CN113571792A - 一种废旧铅酸电池的智能拆解辅助系统及方法 - Google Patents

Abstract

本发明公开了一种废旧铅酸电池智能拆解辅助系统及方法，通过废旧铅酸电池最佳切割程度的量化和抗铅酸腐蚀干扰的处理，将电池识别的概念引入到电池拆解过程，从传统的人为经验判断转化为智能决策，弥补了电池拆解过程由于人为因素产生差异性的不足，由于本发明考虑了新品种电池的切割值未量化问题，针对拆解过程中出现的新品种电池进行提示，将其单独拆解并录入到智能拆解辅助系统，从而更能适应废旧铅酸电池更新换代的情况。

Description

一种废旧铅酸电池的智能拆解辅助系统及方法

技术领域

本发明属于铅酸电池拆解技术领域，具体涉及一种废旧铅酸电池的智能拆解辅助系统及方法。

背景技术

公开于该背景技术部分的信息仅仅旨在加深对本发明的总体背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。

铅酸电池由于其性能稳定优越、性价比高、安全可靠等优点，广泛应用于交通、储能、物流等行业。随之而来的是，每年存在大量的废旧铅酸电池需要回收处理。废旧铅酸电池含有20％左右的硫酸液和60％左右的金属铅，如果不进行有效的回收处理，硫酸液会渗入土壤进而破坏土壤环境以及污染地下水资源，并且铅超标会对人的身体造成不利的影响。因此废旧铅酸如何合理高效的进行回收处理是当前热门的研究领域。

近年来，废旧铅酸电池由于种类繁多，回收环境恶劣等因素，其拆解环节成为高效回收的关键。铅酸电池的拆解主要利用人工辅助锯床进行切割，工人需要通过经验判断废旧铅酸电池盖子的厚度。由于人为经验的不同，相同种类的铅酸电池拆解存在差异性，不能最大化提升回收效益。

发明内容

为此，本发明所要解决的技术问题在于如何提高电池拆解的智能化。

为解决上述技术问题，本发明提供了一种废旧铅酸电池智能拆解辅助系统，包括图像采集模块、图像处理模块、尺寸测量模块、切割量化模块、图像识别模块以及数据库；

所述图像采集模块用于采集样本电池的图像和待识别电池的图像；

所述图像处理模块用于对采集到的样本电池的图像和待识别电池图像进行处理；

所述尺寸测量模块用于测量样本电池的三维尺寸和识别失败电池的三维尺寸；

所述切割量化模块用于根据样本电池的三维尺寸计算样本电池的最佳切割值并根据样本电池的最佳切割值为样本电池设置分类标签和根据识别失败电池的三维尺寸计算识别失败电池的最佳切割值并根据识别失败电池的最佳切割值为识别失败电池设置分类标签后将识别失败电池的最佳切割值发送至电池切割装置的控制器；

所述图像识别模块包括识别模型，所述图像识别模块通过处理后的所述样本电池的图像和所述样本电池的分类标签对所述识别模型进行训练和用于对处理后的待识别电池的图像进行分离标签识别后将识别成功电池的分类标签所对应的最佳切割值发送至电池切割装置的控制器；

所述数据库用于存储每个电池采集到的图像、处理后的图像、测量到的三维尺寸、计算出的最佳切割值以及设置的分类标签。

进一步的，所述图像采集模块为高精度相机。

进一步的，所述尺寸测量模块为激光测距装置。

进一步的，所述图像处理模块为滤波算法模块。

进一步的，还包括系统监测模块，所述系统监测模块用于监测并统计分析所述电池切割装置进行电池切割的过程。

本发明还提供另外一个技术方案：一种废旧铅酸电池的智能拆解辅助方法，采用如上所述的智能拆解辅助系统，所述智能拆解辅助方法包括以下步骤：

S1、所述图像采集模块采集样本电池的图像并发送给所述数据库，所述图像处理模块调用所述数据库中的样本电池的图像并进行处理后发送至所述图像识别模块和所述数据库，转至S3；

S2、所述尺寸测量模块测量样本电池的三维尺寸，所述切割量化模块调用所述数据库中的样本电池的三维尺寸并据此计算样本电池的最佳切割值后根据样本电池的最佳切割值为样本电池设置分类标签后发送至所述数据库和所述图像识别模块，转至S3；

