基于深度學(xué)習(xí)的SOFC球殼結(jié)構(gòu)檢測(cè)方法

柯 晗，付曉薇,2+，李 曦

(1.武漢科技大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院 智能信息處理與實(shí)時(shí)工業(yè)系統(tǒng)湖北省重點(diǎn) 實(shí)驗(yàn)室，湖北 武漢 430065；2.華中科技大學(xué) 材料成形與模具技術(shù)國家重點(diǎn)實(shí)驗(yàn)室， 湖北 武漢 430074；3.華中科技大學(xué) 人工智能與自動(dòng)化學(xué)院，湖北 武漢 430074)

0 引 言

固體氧化物燃料電池(solid oxide fuel cell，SOFC)是一種具有高效率和低污染排放的經(jīng)濟(jì)型能源轉(zhuǎn)換系統(tǒng)[1]。SOFC主要通過陽極中燃料氣體的氧化反應(yīng)來產(chǎn)生電能。Ni-YSZ陽極、YSZ電解質(zhì)、LSM-YSZ陰極是制備單片電池首選材料體系。通常，SOFC的陽極中，基于Ni的陽極是在首次啟動(dòng)時(shí)以NiO還原生成，陽極的氧化還原反應(yīng)也會(huì)造成微觀結(jié)構(gòu)的變化，因此了解相關(guān)的氧化還原過程非常重要。在SOFC陽極還原過程中，NiO未完全還原的情況下會(huì)出現(xiàn)由較大晶粒包裹未還原NiO的球殼結(jié)構(gòu)，會(huì)限制還原氣體進(jìn)入或離開Ni/NiO球殼表面，影響電池性能和穩(wěn)定性[2]。

非神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)方法試圖通過待檢測(cè)目標(biāo)的局部或全局特征進(jìn)行統(tǒng)計(jì)和分析。例如HOG[3]或者SIFT[4]進(jìn)行特征提取，通常與AdaBoost[5]或SVM[6]等分類器結(jié)合，然后采用滑動(dòng)窗口所示的策略，實(shí)現(xiàn)有效定位。深度學(xué)習(xí)方法實(shí)現(xiàn)了真正的端到端的計(jì)算，也大幅提升了目標(biāo)識(shí)別的速度和精度。使用了深度學(xué)習(xí)方法自動(dòng)檢測(cè)SOFC陽極球殼結(jié)構(gòu)，分析陽極還原程度，能協(xié)助電池優(yōu)化和研究。使用具有較好目標(biāo)檢測(cè)性能的全連接卷積網(wǎng)絡(luò)(R-FCN)，結(jié)合圖像預(yù)處理、數(shù)據(jù)擴(kuò)增以及網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化，提出一種適用于球殼結(jié)構(gòu)數(shù)據(jù)集的SOFC陽極中球殼結(jié)構(gòu)檢測(cè)方法。為避免其它相似結(jié)構(gòu)造成的誤檢和漏檢，使用了更適合光學(xué)顯微鏡下球殼結(jié)構(gòu)的閾值算法，并針對(duì)SOFC圖像中球殼大小對(duì)預(yù)選框尺度進(jìn)行優(yōu)化，提出了殘差網(wǎng)絡(luò)101層(Res101)搭配R-FCN球殼檢測(cè)的優(yōu)化方法。

