基于改进YOLOv5s网络的锂电池极片缺陷检测.pdf

收稿日期:2 0 2 3-0 5-2 6基金项目:国家自然科学基金资助项目(6 1 9 7 3 2 0 9)作者简介:陶怡帆(1 9 9 8),女,硕士生,主要研究方向为机器视觉与图像处理,E-m a i l:1 3 1 2 2 4 0 0 5 9 5 1 6 3 c o m指导教师:李林升(1 9 7 5),男,副教授,博士,主要研究方向为机器视觉、机器人技术与电机控制,E-m a i l:1 5 4 5 9 2 8 5 8 7 q q.c o m文章编号 2 0 9 5-0 0 2 0(2 0 2 3)0 5-0 2 9 9-0 6基于改进YO L O v 5 s网络的锂电池极片缺陷检测陶怡帆,李林升,毛伟生,周文一(上海电机学院 电气学院,上海 2 0 1 3 0 6)摘 要 锂电池被广泛应用于工业生产,针对传统方法在检测锂电池极片缺陷时存在漏检和误检率高等问题,提出一种以Y O L O v 5 s模型为基础网络进行改进的检测算法。首先,针对锂电池极片图像分辨率低且缺陷目标较小的问题,在主干网络引入空间深度层(S P D)和无步长卷积层(C o n v),以提升小目标缺陷的检测性能;其次,将通道维度(S E)注意力机制嵌入C 3模块中,并将原Y O L O v 5 s模型网络中的C 3模块替换为新的C 3 S E模块,以强化模型的特征表达能力;最后,在特征融合网络的最后一层引入注意力机制,以提高模型的特征融合能力。实验结果表明,改进模型与原Y O L O v 5 s模型相比,平均精度均值达9 6.8%,提升了5.5%,能够更好地满足锂电池极片制造工业的需求。关键词 锂电池极片;卷积神经网络;注意力机制;缺陷检测中图分类号 T P 3 9 1.4文献标志码 AL i t h i u m b a t t e r y p o l e p i e c e d e f e c t d e t e c t i o n m e t h o d b a s e do n i m p r o v e d Y O L O v 5 sT A O Y i f a n,L I L i n s h e n g,MA O W e i s h e n g,Z HO U W e n y i(S c h o o l o f E l e c t r i c a l E n g i n e e r i n g,S h a n g h a i D i a n j i U n i v e r s i t y,S h a n g h a i 2 0 1 3 0 6,C h i n a)A b s t r a c t L i t h i u m b a t t e r i e s a r e w i d e l y u s e d i n i n d u s t r i a l p r o d u c t i o n.T o s o l v e t h e p r o b l e m s o f m i s s e d d e t e c t i o n a n d h i g h f a l s e d e t e c t i o n r a t e s i n t r a d i t i o n a l m e t h o d s w h e n d e t e c t i n g l i t h i u m b a t t e r y p o l e p i e c e d e f e c t s,a n i m p r o v e d d e t e c t i o n a l g o r i t h m b a s e d o n t h e Y O L O v 5 s m o d e l i s p r o p o s e d.F i r s t l y,t o a d d r e s s t h e p r o b l e m o f l o w r e s o l u t i o n a n d s m a l l d e f e c t t a r g e t s o f l i t h i u m b a t t e r y p o l e p i e c e i m a g e s,a s p a t i a l d e p t h l a y e r(S P D)a n d a n o n-s t e p c o n v o l u t i o n l a y e r(C o n v)a r e i n t r o d u c e d i n t o t h e b a c k b o n e n e