CN117765335A - 基于随机卷积增强的yolo锂电池外观检测方法 - Google Patents
基于随机卷积增强的yolo锂电池外观检测方法 Download PDFInfo
- Publication number
- CN117765335A CN117765335A CN202311833959.9A CN202311833959A CN117765335A CN 117765335 A CN117765335 A CN 117765335A CN 202311833959 A CN202311833959 A CN 202311833959A CN 117765335 A CN117765335 A CN 117765335A
- Authority
- CN
- China
- Prior art keywords
- convolution
- lithium battery
- yolo
- appearance
- random
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 69
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 46
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 28
- 230000007547 defect Effects 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000004519 manufacturing process Methods 0.000 abstract description 8
- 238000003908 quality control method Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000011031 large-scale manufacturing process Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开的一种基于随机卷积增强的YOLO锂电池外观检测方法，包括获取原始样本，将原始样本进行比例划分，得到训练样本与测试样本；通过训练样本进行在线随机卷积进行训练YOLO，得到训练后的模型；通过测试样本对训练后的模型进行测试，并对测试结果进行验证，得到最优指标模型；通过最优指标模型对锂电池外观进行检测；基于随机卷积增强的YOLO锂电池外观检测技术在锂电池制造和质量控制领域具有重要的应用前景，能够提供更高效、准确的检测工具和方法，帮助相关行业改进生产流程和产品质量。
Description
技术领域
本发明涉及计算机视觉与人工智能领域，更具体的，涉及一种基于随机卷积增强的YOLO锂电池外观检测方法。
背景技术
近年来，随着人工智能和计算机视觉技术的迅猛发展，图像识别和检测领域取得了显著的进展。特别是在物体检测和识别方面，YOLO(You Only Look Once)算法以其高效的实时性能和准确度受到广泛关注。
另一方面，锂电池作为一种重要的能源存储装置，在电动汽车、移动设备和可再生能源等领域得到广泛应用。然而，锂电池外观缺陷的检测一直是一个挑战，因为传统的检测方法往往耗时且不够准确。YOLO算法：YOLO(You Only Look Once)算法是一种基于深度学习的实时目标检测算法。它通过将目标检测问题转化为回归问题，实现了高效的实时检测。YOLO算法在物体检测领域已被广泛应用。
锂电池外观检测技术：目前，针对锂电池外观缺陷的检测，已经有一些方法和技术被提出。例如，传统的图像处理和机器学习方法，如基于特征提取和分类器的方法，用于检测锂电池外观缺陷。然而，这些方法往往存在检测准确率不高和耗时的问题。
数据增强技术：数据增强是一种通过对训练数据进行变换和扩充，以增加训练样本多样性和模型鲁棒性的方法。随机卷积增强是一种常用的数据增强技术之一，通过在卷积神经网络中引入随机性，提高模型对输入图像的泛化能力。
传统的锂电池外观检测方法通常依赖于人工特征提取和分类器，这种方法存在着特征选择的主观性和局限性。人工特征提取需要经验丰富的专业人员，并且对于复杂的外观缺陷往往无法提供准确的检测结果。
现有深度学习模型在面对与训练数据略微不同的输入时，往往表现出较低的鲁棒性，导致模型的泛化能力受到限制。这意味着模型对于噪声、图像变换或其他未知干扰的容忍能力较弱。此外，