S3、所述图像识别模块通过所述样本电池的处理后图像和所述样本电池的分类标签对识别模型进行训练，转至S4；

S4、所述图像采集模块采集待识别电池的图像后发送至所述数据库，所述图像处理模块调用所述数据库中的待识别电池的图像并进行处理后发送至所述图像识别模块和所述数据库，转至S5；

S5、所述识别模型对待识别电池的图像进行识别，如果识别成功，则将识别成功电池的分离标签对应的最佳切割值发送至所述数据库和电池切割装置的控制器，如果识别不成功，则进入步骤S6；

S6、所述尺寸测量模块测量识别失败电池的三维尺寸后发送至所述数据库，所述切割量化模块调用所述数据库中识别失败电池的三维尺寸并据此计算识别失败电池的最佳切割值后根据识别失败电池的最佳切割值为识别失败电池设置分离标签后发送至所述数据库和电池切割装置的控制器；

其中，S1和S2不分先后；

S1和S4中，采用改进的K均值聚类方法进行图像处理，所述改进的K均值聚类方法采用像素点之间的新距离，定义颜色空间中的三个分量a,b,c和像素的两个坐标x,y一起组成五维空间，则像素点之间的新距离d为：

d＝d₁+αd₂

其中α为控制像素紧密度的参数，而a_i,b_i,c_i,x_i,y_i为五维空间中所有像素点的各维度均值；

S2中和S6中，所述切割值量化模块调用所述数据库中极板组上表面的高度范围[m₁,m₂]和铅质联条与极板组上表面的距离n，采用如下公式计算电池的最佳切割值h：

S3中，所述识别模型根据样本电池的处理后图像进行识别模型的建立；

S5中，利用识别模型计算当前电池属于各个电池标签的可能性p_i，其中i＝1,2,...,k，若所有可能性p_i都小于设定阈值α，则判定当前电池为识别失败电池，否则根据可能性p_i中的最大值输出相应种类电池的最佳切割值，根据最佳切割值划分电池为k个种类，并对不同种类的电池图像进行标注。

进一步的，S4中，采用滤波算法进行图像处理，所述滤波算法为边缘监测算法或寻找边界算法或轮廓滤波算法。

进一步的，S5中，所述识别模型为最近邻分类器或支持向量机分类器或卷积神经网络。

进一步的，S5中，可能性为欧式距离或曼哈顿距离或概率。

进一步的，所述系统监测模块监测并统计每日电池的拆解总量以及不同种类的占比，从而预测未来废旧铅酸电池的市场走向，及时辅助调整拆解线的工作速度，以及更换老化、磨损和疲劳的机械元件。

由于上述技术方案运用，本发明与现有技术相比具有下列优点：

1)本发明公开的废旧铅酸电池的智能拆解辅助系统及方法，通过废旧铅酸电池最佳切割程度的量化和抗铅酸腐蚀干扰的处理，将电池识别的概念引入到电池拆解过程，从传统的人为经验判断转化为智能决策，弥补了电池拆解过程由于人为因素产生差异性的不足，由于本发明考虑了新品种电池的切割值未量化问题，针对拆解过程中出现的新品种电池进行提示，将其单独拆解并录入到智能拆解辅助系统，从而更能适应废旧铅酸电池更新换代的情况；

2)本发明公开的废旧铅酸电池的智能拆解辅助系统及方法，通过设置图像处理模块，增加电池上表面和传送带背景的反差，减少由于铅酸腐蚀传送带引起的背景干扰，用于降低电池泄露的铅酸腐蚀传送带给智能决策带来的影响；

3)本发明公开的废旧铅酸电池的智能拆解辅助系统及方法，针对电池拆解过程进行监测，利用大数据方法分析电池回收市场的动态和系统的运行状态，辅助调整系统的工作速度，提高电池回收的整体收益，将回收流程变得更加规范化，保证系统运作的高效性和稳定性。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

图1为本发明公开的废旧铅酸电池的智能拆解辅助系统的组成方框图；

图2为本发明公开的废旧铅酸电池的智能拆解辅助方法的流程图。

其中，1、图像采集模块；2、图像处理模块；3、尺寸测量模块；4、切割量化模块；5、图像识别模块；6、数据库；7、系统监测模块。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。

