CN111445462A - 一种基于神经网络和热像图的蓄电池漏液检测方法 - Google Patents
一种基于神经网络和热像图的蓄电池漏液检测方法 Download PDFInfo
- Publication number
- CN111445462A CN111445462A CN202010239977.4A CN202010239977A CN111445462A CN 111445462 A CN111445462 A CN 111445462A CN 202010239977 A CN202010239977 A CN 202010239977A CN 111445462 A CN111445462 A CN 111445462A
- Authority
- CN
- China
- Prior art keywords
- leakage
- image
- neural network
- storage battery
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003860 storage Methods 0.000 title claims abstract description 54
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 21
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- 238000001931 thermography Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 238000001914 filtration Methods 0.000 claims abstract description 4
- 238000002372 labelling Methods 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 29
- 238000002955 isolation Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims 1
- 239000007788 liquid Substances 0.000 abstract description 6
- 238000009434 installation Methods 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 description 6
- 238000009776 industrial production Methods 0.000 description 3
- 238000004064 recycling Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 239000013543 active substance Substances 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000001179 sorption measurement Methods 0.000 description 2
- 238000002759 z-score normalization Methods 0.000 description 2
- 239000002253 acid Substances 0.000 description 1
- 230000002378 acidificating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 125000006850 spacer group Chemical group 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000004073 vulcanization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于神经网络和热像图的蓄电池漏液检测方法。包括图像采集设备，包括以下步骤：S1）所述红外摄像头设置拍摄位置和拍摄角度；S2）所述图像处理器控制红外摄像头采集不同位置的多张图像；S3）对步骤S2）获得的图像用中值滤波的方法进行去噪，并按照有无漏液对图像进行分类；S4）建立denseNet神经网络模型，用步骤S3）的训练集标准化后，进行训练；S5）用训练好的denseNet模型对标准化后的步骤S3）的测试集，进行识别标记。本发明采用denseNet神经网络和热像图的方法检测漏液，检测速度快，识别率高；本发明成本低，方便有效，设备安装简单，适用性强。
