基于改进Unet网络的锂电池极片表面缺陷检测.pdf
《基于改进Unet网络的锂电池极片表面缺陷检测.pdf》由会员分享,可在线阅读,更多相关《基于改进Unet网络的锂电池极片表面缺陷检测.pdf(8页珍藏版)》请在咨信网上搜索。
1、doi:10.12052/gdutxb.220161基于改进Unet网络的锂电池极片表面缺陷检测陈晓荣,杨雪荣,成思源,刘国栋(广东工业大学机电工程学院,广东广州510006)摘要:为避免锂电池由于极片表面缺陷导致寿命缩短或出现安全事故等问题,需要研究高效准确的锂电池极片缺陷检测方法。本文使用结构简单的Unet语义分割网络对锂电池进行缺陷分割。为提高分割精度,首先用与Unet编码结构相似的VGG16替换原网络中的编码结构,以获取训练好的预训练权重;然后将简易的融合金字塔网络(SimplyFusionPyramidNetwork,SFPN)的特征融合模块加入Unet网络的跳跃连接上,避免特征图之
2、间出现较大的信息差异;最后运用标签平滑来优化损失函数,防止网络出现过拟合现象。通过实验验证,本文方法优化后的语义分割网络准确率提升至93.70%,误分割、分割不连续等现象出现概率明显降低,该优化流程具有一定实用价值。关键词:缺陷检测;Unet;特征融合;标签平滑中图分类号:TP391.41;TM912文献标志码:A文章编号:10077162(2023)04006007Surface Defect Detection of Lithium Battery Electrodes Based onImproved Unet NetworkChenXiao-rong,YangXue-rong,Chen
3、gSi-yuan,LiuGuo-dong(SchoolofElectromechanicalEngineering,GuangdongUniversityofTechnology,Guangzhou510006,China)Abstract:Inordertoavoidtheproblemsoflifeshorteningorsafetyaccidentscausedbythesurfacedefectsoflithiumbatteries,itisnecessarytostudyanefficientandaccuratemethodsforlithiumbatteryelectrodepl
4、atedefectdetection.Inthisresearch,thesimpleUnetsemanticsegmentationnetworkisusedtodetectdefectsoflithiumbattery.Inordertoimprovethesegmentationaccuracy,firstthecodingstructureintheoriginalnetworkisreplacedwithVGG16,whichissimilartotheUnetcodingstructure,toobtainthepre-trainingweightshadbeentrained.T
5、hen,featurefusionmoduleofthesimplyfusionpyramidnetwork(SFPN)isaddedtotheskipconnectionoftheUnetnetworktoavoidlargeinformationdifferencesbetweenfeaturemaps.Finally,labelsmoothingisappliedtooptimizethelossfunctiontopreventthenetworkfromoverfitting.Throughexperimentalverification,theaccuracyofthesemant
6、icsegmentationnetworkoptimizedbytheproposedmethodisimprovedto93.70%,andtheprobabilityoffalsesegmentationandsegmentationdiscontinuityissignificantlyreduced.Thisoptimizationprocesshascertainpracticalvalue.Key words:defectdetection;Unet;featurefusion;labelsmoothing作为锂电池的关键组成之一,极片在生产过程中受各种因素影响,可能会出现压痕、突
