一种基于Yolov5算法分割极片待检测区域的方法与流程

本发明涉及电芯检测，具体为一种基于yolov5算法分割极片待检测区域的方法。

背景技术：

1、随着国家政策的支持，消费水平的提高，以及人们环保意识的提升，以锂离子电池作为动力的电动汽车已开始被广泛使用，电动汽车的动力电池组由单个电池组成，单个电池又由若干电芯极组组成，每个电池的电芯极组在生产过程时，需要检测电芯极组中各极片的状态是否符合工艺标准，在进行对齐度数值计算时，真实有效区域集中在阴阳极固定区域，为避免其他区域干扰，以及提升算法运算效率，需要对待检测区域准确分割出来。

技术实现思路

1、本发明提供的发明目的在于提供一种基于yolov5算法分割极片待检测区域的方法。通过本发明一种基于yolov5算法分割极片待检测区域的方法，为了解决电池生产过程中，常规算法无法精准定位分割出待检测区域，使用传统算法制作数据集，减少人工标注工作，通过ai算法精准识别出不规则、多形态的待检测区域，保证后续极片对齐度计算的准确性，最快速度检测电芯极组中各极片的状态是否符合工艺标准，以及对齐度数值计算，真实有效区域集中在阴阳极固定区域，避免其他区域干扰，以及提升算法运算效率。

2、为了实现上述效果，本发明提供如下技术方案：一种基于yolov5算法分割极片待检测区域的方法，包括以下步骤：

3、s1、传统算法生成模型数据集。

4、s2、对生成的批量标注，使用labelimg修正其中异常标注，制作训练集、验证集，导入模型训练。

5、s3、模型预测，保留得分最高roi区域，并对预测结果算法校验。

6、进一步的，包括以下步骤：根据s1中的操作步骤，

7、s101、明确待检测区域与样本集的收集。

8、s102、图像收集：使用x-ray光+tdi线扫相机的方案对电芯极组四个角进行成像。

9、s103、传统算法制作标注文件，选择成像效果达标的图像作为模板图像，对图像切割获得目标区域的模板，导入批量图像(10000+)使用cv2.matchtemplate进行模板匹配，获得结果矩阵，使用cv2.minmaxloc来查找结果矩阵的最大元素所在位置，根据所得min_loc/maxloc数值获得起点坐((startx,starty)，加入所要切割区域宽w：600、高h：300，计算出矩形的左上角(xmin,ymin)、右下角坐((ymin,ymax)，并且结合所要做的分类类别battery与当前图像位置信息，将区域信息写入xml格式文件，循环制作出大批量图像对应的xml文件，通用算法形成批量数据集。

10、进一步的，包括以下步骤：根据s2中的操作步骤，

11、s201、数据集校正。

12、s202、制作训练集、验证集。

13、s203、模型训练。

14、s204、训练过程得分展示。

15、进一步的，包括以下步骤：根据s203中的操作步骤，

16、s2031、分类定为一个类型：battery。

17、s2032、设置图片训练尺寸：640*640(原图尺寸1600*1600，统一对图像resize为640*640)，加载权重文件：yolov5s.pt。

18、s2033、载入分类类别：battery，先验框参数：[10,13,16,30,33,23][30,61,62,45,59,119][116,90,156,198,373,326]，此处的先验框参数，可根据具体场景，使用k-means算法在训练集中所有样本的ground truth box中聚类得出。

19、s2034、训练模型核心参数设置。

20、进一步的，包括以下步骤：根据s3中的操作步骤，

21、s301、加载模型，使用torch.load加载已训练完成的模型文件best.pt。

22、s302、载图像，使用cv2.imread读取指定目录下的图像。此处注意，当前检测产品为极组，一个极组对应四张图片，四张图片成像的朝向不一样，因此增加读图后旋转cv2.getrotationmatrix2d，统一方向。

23、s303、将要检测的图像传入训练完成的模型。

24、s304、获得模型的预测结果后进行解码操作。

25、s305、解码后将预测框堆叠，进行非极大抑制(non-maximum suppression,nms)，刷选出一定区域内得分最大的方框。

26、s306、在本场景中，一张图像待检测只有一个，因此对结果的阈值得分进行对比，保留得分最高区域为待检测区域。

27、s307、输出调整后的预测框，包括预测框矩形的xy坐标，宽高，置信值，以及分类类别(battery)。

28、s308、使用draw.rectangle绘制出边界框(待检测区域框出显示)，使用。

29、s309、预测结果校验：对算法模型生成的区域进行验证。

30、s310、将图像处理结果与待检测区域图像分类保存至本地。

31、s311、模型核心参数设置。

32、s312、算法评价。

33、进一步的，包括以下步骤：根据s309中的操作步骤，所述算法模型生成的区域进行验证，待检测区域上方、左侧、右侧三处生成矩形边框。

34、进一步的，包括以下步骤：根据s309中的操作步骤，所述传统算法提取三个矩形边框内灰度值，待检测区域旁边空间无极片，成像呈白色(灰度值〉230)，即内部出现像素点灰度值≤230且像素数量大于15，即判定待检测区域提取异常。

35、进一步的，包括以下步骤：根据s311中的操作步骤，所述模型核心参数设置：

36、model(weights＝'weights/best.pt'

37、img-size＝[640,640]

38、conf-thres＝0.8

39、iou-thres＝0.45

40、device＝0,1,2。

41、进一步的，包括以下步骤：根据s312中的操作步骤，所述算法评价根据准确率、目标与实际提取准确度进行检测。

42、进一步的，包括以下步骤：根据s311中的操作步骤，所述weights:训练的权重，batch_size:每个batch包含的样本数量，epoch:一个epoch就是将所有训练样本训练一次的过程，device:设置设备，根据选择调用cpu/gpu，img-size:网络输入图片大小，confidence:置信度，框出的box内确实有物体的自信程度和框出的box将整个物体的所有特征都包括进来的自信程度，iou：交并比(intersection over union),iou计算的是“预测的边框”和“真实的边框”的交集和并集的比值。

43、本发明提供了一种基于yolov5算法分割极片待检测区域的方法，具备以下有益效果：该基于yolov5算法分割极片待检测区域的方法，为了解决电池生产过程中，常规算法无法精准定位分割出待检测区域，使用传统算法制作数据集，减少人工标注工作，通过ai算法精准识别出不规则、多形态的待检测区域，保证后续极片对齐度计算的准确性，最快速度检测电芯极组中各极片的状态是否符合工艺标准，以及对齐度数值计算，真实有效区域集中在阴阳极固定区域，避免其他区域干扰，以及提升算法运算效率。