1 數(shù)據(jù)集

SOFC陽極中球殼結(jié)構(gòu)的影響有：導(dǎo)致樣品電池微結(jié)構(gòu)退化；陶瓷骨架結(jié)構(gòu)不完全；阻擋催化活性表面并降低了整體復(fù)合材料的孔隙率；持續(xù)影響SOFC氧化還原反應(yīng)和電化學(xué)性能[7]；降低其使用壽命。SOFC陽極的微觀結(jié)構(gòu)和還原程度分析有利于優(yōu)化SOFC的最佳性能和制造條件[8,9]。顯微分析法是現(xiàn)在應(yīng)用較普遍的微觀測(cè)試技術(shù),可無損研究微結(jié)構(gòu)單元體的大小、形狀、表面特征以及各單元體之間在空間上的排列及其相互作用形式。通過掃描電子顯微鏡或光學(xué)顯微鏡拍攝得到多孔電極陽極的微觀結(jié)構(gòu)，具有簡(jiǎn)單，直接，無損，易于實(shí)現(xiàn)等優(yōu)點(diǎn)[10]。其它方法比如：X射線斷層掃描[11]和聚焦離子束掃描電子顯微鏡(FIB-SEM)技術(shù)[12]，但這些技術(shù)過程復(fù)雜，且掃描的圖像中球殼結(jié)構(gòu)與其它結(jié)構(gòu)很相似，特征不明顯，不利于檢測(cè)球殼結(jié)構(gòu)。由于光學(xué)顯微鏡圖像(OM)中易分辨 Ni-YSZ 復(fù)合材料中的Ni、NiO相和球殼結(jié)構(gòu)，且光學(xué)顯微鏡圖像獲取簡(jiǎn)單，所以通過光學(xué)顯微鏡觀察和研究球殼微觀結(jié)構(gòu)信息。Utigard等[13]使用光學(xué)顯微鏡觀察未完全還原Ni/NiO的球殼結(jié)構(gòu)，研究不同制備條件下球殼結(jié)構(gòu)與還原動(dòng)力的關(guān)系，優(yōu)化陽極的微觀結(jié)構(gòu)和制備條件，提高電池性能。利用光學(xué)顯微鏡來檢測(cè)和分析SOFC中球殼結(jié)構(gòu)，能根據(jù)球殼數(shù)量、大小和形狀快速分析出陽極的還原程度，有利于對(duì)整體微觀結(jié)構(gòu)的優(yōu)化分析和尋找最佳制備條件。

光學(xué)顯微鏡圖像中，基于Ni/YSZ陽極未完全還原的SOFC微觀結(jié)構(gòu)圖像如圖1所示，由于Ni/YSZ金屬陶瓷材料的物理特性，SOFC陽極在光學(xué)顯微鏡下呈現(xiàn)特有的三相灰度分布規(guī)律：較亮部分為催化劑Ni相，較暗部分為孔隙相，中間灰度值的部分為致密陶瓷YSZ相。圖2中白色Ni顆粒包圍灰色NiO形成了球殼結(jié)構(gòu)[13]，可以觀察到有大量Ni晶粒中心存在NiO，表明盡管加工過程中采用了嚴(yán)格的還原條件，但還沒有實(shí)現(xiàn)NiO完全還原?；疑w粒被亮粒子包圍的球殼微觀結(jié)構(gòu)具有以下特征：①數(shù)量大；②形狀復(fù)雜，多為不規(guī)則的圓環(huán)和半圓環(huán)形狀；③由于圖像噪聲和模糊邊界，有一些尖銳的球殼。

圖1 Ni/YSZ陽極微觀結(jié)構(gòu)光學(xué)顯微鏡圖像

圖2 SOFC球殼結(jié)構(gòu)圖像

使用的數(shù)據(jù)集包含未完全還原的SOFC陽極圖片1000張，并將這些圖像剪切為不同的尺寸，圖像大小包括120×120、256×256和500×375。在圖3中，顯示了使用的不同尺寸具有球殼結(jié)構(gòu)的光學(xué)顯微鏡圖像。圖像包含球殼結(jié)構(gòu)和背景類，背景類一般為Ni、YSZ和孔隙。在SOFC光學(xué)顯微鏡圖像中，根據(jù)專家經(jīng)驗(yàn)，手動(dòng)標(biāo)注包含球殼的位置框和類，標(biāo)記輸出是相應(yīng)類別和不同大小的邊框坐標(biāo)。圖3中可見不同尺寸圖像的球殼標(biāo)記邊框，其中標(biāo)記邊框包含SOFC的球殼結(jié)構(gòu)。在光學(xué)顯微鏡圖像中，由于一些球殼結(jié)構(gòu)與其它結(jié)構(gòu)易混淆，從而使得球殼識(shí)別問題更具挑戰(zhàn)。在制作訓(xùn)練圖像時(shí)，為了得到更好的球殼結(jié)構(gòu)檢測(cè)結(jié)果，制作包含特征圖上的框(ROI)作為圖像主要部分的樣本，如圖3(a)和圖3(b)所示，圖像中矩形框標(biāo)注的球殼結(jié)構(gòu)占圖像的主要部分，這能使訓(xùn)練更有效，更快捷。