Description
技术领域
本发明涉及电池检测领域，具体涉及一种基于神经网络和热像图的蓄电池漏液检测方法。
背景技术
随着科技的进步和世界工业化进程的推进，电池的需求应运而生，电池的定义为把化学能转换成电能的转置，为了方便重复利用，某些电池在放电后，可以通过充电的方式使内部的活性物质再生，从而反向的把电能转换成化学能，进行电池重复利用和能量存储。这样的电池被成为蓄电池，也形象的被成为二次电池。最初的蓄电池产生于20世界初，被用于汽车的照明，后来逐渐发展为汽车的启动型蓄电池、摩托车用蓄电池、汽车用蓄电池。时至今日，石油资源面临的危机、地球生态环境的日益恶化，形成了新型二次电池及相关材料领域的科技和产业快速发展的双重社会背景。因此市场的迫切需求，使新型二次电池应运而生，在中国得到广泛应用，形成产业并迅猛发展。根据相关统计显示，目前，蓄电池已经是世界上广泛使用的一种化学“电源”，具有电压平稳、安全可靠、价格低廉、适用范围广、原材料丰富和回收再生利用率高等优点，是世界上各类电池中产量最大、用途最广的一种电池。
蓄电池的外部故障主要有外壳裂纹、极柱腐蚀、极柱松动、封胶干裂等，内部故障主要有极板硫化、活性物质脱落、极板栅架腐蚀、极板短路、自放电、极板拱曲等。在工业生产中，蓄电池绝大部分故障会直接或者间接的导致电池漏液，漏液的位置主要发生在正负极端子和安全阀周围，一旦发生电池漏夜，酸性漏液就会腐蚀接触的线路、器材，进而导致线路短路，引发失火，严重时甚至会发生爆炸，近年来国内外已经有过很多相关报道，毫无疑问，这种情况的发生对人们的生产生活造成了巨大的安全隐患和财产损失。因此，电池漏液的检测对于工业生产的蓄电池储能过程来说，是一个非常有必要的安全保障。
根据对相关专利、论文、期刊的查阅，得出目前常见的蓄电池漏液检测方法主要有三种，第一，通过人工作业的方式观察蓄电池的外壳有无破裂，电池的端子和安全阀有无腐蚀等现象，来判断是否有漏液发生；第二，通过特定功能的电子设备来接触蓄电池易发生漏液的部位，当发生漏液时，电解液会被电子设备的吸附装置直接吸收，吸附装置导电性发生变化，进而电路中电压、电流发生变化，触发电子设备的报警系统，从而达到漏液检测的目的；第三，通过机器学习、深度学习的方法对热像图、可见光图像进行分析，建立函数或者模型来进行识别，得出蓄电池的漏液状态，比如在国外，有一篇论文是通过红外图像表示蓄电池的表面温度分布特征和可见光图像表示蓄电池的颜色分布特征来研究漏液情况，红外图像和可见光图像需要通过配准来进行图像位置的对应，提取两者图像的特征用神经网络进行训练，从而识别出蓄电池的漏液状态。经过分析和总结发现，第一种方法无法自动检测漏液，第二种方法只能用于电池生产过程中质量检测，无法解决蓄电池作为备用电源参与生产过程的非接触式漏液检测的问题，第三种方法的研究方向是很不错的，但是目前还处于研究阶段，未在工程领域进行大规模应用，实用性有待评估。
发明内容
针对现有技术存在的问题，针对蓄电池漏液对工业生产造成的安全隐患和财产损失，以及蓄电池漏液的非接触式自动化检测的问题，本发明提供了一种基于denseNet神经网络和热像图的蓄电池漏液检测方法的技术方案，通过热像图和denseNet相结合的方式自动检测蓄电池漏液情况，在电池发生漏液的初始阶段识别出漏液状态，检测到漏液所在的区域，并在图像中标记出来，具有检测速度快、稳定性高、识别率高等优点；同时解决机房中蓄电池的非接触式自动化漏液检测的问题，实现了机房铅酸蓄电池的非接触式自动化漏液检测，适用场景广泛，安装简单。
为了实现上述目的，本发明采用以下技术方案。
一种基于神经网络和热像图的蓄电池漏液检测方法，包括图像采集设备，图像采集设备包括红外摄像头和图像处理器，所述蓄电池包括正极端子、安全阀和负极端子，包括以下步骤：
S1)所述红外摄像头设置拍摄位置和拍摄角度，使每个拍摄位置的红外摄像头视场能够覆盖蓄电池的正极端子、安全阀、负极端子等易发生漏液的区域；
S2)所述图像处理器控制红外摄像头采集不同位置的多张图像；
S3)对步骤S2)获得的图像用中值滤波的方法进行去噪，并按照有无漏液对图像进行分类，生成有漏液和无漏液的样本集，按照一定比例对样本集进行随机抽取，生成训练集和测试集；
S4)建立denseNet神经网络模型，用步骤S3)的训练集标准化后，进行训练，使用优化器调整模型的参数，使模型达到最优化效果；
S5)用训练好的denseNet模型对标准化后的步骤S3)的测试集，进行识别，并对识别结果为有漏液的图像的漏液区域进行标记。