传统的数据增强技术往往只是简单地对图像进行旋转、翻转或缩放等操作，无法提供对输入图像的更细粒度的变化和扰动。这使得模型在面对新的、稍微不同于训练数据的图像时，容易出现泛化能力不足的问题。
发明内容
为了解决上述至少一个技术问题，本发明提出了一种基于随机卷积增强的YOLO锂电池外观检测方法。
本发明第一方面提供了一种基于随机卷积增强的YOLO锂电池外观检测方法，包括：
获取原始样本，将原始样本进行比例划分，得到训练样本与测试样本；
通过训练样本进行在线随机卷积进行训练YOLO，得到训练后的模型；
通过测试样本对训练后的模型进行测试，并对测试结果进行验证，得到最优指标模型；
通过最优指标模型对锂电池外观进行检测。
本发明一个较佳实施例中，随机划分数据集80％为训练数据集，20％为测试数据集。
本发明一个较佳实施例中，预定义卷积库δ＝{卷积，深度可分离卷积，空洞卷积}，及卷积核尺寸库K＝{1，...，n}，随机卷积概率阈值α；
随机以P(α)的概率进行随机卷积，对于随机卷积流程的图片，随机从卷积库中采样一类卷积方式Cn，从卷积核中采样尺寸kn，融合比例为β～U(0，0.5)。
本发明一个较佳实施例中，随机卷积的具体步骤如下：
在卷积库内随机选取卷积核；
对于图片I进行随机卷积数据增强，在保证语义结构的情况下，对图像低频信息进行扩展，将扩展后的图像Irc以P(β)的比例加入原始图片，计算公式如下：
Irc＝β*I+(1-β)*(I*Cn)。
本发明一个较佳实施例中，使用随机卷积的图像Irc和原始图像I训练YOLO模型；YOLO模型的损失函数包括：矩形框损失函数或置信度损失，分类损失分别使用均方误差最小化一致性损失函数，KL散度一致性损失函数对齐；矩形框损失函数在训练的过程中对模型的检测矩形框和标签矩形框进行优化，其形式为：
其中IOU为YOLO预测检测框和标签检测框的交并比，No为每个Epoch中的检测框的总数。
进一步的，对于随机卷积的图像和原始图像，通过预测检测框和标签检测框的对比，分别对得到随机卷积图片的检测框损失和原始图片的检测框损失/>进行均方差一致性的优化：
其中||*||2为均方差损失。
本发明一个较佳实施例中，置信度损失函数强迫模型对缺陷的存在与否进行二分类，形式如下：
其中，为矩形框对应的前景/背景真实标签，pi为模型预测的矩形框前景概率；对于Irc和图像I的对应模型预测的置信度损失，使用均方差损失对齐：
其中为原始图像中的检测置信度，/>为随机卷积图像中的检测置信度。
本发明一个较佳实施例中，采用交叉熵损失函数对缺陷类别进行分类，其形式为：
其中C为缺陷数量，yj为检测实例为第j类的概率，为检测实例为第j类的概率；对于Irc和图像I的检测结果，使用KL损失函数进行拉齐:
其中为原始图片I检测实例为第j类的概率，/>为随机卷积Irc检测实例为第j类的概率。
本发明一个较佳实施例中，将多个损失函数进行整合处理得到优化目标，公式如下：
其中α1～6为各项的加权系数。
本发明的上述技术方案相比现有技术具有以下优点：
(1)本申请采用了随机卷积增强方法，通过引入随机性和变化性来增强模型的泛化能力。这样可以更好地应对锂电池外观的各种变化和复杂情况，提高了检测的准确性。相比传统的数据增强手段，在线随机卷积能够更好地适应锂电池外观的多样性，识别并捕捉更多的缺陷和异常。
(2)采用YOLO算法一次性对整个图像进行目标检测，避免了传统滑动窗口的复杂计算过程，从而大幅提升了检测的速度和效率。通过引入随机卷积增强，可以在保持准确性的同时进一步优化计算效率，提高检测速度和响应时间，适应大规模生产线上的高效检测需求。
(3)基于随机卷积增强的YOLO锂电池外观检测技术依托深度学习和计算机视觉的先进算法，实现了对锂电池外观缺陷的自动化检测和识别。通过训练模型，使其具备学习和适应新的缺陷模式的能力，实现智能化的外观检测，该技术的自动化和智能化特性，减少了人力资源的投入，提高了检测的一致性和稳定性。
(4)在锂电池制造和质量控制领域，准确检测和识别外观缺陷对于产品质量至关重要。基于随机卷积增强的YOLO锂电池外观检测技术能够快速、准确地发现和记录锂电池外观中的缺陷和异常，为质量控制提供可靠的工具。及时发现和处理缺陷可以降低次品率，提高产品质量和可靠性。