t w o r k t o i m p r o v e t h e d e t e c t i o n p e r f o r m a n c e o f s m a l l t a r g e t d e f e c t s.S e c o n d l y,t h e s q u e e z e-a n d-e x c i t a t i o n(S E)a t t e n t i o n m e c h a n i s m i s i n t r o d u c e d i n t o t h e C 3 m o d u l e,a n d t h e C 3 m o d u l e i n t h e o r i g i n a l Y O L O v 5 s m o d e l n e t w o r k i s r e p l a c e d w i t h t h e n e w C 3 S E m o d u l e t o e n h a n c e t h e f e a t u r e e x p r e s s i o n a b i l i t y o f t h e m o d e l.F i n a l l y,t h e a t t e n t i o n m e c h a n i s m i s a p p l i e d i n t h e l a s t l a y e r o f t h e f e a t u r e f u s i o n n e t w o r k t o i m p r o v e t h e f e a t u r e f u s i o n p e r f o r m a n c e o f t h e m o d e l.T h e e x p e r i m e n t a l r e s u l t s s h o w t h a t c o m p a r e d w i t h t h e o r i g i n a l Y O L O v 5 s m o d e l,t h e i m p r o v e d m o d e l 第2 6卷 第5期2 0 2 3年上 海 电 机 学 院 学 报J O U R N A L O F S HA N G HA I D I A N J I U N I V E R S I T YV o l.2 6 N o.5 2 0 2 3 h a s a n a v e r a g e a c c u r a c y o f 9 6.8%a n d a n i n c r e a s e o f 5.5%,w h i c h c a n b e t t e r s a t i s f y t h e n e e d s o f t h e l i t h i u m b a t t e r y p o l e p i e c e m a n u f a c t u r i n g i n d u s t r y.K e y w o r d s l i t h i u m b a t t e r y p o l e p i e c e s;c o n v o l u t i o n a l n e u r a l n e t w o r k;a t t e n t i o n m e c h a n i s m;d e f e c t d e t e c t i o n 极片是锂电池的主要部件,在电池制造过程中,若使用有缺陷的极片,会直接影响锂电池的导电能力和安全性1。为确保锂电池的正常使用,有必要对极片表面存在的缺陷进行检测。传统的人工检测方法存在成本高、效率低、精度低等弊端,已经不能满足现代工业化的需求。随着市场需求的迅速增长,电池生产企业在制造工艺、技术上不断突破,计算机视觉为锂电池极片缺陷检测带来了新机会2。赵晓云等3使用中值滤波和S o b e l算子对缺陷进行边缘提取,再通过对每一类缺陷的详细参数进行分类,完成对多类缺陷的提取,但该方法只能完成粗略的检测。黄梦涛等4提出了一种改进的多阶段边缘检测方法,使用双边滤波对图像预处理改善背景噪声,再引入多尺度细节增强、最大熵算法检测出极片缺陷,但对划痕缺陷的边缘提取能力较差,且该方法只适用于低速检测。利用传统方法提取特征的检测速度缓慢,预测精度不理想5-6。目前,目标检测领域的主流算法分为两类:双阶段模型和单阶段模型。双阶段模型从区域卷积神经网络(R e g i o n b a s e d C o n v o l u t i o n a l N e u r a l N e t w o r k,R-C N N)发展到快速区域卷积神经网络(F a s t e r-R C N N),检测精度有明显提升,但训练和检测的速度较慢7。