CN115830516A - 一种用于电池爆燃检测的计算机神经网络图像处理方法 - Google Patents
一种用于电池爆燃检测的计算机神经网络图像处理方法 Download PDFInfo
- Publication number
- CN115830516A CN115830516A CN202310103744.5A CN202310103744A CN115830516A CN 115830516 A CN115830516 A CN 115830516A CN 202310103744 A CN202310103744 A CN 202310103744A CN 115830516 A CN115830516 A CN 115830516A
- Authority
- CN
- China
- Prior art keywords
- battery
- level
- video
- neural network
- detection
- 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.)
- Granted
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Abstract
本发明提出一种用于电池爆燃检测的计算机神经网络图像处理方法,通过检测电动车集中停放地点周围的环境实现对电池爆燃事件的检测,相对只检测电池爆燃逸出物的检测方法,对环境鲁棒性更高;通过分析图像、视频数据中表现出的事件特征,实现对电池爆燃事件的自动检测;通过采用改进的神经网络模型和图像处理方法,实现有效的电池爆燃事件检测。
Description
技术领域
本发明内容属于电池安全检测应用领域,特别地,涉及一种用于电池爆燃检测的计算机神经网络图像处理方法。
背景技术
随着电池储蓄能技术的不断发展,铅酸电池、锂电池等不同类型电池在生产生活中的应用日益普遍。随着电池储能水平的提高,储能电池的应用为生产生活带来了极大的便利,而高容量储能电池由于其自身特性,容易在受到外力冲击、高温等条件下产生爆燃,也在一定程度上带来了安全隐患。
电动车作为近年来人们日益喜爱的代步工具,逐渐普及到家家户户。而由于电动车电池的质量问题和用户的疏忽,也产生了多起安全事件,使人民的生命和财产造成了损失。为此相关部门出台了法规,禁止电动车在楼道等安全通道停放充电,倡议居民不将电动车带回家充电,并且推动社区在安全区域设置电动车集中充电站。而在一些特殊的环境和条件下,由于空气不流通、暴晒等仍然容易造成电池爆燃,而集中停放容易造成爆燃的串联,使得爆燃风险的后果可能更为严重。为此,需要采取能够及早检测爆燃风险的防范方法。
现有针对电池爆燃的保护防范方法通常针对于电池本身,例如实用新型CN202123315109.9一种锂电池爆燃预警保护装置,在电池一侧安装防护盒,用于减缓电池内部爆燃的效果。发明专利CN202210203489.7一种电动汽车电池爆燃紧急处理装置及电动汽车,通过对电池模组加装防护模块,通过防护模块内的检测件检测温度和压力异常。上述方法及相关方法通过对电池本身进行改装实现检测,这类方法适用于电池生产厂家,而对已出厂甚至已经配套安装的电池的改装难度较大,甚至无法适配。因此采用非侵入式的检测方法更加适合前述应用场景。所谓非侵入式方法即不改变被检测单元本身,而对被检测单元的环境实施检测,达到反映被检测物状态的目的。
基于图像处理的非侵入式检测方法是工业检测的常用方法,具有成本低、非侵入性能好、使用方便的优势。近年来随着技术的进步和应用需求的产生,一些基于图像处理的电池爆燃相关应用出现,但整体上该类技术仍处于探索阶段。例如唐文杰等基于气液逸出物图像识别的锂离子电池火灾早期预警,高电压技术 2022年8期。对锂离子电池在事故条件(过充、短路等)下在安全阀处喷出气液逸出物实施检测。而在现实应用中,电动车电池的种类多样,除锂电池外还有铅酸电池、镍氢电池、镍镉电池等,因此上述方法有一定局限性。此外,针对气液逸出物目标的检测还容易受到环境的干扰,在电动车户外使用环境中面临较大的挑战。
虽然目前也有一些人提出使用神经网络方式识别电池爆燃现象,但均使用的是常规神经网络,并未针对电池的特点,以及电池应用环境的特点进行专门的算法设计, 从而使得检测准确度很难满足实际使用的要求。同时,这些方法大多数是识别电池及电池异常现象(例如鼓起、漏液、漏气等),但进行上述电池的识别本身就存在困难,而且如上述所述,极易受到环境干扰,这同样影响了算法的实际应用。
