典型文献
基于改进YOLOv4的锂电池缺陷检测方法
文献摘要：
针对传统方法检测锂电池表面缺陷精度低、速度慢的问题,提出一种改进的YOLOv4算法.首先,在CSPDarknet-53骨干网络中使用空洞卷积代替传统卷积,提高了对不同尺度缺陷的检测.其次,将通道注意力机制插入到颈部网络中,自适应地选择一维卷积核的大小,降低模型的复杂度和计算量.最后,在分类和边界框回归中融合条件卷积来提高网络性能,并扩大数据集以解决由于缺陷样本太少而导致的网络训练过拟合问题.实验结果表明,改进后的YOLOv4算法可以有效检测锂电池表面缺陷并提高对于缺陷的识别和定位能力.改进算法的平均精度均值为93.46％,相较原算法提高了 3.03％.
文献关键词：
深度学习;锂电池;缺陷检测;YOLOv4
中图分类号：
作者姓名：
桂久琪;李林升;毛晓;王庆秋
作者机构：
上海电机学院电气学院 上海201306
文献出处：
引用格式：
[1]桂久琪;李林升;毛晓;王庆秋-.基于改进YOLOv4的锂电池缺陷检测方法)[J].电子测量技术,2022(15):144-150
A类：
B类：
YOLOv4,锂电池,电池缺陷,缺陷检测方法,表面缺陷,速度慢,CSPDarknet,骨干网络,空洞卷积,不同尺度,通道注意力机制,一维卷积,卷积核,计算量,边界框回归,条件卷积,网络性能,太少,网络训练,过拟合,有效检测,识别和定位,定位能力,改进算法,平均精度均值
AB值：
0.434834
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
