前言
此前出了目標(biāo)改進(jìn)算法專欄，但是對于應(yīng)用于什么場景，需要什么改進(jìn)方法對應(yīng)與自己的應(yīng)用場景有效果，并且多少改進(jìn)點(diǎn)能發(fā)什么水平的文章，為解決大家的困惑，此系列文章旨在給大家解讀最新目標(biāo)檢測算法論文，幫助大家解答疑惑。解讀的系列文章，本人已進(jìn)行創(chuàng)新點(diǎn)代碼復(fù)現(xiàn)，有需要的朋友可關(guān)注私信我。本文僅對論文代碼實(shí)現(xiàn)，如果原文章的作者覺得不方便，請聯(lián)系刪除，尊重每一位論文作者。

一、摘要

針對新能源汽車電池集流盤中因目標(biāo)缺陷分布雜亂、尺寸跨度大和特征模糊而易出現(xiàn)誤檢、漏檢的問題，提出一種基于多尺度可變形卷積的YOLOv5方法（YOLOv5s-4Scale-DCN），以用于汽車電池集流盤缺陷檢測。首先，針對不同尺度的缺陷目標(biāo)，在YOLOv5模型的基礎(chǔ)上新增檢測層，通過捕獲不同尺度缺陷的特征以及融合不同深度的語義特征，提高對不同尺度缺陷目標(biāo)的檢測率；其次，引入可變形卷積，擴(kuò)大特征圖的感受野，使提取的特征辨析力更強(qiáng)，有效地提高了模型的缺陷識別能力。實(shí)驗結(jié)果表明，所提的YOLOv5s-4Scale-DCN算法可以有效檢測新能源汽車電池集流盤缺陷，m AP達(dá)到了91%，相較原算法提高了2.5%，FPS達(dá)到了113.6，重度不良和無蓋缺陷這兩種類別的缺陷，檢測召回率達(dá)到了100%，滿足新能源汽車電池集流盤缺陷實(shí)時檢測要求。

二、網(wǎng)絡(luò)模型及核心創(chuàng)新點(diǎn)

1.新增檢測層

2.引入可形變卷積

```
第二步：定義yaml網(wǎng)絡(luò)結(jié)構(gòu)文件。
```python
# YOLOv5 🚀 by Ultralytics, GPL-3.0 license# Parameters
nc: 4  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.50  # layer channel multiple
anchors:- [10,13, 16,30, 33,23]  # P3/8- [30,61, 62,45, 59,119]  # P4/16- [116,90, 156,198, 373,326]  # P5/32# YOLOv5 v6.0 backbone
backbone:# [from, number, module, args][[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2[-1, 1, DCNConv, [128, 3, 2]],  # 1-P2/4[-1, 3, C3, [128]],[-1, 1, Conv, [256, 3, 2]],  # 3-P3/8[-1, 6, C3, [256]],[-1, 1, Conv, [512, 3, 2]],  # 5-P4/16[-1, 9, C3, [512]],[-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32[-1, 3, C3, [1024]],[-1, 1, SPPF, [1024, 5]],  # 9]# YOLOv5 v6.0 head
head:[[-1, 1, Conv, [512, 1, 1]],[-1, 1, nn.Upsample, [None, 2, 'nearest']],[[-1, 6], 1, Concat, [1]],  # cat backbone P4[-1, 3, C3, [512, False]],  # 13[-1, 1, Conv, [256, 1, 1]],[-1, 1, nn.Upsample, [None, 2, 'nearest']],[[-1, 4], 1, Concat, [1]],  # cat backbone P3[-1, 3, C3, [256, False]],  # 17 (P3/8-small)[-1, 1, Conv, [256, 3, 2]],[[-1, 14], 1, Concat, [1]],  # cat head P4[-1, 3, C3, [512, False]],  # 20 (P4/16-medium)[-1, 1, Conv, [512, 3, 2]],[[-1, 10], 1, Concat, [1]],  # cat head P5[-1, 3, C3, [1024, False]],  # 23 (P5/32-large)[[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)]```

三、應(yīng)用數(shù)據(jù)集(模型構(gòu)建過程）

本文實(shí)驗所用的數(shù)據(jù)集為自行構(gòu)建，使用從生產(chǎn)線上收集的真實(shí)磷酸鐵鋰汽車電池集流盤缺陷數(shù)據(jù)，由高分辨率巴斯勒工業(yè)相機(jī)在光線良好的室內(nèi)環(huán)境下進(jìn)行拍攝采集。原始圖像分辨率為2448×2048，在預(yù)處理階段通過Python以電極孔為中心對原始圖像進(jìn)行裁剪，去除無關(guān)背景，保留有用信息，截取之后的圖像分辨率為1250×1200。使用Lableme數(shù)據(jù)標(biāo)注工具對圖片進(jìn)行標(biāo)注，標(biāo)注后自動生成JSON格式的文件，文件名與圖片名始終保持一致。

圖8為良品圖像和常見的5種新能源汽車電池集流盤缺陷類型：焊穿（Weld through）、焊偏（Welding offset）、無蓋（No cover）、壞點(diǎn)（Bad point）、重度不良（Severely bad）。

四、實(shí)驗效果（部分展示）

為了評估算法性能，我們將本文提出的YOLOv5s-4Scale-DCN改進(jìn)算法與YOLOv5s、YOLOv5l、YOLOv5m、YOLOv5n、YOLOv5x、YOLOv7、YOLOv tiny、YOLOv7x、Faster R-CNN[26]和SSD[27]10種經(jīng)典算法在自制據(jù)集上進(jìn)行檢測性能比較，所有實(shí)驗均在相同參數(shù)設(shè)置下進(jìn)行。

實(shí)驗結(jié)果如表4所示，由表4可知，改進(jìn)后的算法，mAP達(dá)到了91.0%，FPS達(dá)到了113.6，相比其他算法綜合效果最佳。

五、實(shí)驗結(jié)論

綜上所述，改進(jìn)后的YOLOv5s-4Scale-DCN算法漏檢率低、誤檢率低、識別精度高、檢測速度快，綜合性能更強(qiáng)，有效降低了誤檢率、漏檢率。

六、投稿期刊介紹

注：論文原文出自 陳彥蓉，高刃，吳文歡，唐海，袁磊．改進(jìn)YOLOv5的新能源電池集流盤缺陷檢測方法[J/OL]．電子測量與儀器學(xué)報.

https://kns.cnki.net/kcms/detail/11.2488.TN.20230307.1403.010.html

解讀的系列文章，本人已進(jìn)行創(chuàng)新點(diǎn)代碼復(fù)現(xiàn)。