经典的单阶段检测算法包括Y O L O(Y o u O n l y L o o k O n c e)8-9、S q u e e z e D e t1 0和单发多箱探测器(S i n g l e S h o t M u l t i B o x D e t e c t o r,S S D)1 1等,其中Y O L O系列经过不断衍生和改进,检测性能逐步提升。桂久琪等1 2基于Y O L O v 4网络进行改进,使用空洞卷积代替传统卷积并添加注意力机制的方法,提升了锂电池极片缺陷检测的准确率,平均精度均值达9 3.4 6%,相较原始Y O L O v 4网络提高了3.0 3%。葛钊明等1 3基于Y O L O v 5网络进行改进,添加通道和空间注意力模块以及选用高效交互比作为损失函数,实现对极片表面缺陷的准确检测,平均精度均值达9 1.2%。上述方法的检测性能均有所提升,但针对极片缺陷的检测精度可得到进一步提升。本文通过改进Y O L O v 5 s网络模型,提高了锂电池极片缺陷检测精度。首先,在主干网络引入空间深度层(S P D)和无步长卷积层(C o n v),提升锂电池极片图像中低分辨率小目标缺陷的检测性能。其次,构建C 3 S E模块,将原Y O L O v 5 s模型中的C 3模块替换为新的C 3 S E模块,以筛选出更多有用的特征。最后,在特征融合网络的最后一层引入通道维度(S q u e e z e-a n d-E x c i t a t i o n,S E)注意力机制,提升特征融合的计算能力。实验表明,改进后Y O L O v 5 s模型的极片缺陷检测平均精度均值得到明显提高,能够更好地满足工业自动化检测的要求。1 Y O L O v 5 s网络模型Y O L O v 5网络模型是Y O L O系列模型的衍生版本之一,相比Y O L O v 4网络进行了优化改进。Y O L O v 5系列有多个版本,其中Y O L O v 5 s网络具有速度快、网络小的特点。选择Y O L O v 5 s网络作为本文实验的基础模型,Y O L O v 5 s模型结构包括以下4个部分:(1)输入端。首先进行数据增强,利用随机剪切、翻转和缩放等操作对图像进行组合,可扩充检测物体背景并提升模型的训练速度;然后,通过自适应锚框计算和自适应填充的方式缩减黑边,提升对检测目标的定位准确性;最后,送入主干网络中。(2)主干网络。其主要由F o c u s模块、C B S结构、C 3模块和快速空间金字塔池化模块(F a s t S p a t i a l P y r a m i d P o o l i n g,S P P F)构 成。通 过F o c u s模块对图片进行下采样,增加数据通道数;C B S结构由卷积层、批归一化(B a t c h N o r m a l i z a t i o n,B N)和新型非线性激活函数(S i g m o i d L i n e a r U n i t,S i L U)组成;C 3模块利用残差结构,增强网络的特003上 海 电 机 学 院 学 报 2 0 2 3年第5期征学习能力;S P P F采用最大池化层的方式,实现全局特征的融合。(3)特征融合模块。通过特征金字塔网络和路径聚合网络进行融合。(4)输出端。输出网络的预测结果,最终显示预测框的类别和位置信息。2 改进的Y O L O v 5 s网络模型2.1 卷积构建块S P D-C o n v卷积神经网络在图像分辨率较低或目标较小的情况下,其网络性能会迅速下降。这是由于现有的卷积神经网络架构中引入了步长卷积和池化层,而该结构易忽略全局信息导致图像边界信息丢失。为提升锂电池极片涂布区域划痕、黑斑等低分辨率小目标缺陷的检测效果,在Y O L O v 5 s模型的主干网络部分引入卷积构建块S P D-C o n v1 4。2.1.1 S P D S P D构建块的原理是对特征映射进行下采样处理,且保留了通道维度中的所有信息,所以没有信息丢失。给定大小为SSC1的原始特征图X,将其切分成一序列子特征图fx,y,按比例因子(q)对子特征图进行下采样,如图1所示。当q为2时,得到4个子特征图,大小均为(S/2,S/2,C1),相当于对X进行2倍的下采样。接下来,沿着通道维度将这些子特征图连接起来,得到一个中间特征图X,其空间维度缩小一半,通道维度扩大4倍。