7、起、撕裂和金属材料污染等缺陷,这些缺陷将对电池性能产生极大影响1。因此,准确检测出极片表面的缺陷类别并定位是保障锂电池性能和安全性的重要环节。传统的人工检测方法由于效率低、人为因素影响较大等问题,不能满足现代化企业的生产需求。稳定且迅速的机器视觉检测的出现,很好地解决了人第40卷第4期广东工业大学学报Vol.40No.42023年7月Journal of Guangdong University of TechnologyJuly2023收稿日期:2022-10-27基金项目:广东省高等教育教学改革项目(粤教高函202020号);广东省研究生教育创新计划项目(2021JGXM043);校级“本
8、科教学工程”项目(广工大教字202022号)作者简介:陈晓荣(1998),男,硕士研究生,主要研究方向为虚拟现实通信作者:杨雪荣(1978),女,副教授,博士,硕士生导师,主要研究方向为逆向工程技术、计算机视觉检测技术,E-mail:工检测的不足,且不会对产品造成二次损伤,打开了工业智能化检测的大门2。但也存在环境因素影响较大、特征提取成本高、难以用一种算法处理全部缺陷等局限性3。深度学习可以自动从图像、视频或文本等样本数据中学习表征,从而调整网络模型的权重参数,实现自动提取目标表征的效果4。优秀的学习能力和鲁棒性,使其能够胜任缺陷检测问题。2012年ImageNet竞赛获胜者Hinton和他
9、的学生AlexKrizhevsky设计了深度学习网络AlexNet,让深度学习开发热浪席卷全球5,在那之后更多的优秀神经网络被提出。周佳禾等6先是将卷积神经网络与支持向量机结合,高效准确地对电池电极缺陷进行提取,但仅能识别区域内有无缺陷,属于二分类检测;然后又提出了一种方形卷绕式锂电池电极褶皱的检测方法,但不足的是该方法仅针对一种类型的缺陷7。黄梦涛等8提出了一种基于改进Canny算子的锂电池极片表面缺陷检测方法,能有效抑制虚假边缘,提取真实目标区域,但仍存在定位精度不足、研究样本类别少的问题。张旭9针对铝型材数据集的小缺陷召回率较低的问题,提出了一种改进Yolov3网络,有效提高了召回率。目
10、前,在锂电池极片表面缺陷检测中运用深度学习的参考资料较少,特别是对缺陷进行语义分割检测的研究更少。因此,本文针对像素分割级检测问题,提出一种对Unet结构进行多步优化以提升其分割精度的方法。首先构建缺陷数据集,然后根据应用领域对Unet网络结构进行相应调整优化,以适应工业级分割检测任务。最后通过实验验证调整优化后的模型,得到适合缺陷检测的Unet分割网络。1 技术路线使用原始Unet网络对缺陷进行分割,会出现少量的误分割、分割不连续等现象,为降低上述问题出现的概率,提升分割效果可信度,本文设计了语义分割技术路线流程,如图1所示。在图1的技术路线流程中,训练前需要先制作数据集并对数据集图像进行预
11、处理;然后搭建Unet网络。由于Unet网络使用的编码结构缺乏可迁移权重参数且跳跃连接处语义信息差异较大,本文提出采用编码结构替换和特征融合2种方式对网络结构进行优化,并在计算损失函数时采用标签平滑方法进行优化。3个优化阶段均需要经过开始训练、损失计算、反向传播3个步骤的循环过程直至满足停止训练的条件后退出循环。对测试集结果进行分析,得到当前阶段理想的Unet语义分割网络并进入下一阶段优化。对3个优化阶段实验结果进行分析,最终确定最佳优化方案。制作数据集图像预处理搭建Unet网络计算损失测试集结果分析满足停止训练条件理想不理想开始训练标签平滑编码结构替换优化方法反向传播不满足停止训练条件实现像
12、素级检测保存Unet网络特征融合图1语义分割技术路线流程Fig.1Semanticsegmentationtechnologyrouteprocess 2 数据集制作本文数据集的制作过程可分为3步:数据标注、数据增强10、数据集划分。在目标检测网络训练中,需要对原始图片进行人为标注以获得检测所需标签。本文采用labelem软件进行标注,标签输出格式为json。深度学习网络训练需要足够的样本,本文所研究的训练集有缺陷的图片只有540张,属于少样本数据集,需先进行数据增强操作增加样本数量。首先将有缺陷图片和无缺陷图片按适当权重相加融合,再把得到的新缺陷图片进行翻转或镜像,最后修改原有标签的坐标信息
