基于改进YOLOv5的锂电池极片缺陷检测方法

针对同时存在多种小目标、大长宽比目标缺陷的锂电池极片复杂表面,基于可变形卷积和YOLOv5提出DDCNet-YOLO算法模型.在主干网络部分构建出可变形下采样卷积主干网络(DDCNet),在特征融合部分引入上下文增强模块(CAM),并使用构造的可变形卷积块(DCB)替换C3模块,在检测头部分设计带有注意力机制的解耦头AD-Head.提出RIoU方法优化不同长宽比目标的损失计算.实验表明,DDCNet-YOLO模型相较于YOLOv5s及YOLOv5m模型在mAP50上分别提高了6.2个百分点和3.7个百分点.仅通过DDCNet和注意力机制解耦头构建了DDCNet-YOLOs轻量化模型,与YOLOv5s模型相比,参数量减少7.2个百分点,mAP50∶95提升8.9个百分点.对2种模型通过C++的方式进行了部署.本研究所提出的2种算法模型分别侧重于精度和轻量化,都能够在满足一定实际检测速度的条件下,达到较高的检测精度.