改进 YOLOv5 的新能源电池集流盘缺陷检测方法

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,mAP 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。     

SGCNet:一种轻量化的新能源汽车电池集流盘缺陷检测模型

集流盘作为新能源汽车电池的重要组成部件,其质量好坏关系到电池的性能,对车内人员的生命安全有着重要影响。实际工业应用中,在有限的计算资源下对电池集流盘缺陷进行实时检测是一项具有挑战性的任务。为了减小模型大小和计算量,降低应用成本,本文提出一种轻量化的新能源汽车电池集流盘缺陷检测模型(SGCNet)。首先,采用ShuffleNet V2作为主干特征提取网络,采用分组卷积和通道重排技术,在提取有效特征的同时降低计算复杂度,降低参数量。其次,设计了轻量化的特征融合网络GC-FPN,采用轻量级GhostNet和CARAFE上采样算子,在减少参数冗余和保证检测精度的情况下充分保留特征图的语义信息,从而降低了计算成本。实验结果表明,SGCNet模型检测准确率达到了90.6%,模型大小为3.2 M,GFLOPs仅为3.6,帧率达到了178.6 fps。与目前先进的轻量化网络模型相比,具有较高检测精度和较低的计算量。最后,在嵌入式平台NVIDIA Jetson Nano上部署SGCNet模型,进行实时检测,每张图片的检测时间为0.07 s,满足实际工业中电池集流盘缺陷检测任务对精度和实时性的要求。     

改进YOLOv5的复杂环境道路目标检测方法

为解决复杂环境下道路目标检测任务中由于目标尺度变化多样、密集遮挡以及光照不均匀等导致的漏检问题，提出了一种基于YOLOv5的道路目标检测改进方法 CTC-YOLO(contextual transformer and convolutional block attention module based on YOLOv5)。针对小目标，改进网络检测头结构，增加多尺度目标检测层，提高小目标检测精度。为了充分利用输入的上下文信息，在特征提取部分引入上下文变换模块（contextual transformer networks,CoTNet），设计了CoT3模块，引导动态注意力矩阵学习，提高视觉表征能力。在Neck部分的C3模块集成卷积块注意力模型（convolutional block attention module,CBAM），以在各种复杂的场景中找到注意力区域。为进一步验证CTC-YOLO方法，采取了一些有用的策略，如模型集成位置选择和对比其他注意力机制。实验结果表明，在公开数据集KITTI、Cityscapes以及BDD100K上mAP@0.5分别达到89.6%、46.1%和57....