(5)基于随机卷积增强的YOLO锂电池外观检测技术在锂电池制造和质量控制领域具有重要的应用前景，能够提供更高效、准确的检测工具和方法，帮助相关行业改进生产流程和产品质量。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的一些附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例基于随机卷积增强的YOLO锂电池外观检测方法示意图；
图2是本发明实施例随机卷积的流程图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
实施例一
参见图1-2所示，本发明提出一种基于随机卷积增强的YOLO锂电池外观检测方法，包括：
获取原始样本，将原始样本进行比例划分，得到训练样本与测试样本；
通过训练样本进行在线随机卷积进行训练YOLO，得到训练后的模型；
通过测试样本对训练后的模型进行测试，并对测试结果进行验证，得到最优指标模型；
通过最优指标模型对锂电池外观进行检测。
需要说明的是，随机卷积数据增强是一种在训练过程中使用随机初始化卷积核对图像进行变换的数据增强工具。它的目的是通过引入随机性和变化来增强训练数据集，使深度学习模型更好地适应不同的图像变化情况。随机卷积数据增强可以为每个训练样本生成具有不同变化和扰动的图像。这样可以增加训练数据集的多样性，提供更多样化的输入样本给模型进行训练。这种随机性和变化可以帮助模型学习更鲁棒的特征，提高模型的泛化能力。
根据本发明实施例，随机划分数据集80％为训练数据集，20％为测试数据集。
根据本发明实施例，预定义卷积库δ＝{卷积，深度可分离卷积，空洞卷积}，及卷积核尺寸库K＝{1，...，n}，随机卷积概率阈值α；
随机以P(α)的概率进行随机卷积，对于随机卷积流程的图片，随机从卷积库中采样一类卷积方式Cn，从卷积核中采样尺寸kn，融合比例为β～U(0，0.5)。
根据本发明实施例，随机卷积的具体步骤如下：
在卷积库内随机选取卷积核；
对于图片I进行随机卷积数据增强，在保证语义结构的情况下，对图像低频信息进行扩展，将扩展后的图像Irc以P(β)的比例加入原始图片，计算公式如下：
Irc＝β*I+(1-β)*(I*Cn)。
根据本发明实施例，使用随机卷积的图像Irc和原始图像I训练YOLO模型；YOLO模型的损失函数包括：矩形框损失函数或置信度损失，分类损失分别使用均方误差最小化一致性损失函数，KL散度一致性损失函数对齐；矩形框损失函数在训练的过程中对模型的检测矩形框和标签矩形框进行优化，其形式为：
其中IOU为YOLO预测检测框和标签检测框的交并比，No为每个Epoch中的检测框的总数。
根据本发明实施例，置信度损失函数强迫模型对缺陷的存在与否进行二分类，形式如下：
其中，为矩形框对应的前景/背景真实标签，pi为模型预测的矩形框前景概率；对于Irc和图像I的对应模型预测的置信度损失，使用均方差损失对齐：
其中为原始图像中的检测置信度，/>为随机卷积图像中的检测置信度。
根据本发明实施例，采用交叉熵损失函数对缺陷类别进行分类，其形式为：
其中c为缺陷数量，yj为检测实例为第j类的概率，为检测实例为第j类的概率；对于Irc和图像I的检测结果，使用KL损失函数进行拉齐:
其中为原始图片I检测实例为第j类的概率，/>为随机卷积Irc检测实例为第j类的概率。
根据本发明实施例，将多个损失函数进行整合处理得到优化目标，公式如下：
其中α1～6为各项的加权系数。
综上所述，本申请采用了随机卷积增强方法，通过引入随机性和变化性来增强模型的泛化能力。这样可以更好地应对锂电池外观的各种变化和复杂情况，提高了检测的准确性。相比传统的数据增强手段，在线随机卷积能够更好地适应锂电池外观的多样性，识别并捕捉更多的缺陷和异常。
采用YOLO算法一次性对整个图像进行目标检测，避免了传统滑动窗口的复杂计算过程，从而大幅提升了检测的速度和效率。通过引入随机卷积增强，可以在保持准确性的同时进一步优化计算效率，提高检测速度和响应时间，适应大规模生产线上的高效检测需求。
基于随机卷积增强的YOLO锂电池外观检测技术依托深度学习和计算机视觉的先进算法，实现了对锂电池外观缺陷的自动化检测和识别。通过训练模型，使其具备学习和适应新的缺陷模式的能力，实现智能化的外观检测，该技术的自动化和智能化特性，减少了人力资源的投入，提高了检测的一致性和稳定性。
在锂电池制造和质量控制领域，准确检测和识别外观缺陷对于产品质量至关重要。基于随机卷积增强的YOLO锂电池外观检测技术能够快速、准确地发现和记录锂电池外观中的缺陷和异常，为质量控制提供可靠的工具。及时发现和处理缺陷可以降低次品率，提高产品质量和可靠性。