进一步的，所述的蓄电池为机房蓄电池，蓄电池设备包括电池架、防触碰隔离板和电池架上的多个蓄电池，蓄电池的端子面安装防触碰隔离板，防触碰隔离板为绝缘属性的透明板，防止带电设备和蓄电池发生触碰，造成危险事故；防触碰隔离板上正极端子、负极端子、安全阀位置设有隔离板窗口，蓄电池之间通过导电条串联连接，所述步骤S1)中红外摄像头拍摄图像时，囊括整个电池架的图像。
进一步的，所述步骤S4)为建立denseNet169神经网络模型，采用Z-SCORE标准化对训练集图像进行数据标准化，保存标准化函数的平均值和标准差参数。
进一步的，对训练集标准化的方法为：
S41)读取训练集中的图像，对所有训练集每张图像的数据进行数据标准化，目的是提高神经网络模型训练的收敛速度和模型的识别率，Z-score标准化的公式为：
S42)标准化后，得到新图像，图像的数据被重新计算。
进一步的，所述步骤S4)模型训练的参数优化选用的优化器是Adam优化器，损失函数是二值交叉熵函数，
函数公式为
其中，其中y是真实标签，0无漏液，1表示漏液，
表示网络输出的预测概率，通过调整神经网络每个神经元的参数来不断调整整个模型，使得损失函数的值越来越小，预测的识别率就会越来越高，最后损失函数得到一个最佳的点，即模型的最终训练结果。
进一步的，所述步骤S4)神经网络模型训练时需要调整神经元参数，学习率影响着参数调整的步进长度，可变学习率能加快训练速度，学习率函数为：
其中，lr表示初始学习率，n表示训练的周期，
表示向下取整运算。
进一步的，所述的步骤S1)中，红外摄像头可以移动，拍摄位置和拍摄角度只需要在最开始设置一次，接下来可以重复读取设置参数，来进行拍摄。
进一步的，所述的步骤S2)中，红外摄像头采集的不同位置的图像可以作为样本集，同时样本集覆盖了整个电池架，提高了样本的多样性。
进一步的，所述的步骤S3)中，样本集的随机抽取比例是根据总的样本集的容量来确定，样本集的容量越大，训练集的比例就可以越大。
进一步的，所述的步骤S5)中，测试集数据标准化函数的平均值和标准差参数为训练集标准化函数的参数，漏液区域标记方法为用大津法对漏液图像进行二值化，然后在原图中标记出二值化的图像的边缘。
综上所述，本发明具有如下有益效果：本发明采用denseNet神经网络和热像图的方法检测漏液，检测速度快，识别率高；本发明成本低，方便有效，设备安装简单，适用性强。
附图说明
图1为本发明的流程示意图；
图2为本发明的蓄电池设备结构示意图；
图中：1-电池架；2-蓄电池；3-防触碰隔离板；4-隔离板窗口；5-导电条；6-正极端子；7-负极端子；8-安全阀。
具体实施方式
下面结合说明书附图，对本发明的技术方案的具体实施进一步说明。
如图1所示，一种基于神经网络和热像图的蓄电池漏液检测方法，机房蓄电池的结构包括电池架1、多个蓄电池2和防触碰隔离板3，电池架1上放置多个蓄电池2，防触碰隔离板3是覆盖在电池架1上的绝缘透明板，防触碰隔离板3安装在距离蓄电池2端子面5cm处，固定在电池架1上，防止带电设备和蓄电池2发生触碰，造成危险事故；防触碰隔离板3安装在蓄电池2的端子面，所以防触碰隔离板3在蓄电池2的正负端子和安全阀8位置开设有隔离板窗口4，方便红外摄像头的图像采集，各个蓄电池2的正负端子之间通过导电条5连接，从而实现蓄电池2的串联。
对所述的机房蓄电池，进行漏液检测，检测装置为红外摄像头和图像处理器，红外摄像头安装在可以移动的移动机器人上，检测的具体方法为：
S1)所述红外摄像头设置拍摄位置和拍摄角度，使每个拍摄位置的红外摄像头视场能够覆盖蓄电池的正极端子6、安全阀8、负极端子7等易发生漏液的区域；
设置红外摄像头的拍摄位置和拍摄角度，使每个拍摄位置的拍摄角度都能覆盖住局部的隔离板窗口4，同时在所有拍摄位置采集的图像能覆盖住整个电池架1，红外摄像头的拍摄位置和拍摄角度只需要在最开始设置一次，接下来可以重复读取设置参数，来进行拍摄；
S2)所述图像处理器控制红外摄像头采集不同位置的多张图像，囊括整个电池架的图像；图像处理器控制红外摄像头，在每个拍摄位置按照设置好的拍摄角度，电动自动对焦后，进行拍摄，采集热像图；
S3)对步骤S2)获得的图像进行去噪，并按照有无漏液对图像进行分类，生成有漏液和无漏液的样本集，按照一定比例对样本集进行随机抽取，生成训练集和测试集；
用中值滤波对步骤S2)获得的热像图集进行去噪，按照真实的有无漏液情况把热像图集分成有漏液样本集和无漏液样本集，然后，根据总的样本集的容量，按照一定比例分别对有漏液样本集和无漏液样本集进行随机抽取，生成训练集和测试集，当总的样本的容量大于500且小于1000时，训练集和测试集的抽取比例可以选成7:3，当总的样本的容量大于1000且小于5000时，训练集和测试集的抽取比例可以选成8:2，如果样本量更大，相应的训练集抽取比例会更大，相应的测试集抽取比例会更小；
