[发明专利]一种基于图像深度学习的蓄电池缺陷检测方法及系统

权利要求书

1.一种基于图像深度学习的蓄电池缺陷检测方法，其特征在于：包括：

获取蓄电池外观的缺陷图像，按比例分为训练集和测试集；

基于YOLOv4的算法上，构建改进的YOLOv4检测模型，即VoLONet检测模型，所述VoLONet检测模型包括主干特征提取网络VoLO-Backbone、特征聚合网络VoLO-Neck和输出网络模块YOLO-Head；

将训练集中的缺陷数据图像传入VoLONet检测模型进行训练，保存最佳模型；

利用训练好的VoLONet检测模型对蓄电池外观的缺陷进行检测。

2.根据权利要求1所述的一种基于图像深度学习的蓄电池缺陷检测方法，其特征在于：所述主干特征提取网络VoLO-Backbone包括：Stem_stage模块和四个结构相同的OSA模块，每个所述OSA模块依次经过卷积核大小为3×3、步长为1、输出通道数为64的五次卷积操作后聚合形成64×5通道的第一特征图；所述第一特征图经过卷积核大小为1×1、步长为1的卷积操作后输出长度为256的第二特征图；所述第二特征图经过卷积核大小为3×3、步长为1的卷积操作后输出第三特征图。

3.根据权利要求1所述的一种基于图像深度学习的蓄电池缺陷检测方法，其特征在于：所述特征聚合网络VoLO-Neck包括卷积操作(conv)、特征聚合操作(cat)、上下采样操作(upsample、downsample)和空间金字塔池化操作(SPP)，每个所述特征聚合操作(cat)后嵌入改进的注意力模块CSAM，所述第三特征图依次通过卷积操作(conv)、特征聚合操作(cat)、嵌入改进的注意力模块CSAM、上下采样操作(upsample、downsample)和空间金字塔池化操作(SPP)后，得到融合后的特征图，将融合后的特征图输入至输出网络模块YOLO-Head后得到最终目标检测结果。

4.根据权利要求3所述的一种基于图像深度学习的蓄电池缺陷检测方法，其特征在于：所述注意力模块CSAM包括相互串联的CAM通道注意力模块和SAM空间注意力模块，所述输入特征图经过与CAM输出通道对应的权重向量CA相乘，得到添加了通道注意力的特征图middle features；所述特征图middle features输入SAM模块输出特征图上像素点的权重矩阵SA，将权重矩阵SA与特征图middle features相乘，得到最终输出特征图。

5.根据权利要求4所述的一种基于图像深度学习的蓄电池缺陷检测方法，其特征在于：所述CAM通道注意力模块分别经过最大池化maxpool处理和平均池化avgpool处理，分别得到向量Vmax和向量Vavg，将所述向量Vmax和向量Vavg分别输入一个只有一个隐层的全连接网络MLP，得到输出向量V’max和输出向量V'avg，将输出向量V’max和输出向量V'avg相加后进行softmax函数，得到输入特征图每一个通道的权重。

6.一种基于图像深度学习的蓄电池缺陷检测系统，其特征在于：包括：

数据获取单元：获取蓄电池外观的缺陷图像，按比例分为训练集和测试集；

模型构建单元：基于YOLOv4的算法上，构建改进的YOLOv4检测模型，即VoLONet检测模型，所述VoLONet检测模型包括主干特征提取网络VoLO-Backbone、特征聚合网络VoLO-Neck和输出网络模块YOLO-Head；

训练单元：将训练集中的缺陷数据图像传入VoLONet检测模型进行训练，保存最佳模型；

检测单元：利用训练好的VoLONet检测模型对蓄电池外观的缺陷进行检测。