基于随机卷积增强的YOLO锂电池外观检测技术在锂电池制造和质量控制领域具有重要的应用前景，能够提供更高效、准确的检测工具和方法，帮助相关行业改进生产流程和产品质量。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对上述实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的上述实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种基于随机卷积增强的YOLO锂电池外观检测方法，其特征在于，包括：
获取原始样本，将原始样本进行比例划分，得到训练样本与测试样本；
通过训练样本进行在线随机卷积进行训练YOLO，得到训练后的模型；
通过测试样本对训练后的模型进行测试，并对测试结果进行验证，得到最优指标模型；
通过最优指标模型对锂电池外观进行检测。
2.根据权利要求1所述的基于随机卷积增强的YOLO锂电池外观检测方法，其特征在于，随机划分数据集80％为训练数据集，20％为测试数据集。
3.根据权利要求2所述的基于随机卷积增强的YOLO锂电池外观检测方法，其特征在于，预定义卷积库δ＝{卷积，深度可分离卷积，空洞卷积}，及卷积核尺寸库K＝{1，…，n}，随机卷积概率阈值α；
随机以P(α)的概率进行随机卷积，对于随机卷积流程的图片，随机从卷积库中采样一类卷积方式Cn，从卷积核中采样尺寸kn，融合比例为β～U(0，0.5)。
4.根据权利要求3所述的基于随机卷积增强的YOLO锂电池外观检测方法，其特征在于，随机卷积的具体步骤如下：
在卷积库内随机选取卷积核；
对于图片I进行随机卷积数据增强，在保证语义结构的情况下，对图像低频信息进行扩展，将扩展后的图像Irc以P(β)的比例加入原始图片，计算公式如下：
Irc＝β*I+(1-β)*(I*Cn)。
5.根据权利要求1所述的基于随机卷积增强的YOL0锂电池外观检测方法，其特征在于，使用随机卷积的图像Irc和原始图像I训练YOL0模型；YOL0模型的损失函数包括：矩形框损失函数或置信度损失，分类损失分别使用均方误差最小化一致性损失函数，KL散度一致性损失函数对齐；矩形框损失函数在训练的过程中对模型的检测矩形框和标签矩形框进行优化，其形式为：
其中IOU为YOLO预测检测框和标签检测框的交并比，No为每个Epoch中的检测框的总数。
6.根据权利要求1所述的基于随机卷积增强的YOLO锂电池外观检测方法，其特征在于，置信度损失函数强迫模型对缺陷的存在与否进行二分类，形式如下：
其中，为矩形框对应的前景/背景真实标签，pi为模型预测的矩形框前景概率；对于Irc和图像I的对应模型预测的置信度损失，使用均方差损失对齐：
其中为原始图像中的检测置信度，/>为随机卷积图像中的检测置信度。
7.根据权利要求1所述的基于随机卷积增强的YOLO锂电池外观检测方法，其特征在于，采用交叉熵损失函数对缺陷类别进行分类，其形式为：
其中C为缺陷数量，yj为检测实例为第j类的概率，为检测实例为第j类的概率；对于Irc和图像I的检测结果，使用KL损失函数进行拉齐：
其中为原始图片I检测实例为第j类的概率，/>为随机卷积Irc检测实例为第j类的概率。
8.根据权利要求7所述的基于随机卷积增强的YOLO锂电池外观检测方法，其特征在于，将多个损失函数进行整合处理得到优化目标，公式如下：
其中α1～ 6为各项的加权系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311833959.9A CN117765335A (zh) | 2023-12-28 | 2023-12-28 | 基于随机卷积增强的yolo锂电池外观检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311833959.9A CN117765335A (zh) | 2023-12-28 | 2023-12-28 | 基于随机卷积增强的yolo锂电池外观检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117765335A true CN117765335A (zh) | 2024-03-26 |
Family
ID=90320021