也有人提出进行视频数据的处理,但长期大量视频数据造成了运算的巨大负担,而且由于爆燃是小概率事件,因此很多数据的运算意义并不大。
发明内容
本发明提出一种用于电池爆燃检测的计算机神经网络图像处理方法,通过检测电动车集中停放地点周围的环境实现对电池爆燃事件的检测,相对只检测电池爆燃逸出物的检测方法,对环境鲁棒性更高;通过分析图像、视频数据中表现出的事件特征,实现对电池爆燃事件的自动检测;通过采用改进的神经网络模型和图像处理方法,实现有效的电池爆燃事件检测。
一种用于电池爆燃检测的计算机神经网络图像处理方法
表示子区视频导数的均值,表示子区视频导数的方差;当,且时,认为前景发生变化;当前景发生变化时,建立贝叶斯模型,对某一帧的某个子区进行分类,当该子区根据贝叶斯模型判别为变化来自真实目标移动时,认为该子区是前景,否则认为该子区是背景;
每一段时间内对该段时间内的视频按前述方法处理,并计算每一帧中背景子区的平均值,作为该段时间内的平均背景;
步骤2:建立神经网络模型对电池爆燃事件进行检测;
第一级、第二级的特征向量都连接到全连接层,定义如下:
其中表示第一级特征向量与全连接层的每一个元素之间的线性权值,表示第二级特征向量与全连接层的每一个元素之间的线性权值;表示线性偏置参数;为第一级网络的第五层的输出;为第二级网络的第二层的输出;激活函数为
根据全连接层计算神经网络对电池爆燃事件的预测输出,即:
在使用上述神经网络模型前,需要先对模型进行学习,确定各项线性权值参数、偏置参数。
准备现场采集的学习样本视频,包括短期视频和长期视频中的背景。
将所有学习样本代入神经网络模型,计算模型输出值和样本输出真值之差。
滤波后的视频导数反映了视频随时间变化的程度,变化程度较小的部分通常被认为是背景,变化程度较大的部分通常被认为是前景。
步骤1在现场设备中实施,现场设备包括摄像机和现场处理器。
步骤2在远程服务器中实施。
本发明的发明点及技术效果:
1、本发明的发明点之一为对电动车集中停放地点周围环境的图像、视频采集和处理方法,对视频数据中前景与背景的分类,其目的是感知目标地点周围环境,由于背景部分通常是静态的,将静态背景识别出来,作为参考数据。这样一方面为检测爆燃提供参考,另一方面也使检测爆燃程序可以集中于近期的小范围数据,而不需要处理长期的大量数据,从而提高了检测效率。同时,为二级神经网络结构提供适合的输入,从而保证检测的准确度。
具体实施方式
步骤1描述了一种对电动车集中停放地点周围环境的图像、视频采集和处理方法,采用摄像机采集电动车集中停放地点周围环境的图像、视频,对采集的数据进行分析、分步处理,并获得视频数据中前景与背景的分类。
对视频数据中前景与背景的分类,其目的是感知目标地点周围环境,由于背景部分通常是静态的,将静态背景识别出来,作为参考数据。这样一方面为检测爆燃提供参考,另一方面也使检测爆燃程序可以集中于近期的小范围数据,而不需要处理长期的大量数据,从而提高了检测效率。
设采集到视频数据记为:
相应的,对子区求导可记为:
对导数进行高斯滤波,以便减轻空间上的局部噪声造成的影响,计算方法为:
滤波后的视频导数反映了视频随时间变化的程度,变化程度较小的部分通常被认为是背景,变化程度较大的部分通常被认为是前景。在现实中,变化不仅来自于现场场景中前景的变化,如人物走动,也可能来自于光照的变化等环境噪声。划分子区的目的就是为了区别噪声引起的变化和前景目标引起的变化。
令:
表示子区视频导数的均值,表示子区视频导数的方差。根据上述均值和方差设定阈值,判别子区视频的变化程度。当,且时,认为前景发生变化。阈值用于直接判别导数的变化率,阈值用于评估数据的可靠性,当方差过大时通常数据的噪声较大,因此不可靠。作为实验优选值,取, 。
当前景发生变化时,建立贝叶斯模型:
其中,是子区的视频导数的表观概率,可以直接通过视频数据统计得出。为预先定义的类别标签,当时表示前景的变化来自噪声,当时表示前景的变化是来自真实的目标移动。可以根据学习样本的数目统计得出。表示不同类别样本中各自的视频导数表观概率,可以直接通过视频数据统计得出。避免一些运动物体的干扰。
步骤2描述了一种对电池爆燃事件进行检测的神经网络模型和检测方法,对实时的、近期采集的若干帧视频进行检测,判断其中发生电池爆燃事件的概率,并输出检测结果。
神经网络模型,指逻辑上具备层级结构的运算模型,由确定的一组输入、确定的输出和隐藏层组成,输入值经隐藏层运算、映射后,得到输出值。本发明所述神经网络模型,指本发明提出的具有创新性的背景驱动神经网络检测模型,对实时的、近期采集的若干帧视频进行检测,判断其中发生电池爆燃事件的概率,并输出检测结果。
