基于改进YOLOv8的电池CT图像缺陷检测方法

本发明属于图像检测，尤其涉及一种基于改进yolov8的电池ct图像缺陷检测方法。

背景技术：

1、锂离子电池是以电化学反应为原理进行能量转换和存储的装置，主要由正极、负极、电解液和隔膜四个部分构成。电池内部结构性缺陷常出现于电极片密集堆叠处，常见的内部缺陷包括电极断裂、内部杂质、电极褶皱等等。这些缺陷可能会导致电池性能下降、容量降低、充放电性能恶化，甚至引发安全问题。目前，针对新能源汽车电池的缺陷检测方法主要包括人工检查、物理性能测试和无损检测等。

2、ct检测作为无损检测中最常见的一种，能够获取电池的内部结构图像，并能够对电池进行三维重构，从而准确地检测出电池的内部缺陷。与人工解剖检测及物理性能测试相比，ct检测利用x射线在材料中的衰减规律进行无接触测量，不会对被测物体造成损害；与超声波检测相比，ct扫描能够直观检测并定位电池内部的结构性缺陷，具有精度高、速度快等优点。

3、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量和强度的x射线，通过小角度旋转x射线源，从多个方向扫描被检测物。x射线在穿透被检测物的过程中会由于吸收和散射作用而衰减，通过探测器捕获x射线穿透物体后的强度，从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值，密度较大的组成部分对x射线的吸收较强，因此在图像中呈现出较高的灰度值。

4、然而，由于电池的结构特殊性和缺陷形成的复杂性，目前的ct检测方法还存在一些问题和挑战。目前，对于电池ct图像的定性判别方法，仍然局限于获取图像后的人工判断，即使是利用机器学习进行辅助，也还是基于手工特征加分类器的方法居多。针对ct图像的处理也仅仅走到了尺寸测量与灰度值判别，无法实现对于内部缺陷的自动化分析。

5、综上所述，对于电池内部缺陷检测，ct检测是一个兼具精度与实时性的无损检测方法，能够直观反映电池内部的缺陷，然而，针对电池缺陷ct图像，仍然缺少合适的方法去进行定位及定性判别，现有方法的判断精度较低，无法满足工业场景下的自动化检测需求。因此，如何为电池内部缺陷ct图像提供一种自动化的方法进行定位与定性判别，从而提高电池内部缺陷检测的精度是本领域技术人员亟待解决的技术问题。

技术实现思路

1、本发明的目的在于针对现有技术的不足，提供一种基于改进yolov8的电池ct图像缺陷检测方法。本发明通过二维gabor滤波对电池ct图像进行特征提取与特征融合；结合双重注意力机制，采用轻量化卷积混洗模块替换普通卷积层，能够有效提升电池ct图像的缺陷检测精度与检测模型大小；本发明能够自动检测缺陷位置、自动判别缺陷类型、准确区分电池缺陷与电极背景。

2、本发明的目的是通过以下技术方案来实现的：一种基于改进yolov8的电池ct图像缺陷检测方法，包括以下步骤：

3、(1)采用ct扫描设备获取包含电池内部缺陷的ct图像，以构建图像数据集，并将其划分为训练集、验证集与测试集；

4、(2)通过二维gabor滤波器对图像数据集中的ct图像进行特征提取，并将提取的特征进行特征融合，以获取当前ct图像对应的融合特征图；

5、(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，得到改进后的yolov8网络模型；

6、(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网络模型进行训练，并根据ciou损失函数调整改进后的yolov8网络模型的参数，以获取训练好的yolov8网络模型；

7、(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网络模型，输出测试集中各个ct图像对应的缺陷图像的类型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，得到测试集中各个ct图像的缺陷检测结果。

8、进一步地，所述电池内部缺陷包括电极断裂、电极褶皱、内部异物和毛刺。

9、进一步地，所述步骤(2)包括以下子步骤：

10、(2.1)将图像数据集中的ct图像f(x,y)调整为灰度图，其中，x和y分别表示ct图像的横坐标和纵坐标；

11、(2.2)构建二维gabor滤波器；其中，所述二维gabor滤波器包括大小为k、波长为λ、相位偏移为形状纵横比为γ、平行条纹的方向θ分别为0°和90°的两个gabor滤波核，二维gabor滤波器在时域x轴上的标准差为σ；

12、(2.3)通过坐标变换方程对调整为灰度图的ct图像f(x,y)的坐标进行变换，以获取坐标调整后的ct图像f′(x′,y′)，其中，x′和y′分别表示坐标调整后的ct图像的横坐标和纵坐标；

13、(2.4)将坐标调整后的ct图像f′(x′,y′)输入到二维gabor滤波器中，分别采用0°gabor滤波核和90°gabor滤波核依次对坐标调整后的ct图像进行步进式特征提取，以获取第一图像特征和第二图像特征；