13、。经过上述步骤,数据集总量达到2080张。最后将数据集按训练集、验证集和测试集3:1:1的比例分配。3 Unet语义分割网络结构及优化 3.1 Unet语义分割网络结构Unet网络主要由编码器、解码器以及跳跃连接3部分组成,其结构图如图2所示。Unet网络形状类似U型,左侧部分通过卷积和下采样操作提取一些浅显特征,右侧部分通过卷积和上采样操作提取深层次特征。中间通过Concat的方式,将上述2种特征结第4期陈晓荣,等:基于改进Unet网络的锂电池极片表面缺陷检测61合起来获得特征图,并根据特征图进行预测分割。因其结构简单、高效,常被用于小样本数据集的研究。3.2 Unet语义分割网络优化Une
14、t发表于2015年,是全卷积神经网络的一种变体。最初用于生物医学图像例如细胞的分割检测,其分割效果很好,被各领域借鉴。但在本文研究中存在如下问题:(1)在工业缺陷检测领域中,对其优化研究较少,难以对其编码结构的权重参数进行迁移学习;(2)另外Unet网络的跳跃连接采用Concat方法,在得到一定提升的同时也导致了输入信息之间关联性较弱;(3)不同缺陷标签之间可能存在相似性,但在网络学习中不同标签之间的关联性经常会被忽略,模型在预测时,目标标签的概率接近1,非目标标签的概率接近0。导致训练出来的模型过于“武断”,泛用性降低。本文针对3点不足,依次对Unet网络结构进行优化。3.2.1编码结构的选
15、择为解决上述问题(1),选择表现优异的分类网络如VGG1611、MobileNetV212、ResNet34和ResNet5013,分别用来替换原编码结构,并将相应的预训练模型参数迁移到Unet,可以尽可能加速训练,并且不需要大量数据就能使网络性能提升。3.2.2SFPN特征融合针对上述问题(2),在Unet跳跃连接部分加入特征金字塔网络(FeaturePyramidNetworks,FPN)对编码结构的多个尺度特征图的信息进行融合14,降低信息之间差异性,但FPN存在结构复杂、计算量大等问题。针对这点问题,本文参考FPN网络结构,提出一种更加简易的特征融合模块(SimplyFusionPyr
16、amidNetwork,SFPN)。如图3所示,SFPN既保留了FPN中适合特征融合的金字塔网络结构,又简化了原有的复杂模块。将SFPN加入网络如图4所示,图中SFPN对跳跃连接输入信息进行处理,以有效获得更多特征图信息,达到优化分割的效果。3.2.3标签平滑针对上述问题(3),运用标签平滑方法可以有效提升Unet网络模型的泛化能力,标签平滑是损失函数的一种修正,可以提高网络分类准确性。其计算如式(1)所示。b yi=(1)b yi+/n(1)b yib yib ya=1 b yi=0(i,a)式中:为标签平滑后第i类的真实标签分数;为修正系数,此处为0.1;为第i类真实标签的分数。当预测结果
17、为第a类时,。4 实验训练和结果分析 4.1 实验配置本文所进行实验的计算机主要配置如表1所示。实验时使用Pytorch框架,代码使用python3.7编写。CBR_2CBR_2CBR_2CBR_2CBR_2CBR_2CBR_2CBR_2CBR_2Max pool s=2k=2UpSampleCBR_2=ConVs=1,k=3BN ReLU2 Channel merge跳跃连接ConcatConcatConcatConcatConcatConVs=1,k=1图2Unet网络结构Fig.2UnetnetworkstructureAdd图像数据UnSample上采样 DownSample上采样SF
18、PNSFPNSFPNSFPNPredictPredictPredictPredictCBRs=1,k=1SFPN=CBR_X,stage1CBR_X,stage2CBR_X,stage3CBR_X,stage4CBR_X,stage5图3SFPN网络结构Fig.3SFPNnetworkstructure62广东工业大学学报第40卷表1计算机主要配置Table1Computermainconfiguration计算机硬件配置版本或参数CPUAMDRyzen53600XGPUNVIDIAGeForceRTX3070(8GB)内存16G操作系统Windows10固态硬盘512G 4.2 网络训练设置