应该指出，以下详细说明都是示例性的，旨在对本申请提供作为进一步改进说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、部件和/或它们的组合。在本公开中，术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，只是为了便于叙述本公开各部件或元件结构关系而确定的关系词，并非特指本公开中任一部件或元件，不能理解为对本公开的限制。本公开中，术语如“固接”、“相连”、“连接”等应做广义理解，表示可以是固定连接,也可以是一体地连接或可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员，可以根据具体情况确定上述术语在本公开中的具体含义，不能理解为对本公开的限制。

以下为用于说明本发明的一较佳实施例，但不用来限制本发明的范围。

实施例一

参见图1，如其中的图例所示，一种废旧铅酸电池智能拆解辅助系统，包括图像采集模块1、图像处理模块2、尺寸测量模块3、切割量化模块4、图像识别模块5以及数据库6；

图像采集模块1用于采集样本电池的图像和待识别电池的图像；

图像处理模块2用于对采集到的样本电池的图像和待识别电池图像进行处理；

尺寸测量模块3用于测量样本电池的三维尺寸和识别失败电池的三维尺寸；

切割量化模块4用于根据样本电池的三维尺寸计算样本电池的最佳切割值并根据样本电池的最佳切割值为样本电池设置分类标签和根据识别失败电池的三维尺寸计算识别失败电池的最佳切割值并根据识别失败电池的最佳切割值为识别失败电池设置分类标签后将识别失败电池的最佳切割值发送至电池切割装置的控制器；

图像识别模块5包括识别模型，所述图像识别模块通过处理后的所述样本电池的图像和所述样本电池的分类标签对所述识别模型进行训练和用于对处理后的待识别电池的图像进行分离标签识别后将识别成功电池的分类标签所对应的最佳切割值发送至电池切割装置的控制器；

数据库6用于存储每个电池采集到的图像、处理后的图像、测量到的三维尺寸、计算出的最佳切割值以及设置的分类标签。

本发明公开的废旧铅酸电池的智能拆解辅助系统及方法，通过废旧铅酸电池最佳切割程度的量化和抗铅酸腐蚀干扰的处理，将电池识别的概念引入到电池拆解过程，从传统的人为经验判断转化为智能决策，弥补了电池拆解过程由于人为因素产生差异性的不足，由于本发明考虑了新品种电池的切割值未量化问题，针对拆解过程中出现的新品种电池进行提示，将其单独拆解并录入到智能拆解辅助系统，从而更能适应废旧铅酸电池更新换代的情况。通过设置图像处理模块，增加电池上表面和传送带背景的反差，减少由于铅酸腐蚀传送带引起的背景干扰，用于降低电池泄露的铅酸腐蚀传送带给智能决策带来的影响。

本实施例中，图像采集模块1为高精度相机。高精度可以为但不限于工业面阵相机、工业线阵相机、立体相机。高品质光源用于辅助高精度相机进行废旧铅酸电池图像的采集，从而减小外界光照的影响并保证图像的质量；所述光源可以为但不限于环形光源、条形光源、同轴光源、圆顶无影光源；所述图像的质量可以为但不限于图像亮度、图像对比度、图像欠曝率、图像过爆率。

本实施例中，尺寸测量模块3为激光测距装置。

本实施例中，所述样本电池和所述识别失败电池中，每一者的三维尺寸包括电池长、电池宽、电池高、极板组上表面的高度范围以及铅质联条和极板组上表面的距离，所述切割量化模块根据极板组上表面和铅质联条的高度计算最佳切割值。

本实施例中，所述图像处理模块2为滤波算法模块。

本实施例中，还包括系统监测模块7，系统监测模块7用于监测并统计分析电池切割装置进行电池切割的过程。针对电池拆解过程进行监测，利用大数据方法分析电池回收市场的动态和系统的运行状态，辅助调整系统的工作速度，提高电池回收的整体收益，将回收流程变得更加规范化，保证系统运作的高效性和稳定性。

