哪里有网站建设商家,广州推广优化,企业网站上的工资表怎么做,天津建设工程信息网官网入口前言此前出了目标改进算法专栏#xff0c;但是对于应用于什么场景#xff0c;需要什么改进方法对应与自己的应用场景有效果#xff0c;并且多少改进点能发什么水平的文章#xff0c;为解决大家的困惑#xff0c;此系列文章旨在给大家解读最新目标检测算法论文#xff0c;…前言此前出了目标改进算法专栏但是对于应用于什么场景需要什么改进方法对应与自己的应用场景有效果并且多少改进点能发什么水平的文章为解决大家的困惑此系列文章旨在给大家解读最新目标检测算法论文帮助大家解答疑惑。解读的系列文章本人已进行创新点代码复现有需要的朋友可关注私信我。本文仅对论文代码实现如果原文章的作者觉得不方便请联系删除尊重每一位论文作者。一、摘要针对新能源汽车电池集流盘中因目标缺陷分布杂乱、尺寸跨度大和特征模糊而易出现误检、漏检的问题提出一种基于多尺度可变形卷积的YOLOv5方法YOLOv5s-4Scale-DCN以用于汽车电池集流盘缺陷检测。首先针对不同尺度的缺陷目标在YOLOv5模型的基础上新增检测层通过捕获不同尺度缺陷的特征以及融合不同深度的语义特征提高对不同尺度缺陷目标的检测率其次引入可变形卷积扩大特征图的感受野使提取的特征辨析力更强有效地提高了模型的缺陷识别能力。实验结果表明所提的YOLOv5s-4Scale-DCN算法可以有效检测新能源汽车电池集流盘缺陷m AP达到了91%相较原算法提高了2.5%FPS达到了113.6重度不良和无盖缺陷这两种类别的缺陷检测召回率达到了100%满足新能源汽车电池集流盘缺陷实时检测要求。 二、网络模型及核心创新点1.新增检测层 2.引入可形变卷积
第二步定义yaml网络结构文件。
python
# YOLOv5 by Ultralytics, GPL-3.0 license# Parameters
nc: 4 # number of classes
depth_multiple: 0.33 # model depth multiple
width_multiple: 0.50 # layer channel multiple
anchors:- [10,13, 16,30, 33,23] # P3/8- [30,61, 62,45, 59,119] # P4/16- [116,90, 156,198, 373,326] # P5/32# YOLOv5 v6.0 backbone
backbone:# [from, number, module, args][[-1, 1, Conv, [64, 6, 2, 2]], # 0-P1/2[-1, 1, DCNConv, [128, 3, 2]], # 1-P2/4[-1, 3, C3, [128]],[-1, 1, Conv, [256, 3, 2]], # 3-P3/8[-1, 6, C3, [256]],[-1, 1, Conv, [512, 3, 2]], # 5-P4/16[-1, 9, C3, [512]],[-1, 1, Conv, [1024, 3, 2]], # 7-P5/32[-1, 3, C3, [1024]],[-1, 1, SPPF, [1024, 5]], # 9]# YOLOv5 v6.0 head
head:[[-1, 1, Conv, [512, 1, 1]],[-1, 1, nn.Upsample, [None, 2, nearest]],[[-1, 6], 1, Concat, [1]], # cat backbone P4[-1, 3, C3, [512, False]], # 13[-1, 1, Conv, [256, 1, 1]],[-1, 1, nn.Upsample, [None, 2, nearest]],[[-1, 4], 1, Concat, [1]], # cat backbone P3[-1, 3, C3, [256, False]], # 17 (P3/8-small)[-1, 1, Conv, [256, 3, 2]],[[-1, 14], 1, Concat, [1]], # cat head P4[-1, 3, C3, [512, False]], # 20 (P4/16-medium)[-1, 1, Conv, [512, 3, 2]],[[-1, 10], 1, Concat, [1]], # cat head P5[-1, 3, C3, [1024, False]], # 23 (P5/32-large)[[17, 20, 23], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5)] 三、应用数据集(模型构建过程本文实验所用的数据集为自行构建使用从生产线上收集的真实磷酸铁锂汽车电池集流盘缺陷数据由高分辨率巴斯勒工业相机在光线良好的室内环境下进行拍摄采集。原始图像分辨率为2448×2048在预处理阶段通过Python以电极孔为中心对原始图像进行裁剪去除无关背景保留有用信息截取之后的图像分辨率为1250×1200。使用Lableme数据标注工具对图片进行标注标注后自动生成JSON格式的文件文件名与图片名始终保持一致。图8为良品图像和常见的5种新能源汽车电池集流盘缺陷类型焊穿Weld through、焊偏Welding offset、无盖No cover、坏点Bad point、重度不良Severely bad。 四、实验效果部分展示为了评估算法性能我们将本文提出的YOLOv5s-4Scale-DCN改进算法与YOLOv5s、YOLOv5l、YOLOv5m、YOLOv5n、YOLOv5x、YOLOv7、YOLOv tiny、YOLOv7x、Faster R-CNN[26]和SSD[27]10种经典算法在自制据集上进行检测性能比较所有实验均在相同参数设置下进行。实验结果如表4所示由表4可知改进后的算法mAP达到了91.0%FPS达到了113.6相比其他算法综合效果最佳。五、实验结论综上所述改进后的YOLOv5s-4Scale-DCN算法漏检率低、误检率低、识别精度高、检测速度快综合性能更强有效降低了误检率、漏检率。六、投稿期刊介绍 注论文原文出自 陈彦蓉高刃吴文欢唐海袁磊改进YOLOv5的新能源电池集流盘缺陷检测方法[J/OL]电子测量与仪器学报. https://kns.cnki.net/kcms/detail/11.2488.TN.20230307.1403.010.html 解读的系列文章本人已进行创新点代码复现。