图1 S P D-C o n v图解2.1.2 C o n v 在S P D特征转换层之后,添加一个带有C2过滤器的C o n v,再进一步进行转换,将X Sq,Sq,q2C1 转 换 为X Sq,Sq,C2 ,其 中C2q2C1。使用该卷积是为了尽可能地保留所有特征信息。S P D-C o n v首先将锂电池极片缺陷原始图像拆分成多个子特征图,再沿通道维度将子特征图连接起来,提高对缺陷目标特征信息的有效提取,最后利用C2过滤器对特征信息整合,提升网络的表征能力。2.2 S E注意力机制S E注意力机制可以解决神经网络在多层运算迭代过程中引起的特征信息丢失的问题1 5。S E模块主要由压缩、激励两个部分组成。压缩操作通过全局平均池化的方式压缩通道维度,获取每个通道的描述信息;激励操作将压缩特征输入到全连接层,学习每个通道的权重信息,最后将学习到的通道权重信息从头标定每个通道的特征表现。S E模块是轻量级网络结构,仅对模型的参数量和计算量有轻微增加,且可以灵活应用于各个网络架构中。本文在Y O L O v 5 s模型中引入S E模块,使网络更加关注缺陷目标,筛选出有用的特征,提升检测性能。2.3 改进后的Y O L O v 5 s模型改进后的模型如图2所示。在Y O L O v 5 s模型的主干和特征融合网络分别进行了结构上的改进。本文首先在主干网络部分引入卷积构建块S P D-C o n v,其次将C 3模块替换为C 3 S E模块,最后在特征融合网络的最后一层引入S E注意力机制。103 2 0 2 3年第5期陶怡帆,等:基于改进Y O L O v 5 s网络的锂电池极片缺陷检测 图2 改进后的Y O L O v 5 s模型3 实验结果及数据分析3.1 数据集处理本文使用图像传感器采集获取7 6 1张锂电池极片图像。由于训练深度学习网络需要使用大量的数据,且现有数据集缺陷目标位置大多集中在图像的中部,因此需进行数据增强处理。数据增强可以防止网络过度拟合训练数据,得到泛化能力和鲁棒性更强的网络。利用随机翻转、平移和镜像等方法对原始图像进行处理,最终得到2 1 1 0张锂电池极片图像,并按8 2的比例随机分配为训练集和测试集。锂电池极片由极耳和涂布两部分组成,本文将极片缺陷定义为5类:极耳缺失(1 q s)、极耳褶皱(2 z z)、极耳接带(3 j d)、划痕(4 h h)和黑斑(5 h b)。为区分极片背景和缺陷目标,使用L a b e l I m g图像标注工具对极片缺陷进行矩形框标注,如图3所示。3.2 模型训练为了客观评估本文改进网络的优势,采用精确率P,召回率R,平均精度AP和平均精度均值Mp作为评价指标,取交互比为0.5。图3 锂电池极片缺陷样本标注示例实验平台配置如表1所示。表1 实验平台配置配置名称版本参数操作系统6 4位W i n d o w s 1 0C P UI n t e l C o r e i 5-1 0 2 1 0 U 1.6 0G H zG P UN V I D I A G e F o r c e MX 3 5 0深度学习框架P y T o r c h编程语言环境p y t h o n 3.6.6 实验参数设置如表2所示。表2 实验参数参数数值输入图像尺寸6 4 0 6 4 0初始学习率0.0 0 1权重衰减系数0.0 0 0 5动量参数0.9批样本大小1 6迭代次数2 0 03.3 改进效果为确保模型对比的严谨性,使用相同的数据集和实验参数,分别对原Y O L O v 5 s模型和改进后的Y O L O v 5 s模型进行训练。不同模型检测效果如图4所示。由图4可见,在含有多个相似缺陷的区域,原Y O L O v 5 s模型容易发生漏检;改进后的模型大大降低了漏检率,对极片边缘的小目标缺陷也能稳定检出。由于图像整体灰度较暗,需要利用客观指标分203上 海 电 机 学 院 学 报 2 0 2 3年第5期 图4 检测效果对比析,进一步验证主观观测的检测结果。改进前后极片缺陷的检测性能对比如表3所示。由表3可知,本文改进Y O L O v 5 s模型检测结果Mp值比原Y O L O v 5 s模型显著提高了5.5%。针对5种类型的锂电池极片缺陷,改进后的检测精度均有明显提升。其中,极耳缺失类AP值提升2.3%;极耳褶皱类AP值提升0.5%;极耳接带类AP值提升4.6%;划痕类AP值提升1 9.1%;黑斑类AP值提升0.7%,对于分辨率低且形状不规则的划痕缺陷检测精度有了较大提升。