参见图2，如其中的图例所示，一种废旧铅酸电池的智能拆解辅助方法，采用如上所述的智能拆解辅助系统，所述智能拆解辅助方法包括以下步骤：

S1、图像采集模块1采集样本电池的图像并发送给数据库6，图像处理模块2调用所述数据库6中的样本电池的图像并进行处理后发送至图像识别模块5和数据库6，转至S3；

S2、尺寸测量模块3测量样本电池的三维尺寸，切割量化模块4调用数据库6中的样本电池的三维尺寸并据此计算样本电池的最佳切割值后根据样本电池的最佳切割值为样本电池设置分类标签后发送至数据库6和图像识别模块5，转至S3；

S3、图像识别模块5通过样本电池的处理后图像和样本电池的分类标签对识别模型进行训练，转至S4；

S4、图像采集模块1采集待识别电池的图像后发送至数据库6，图像处理模块2调用数据库6中的待识别电池的图像并进行处理后发送至图像识别模块5和数据库6，转至S5；

S5、识别模型对待识别电池的图像进行识别，如果识别成功，则将识别成功电池的分离标签对应的最佳切割值发送至数据库6和电池切割装置的控制器，如果识别不成功，则进入步骤S6；

S6、尺寸测量模块3测量识别失败电池的三维尺寸后发送至数据库6，切割量化模块4调用数据库6中识别失败电池的三维尺寸并据此计算识别失败电池的最佳切割值后根据识别失败电池的最佳切割值为识别失败电池设置分离标签后发送至数据库6和电池切割装置的控制器；

其中，S1和S2不分先后；

S1和S4中，采用改进的K均值聚类方法进行图像处理，所述改进的K均值聚类方法采用像素点之间的新距离，定义颜色空间中的三个分量a,b,c和像素的两个坐标x,y一起组成五维空间，则像素点之间的新距离d为：

d＝d₁+αd₂

其中α为控制像素紧密度的参数，而a_i,b_i,c_i,x_i,y_i为五维空间中所有像素点的各维度均值；

S2中和S6中，切割值量化模块4调用数据库6中极板组上表面的高度范围[m₁,m₂]和铅质联条与极板组上表面的距离n，采用如下公式计算电池的最佳切割值h：

S3中,识别模型根据样本电池的处理后图像进行识别模型的建立；

S5中，利用识别模型计算当前电池属于各个电池标签的可能性p_i，其中i＝1,2,...,k，若所有可能性p_i都小于设定阈值α，则判定当前电池为识别失败电池，否则根据可能性p_i中的最大值输出相应种类电池的最佳切割值，根据最佳切割值划分电池为k个种类，并对不同种类的电池图像进行标注。

本实施例中，S4中，采用滤波算法进行图像处理，所述滤波算法为边缘监测算法或寻找边界算法或轮廓滤波算法。本实施例中，S5中，识别模型为最近邻分类器或支持向量机分类器或卷积神经网络。

本实施例中，S5中，可能性为欧式距离或曼哈顿距离或概率。

本实施例中，系统监测模块7监测并统计每日电池的拆解总量以及不同种类的占比，从而预测未来废旧铅酸电池的市场走向，及时辅助调整拆解线的工作速度，以及更换老化、磨损和疲劳的机械元件。

以上为对本发明实施例的描述，通过对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种废旧铅酸电池智能拆解辅助系统，其特征在于，包括图像采集模块、图像处理模块、尺寸测量模块、切割量化模块、图像识别模块以及数据库；

所述图像采集模块用于采集样本电池的图像和待识别电池的图像；

所述图像处理模块用于对采集到的样本电池的图像和待识别电池图像进行处理；

所述尺寸测量模块用于测量样本电池的三维尺寸和识别失败电池的三维尺寸；

所述切割量化模块用于根据样本电池的三维尺寸计算样本电池的最佳切割值并根据样本电池的最佳切割值为样本电池设置分类标签和根据识别失败电池的三维尺寸计算识别失败电池的最佳切割值并根据识别失败电池的最佳切割值为识别失败电池设置分类标签后将识别失败电池的最佳切割值发送至电池切割装置的控制器；

所述图像识别模块包括识别模型，所述识别模型通过处理后的所述样本电池的图像和所述样本电池的分类标签进行训练和用于对处理后的待识别电池的图像进行分离标签识别后将识别成功电池的分类标签所对应的最佳切割值发送至电池切割装置的控制器；