S4)建立denseNet神经网络模型，用步骤S3)的训练集标准化后，进行训练，使用优化器调整模型的参数，使模型达到最优化效果；
建立denseNet169神经网络模型，采用Z-SCORE标准化对训练集图像进行数据标准化，保存标准化函数的平均值和标准差参数，对训练集标准化的方法为：
S41)读取训练集中的图像，图像的大小为288*384，数据是0-255的灰度值，每张图像得到288*384个数据，对所有训练集每张图像的数据进行数据标准化，目的是提高神经网络模型训练的收敛速度和模型的识别率，Z-score标准化的公式为：
S42)标准化后，会得到288*384大小的新图像，图像的数据被重新计算。
网络的输入层为标准化之后的288×384训练集图像，首先，第一层卷积层的卷积核大小设置为7*7，步长为(2,2)，卷积核数为64，最大池化层的卷积核大小为3*3，步长为(2,2)，得到分辨率为70×94的特征，通道数为64；然后，用4个dense block进行特征提取，4个dense block分别包含了6,12,32,32个卷积层，growthrate统一设成32，得到分辨率为8×11的特征，通道数为1164；最后，对特征进行Global pooling，得到1×1664维特征，用全连接层输出类别，模型训练的参数优化选用的优化器是Adam优化器，Adam优化器是tensorflow库自带的模型优化器，损失函数是二值交叉熵函数，
函数公式为
其中，其中y是真实标签，0无漏液，1表示漏液，
表示网络输出的预测概率，通过调整神经网络每个神经元的参数来不断调整整个模型，使得损失函数的值越来越小，预测的识别率就会越来越高，最后损失函数得到一个最佳的点，即模型的最终训练结果。
为了加快网络收敛速度，同时，使训练结果尽量准确，选用可变学习率来进行模型训练；神经网络模型训练时需要调整神经元参数，学习率影响着参数调整的步进长度，可变学习率能加快训练速度，学习率函数为：
其中，lr表示初始学习率，本实验设置为0.001，n表示训练的周期，
表示向下取整运算，设置训练最大周期为50。
S5)用训练好的denseNet模型对标准化后的步骤S4)的测试集，进行识别，并对识别结果为有漏液的图像的漏液区域进行标记。
读取步骤S4)中标准化函数的参数，用标准化函数对测试集的图像数据进行标准化，用训练好的denseNet模型对标准化后的图像数据进行计算，得出模型的二分类结果，对识别结果为有漏液的图像，用大津法对有漏液图像进行二值化，得到图像中漏液区域的边缘，在原图中标记出漏液区域的边缘。
Claims (10)
1.一种基于神经网络和热像图的蓄电池漏液检测方法，包括图像采集设备，图像采集设备包括红外摄像头和图像处理器，所述蓄电池(2)包括正极端子(6)、安全阀(8)和负极端子(7)，其特征在于包括以下步骤：
S1)所述红外摄像头设置拍摄位置和拍摄角度，使每个拍摄位置的红外摄像头视场能够覆盖蓄电池(2)的正极端子(6)、安全阀(8)、负极端子(7)等易发生漏液的区域；
S2)所述图像处理器控制红外摄像头采集不同位置的多张图像；
S3)对步骤S2)获得的图像用中值滤波的方法进行去噪，并按照有无漏液对图像进行分类，生成有漏液和无漏液的样本集，按照一定比例对样本集进行随机抽取，生成训练集和测试集；
S4)建立denseNet神经网络模型，用步骤S3)的训练集标准化后，进行训练，使用优化器调整模型的参数，使模型达到最优化效果；
S5)用训练好的denseNet模型对标准化后的步骤S3)的测试集，进行识别，并对识别结果为有漏液的图像的漏液区域进行标记。
2.根据权利要求1所述的一种基于神经网络和热像图的蓄电池漏液检测方法，其特征在于所述的蓄电池为机房蓄电池，蓄电池设备包括电池架(1)、防触碰隔离板(3)和电池架上的多个蓄电池(2)，蓄电池(2)的端子面安装防触碰隔离板(3)，防触碰隔离板(3)为绝缘属性的透明板，所述步骤1)中红外摄像头拍摄图像时，囊括整个电池架(1)的图像，防触碰隔离板(3)上正极端子(6)、负极端子(7)、安全阀(8)位置设有隔离板窗口(4)，蓄电池(2)之间通过导电条(5)串联连接。
3.根据权利要求1所述的一种基于神经网络和热像图的蓄电池漏液检测方法，其特征在于所述步骤S4)为建立denseNet169神经网络模型，采用Z-SCORE标准化对训练集图像进行数据标准化，保存标准化函数的平均值和标准差参数。
4.根据权利要求1所述的一种基于神经网络和热像图的蓄电池漏液检测方法，其特征在于对训练集标准化的方法为：
S41)读取训练集中的图像，对所有训练集每张图像的数据进行数据标准化，目的是提高神经网络模型训练的收敛速度和模型的识别率，Z-score标准化的公式为：