19、本文损失函数选用交叉熵损失函数,替换的编码结构的权重迁移参数均为该模型在ImageNet数据集15上训练产生的,其余权重参数均源自Kaiming初始化;批参数为4;初始学习率为0.001,每经历一次迭代衰减5%;使用Adam优化算法;最大Epoch设置200。设置最大冻结Epoch为40。为防止网络变得过拟合,本文采取提前终止(Earlystop)方法来预防,最大忍耐Epoch设为20。即当发现验证集上某个Epoch后20个Epoch内无一mIoU值高于该Epoch时,终止训练。4.3 评价指标语义分割中,采用召回率(Recall)、准确率(Precision)和平均交并比(mIoU)作为评价
20、指标。其中,平均交并比mIoU越高,说明预测值与真实值越接近,分割效果也就越好。此外还记录了网络模型分割测试集图片所用时间。这3个指标的计算如式(2)所示。Recall=piinj=1pij+pii,Precision=piinj=1pji+pii,mIoU=1nni=1piinj=1pij+nj=1pji pii(2)piipijpji式中:为第i类像素点被正确预测,为第i类像素点被错误预测成第j类像素点,为第j类像素点被错误预测成第i类像素点,n为数据集样本类別数。当评价指标召回率和准确率出现矛盾现象:即召回率上升而准确率下降或召回率下降而准确率上升,且两者变化幅度相近,无法直接通过召回率
21、和准确率判断是否发生优化时,可采用F1分数来评价分割效果。F1分数是衡量分类模型精确度的一种指标,同时兼顾了分割结果的准确率和召回率,其计算如式(3)所示。F1=2PRP+R(3)式中:P为准确率,R为召回率。4.4 实验结果分析4.4.1编码器网络结构优化第1阶段实验分别用4种不同的编码结构替换Unet编码结构,目的是选出其中分割效果更好的编码结构,共5组实验,分别为Unet、MobileNetV2_Unet、Resnet34_Unet、Resnet50_Unet、VGG16_Unet,对应CBR _2CBR_2CBR _3CBR_3CBR_3CBR_2CBR_2CBR_2ConcatCBR
22、 _2Max pool s=2k=2UpSampleChannel mergeConVs=1,k=1跳跃连接256264256232562712821286422563225123225126422561282128256264SFPNSFPNSFPNSFPNConcatConcatConcatConcatConVs=1,k=3s=1,k=3CBR_3CBR_2=BNReLU2=ConVBNReLU3图4VGG_SFPN_Unet网络结构Fig.4VGG_SFPN_Unetnetworkstructure第4期陈晓荣,等:基于改进Unet网络的锂电池极片表面缺陷检测63的实验序号为1、2、3、
23、4、5。实验结果如图5所示。可以看出无论在训练集还是验证集中,实验5的分割效果都是最好的,其mIoU在图5(a)中收敛在93.73%94.55%,在图5(b)中收敛在80.78%81.58%,其次分别是实验3、实验4、实验2,实验1效果最差。在测试集上进行精度测试,实验结果如表2所示。综合来看,实验2、3的检测时间有所缩减,但其他指标提升均不如实验5明显,故选择用VGG16_net替换Unet的编码结构。4.4.2特征融合第2阶段实验在实验5上分别加入FPN和SFPN模块来进行优化,为下一阶段试验选出分割性能更好的网络,分别为实验6:VGG16_FPN_Unet和实验7:VGG16_SFPN_
24、Unet。实验结果如图6所示。由图6可看出,实验6在训练集中表现最佳,mIoU值相较于实验5有所提升,但幅度不大;但在验证集中,实验6最终的mIoU值相较于实验5反而有所下降,出现过拟合现象。实验7在训练集和验证集中的分割效果均与实验5无明显区别。现使用测试集测试这3个网络,测试结果如表3所示。由于实验6和实验7的准确率和召回率出现矛盾现象,需要计算它们的F1值,由表3可以看出,实验6的召回率、mIoU检测速度都有所下降,F1值也下降,且精度上升不大,发生了过拟合,故舍弃;实验7在召回率和mIoU值上均有提升,准确率下降,但F1值提高了。说明SFPN在损失一点精度的条件下,预测出目标像素,预测
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 改进 Unet 网络 锂电池 表面 缺陷 检测
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。