【研究目的】

氢燃料电池是未来新能源清洁动力的主要发展方向之一，膜电极作为氢燃料电池的核心原材料，其性能的好坏直接决定着燃料电池的性能和使用寿命，因而也成为近年来研究的热点。然而，膜电极生产过程中由于质子交换膜催化剂涂布缺陷类型、尺度、结构形状多样性，缺陷分布不规则，现有的方法难以实现质子交换膜催化剂涂布缺陷的快速准确检测，影响电池性能及后续工艺。本研究利用深度学习的缺陷检测方法提高检测的精度和速度。

【技术创新】

本项目考虑到YOLOv7-tiny算法在检测精度和检测速度上具有很大的优势，将深度学习的缺陷检测目标检测算法应用实际工厂车间，以其为基本的目标检测模型进行优化，提出了一种基于可变形卷积和悬殊尺寸目标检测层的质子交换膜燃料电池催化剂涂布缺陷快速检测网络YOLOv7-tDP。

（1）首先，研究涂布缺陷产生机理，构建了质子交换膜催化剂涂布缺陷的数据集，主要包括气泡、颗粒、斑点、漏基材等四种主要缺陷。

（2）其次，针对各种分布、形状、尺度不规则的缺陷，提出了一种新型增强可变形状特征提取模块。通过融合可变形卷积，扩展缺陷特征提取网络的感受野，捕获完整而全面的缺陷纹理特征。

（3）在模型头部增加悬殊尺寸目标检测层以增加尺度比例悬殊缺陷的检测能力，更好的契合悬殊尺寸缺陷。

在数据集上的实验结果表明，平均精度（mAP@IoU="0.5）的算法为94.1%，比基线网络提高8.6%，检测速度高达100fps，有效提高了催化剂涂布表面缺陷的检测精度和速度。

YOLOv7-tDP模型图 

【知识产权】

发表研究论文1篇。

【应用领域】

人工智能、新能源。

【应用情况】

佛山隆深机器人，湖南隆深氢能科技有限公司合作。