14、(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图像对应的融合特征图。

15、进一步地，所述坐标变换方程的表达式为：

16、x′＝xcosθ+ysinθ       (1)

17、y′＝-xsinθ+ycosθ         (2)

18、其中，θ表示gabor滤波核平行条纹的方向；

19、所述二维gabor滤波器的计算公式为：

20、

21、其中，坐标x、y经过坐标变换后得到坐标x′、y′，λ为滤波器波长，为相位偏移，γ为形状纵横比，σ为二维gabor滤波器在时域x轴上的标准差，θ为平行条纹的方向。

22、进一步地，所述步骤(3)包括以下子步骤：

23、(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模块的前一层，增加双重注意力机制模块，得到改进后的主干网络；

24、(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块，得到改进后的特征融合模块；

25、(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建改进后的yolov8网络模型。

26、进一步地，所述双重注意力机制模块包括通道注意力模块和空间注意力模块，所述双重注意力机制模块将输入的特征图f∈rc×h×w经过通道注意力模块，得到通道注意力映射mc∈rc×1×1，再将通道注意力映射mc∈rc×1×1和输入的特征图f∈rc×h×w进行逐元素相乘，得到通道处理后的特征图；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∈r1×h×w，再将空间注意力映射ms∈r1×h×w和通道处理后的特征图进行逐元素相乘，得到重构后的特征图；其中，h为高度，w为宽度，c为通道数。

27、进一步地，所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sigmoid激活函数，所述通道注意力模块的输入为特征图f∈rc×h×w，首先分别经过平均池化层和最大池化层后，得到两个特征图，然后将两个特征图传入共享网络中，并将共享网络输出的两个特征进行逐元素求和，得到合并的特征向量，再经过sigmoid激活函数进行激活操作，得到通道注意力映射mc∈rc×1×1；

28、所述空间注意力模块包括平均池化层、最大池化层、卷积层和sigmoid激活函数，所述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后，得到两个特征图，然后将两个特征图在通道维度上进行拼接，拼接后的特征图通过卷积层进行卷积，最后经过sigmoid激活函数进行激活操作，得到空间注意力映射ms∈r1×h×w。

29、进一步地，所述轻量化卷积混洗模块的输入首先经过卷积层进行下采样，然后使用深度卷积层，在单个通道上实现一个卷积操作，然后应用于多个通道，其次将卷积层的输出结果和深度卷积层的输出结果进行拼接，得到卷积拼接后的特征图，再进行shuffle的打乱操作，以使经过密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输出中。

30、进一步地，所述改进后的主干网络包括依次连接的两个cbs模块、c2f模块、cbs模块、c2f模块、cbs模块、c2f模块、cbs模块、c2f模块、双重注意力机制模块和sppf模块；所述改进后的特征融合模块包括unsample模块、c2f模块、unsample模块、c2f模块、轻量化卷积混洗模块、c2f模块、轻量化卷积混洗模块、c2f模块。

31、进一步地，所述ciou损失函数通过下式计算得到：

32、

33、其中，ciou loss表示ciou损失函数值，iou为定位框的交并比，b为预测框的中心点，bgt为真实框的中心点，ρ2(b,bgt)代表中心点b和中心点bgt之间的欧式距离，c代表能够同时包含预测框和真实框的最小外接矩形的对角线长度，α代表定位框的权重，υ为度量定位框宽高比一致性的系数；

34、所述定位框的交并比的计算公式为：

35、

36、其中，a表示真实框，b表示预测框，定位框的交并比iou用于表征yolov8网络模型定位的精度；

37、所述度量定位框宽高比一致性的系数的计算公式为：

38、

39、其中，w/h为预测框的长宽比，wgt/hgt为真实框的长宽比；

40、所述定位框的权重的计算公式为：

41、

42、其中，iou为真实框a与预测框b的交并比。

43、与现有技术相比，本发明的有益效果为：

44、(1)本发明首先使用gabor滤波对电池内部缺陷ct图像进行特征提取，随后将特征提取得到的0°特征与90°特征进行特征融合，增强了缺陷与电极背景之间的对比度，提升了模型对于电池内部缺陷ct图像检测的精度；由于电极褶皱与电极背景之间不存在较大的灰度值差异，本发明通过gabor特征提取能够有效区分出电极褶皱与极片背景，对于电极褶皱这一缺陷的检测精度提升最为明显。

45、(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及空间关联度，对关联度强的特征进行强化，对关联度弱、不重要的特征进行抑制，提升了模型的检测精度。

46、(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行实时检测，模型的可移植性至关重要；本发明将普通卷积层替换为gsconv，在保证精度的同时减少了参数量，从而使得模型占用的内存减小，具备一定的可移植性。