控制与决策

作者：李雅雯,孙浩然,胡跃明,韩有军

单位：华南理工大学 自动化科学与工程学院,广州 510640;精密电子制造装备教育部工程研究中心 广东省高端芯片智能封测装备工程实验室,广州 510640,,华南理工大学 自动化科学与工程学院,广州 510640;精密电子制造装备教育部工程研究中心 广东省高端芯片智能封测装备工程实验室,广州 510640,,华南理工大学 自动化科学与工程学院,广州 510640;精密电子制造装备教育部工程研究中心 广东省高端芯片智能封测装备工程实验室,广州 510640,,华南理工大学 自动化科学与工程学院,广州 510640;精密电子制造装备教育部工程研究中心 广东省高端芯片智能封测装备工程实验室,广州 510640,

关键词：锂离子电池;电极缺陷检测;注意力机制;稠密特征金字塔网络;空洞卷积池化金字塔;YOLOv4

基金：国家自然科学基金项目(61573146)；国家重大科技专项(2014ZX02503).

为了满足锂离子电池电极缺陷检测精度与实时性的需求,解决电极图像背景噪声复杂、缺陷微小且对比度低等问题,提出一种基于注意力机制与多尺度特征融合的电极缺陷YOLO检测算法.在YOLOv4的基础上,首先,将SE(squeeze-and-excitation)注意力模块嵌入特征提取主干网络中,区分feature map中不同通道的重要性,强化目标区域的关键特征,提高网络的检测精度;其次,加入融合空洞卷积的池化金字塔(ASPP)结构,增大网络感受野的同时最大程度地保留多尺度特征信息,提高算法对小目标的检测性能;然后,设计一种多尺度稠密特征金字塔,在三尺度特征图的基础上增加一个浅层特征,采用稠密连接的方式融合特征,提升浅层细节特征与高级语义信息的融合能力,增强对微小缺陷特征的提取;最后,采用$ K $-means++算法聚类先验框,引入focal loss损失函数增大小目标样本的损失权重,有效提高网络学习的收敛速度.实验结果表明,所提算法较原YOLOv4模型的mAP值提升6.42%,较其他常用算法综合性能上有着较大的优势,可较好地满足实际工业生产的实时监测需求.

来源：2023年第9期

《控制与决策》期刊编辑部

查看控制与决策杂志2023年第9期