基于多尺度目标检测的蓄电池外观缺陷检测

摘要

【目的】蓄电池故障常常伴随显著的外观缺陷。针对变电站蓄电池室蓄电池故障检测领域高度依赖人工检测的问题，提出一种基于图像识别的深度学习方法 VoLoNet，用于实时检测监控录像，识别蓄电池外观缺陷。【方法】该算法基于YOLO v4框架，设计了新的特征提取网络VoVNet-A，能够有效识别图像细粒度特征；改进了注意力模块CSAM作用于聚合特征，区分聚合特征不同通道、不同区域的重要性，能够有效过滤特征聚合带来的冗余特征；此外，还优化了预选框的选择；采用了多种数据增强手段扩充了缺陷数据，最终提升了蓄电池缺陷的检测效果。【结果】消融实验表明，以上改进能够不同程度地提升检测精度。对比实验表明，相比于常用的目标检测算法Fast RCNN、SSD-VGG16、YOLO v4，该方法对蓄电池缺陷的平均精度均值mAP分别提升11.5%、21.5%和3.3%，每秒处理帧数FPS分别增加16、12和4帧。

关键词

蓄电池故障 / 缺陷检测 / 深度学习 / YOLO v4 / VovNet