本发明提出背景驱动神经网络检测模型,表现为两级多层结构的逻辑运算模型,第一级为检测层级,输入近一段时间内的视频,第二级为背景层级,输入更长期一段时间内获得的背景。背景层级的输出和检测层级的输出通过全连接层相互作用,实现背景对检测的驱动引导。
第一级网络的第一层定义如下:
第一级网络的第二层定义如下:
第一级网络的第三层定义如下:
第一级网络的二、三层用于将原输入数据的采样尺度降低,以便后续提取不同尺度特征。并且,采用最大值窗、最小值窗结合的方式,对局部采样噪声更加鲁棒。
第一级网络的第四层定义如下:
第一级网络的第五层定义如下:
其中,表示第一级、第五层的输出元素与第四层的每一个元素之间的线性权值。定义如(8)。表示线性偏置参数。第五层将前续各层的数据投影到一个一维向量,描述第一级数据的特征,称为第一级的特征向量。第一级特征向量定义为512维。
第二级网络的第一层定义如下:
第二级网络的第二层定义如下:
其中,表示第二级、第二层的输出元素与第一层的每一个元素之间的线性权值。定义如(8)。表示线性偏置参数。第二层将输入、第一层的数据投影到一个一维向量,描述第二级数据的特征,称为第二级的特征向量。第二级特征向量定义为512维。
第一级、第二级的特征向量都连接到全连接层,定义如下:
全连接层为64维向量,由第一级、第二级的特征向量共同决定。表示第一级特征向量与全连接层的每一个元素之间的线性权值,表示第二级特征向量与全连接层的每一个元素之间的线性权值。表示线性偏置参数。定义如(8)。
全连接层将第一级中包含的短期视频特征和第二级中包含的长期背景特征结合起来,相比现有视频处理神经网络中的单一的序列化卷积结构,具有对电池爆燃事件的更好的检测性能。且效率更高。
根据全连接层计算神经网络对电池爆燃事件的预测输出,即:
在使用上述神经网络模型前,需要先对模型进行学习,确定各项线性权值参数、偏置参数。准备现场采集的学习样本视频,包括短期视频和长期视频中的背景,相应的,如果一组样本中短期视频内发生爆燃事件,则标记样本输出真值(记为)为1,否则标记为0。将所有学习样本代入神经网络模型,计算模型输出值和样本输出真值之差:
准备学习样本共600份对本发明所述模型进行学习,并采用等量测试样本进行测试,测试结果如下表。实验测试结果表明,本发明方法可以准确的自动检测视频中出现的电池爆燃事件,并与同类常用模型相比正确率更高、且效率更快。
表1
参考模型 | 事件检测正确率 | 单帧响应时间 |
YOLO | 82.5% | 3.1秒 |
ReXNet | 81.4% | 1.2秒 |
本发明 | 92.7% | 0.8秒 |
上述算法在现场设备和远程服务器中实现。
其中步骤1在现场设备中实施,现场设备包括摄像机和现场处理器。
步骤2在远程服务器中实施。
本领域技术人员应认识到,虽然本文已详尽示出和描述了本发明的多个示例性实施例,但是,在不脱离本发明精神和范围的情况下,仍可根据本发明公开的内容直接确定或推导出符合本发明原理的许多其他变型或修改。因此,本发明的范围应被理解和认定为覆盖了所有这些其他变型或修改。
Claims (9)
1.一种用于电池爆燃检测的计算机神经网络图像处理方法,其特征在于:
表示子区视频导数的均值,表示子区视频导数的方差;当,且时,认为前景发生变化;当前景发生变化时,建立贝叶斯模型,对某一帧的某个子区进行分类,当该子区根据贝叶斯模型判别为变化来自真实目标移动时,认为该子区是前景,否则认为该子区是背景;
每一段时间内对该段时间内的视频按前述方法处理,并计算每一帧中背景子区的平均值,作为该段时间内的平均背景;
步骤2:建立神经网络模型对电池爆燃事件进行检测;
第一级、第二级的特征向量都连接到全连接层,定义如下:
其中表示第一级特征向量与全连接层的每一个元素之间的线性权值,表示第二级特征向量与全连接层的每一个元素之间的线性权值;表示线性偏置参数; 为第一级网络的第五层的输出;为第二级网络的第二层的输出;激活函数为
根据全连接层计算神经网络对电池爆燃事件的预测输出,即:
2.如权利要求1所述的方法,其特征在于:在使用上述神经网络模型前,需要先对模型进行学习,确定各项线性权值参数、偏置参数。
3.如权利要求2所述的方法,其特征在于:准备现场采集的学习样本视频,包括短期视频和长期视频中的背景。
5.如权利要求4所述的方法,其特征在于:将所有学习样本代入神经网络模型,计算模型输出值和样本输出真值之差。