所述数据库用于存储每个电池采集到的图像、处理后的图像、测量到的三维尺寸、计算出的最佳切割值以及设置的分类标签。

2.根据权利要求1所述的废旧铅酸电池智能拆解辅助系统，其特征在于，所述图像采集模块为高精度相机。

3.根据权利要求1所述的废旧铅酸电池智能拆解辅助系统，其特征在于，所述尺寸测量模块为激光测距装置。

4.根据权利要求1所述的废旧铅酸电池智能拆解辅助系统，其特征在于，所述图像处理模块为滤波算法模块。

5.根据权利要求1所述的废旧铅酸电池智能拆解辅助系统，其特征在于，还包括系统监测模块，所述系统监测模块用于监测并统计分析所述电池切割装置进行电池切割的过程。

6.一种废旧铅酸电池的智能拆解辅助方法，其特征在于，采用如权利要求1至5任一所述的智能拆解辅助系统，所述智能拆解辅助方法包括以下步骤：

S1、所述图像采集模块采集样本电池的图像并发送给所述数据库，所述图像处理模块调用所述数据库中的样本电池的图像并进行处理后发送至所述图像识别模块和所述数据库，转至S3；

S2、所述尺寸测量模块测量样本电池的三维尺寸，所述切割量化模块调用所述数据库中的样本电池的三维尺寸并据此计算样本电池的最佳切割值后根据样本电池的最佳切割值为样本电池设置分类标签后发送至所述数据库和所述图像识别模块，转至S3；

S3、所述图像识别模块通过所述样本电池的处理后图像和所述样本电池的分类标签对识别模型进行训练，转至S4；

S4、所述图像采集模块采集待识别电池的图像后发送至所述数据库，所述图像处理模块调用所述数据库中的待识别电池的图像并进行处理后发送至所述图像识别模块和所述数据库，转至S5；

S5、所述识别模型对待识别电池的图像进行识别，如果识别成功，则将识别成功电池的分离标签对应的最佳切割值发送至所述数据库和电池切割装置的控制器，如果识别不成功，则进入步骤S6；

S6、所述尺寸测量模块测量识别失败电池的三维尺寸后发送至所述数据库，所述切割量化模块调用所述数据库中识别失败电池的三维尺寸并据此计算识别失败电池的最佳切割值后根据识别失败电池的最佳切割值为识别失败电池设置分离标签后发送至所述数据库和电池切割装置的控制器；

其中，S1和S2不分先后；

S1和S4中，采用改进的K均值聚类方法进行图像处理，所述改进的K均值聚类方法采用像素点之间的新距离，定义颜色空间中的三个分量a,b,c和像素的两个坐标x,y一起组成五维空间，则像素点之间的新距离d为：

d＝d₁+βd₂

其中β为控制像素紧密度的参数，而a_i,b_i,c_i,x_i,y_i为五维空间中所有像素点的各维度均值；

S2中和S6中，所述切割值量化模块调用所述数据库中极板组上表面的高度范围[m₁,m₂]和铅质联条与极板组上表面的距离n，采用如下公式计算电池的最佳切割值h：

S3中,所述识别模型根据样本电池的处理后图像进行识别模型的建立；

S5中，利用识别模型计算当前电池属于各个电池标签的可能性p_i，其中i＝1,2,...,k，若所有可能性p_i都小于设定阈值α，则判定当前电池为识别失败电池，否则根据可能性p_i中的最大值输出相应种类电池的最佳切割值，根据最佳切割值划分电池为k个种类，并对不同种类的电池图像进行标注。

7.根据权利要求6所述的废旧铅酸电池的智能拆解辅助方法，其特征在于，S4中，采用滤波算法进行图像处理，所述滤波算法为边缘监测算法或寻找边界算法或轮廓滤波算法。

8.根据权利要求6所述的废旧铅酸电池的智能拆解辅助方法，其特征在于，S5中，所述识别模型为最近邻分类器或支持向量机分类器或卷积神经网络。

9.根据权利要求6所述的废旧铅酸电池的智能拆解辅助方法，其特征在于，S5中，可能性为欧式距离或曼哈顿距离或概率。

10.根据权利要求6所述的废旧铅酸电池的智能拆解辅助方法，其特征在于，所述系统监测模块监测并统计每日电池的拆解总量以及不同种类的占比，从而预测未来废旧铅酸电池的市场走向，及时辅助调整拆解线的工作速度，以及更换老化、磨损和疲劳的机械元件。

Images