CN118587158B 基于改进YOLOv8的电池CT图像缺陷检测方法 （浙江大学）

A,2023.10.24A,2023.09.29A,2024.01.19A,2024.03.26基于改进YOLOv8的电池CT图像缺陷检测方法本发明公开了一种基于改进YOLOv8的电池验证集与测试集；通过二维Gabor滤波对电池CT机制，采用轻量化卷积混洗模块替换普通卷积进并结合Gabor特征提取与融合算法，能够有效2Gabor滤波器在时域x轴上的标准差为σ;/////y/////(2.5)通过特征拼接对第一图像特征和第二图像特征进行特征融合，获得当前CT图像(3)结合双重注意力机制模块与轻量化卷积混洗模块改进YOLOv8网络模型，得到改进(3.2)将YOLOv8网络模型的特征融合模块中的所有CBS模块替换为轻量化卷积混洗模(3.3)基于改进后的主干网络、改进后的特征融合模块和YOLOv8网络模型的检测头构(4)将经过二维Gabor滤波器特征提取与特征融合后的训练集输入改进后的YOLOv8网3所述度量定位框宽高比一致性的系数的计算(5)将经过二维Gabor滤波器特征提取与特征融合后的测试集输入训练好的YOLOv8网述通道注意力模块包括平均池化层、最大池化层、一个由多层感知机生成的共享网络和4空间注意力模块的输入为通道处理后的特征图，首先分别经过平均池化层和最大池化层集卷积操作输出的特征混合到计算量小的轻量化卷积混洗模块的5[0004]CT扫描依据辐射在被检测物体中的减弱和吸收特性，利用X射线源发出有一定能而可以形成一系列的二维图像，二维图像中检测物内部不同的材料会呈现出不同的灰度电池内部缺陷检测的精度是本领域技术人员亟待解6[0011](3)结合双重注意力机制模块与轻量化卷积混洗模块改进YOLOv8网络模型，得到[0012](4)将经过二维Gabor滤波器特征提取与特征融合后的训练集输入改进后的[0013](5)将经过二维Gabor滤波器特征提取与特征融合后的测试集输入训练好的Gabor滤波器在时域x轴上的标准差为σ;[0018](2.3)通过坐标变换方程对调整为灰度图的CT图像[0020](2.5)通过特征拼接对第一图像特征和第7[0029](3.1)在YOLOv8网络模型的主干网络中的最后一个C2f层之后和SPPF模块的前一[0030](3.2)将YOLOv8网络模型的特征融合模块中的所有CBS模块替换为轻量化卷积混[0031](3.3)基于改进后的主干网络、改进后的特8[0051](2)本发明将CBAM模块加入到YOLOv8网络模型中，由CBAM模块获取通道关联度以[0052](3)由于工业场景下，对于电池内部缺陷CT图像的检测需要移植到具体设备上进[0055]图3为本发明实施例中二维Gabor滤波器特征提取与特征融合处理后的电池缺陷9[0064]在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申含一个或多个相关联的列出项目的任何或所[0074](2.3)通过坐标变换方程对调整为灰度图的CT图像[0085](2.5)通过特征拼接对第一图像特征和第分度。经二维Gabor滤波器特征提取与特征融合处理后得到的电池缺陷CT图像为后续改进[0087](3)结合双重注意力机制(ConvolutionalBlockAttentionModule，CBAM)模块[0088](3.1)在YOLOv8网络模型的主干(Backbone)网络中的最后一个C2f层之后和SPPF特征图；然后将通道处理后的特征图输入空间注意力模块，得到空间注意力映射Ms∈R1F"=M5(F')8F'(5)[0095]进一步地，通道注意力模块包括平均池化层、最大池化层、一个由多层感知机[0103](3.2)将YOLOv8网络模型的特征融合(Neck)模块中的所有CBS模块替换为GSConv[0105]本实施例中，GSConv模块的结构如图8所示，GSConv模块的输入首先经过卷积卷积操作输出的特征混合到计算量小的GSConv模块免了CBS模块中提取通道关联度的无关耗费，从而减少了改进后的YOLOv8网络模型中的参[0107](3.3)基于改进后的主干网络、改进后的特[0109](4)将经过二维Gabor滤波器特征提取与特征融合后的训练集输入改进后的框标注的缺陷图像以及包含缺陷图像预测框中心坐标和矩形框长宽的txt文件，并根据输[0123](5)将经过二维Gabor滤波器特征提取与特征融合后的测试集输入训练好的[0131]应当理解的是，准确率代表模型预测为正的真实值占全部预测为正的结果的比述的改进YOLOv8模型在YOLOv8原始模型的基础上，IoU设置为0.75时，平均精度提升了