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311833959.9A Pending CN117765335A (zh) | 2023-12-28 | 2023-12-28 | 基于随机卷积增强的yolo锂电池外观检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117765335A (zh) |
-
2023
- 2023-12-28 CN CN202311833959.9A patent/CN117765335A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Solar cell surface defect inspection based on multispectral convolutional neural network | |
| CN110363122B (zh) | 一种基于多层特征对齐的跨域目标检测方法 | |
| CN106845510B (zh) | 基于深度层级特征融合的中国传统视觉文化符号识别方法 | |
| CN103605972B (zh) | 一种基于分块深度神经网络的非限制环境人脸验证方法 | |
| Warburg et al. | Bayesian triplet loss: Uncertainty quantification in image retrieval | |
| CN102915453B (zh) | 一种实时反馈更新的车辆检测方法 | |
| CN103177265B (zh) | 基于核函数与稀疏编码的高清图像分类方法 | |
| Zhang et al. | Large-scale aerial image categorization using a multitask topological codebook | |
| CN117103790A (zh) | 瓦楞纸板生产线及其控制方法 | |
| CN110765285A (zh) | 基于视觉特征的多媒体信息内容管控方法及系统 | |
| CN117011274A (zh) | 自动化玻璃瓶检测系统及其方法 | |
| CN113658108A (zh) | 一种基于深度学习的玻璃缺陷检测方法 | |
| CN110796260B (zh) | 一种基于类扩张学习的神经网络模型优化方法 | |
| CN111882000A (zh) | 一种应用于小样本细粒度学习的网络结构及方法 | |
| CN117456232A (zh) | 一种基于多尺度特征的半监督少样本图像分类方法 | |
| Pryor et al. | Deepfake detection analyzing hybrid dataset utilizing CNN and SVM | |
| Tong et al. | Robust facial expression recognition based on local tri-directional coding pattern | |
| CN114580571B (zh) | 一种基于迁移互学习的小样本电力设备图像分类方法 | |
| Sun et al. | Sample hardness guided softmax loss for face recognition | |
| CN117765335A (zh) | 基于随机卷积增强的yolo锂电池外观检测方法 | |
| Nayak et al. | Effective PCB Defect Detection Using Stacked Autoencoder with Bi-LSTM Network. | |
| CN113095235B (zh) | 一种基于弱监督判别机制的图像目标检测方法、系统及装置 | |
| CN115272688A (zh) | 一种基于元特征的小样本学习图像分类方法 | |
| Li et al. | A pre-training strategy for convolutional neural network applied to Chinese digital gesture recognition | |
| Haque et al. | Real time object detection based on YOLO with feature filter bank |
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 |