SD-YOLO:一种轻量级模型,用于在复杂环境中检测新能源汽车中的电池的小目标缺陷

科学领域:

• 材料科学 材料科学 材料科学
• 电气工程 电气工程
• 计算机视觉 计算机视觉

背景情况:

• 电池对于新能源汽车 (NEV) 来说至关重要.
• 在电池中检测小表面缺陷是具有挑战性的,因为对比度低,物体大小小小.
• 对于这些缺陷,传统方法往往有很高的失误率.

研究的目的:

• 开发一种新的缺陷检测模型,小物体检测-YOLO (SD-YOLO),用于改进电池的小表面缺陷识别.
• 解决现有方法在检测低对比度,小规模缺陷方面的局限性.
• 为了提高缺陷检测的精度,回忆和平均平均精度 (mAP).

主要方法:

• 该研究提出了基于YOLOv11的SD-YOLO,集成相似感知激活模块 (SimAM) 来增强小缺陷的特征提取.
• C3k2 GhostDynamicConv 模块取代了传统的卷积,以改善特征表示和减少计算负载.
• 使用焦点器-IoU损失函数来优化界限框回归并加速模型融合.

主要成果:

• 与原始YOLOv11.11相比,SD-YOLO显示精度增加了1.3%,回忆增加了0.5%,mAP增加了2.2%.
• 该模型在检测速度 (FPS) 和小目标检测能力方面表现出卓越的性能,与最先进的方法相比.
• 在优先考虑小规模缺陷和整体特征提取方面观察到显著的改进.

结论:

• 拟议的SD-YOLO模型在电池中自动检测小表面缺陷方面取得了重大进展.
• 整合SimAM,C3k2GhostDynamicConv和Focaler-IoU损失有效地提高了检测性能和效率.
• SD-YOLO为新能源汽车电池制造业的质量控制提供了强大的解决方案.