动力电池检测
计算机视觉与模式识别
2025-09-30 v2
摘要
动力电池是电动汽车中必需的组件，内部结构缺陷可能构成严重的安全风险。我们对新任务——动力电池检测（PBD）进行了全面研究，该任务旨在从工业X射线图像中定位阴极和阳极板的稠密端点，以进行质量检查。人工检查效率低且容易出错，而传统视觉算法在面对密集排列的板材、低对比度、尺度变化以及成像制造 artifact 时常常力不从心。为此我们提出了PBD5k——该任务的第一个大规模基准数据集，包含来自九种电池类型的5000幅X射线图像，具备细粒度标注以及八类真实世界视觉干扰因素。为实现可扩展且一致的标注， 我们开发了一种智能标注流水线，综合了图像过滤、模型辅助预标注、交叉验证以及分层质量评估。我们将PBD表述为点级分割问题，提出MDCNeXt模型，旨在从板材本身提取并整合包括点、线和计数信息在内的多维结构线索。为提高板块与视觉干扰物之间的辨识度，MDCNeXt引入了两个时序模块：第一个是经提示过滤的模块，通过任务特定提示学习对比关系；第二个是密度感知的重排模块，用于细化高密度区域的分割。此外，我们提出一种距离自适应掩码生成策略，以应对阳极和阴极位置在空间分布上的变化，从而提供稳健的监督。源代码和数据集将在GitHub上公开获取。
引用
@article{arxiv.2508.07797,
title = {Power Battery Detection},
author = {Xiaoqi Zhao and Peiqian Cao and Chenyang Yu and Zonglei Feng and Lihe Zhang and Hanqi Liu and Jiaming Zuo and Youwei Pang and Jinsong Ouyang and Weisi Lin and Georges El Fakhri and Huchuan Lu and Xiaofeng Liu},
journal= {arXiv preprint arXiv:2508.07797},
year = {2025}
}
备注
Under submission to International Journal of Computer Vision (IJCV)