圖3 不同尺寸的球殼結(jié)構(gòu)圖像

盡管深度神經(jīng)網(wǎng)絡(luò)系統(tǒng)相對(duì)于傳統(tǒng)的機(jī)器學(xué)習(xí)視覺算法具有明顯的優(yōu)異，但其仍存在訓(xùn)練過程中，易產(chǎn)生過度擬合問題。使用數(shù)據(jù)集擴(kuò)充可有效解決過擬合問題。當(dāng)數(shù)據(jù)集中的圖像數(shù)量不足時(shí)，需要進(jìn)行數(shù)據(jù)增加。使用的數(shù)據(jù)集擴(kuò)充方法有：幾何變換和強(qiáng)度變換。前者包括：調(diào)整大小、裁剪、旋轉(zhuǎn)和水平翻轉(zhuǎn)；后者包括：對(duì)比度和亮度增強(qiáng)。

2 優(yōu)化方法

2.1 基于區(qū)域的全連接卷積網(wǎng)絡(luò)(R-FCN)

使用了R-FCN框架[14]對(duì)SOFC陽極球殼結(jié)構(gòu)進(jìn)行檢測(cè)和識(shí)別，算法流程如圖4所示，主要包括候選分類和邊框分類。R-FCN提出了基于區(qū)域的全卷積網(wǎng)絡(luò)對(duì)象檢測(cè)方法，在分類問題中需要特征具有平移不變性，檢測(cè)則要求對(duì)目標(biāo)的平移做出準(zhǔn)確響應(yīng)?，F(xiàn)在的大部分卷積神經(jīng)網(wǎng)絡(luò)(CNN)在分類上可以做的很好，但用在檢測(cè)上可能效果不佳。Faster R-CNN[15]類的方法在候選區(qū)域池化(ROI pooling)前都是卷積，是具備平移不變性的，一旦插入候選區(qū)域池化，后面的網(wǎng)絡(luò)結(jié)構(gòu)就不再具備平移不變性了，因此，R-FCN提出來的目標(biāo)位置敏感得分這個(gè)概念是能把目標(biāo)的位置信息融合進(jìn)區(qū)域池化。R-FCN把R-CNN換成了先用卷積做預(yù)測(cè)，再進(jìn)行候選區(qū)域池化。由于候選區(qū)域池化會(huì)丟失位置信息，故在池化前加入位置信息，為了指定不同得分圖(score map)負(fù)責(zé)檢測(cè)目標(biāo)的不同位置。在池化后，對(duì)不同位置得到的score map進(jìn)行分析，得到原來的位置信息[14]。并且R-FCN模型在搭配ResNet 101[16]時(shí)，可以在更短的檢測(cè)時(shí)間內(nèi)，獲得比Faster-RCNN更高的檢測(cè)精度。

圖4 R-FCN結(jié)構(gòu)

方法中使用的損失函數(shù)(loss fuction)由兩部分組成：分類部分和邊界回歸，前者為交叉熵?fù)p失(cross-entropy loss)，或者為回歸損失(box regression loss)[14]，其損失函數(shù)定義為

L(s,tx,y,w,h)=Lcls(sc*)+λ[c*>0]Lreg(t,t*)

(1)

其中，c是RoI的真實(shí)標(biāo)簽(c=0表示的是背景)。Lcls(sc*)=-log(sc*)， 是用于分類的交叉熵?fù)p失函數(shù)(cross-entropy loss)，Lreg是邊界回歸損失函數(shù)(bounding box regression loss)，t*表示真實(shí)邊框，λ初始化設(shè)置為1。

由于NMS算法中，將相鄰檢測(cè)框的分?jǐn)?shù)均強(qiáng)制歸零，即將重疊部分大于重疊閾值的檢測(cè)框移除。在這種情況下，如果一個(gè)真實(shí)物體在重疊區(qū)域出現(xiàn)，則將導(dǎo)致對(duì)該物體的檢測(cè)失敗并降低了算法的平均檢測(cè)率，且NMS的閾值不太容易確定，設(shè)置過小會(huì)出現(xiàn)誤刪，設(shè)置過高又容易增大誤檢。優(yōu)化方法在球殼結(jié)構(gòu)檢測(cè)中使用Soft-NMS檢測(cè)框去重[17]，交并比(IoU)計(jì)算如式(2)

(2)

