.png){kind=icon}
返回
Power Battery Detection
.png){kind=icon}
PRE
AI
DOI：10.1007/s11263-026-02919-8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
动力电池是电动汽车的关键组成部分，其内部结构缺陷可能引发严重的安全风险。我们针对一项新任务——动力电池检测（PBD）进行了全面研究，该任务旨在通过工业X射线图像定位阴极和阳极板的密集端点，以进行质量检测。人工检测效率低下且易出错，而传统视觉算法难以应对板件密集排列、对比度低、尺度变化和成像伪影等问题。为解决此问题并推动该重要任务的发展，我们提出了PBD5K，这是该任务的首个大规模基准数据集，包含来自九种电池类型的5,000张X射线图像，具有精细标注和八种真实视觉干扰类型。为支持可扩展且一致的标注，我们开发了一套智能标注流程，结合图像滤波、模型辅助预标注、交叉验证和分层质量评估。我们将PBD定义为点级分割问题，并提出MDCNeXt模型，该模型旨在提取并整合板件本身的多维结构线索，包括点、线及计数信息。为增强板件间的区分度并抑制视觉干扰，MDCNeXt引入了两个状态空间模块：第一个是提示过滤模块，通过任务特定提示学习对比关系；第二个是密度感知重排模块，用于在高密度区域优化分割。此外，我们提出了一种距离自适应掩码生成策略，以应对阳极和阴极位置空间分布变化时的鲁棒监督。无需额外优化，我们的基于分割的MDCNeXt模型在性能上持续优于其他角点检测、人群计数和通用/微小目标检测方案，成为该领域的一个强基准，有助于推动PBD的未来研究。最后，我们详细讨论了动力电池检测领域的未来研究方向与挑战。
Keyword:
Power Battery Detection
Benchmark
Point-level Segmentation
Multi-dimensional Clues
State Space Modeling
期刊
IF:
9.3
论文数:
3.9K
被引数:
2.8W
机构
引用论文
.png){kind=icon}
Swin-Unet: Unet-Like Pure Transformer for Medical Image SegmentationSwin Unet: 用于医学图像分割的类Unet纯变压器
PREAI
分享收藏Bidirectional Feature Pyramid Network with Recurrent Attention Residual Modules for Shadow Detection
PREAI
分享收藏
分享收藏
查看更多内容