表3 检测结果对比模型缺陷类型P/%R/%AP/%Mp/%极耳缺失8 9.79 4.29 6.0极耳褶皱9 7.09 6.29 8.6Y O L O v 5 s极耳接带8 3.19 4.89 3.99 1.3划痕7 3.57 3.07 3.2黑斑8 6.69 5.99 4.8极耳缺失9 4.81.09 8.3极耳褶皱9 8.49 9.59 9.1本文改进Y O L O v 5 s极耳接带9 3.69 4.69 8.59 6.8划痕8 4.58 8.09 2.3黑斑8 9.09 8.39 5.53.4 对比实验将本文算法与其他目标检测算法做对比,利用Mp值作为评价指标,训练后的检测结果如表4所示。结 果 显 示,相 比S S D、F a s t e r R-C N N和Y O L O v 4模型,本文算法对极片缺陷的检测精度有大 幅 提 升,Mp值 分 别 提 高 了2 8.6%、7%、6.4%,表明了本文算法的竞争优势。表4 不同算法检测结果对比算法Mp/%S S D6 8.2F a s t e r R-C N N8 9.8Y O L O v 49 0.4本文算法9 6.83.5 消融实验为更加全面分析各改进模块对锂电池极片缺303 2 0 2 3年第5期陶怡帆,等:基于改进Y O L O v 5 s网络的锂电池极片缺陷检测 陷检测的优越性,本文在原Y O L O v 5 s模型的基础上进行3组消融实验,结果如表5所示。表5 消融实验结果模型Mp/%Y O L O v 5 s9 1.3Y O L O v 5 s-S P D9 5.8Y O L O v 5 s-C 3 S E9 3.4Y O L O v 5 s-S E9 3.0本文改进Y O L O v 5 s9 6.8 由表5可知,3个改进模块均能够对极片缺陷检测的精度有不同程度的提升,具体分析如下:(1)Y O L O v 5 s-S P D模型在主干网络引入S P D-C o n v结构,检测Mp值提高了4.5%。特别是划痕和黑斑类缺陷,AP值分别提升了1 5.2%和2.6%。这两种缺陷在5类缺陷类型中对比度更低,缺陷目标更细微,更具小目标检测的特点。实验结果验证了S P D卷积构建块能够有效提升小目标缺陷的检测效果。(2)Y O L O v 5 s-C 3 S E模型将C 3模块和S E模块整合在一起,加强了模块的信息表达能力,有效解决了极片背景噪声干扰大以及缺陷边缘过度剧烈导致的特征提取困难、缺陷信息损失较大的问题,使检测Mp值提高了2.1%。(3)Y O L O v 5 s-S E模型通过在特征融合模块中引入S E注意力机制,得到了更深层次的特征表达,检测Mp值提高了1.7%。4 结 论本文将基于深度学习的目标检测方法应用于锂电池极片的缺陷检测,提出了一种改进 的Y O L O v 5 s模型,实现各类缺陷的精准定位和识别。该模型在主干网络引入S P D卷积构建块,提升了低分辨率小目标缺陷的检测精度;在C 3模块添加S E注意力机制,将原C 3模块全部替换为C 3 S E模块,加强了网络的特征提取能力;在特征融合模块引入S E注意力机制,提升了网络的特征融合能力。实验结果表明,本文方法能够精确检测出极片存在的不同缺陷,与原Y O L O v 5 s模型相比,检测Mp值达9 6.8%,检测性能有了较大提升,能够更好地满足极片缺陷检测的要求。参 考 文 献1 Z HA N G X,J U Z,Z HU Y,e t a l.M u l t i s c a l e u n d e r-s t a n d i n g a n d a r c h i t e c t u r e d e s i g n o f h i g h e n e r g y/p o w e r l i t h i u m-i o n b a t t e r y e l e c t r o d e sJ.A d v a n c e d E n e r g y M a t e r i a l s,2 0 2 1,1 1(2):2 0 0 0 8 0 8.2 冯晓硕,沈樾,王冬琦.基于图像的数据增强方法发展现状综述J.计算机科学与应用,2 0 2 1,1 1(2):3 7 0-3 8 2.3 赵晓云,郑治华,韩洪伟,等.锂电池极片表面缺陷特征提取方法研究J.河南科技,2 0 1 7(5):1 3 7-1 3 9.4 黄梦涛,连一鑫.基于改进C a n n y算子的锂电池极片表面缺陷检测J.仪器仪表学报,2 0 2 1,4 2(1 0):1 9 9-2 0 9.5 Z O U Z,C H E N K,S H I Z,e t a l.O b j e c t d e t e c t i o n i n 2 0 y e a r s:a s u r v e yJ.P r o c e e d i n g s o f t h e I E E E,2 0 2 3,1 1 1(3):2 5 7-2 7 6.6 张艳,张明路,吕晓玲,等.