其中，A表示數(shù)據(jù)集中原標(biāo)記框，B表示網(wǎng)絡(luò)的候選框。在算法執(zhí)行過程中不是簡(jiǎn)單對(duì)IoU大于閾值的檢測(cè)框刪除，而是降低得分。算法流程同NMS，但對(duì)原置信度得分使用函數(shù)運(yùn)算，目標(biāo)是降低置信度得分。置信度重置函數(shù)如式(3)，bi為待處理候選框，si是bi框更新得分，N是NMS的閾值，bi和M的IoU越大，si就下降越多

(3)

2.2 特征提取網(wǎng)絡(luò)

由于殘差網(wǎng)絡(luò)(residual network，Res)可以使用很深的網(wǎng)絡(luò)層，其訓(xùn)練集準(zhǔn)確率不會(huì)因?yàn)閿?shù)據(jù)集誤差下降，所以網(wǎng)絡(luò)更容易訓(xùn)練，且可以從顯著增加的深度中獲得更加準(zhǔn)確的特征信息。因此對(duì)比VGG網(wǎng)絡(luò)，殘差網(wǎng)絡(luò)的網(wǎng)絡(luò)層數(shù)可以更多，且局部感受野信息更多[18]。vgg16有228×228像素的感受野，殘差網(wǎng)絡(luò)50(Res50)有335×335像素的感受野, 殘差網(wǎng)絡(luò)101(Res101)有879×879像素感受野，而且感受野信息越大，檢測(cè)任務(wù)的準(zhǔn)確性可能越高。R-FCN搭配Res101網(wǎng)絡(luò)的準(zhǔn)確率相比搭配VGG、殘差網(wǎng)絡(luò)50和殘差網(wǎng)絡(luò)152準(zhǔn)確率最高[14]。因此優(yōu)化方法的特征提取網(wǎng)絡(luò)采用101層的殘差網(wǎng)絡(luò)，其基本結(jié)構(gòu)如圖5所示。

圖5 殘差網(wǎng)絡(luò)基本結(jié)構(gòu)

殘差網(wǎng)絡(luò)由兩層構(gòu)成，第一層是F(x)， 如式(4)所示，其中wi(i∈(1,2)) 是卷積層的權(quán)重，激活函數(shù)是ReLu。第二層是Y(x)， 如式(5)所示

F(x)=w2×Relu(w1×x)

(4)

Y(x)=Relu(F(x)+x)

(5)

殘差網(wǎng)絡(luò)采用卷積層與恒等映射(identity)之和結(jié)構(gòu)作為網(wǎng)絡(luò)的基本結(jié)構(gòu),如果失去恒等映射結(jié)構(gòu)，學(xué)習(xí)目標(biāo)是H(x)=F(x)+x， 而添加恒等映射結(jié)構(gòu)后學(xué)習(xí)目標(biāo)為H(x)-x。 該網(wǎng)絡(luò),使得神經(jīng)網(wǎng)絡(luò)的訓(xùn)練錯(cuò)誤不會(huì)隨著網(wǎng)絡(luò)層數(shù)增加而增加，從而解決網(wǎng)絡(luò)深度變深之后性能退化的問題。x與F(x) 維度不同時(shí)，就需要采用式(6)增加Ws變量對(duì)x升維

Y(x)=Relu(F(x)+Wsx)

(6)

優(yōu)化方法在R-FCN中使用Res101特征提取網(wǎng)絡(luò)，其網(wǎng)絡(luò)結(jié)構(gòu)見表1，Res101去除原始網(wǎng)絡(luò)最后的平均池化層和全連接層，保留100層的卷積層用于特征提取。為了降維，100層卷積層后添加了一層1×1×1024的卷積層，使輸出維度變成1024(原始的是2048)，再接一層卷積層用于產(chǎn)生得分圖。ROI特征處理是對(duì)RPN網(wǎng)絡(luò)輸出的可疑區(qū)域做進(jìn)一步處理，使用“Conv4_x”最后一層的特征映射，步幅大小為8像素或16像素，加上5個(gè)卷積層，其深度分別為512,512,256,256,128。當(dāng)從“Conv5_x”的最后一層進(jìn)行特征映射時(shí)，和“Conv4”的準(zhǔn)確率基本一樣，但計(jì)算參數(shù)更多。因此，優(yōu)化方法選擇使用“Conv4”的最后一層進(jìn)行特征映射。

表1 殘差網(wǎng)絡(luò)101結(jié)構(gòu)