S42)标准化后，得到新图像，图像的数据被重新计算。
5.根据权利要求1所述的一种基于神经网络和热像图的蓄电池漏液检测方法，其特征在于所述步骤S4)模型训练的参数优化选用的优化器是Adam优化器，损失函数是二值交叉熵函数，
函数公式为
其中，其中y是真实标签，0无漏液，1表示漏液，
表示网络输出的预测概率，通过调整神经网络每个神经元的参数来不断调整整个模型，使得损失函数的值越来越小，预测的识别率就会越来越高，最后损失函数得到一个最佳的点，即模型的最终训练结果。
6.根据权利要求1所述的一种基于神经网络和热像图的蓄电池漏液检测方法，其特征在于所述步骤S4)神经网络模型训练时需要调整神经元参数，学习率影响着参数调整的步进长度，可变学习率能加快训练速度，学习率函数为：
其中，lr表示初始学习率，n表示训练的周期，
表示向下取整运算。
7.根据权利1所述的一种基于神经网络和热像图的蓄电池漏液检测方法，其特征是，所述的步骤S1)中，红外摄像头可以移动，拍摄位置和拍摄角度只需要在最开始设置一次，接下来可以重复读取设置参数，来进行拍摄。
8.根据权利1所述的一种基于神经网络和热像图的蓄电池漏液检测方法，其特征是，所述的步骤S2)中，红外摄像头采集的不同位置的图像可以作为样本集，同时样本集覆盖了整个电池架(1)，提高了样本的多样性。
9.根据权利1所述的一种基于神经网络和热像图的蓄电池漏液检测方法，其特征是，所述的步骤S3)中，样本集的随机抽取比例是根据总的样本集的容量来确定，样本集的容量越大，训练集的比例就可以越大。
10.根据权利1所述的一种基于神经网络和热像图的蓄电池漏液检测方法，其特征在于所述的步骤S5)中，测试集数据标准化函数的平均值和标准差参数为训练集标准化函数的参数，漏液区域标记方法为用大津法对漏液图像进行二值化，然后在原图中标记出二值化的图像的边缘。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010239977.4A CN111445462A (zh) | 2020-03-30 | 2020-03-30 | 一种基于神经网络和热像图的蓄电池漏液检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010239977.4A CN111445462A (zh) | 2020-03-30 | 2020-03-30 | 一种基于神经网络和热像图的蓄电池漏液检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111445462A true CN111445462A (zh) | 2020-07-24 |
Family
ID=71650872
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010239977.4A Pending CN111445462A (zh) | 2020-03-30 | 2020-03-30 | 一种基于神经网络和热像图的蓄电池漏液检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111445462A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112001300A (zh) * | 2020-08-21 | 2020-11-27 | 杭州追猎科技有限公司 | 基于按位置交叉熵的楼宇监控方法、装置和电子设备 |
| CN112164051A (zh) * | 2020-09-29 | 2021-01-01 | 中国船舶重工集团公司第七二四研究所 | 一种基于图像分析的雷达天线面阵漏液检测装置及方法 |
| CN112433157A (zh) * | 2020-10-29 | 2021-03-02 | 云南电网有限责任公司丽江供电局 | 动力锂电池的内短路与漏液故障的在线监测与区分系统 |
| CN112614115A (zh) * | 2020-12-28 | 2021-04-06 | 中国第一汽车股份有限公司 | 动力电池渗水监测方法 |
| CN115063418A (zh) * | 2022-08-10 | 2022-09-16 | 北京航空航天大学 | 一种基于图像识别的动力电池温度检测方法 |
| CN117312927A (zh) * | 2023-11-28 | 2023-12-29 | 湖南省银峰新能源有限公司 | 全钒液流电池储能系统的电解液泄露故障预测方法及装置 |
