前言
此前出了目标改进算法专栏，但是对于应用于什么场景，需要什么改进方法对应与自己的应用场景有效果，并且多少改进点能发什么水平的文章，为解决大家的困惑，此系列文章旨在给大家解读最新目标检测算法论文，帮助大家解答疑惑。解读的系列文章，本人已进行创新点代码复现，有需要的朋友可关注私信我。
一、摘要
针对新能源汽车电池集流盘中因目标缺陷分布杂乱、尺寸跨度大和特征模糊而易出现误检、漏检的问题，提出一种基于多尺度可变形卷积的YOLOv5方法（YOLOv5s-4Scale-DCN），以用于汽车电池集流盘缺陷检测。首先，针对不同尺度的缺陷目标，在YOLOv5模型的基础上新增检测层，通过捕获不同尺度缺陷的特征以及融合不同深度的语义特征，提高对不同尺度缺陷目标的检测率；其次，引入可变形卷积，扩大特征图的感受野，使提取的特征辨析力更强，有效地提高了模型的缺陷识别能力。实验结果表明，所提的YOLOv5s-4Scale-DCN算法可以有效检测新能源汽车电池集流盘缺陷，m AP达到了91%，相较原算法提高了2.5%，FPS达到了113.6，重度不良和无盖缺陷这两种类别的缺陷，检测召回率达到了100%，满足新能源汽车电池集流盘缺陷实时检测要求。
二、网络模型及核心创新点
1.新增检测层
2.可变形卷积核
三、应用数据集(模型构建过程）
本文实验所用的数据集为自行构建，使用从生产线上收集的真实磷酸铁锂汽车电池集流盘缺陷数据，由高分辨率巴斯勒工业相机在光线良好的室内环境下进行拍摄采集。原始图像分辨率为2448×2048，在预处理阶段通过Python以电极孔为中心对原始图像进行裁剪，去除无关背景，保留有用信息，截取之后的图像分辨率为1250×1200。使用Lableme数据标注工具对图片进行标注，标注后自动生成JSON格式的文件，文件名与图片名始终保持一致。 图8为良品图像和常见的5种新能源汽车电池集流盘缺陷类型：焊穿（Weld through）、焊偏（Welding offset）、无盖（No cover）、坏点（Bad point）、重度不良（Severely bad）。
四、实验效果（部分展示）
为了评估算法性能，我们将本文提出的YOLOv5s-4Scale-DCN改进算法与YOLOv5s、YOLOv5l、YOLOv5m、YOLOv5n、YOLOv5x、YOLOv7、YOLOv tiny、YOLOv7x、Faster R-CNN[26]和SSD[27]10种经典算法在自制据集上进行检测性能比较，所有实验均在相同参数设置下进行。
实验结果如表4所示，由表4可知，改进后的算法，mAP达到了91.0%，FPS达到了113.6，相比其他算法综合效果最佳。
五、实验结论
综上所述，改进后的YOLOv5s-4Scale-DCN算法漏检率低、误检率低、识别精度高、检测速度快，综合性能更强，有效降低了误检率、漏检率
六、投稿期刊介绍
注：论文原文出自 陈彦蓉，高刃，吴文欢，唐海，袁磊．改进YOLOv5的新能源电池集流盘缺陷检测方法[J/OL]．电子测量与仪器学报. 改进YOLOv5的新能源电池集流盘缺陷检测方法 - 中国知网 解读的系列文章，本人已进行创新点代码复现。