3 實(shí)驗(yàn)結(jié)果與討論

3.1 實(shí)驗(yàn)與參數(shù)選擇

實(shí)驗(yàn)對(duì)比使用原始R-FCN、Faster-RCNN和SSD[19]檢測(cè)方法，使用反向傳播(BP)和梯度下降算法(SGD)優(yōu)化網(wǎng)絡(luò)權(quán)重，學(xué)習(xí)率為0.001，RPN訓(xùn)練的小批量大小為256。在Ubuntu16.04系統(tǒng)Python3.5版本的tensorflow1.4環(huán)境下進(jìn)行訓(xùn)練，硬件配置: 內(nèi)存:16 G RAM, CPU: Inter Xeon(R) E3-1240 v5 2.2 GHz,GPU: NVIDIA GTX 1060 @6 G。

圖6是訓(xùn)練迭代次數(shù)與訓(xùn)練集總損失值之間的關(guān)系，橫坐標(biāo)是迭代次數(shù)，縱坐標(biāo)是總損失值。當(dāng)?shù)螖?shù)大于9000次后，訓(xùn)練損失值不再下降，因此選取迭代次數(shù)為 10 000 的訓(xùn)練結(jié)果進(jìn)行測(cè)試。

圖6 訓(xùn)練損失率

預(yù)選框尺寸的優(yōu)化：R-FCN框架的原始預(yù)選框尺寸為128×128，256×256以及512×512，由于圖像中球殼結(jié)構(gòu)尺寸較小，且差異較大，通過統(tǒng)計(jì)訓(xùn)練集中球殼結(jié)構(gòu)尺寸來對(duì)預(yù)選框尺寸的優(yōu)化。邊長(zhǎng)長(zhǎng)度在30-130之間的球殼占所有球殼的97%，因此預(yù)選框尺度選擇32×32、64×64、128×128和192×192這4種尺度的預(yù)選框，更切合球殼結(jié)構(gòu)的大小，從而避免漏檢。

3.2 實(shí)驗(yàn)結(jié)果分析

提出的系統(tǒng)實(shí)現(xiàn)了R-FCN和Res101特征提取器來檢測(cè)SOFC球殼結(jié)構(gòu)圖像。首先根據(jù)交并比(IOU)和平均準(zhǔn)確率(AP)評(píng)估我們系統(tǒng)的性能，當(dāng)預(yù)測(cè)的球殼位置與實(shí)際球殼位置的IOU值大于設(shè)置的閾值，則認(rèn)為預(yù)測(cè)結(jié)果是真陽性，否則為假陽性。TP是真陽性的數(shù)量，F(xiàn)P對(duì)應(yīng)于誤報(bào)的數(shù)量，理想情況下，F(xiàn)P的數(shù)量會(huì)很小。AP計(jì)算方式如式(7)。不同的IoU閾值會(huì)對(duì)判別結(jié)果有影響，在SOFC球殼結(jié)構(gòu)數(shù)據(jù)集中測(cè)試不同的IOU閾值對(duì)判別結(jié)果的影響如圖7所示，基礎(chǔ)模型包括R-FCN和僅優(yōu)化NMS后的優(yōu)化方法

(7)

圖7 不同IOU閾值的結(jié)果對(duì)比

當(dāng)IOU<0.5，曲線較穩(wěn)定上升，當(dāng)IOU在0.5左右時(shí)，平均精度較高，當(dāng)IOU>0.5時(shí)，平均精度有所下降，因此在測(cè)試時(shí)選擇IOU閾值為0.5。在SOFC球殼數(shù)據(jù)集上IOU= 0.5的平均準(zhǔn)確率見表2。從表2中可以看出，基于Res101的R-FCN檢測(cè)結(jié)果優(yōu)于其它兩種方法，且使用了R-FCN改進(jìn)方法相比原R-FCN方法準(zhǔn)確率也有提升，在球殼數(shù)量較多的500×375的大圖上，提升更加明顯。