| WO2024119377A1 (zh) * | 2022-12-06 | 2024-06-13 | 宁德时代新能源科技股份有限公司 | 漏液检测方法、装置、设备及计算机可读存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109216661A (zh) * | 2017-07-07 | 2019-01-15 | 广隆光电科技股份有限公司 | 具玻璃态石墨碳极板的复合铅碳蓄电池 |
| CN109325520A (zh) * | 2018-08-24 | 2019-02-12 | 北京航空航天大学 | 一种石油泄漏的检查方法、装置及系统 |
| CN109815916A (zh) * | 2019-01-28 | 2019-05-28 | 成都蝉远科技有限公司 | 一种基于卷积神经网络算法的植被种植区域识别方法及系统 |
| CN110321783A (zh) * | 2019-05-07 | 2019-10-11 | 北京慧脑云计算有限公司 | 一种基于1d卷积神经网络的meg棘波检测方法及系统 |
| US20190331301A1 (en) * | 2016-12-30 | 2019-10-31 | Du Yuchuan | Method for leakage detection of underground pipeline corridor based on dynamic infrared thermal image processing |
| CN110599451A (zh) * | 2019-08-05 | 2019-12-20 | 平安科技（深圳）有限公司 | 医学图像病灶检测定位方法、装置、设备及存储介质 |
| CN110793722A (zh) * | 2019-11-08 | 2020-02-14 | 国家计算机网络与信息安全管理中心 | 基于机器学习的铅酸蓄电池非接触式漏液检测装置及方法 |
-
2020
- 2020-03-30 CN CN202010239977.4A patent/CN111445462A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190331301A1 (en) * | 2016-12-30 | 2019-10-31 | Du Yuchuan | Method for leakage detection of underground pipeline corridor based on dynamic infrared thermal image processing |
| CN109216661A (zh) * | 2017-07-07 | 2019-01-15 | 广隆光电科技股份有限公司 | 具玻璃态石墨碳极板的复合铅碳蓄电池 |
| CN109325520A (zh) * | 2018-08-24 | 2019-02-12 | 北京航空航天大学 | 一种石油泄漏的检查方法、装置及系统 |
| CN109815916A (zh) * | 2019-01-28 | 2019-05-28 | 成都蝉远科技有限公司 | 一种基于卷积神经网络算法的植被种植区域识别方法及系统 |
| CN110321783A (zh) * | 2019-05-07 | 2019-10-11 | 北京慧脑云计算有限公司 | 一种基于1d卷积神经网络的meg棘波检测方法及系统 |
| CN110599451A (zh) * | 2019-08-05 | 2019-12-20 | 平安科技（深圳）有限公司 | 医学图像病灶检测定位方法、装置、设备及存储介质 |
| CN110793722A (zh) * | 2019-11-08 | 2020-02-14 | 国家计算机网络与信息安全管理中心 | 基于机器学习的铅酸蓄电池非接触式漏液检测装置及方法 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112001300A (zh) * | 2020-08-21 | 2020-11-27 | 杭州追猎科技有限公司 | 基于按位置交叉熵的楼宇监控方法、装置和电子设备 |
| CN112164051A (zh) * | 2020-09-29 | 2021-01-01 | 中国船舶重工集团公司第七二四研究所 | 一种基于图像分析的雷达天线面阵漏液检测装置及方法 |
| CN112433157A (zh) * | 2020-10-29 | 2021-03-02 | 云南电网有限责任公司丽江供电局 | 动力锂电池的内短路与漏液故障的在线监测与区分系统 |