深度学习小目标检测算法研究综述J.计算机工程与应用,2 0 2 2,5 8(1 5):1-1 7.7 R E N S,H E K,G I R S H I C K R,e t a l.F a s t e r R-C N N:t o w a r d s r e a l-t i m e o b j e c t d e t e c t i o n w i t h r e g i o n p r o-p o s a l n e t w o r k sJ.I E E E T r a n s a c t i o n s o n P a t t e r n A n a l y s i s a n d M a c h i n e I n t e l l i g e n c e,2 0 1 7,3 9(6):1 1 3 7-1 1 4 9.8 R E D MO N J,F A R H A D I A.Y O L O v 3:a n i n c r e m e n t a l i m p r o v e m e n tJ/O L.(2 0 1 8-0 4-2 2)2 0 2 3-0 5-0 7.h t t p s:a r x i v.o r g/a b s/1 8 0 4.0 2 7 6 7.9 B O C HK O V S K I Y A,WA N G C Y,L I A O H Y M.Y O L O v 4:o p t i m a l s p e e d a n d a c c u r a c y o f o b j e c t d e-t e c t i o n E B/O L.(2 0 2 0-0 4-2 3)2 0 2 3-0 5-0 2.h t t p s:a r x i v.o r g/a b s/2 0 0 4.1 0 0 9 3 4.1 0 WU B,I A N D O L A F,J I N P H,e t a l.S q u e e z e d e t:u n i f i e d,s m a l l,l o w p o w e r f u l l y c o n v o l u t i o n a l n e u r a l n e t w o r k s f o r r e a l-t i m e o b j e c t d e t e c t i o n f o r a u t o n o-m o u s d r i v i n gC P r o c e e d i n g s o f t h e I E E E C o n f e r-e n c e o n C o m p u t e r V i s i o n a n d P a t t e r n R e c o g n i t i o n W o r k s h o p s.H a w a i i:I E E E,2 0 1 7:1 2 9-1 3 7.(下转第3 1 0页)403上 海 电 机 学 院 学 报 2 0 2 3年第5期小幅度下降趋势。当图像内目标为6个时,算法定位目标误差依然高于0.9 5,说明本文算法定位三维非刚体图像目标受图像内目标数量的影响极小。3 结 论按照重建三维非刚体目标结构、挖掘直线特征、视觉定位方法的思路,针对三维非刚体图像的特征挖掘定位算法展开研究,并在实际环境中对算法进行了多角度验证。根据实验结果可知:该算法构建的车辆三维非刚体结构与车辆自身结构吻合程度极高,具备较好的三维非刚体结构重建能力;挖掘三维非刚体轨迹矩阵结构内数据点集直线能力较强,并可有效定位三维非刚体图像内目标位置。在接下来的研究中,将考虑从提高挖掘定位时效性的角度,对该算法展开进一步优化。参 考 文 献1 白佳璐,蔺素珍,左健宏,等.多约束非刚性物体形变修复算法J.计算机工程与设计,2 0 1 9,4 0(4):1 0 7 0-1 0 7 6.2 上官晋太,党雅文,连玮.非刚体图像配准中一种改进的点匹配方法J.系统仿真学报,2 0 2 2,3 4(7):1 4 8 2-1 4 8 9.3 王保茎,秦全波,毛怡盛,等.基于深度协作表达的C T图像特征关联定位算法J.生物医学工程研究,2 0 1 9,3 8(4):4 2 6-4 2 8,4 4 4.4 方徐达,赵伟,沈俊.基于三维激光雷达的室外环境定位算法研究J.激光与红外,2 0 2 0,5 0(3):2 7 3-2 7 8.5 梁新刚.因式分解的三维非刚体重建方法J.陕西师范大学学报(自然科学版),2 0 1 8,4 6(5):1 6-2 1.6 马林生,赵琰.