電池極片缺陷數據集樣本,增加鋰電池極片缺陷檢測的種類,并將模型部署到嵌入式設備中,實現鋰電池極片缺陷的實時檢測。