| CN112433157B (zh) * | 2020-10-29 | 2024-03-01 | 云南电网有限责任公司丽江供电局 | 动力锂电池的内短路与漏液故障的在线监测与区分系统 |
| CN112614115A (zh) * | 2020-12-28 | 2021-04-06 | 中国第一汽车股份有限公司 | 动力电池渗水监测方法 |
| CN112614115B (zh) * | 2020-12-28 | 2024-03-26 | 中国第一汽车股份有限公司 | 动力电池渗水监测方法 |
| CN115063418A (zh) * | 2022-08-10 | 2022-09-16 | 北京航空航天大学 | 一种基于图像识别的动力电池温度检测方法 |
| WO2024119377A1 (zh) * | 2022-12-06 | 2024-06-13 | 宁德时代新能源科技股份有限公司 | 漏液检测方法、装置、设备及计算机可读存储介质 |
| CN117312927A (zh) * | 2023-11-28 | 2023-12-29 | 湖南省银峰新能源有限公司 | 全钒液流电池储能系统的电解液泄露故障预测方法及装置 |
| CN117312927B (zh) * | 2023-11-28 | 2024-03-12 | 湖南省银峰新能源有限公司 | 全钒液流电池储能系统的电解液泄露故障预测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111445462A (zh) | 一种基于神经网络和热像图的蓄电池漏液检测方法 | |
| CN105004972B (zh) | 基于日盲紫外成像图像特征的瓷绝缘子绝缘状态评估方法 | |
| CN110793722B (zh) | 基于机器学习的铅酸蓄电池非接触式漏液检测装置及方法 | |
| CN112734692A (zh) | 一种变电设备缺陷识别方法及装置 | |
| CN112950547B (zh) | 一种基于深度学习的锂电池隔膜缺陷机器视觉检测方法 | |
| CN108680833B (zh) | 基于无人机的复合绝缘子缺陷检测系统 | |
| CN109584222A (zh) | 一种基于无人机的光伏组件图像的故障分类及辨识方法 | |
| CN104537650A (zh) | 一种铝电解电容器的极性方向判定方法及装置 | |
| CN109345586A (zh) | 基于紫外成像技术的电气设备放电特征提取方法 | |
| Hui et al. | An intelligent fault diagnosis method for electrical equipment using infrared images | |
| CN113065484A (zh) | 一种基于紫外图谱的绝缘子污秽状态评估方法 | |
| CN114627082A (zh) | 一种基于改进YOLOv5网络的光伏组件EL缺陷检测方法 | |
| CN117173100B (zh) | 聚合物锂离子电池生产控制系统及其方法 | |
| CN114965328A (zh) | 一种紫外多光谱高压线路故障检测与定位方法及装置 | |
| CN116485802B (zh) | 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质 | |
| CN110992306B (zh) | 基于深度学习的红外图像中劣化绝缘子的分割方法及装置 | |
| CN113376473A (zh) | 一种基于支持向量机和图像识别的故障电弧检测方法 | |
| CN117350964A (zh) | 一种基于跨模态多层次特征融合的电力设备检测方法 | |
| CN111931721A (zh) | 年检标签颜色和个数的检测方法、装置及电子设备 | |
| CN114581407B (zh) | 一种光伏模块的自适应缺陷检测方法 | |
| CN116519710A (zh) | 一种用于复合绝缘子表面污秽状态的检测方法及系统 | |
| CN116152195A (zh) | 光伏电池板的热斑检测方法、装置及电子设备 | |
| CN112884720B (zh) | 一种配电线路污闪绝缘子检测方法及系统 | |
| KR102426275B1 (ko) | 태양전지 셀에 대한 이미지 분류 방법 및 장치 | |
| CN114821309A (zh) | 一种室内变电站开关及指示灯状态识别方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200724 |