表2 不同方法的AP值/%

基于Res101的R-FCN、Faster-RCNN和SSD在球殼測(cè)試集上的檢測(cè)結(jié)果示例如圖8所示，矩形框?yàn)闄z測(cè)框，且在方框上方顯示出球殼結(jié)構(gòu)的置信度。圖8(a)為SSD檢測(cè)結(jié)果，置信度較低，大概在50%到90%之間，存在漏檢現(xiàn)象，在較大圖中右下角的球殼結(jié)構(gòu)未被檢測(cè)出。對(duì)較小的球殼結(jié)構(gòu)不敏感。圖8(b)和圖8(c)分別為Faster-RCNN各R-FCN方法的檢測(cè)結(jié)構(gòu)，置信度高，大概在90%到98%之間，從結(jié)果中可以看出，F(xiàn)aster-RCNN和R-FCN方法的檢測(cè)準(zhǔn)確率相當(dāng)，在測(cè)試圖像中，都將右圖中右下角球殼結(jié)構(gòu)漏檢。圖8(d)為優(yōu)化方法，可以看出優(yōu)化方法正確檢測(cè)出測(cè)試圖片中所有球殼結(jié)構(gòu)，并且對(duì)于不同大小以及形狀的球殼均具有較好的檢測(cè)結(jié)果，能夠有效地檢測(cè)球殼的類和位置。相比前3種方法，優(yōu)化方法有更高置信度，有效減少了漏檢現(xiàn)象，更適合用來對(duì)SOFC光學(xué)顯微鏡圖像進(jìn)行檢測(cè)識(shí)別工作。

圖8 球殼檢測(cè)示例

通過檢測(cè)SOFC陽極中是否含有球殼結(jié)構(gòu)，來判斷SOFC陽極是否完全還原，還能通過檢測(cè)的球殼數(shù)量評(píng)估出陽極的還原程度，以此來輔助研究陽極NiO的還原動(dòng)力。優(yōu)化方法在球殼結(jié)構(gòu)檢測(cè)上相比其它方法存在一定的優(yōu)勢(shì)，但仍存在少數(shù)誤檢以及漏檢現(xiàn)象。在大量的測(cè)試中發(fā)現(xiàn)漏檢情況包括：尺寸較小的低灰度值球殼結(jié)構(gòu)；容易和其它結(jié)構(gòu)混淆的球殼結(jié)構(gòu)；尺寸較小且邊緣不清晰的球殼。若測(cè)試圖片中如果球殼結(jié)構(gòu)清晰明顯，3種檢測(cè)方法都能很好的檢測(cè)出球殼結(jié)構(gòu)，但優(yōu)化方法在較小或易混淆的球殼結(jié)構(gòu)上也有突出表現(xiàn)。表3是不同方法在不同尺寸球殼測(cè)試圖像的平均檢測(cè)時(shí)間和平均準(zhǔn)確率。

表3 檢測(cè)時(shí)間和平均AP

搭配Res101特征提取網(wǎng)絡(luò)的Faster R-CNN模型可以實(shí)現(xiàn)球殼圖像的高精度，但檢測(cè)速度比R-FCN慢很多，準(zhǔn)確率比R-FCN低。SSD的準(zhǔn)確率低于前兩者，但檢測(cè)速度最快。基于Res101優(yōu)化的R-FCN模型降低了計(jì)算參數(shù)，在球殼數(shù)據(jù)集上相比R-FCN原始方法減少了檢測(cè)時(shí)間，同時(shí)通過優(yōu)化NMS和檢測(cè)窗口等方法來提升準(zhǔn)確率，實(shí)現(xiàn)了檢測(cè)速度和準(zhǔn)確度之間的平衡。

4 結(jié)束語

結(jié)合了圖像數(shù)據(jù)增強(qiáng)、訓(xùn)練參數(shù)以及網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化，提出一種適用于SOFC光學(xué)顯微鏡圖像中球殼結(jié)構(gòu)檢測(cè)的優(yōu)化方法。在測(cè)試集上對(duì)提出的方法進(jìn)行驗(yàn)證，結(jié)果表明相比其它流行檢測(cè)方法，優(yōu)化方法具有更好的球殼結(jié)構(gòu)檢測(cè)性能和檢測(cè)速度，驗(yàn)證了此檢測(cè)架構(gòu)的可行性和魯棒性。主要改進(jìn)的方向是：訓(xùn)練參數(shù)更加適合球殼結(jié)構(gòu)訓(xùn)練集；NMS計(jì)算方式更加合理；通過網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化，保證準(zhǔn)確率的同時(shí)，降低了計(jì)算的參數(shù)。優(yōu)化方法實(shí)現(xiàn)了對(duì)SOFC陽極球殼結(jié)構(gòu)的準(zhǔn)確檢測(cè)識(shí)別，可用于SOFC陽極還原程度的檢測(cè)與研究。該方法為優(yōu)化電池前期制備工藝和提高SOFC電池的性能，提供了一種思路與方法。