基于Q B F M矩和三维结构的图像哈希算法J.计算机应用研究,2 0 2 2,3 9(3):9 4 9-9 5 5.7 刘爱胤,熊根良,姚健康,等.基于霍夫圆检测的标志物多图像特征定位方法J.计算机仿真,2 0 2 1,3 8(3):3 4 1-3 4 5.8 秦臻,戴修斌,谢理哲.基于双层回归森林模型的头影测量图像结构特征点自动定位J.应用科学学报,2 0 1 9,3 7(4):4 8 1-4 8 9.9 张利,张昊.一种单幅图像及其辅助曲线的三维建模方法J.小型微型计算机系统,2 0 2 0,4 1(1):1 9 0-1 9 4.1 0 潘向荣,王婷.基于位置差的特征序列挖掘快速算法J.电讯技术,2 0 2 1,6 1(7):8 4 5-8 5 0.1 1 杨金锋,石滨萌.手指双模态特征图像感兴趣区域稳定定位方法研究J.信号处理,2 0 1 9,3 5(7):1 1 9 1-1 2 0 0.1 2 双锴,李怡雯,吕志恒,等.基于归一化特征判别的日志模板挖掘算法J.北京邮电大学学报,2 0 2 0,4 3(1):6 8-7 3.1 3 晁静静,沈文忠,宋天舒.基于HO G和S VM的双眼虹膜图像的人眼定位算法J.计算机工程与应用,2 0 1 9,5 5(9):1 8 4-1 8 9.1 4 王旭光,张钦,苏杰.基于R a d o n变换的数字图像角点定位J.系统仿真学报,2 0 1 9,3 1(1 0):2 1 6 4-2 1 7 3.1 5 曹义亲,易湖,邱沂,等.基于道钉中心点定位的几何特征扣件定位算法J.图学学报,2 0 2 2,4 3(2):3 2 4-3 3 2.(上接第3 0 4页)1 1 K A N I MO Z H I S,G A Y A T H R I G,MA L A T.M u l t i-p l e r e a l-t i m e o b j e c t i d e n t i f i c a t i o n u s i n g s i n g l e s h o t m u l t i-b o x d e t e c t i o nC 2 0 1 9 I n t e r n a t i o n a l C o n f e r-e n c e o n C o m p u t a t i o n a l I n t e l l i g e n c e i n D a t a S c i e n c e(I C C I D S).C h e n n a i:I E E E,2 0 1 9:1-5.1 2 桂久琪,李林升,毛晓,等.基于改进Y O L O v 4的锂电池缺陷检测方法J.电子测量技术,2 0 2 2,4 5(1 5):1 4 4-1 5 0.1 3 葛钊明,胡跃明.基于改进Y O L O v 5的锂电池极片缺陷检测J.激光杂志,2 0 2 3,4 4(2):2 5-2 9.1 4 S U N K A R A R,L U O T.N o m o r e s t r i d e d c o n v o l u-t i o n s o r p o o l i n g:a n e w C N N b u i l d i n g b l o c k f o r l o w-r e s o l u t i o n i m a g e s a n d s m a l l o b j e c t sC J o i n t E u r o-p e a n C o n f e r e n c e o n M a c h i n e L e a r n i n g a n d K n o w l-e d g e D i s c o v e r y i n D a t a b a s e s.C h a m:S p r i n g e r N a t u r e S w i t z e r l a n d,2 0 2 2:4 4 3-4 5 9.1 5 HU J,S H E N L,S U N G.S q u e e z e-a n d-e x c i t a t i o n n e t-w o r k sC P r o c e e d i n g s o f t h e I E E E C o n f e r e n c e o n C o m p u t e r V i s i o n a n d P a t t e r n R e c o g n i t i o n.S a l t L a k e C i t y:I E E E,2 0 1 8:7 1 3 2-7 1 4 1.013上 海 电 机 学 院 学 报 2 0 2 3年第5期