8.如权利要求1所述的方法,其特征在于:步骤1在现场设备中实施,现场设备包括摄像机和现场处理器。
9.如权利要求1所述的方法,其特征在于:步骤2在远程服务器中实施。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310103744.5A CN115830516B (zh) | 2023-02-13 | 2023-02-13 | 一种用于电池爆燃检测的计算机神经网络图像处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310103744.5A CN115830516B (zh) | 2023-02-13 | 2023-02-13 | 一种用于电池爆燃检测的计算机神经网络图像处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115830516A true CN115830516A (zh) | 2023-03-21 |
CN115830516B CN115830516B (zh) | 2023-05-12 |
Family
ID=85521038
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310103744.5A Active CN115830516B (zh) | 2023-02-13 | 2023-02-13 | 一种用于电池爆燃检测的计算机神经网络图像处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115830516B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117434452A (zh) * | 2023-12-08 | 2024-01-23 | 珠海市嘉德电能科技有限公司 | 锂电池充放电检测方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107749067A (zh) * | 2017-09-13 | 2018-03-02 | 华侨大学 | 基于运动特性和卷积神经网络的火灾烟雾检测方法 |
CN109409256A (zh) * | 2018-10-10 | 2019-03-01 | 东南大学 | 一种基于3d卷积神经网络的森林烟火检测方法 |
CN111126136A (zh) * | 2019-11-18 | 2020-05-08 | 上海交通大学 | 一种基于图像识别的烟雾浓度量化方法 |
WO2020221278A1 (zh) * | 2019-04-29 | 2020-11-05 | 北京金山云网络技术有限公司 | 视频分类方法及其模型的训练方法、装置和电子设备 |
WO2022000838A1 (zh) * | 2020-07-03 | 2022-01-06 | 南京莱斯信息技术股份有限公司 | 基于马尔可夫随机场的远程塔台视频目标挂标牌方法 |
CN115240060A (zh) * | 2022-09-22 | 2022-10-25 | 海南浙江大学研究院 | 一种海星灾害预警方法及系统 |
-
2023
- 2023-02-13 CN CN202310103744.5A patent/CN115830516B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107749067A (zh) * | 2017-09-13 | 2018-03-02 | 华侨大学 | 基于运动特性和卷积神经网络的火灾烟雾检测方法 |
CN109409256A (zh) * | 2018-10-10 | 2019-03-01 | 东南大学 | 一种基于3d卷积神经网络的森林烟火检测方法 |
WO2020221278A1 (zh) * | 2019-04-29 | 2020-11-05 | 北京金山云网络技术有限公司 | 视频分类方法及其模型的训练方法、装置和电子设备 |
CN111126136A (zh) * | 2019-11-18 | 2020-05-08 | 上海交通大学 | 一种基于图像识别的烟雾浓度量化方法 |
WO2022000838A1 (zh) * | 2020-07-03 | 2022-01-06 | 南京莱斯信息技术股份有限公司 | 基于马尔可夫随机场的远程塔台视频目标挂标牌方法 |
CN115240060A (zh) * | 2022-09-22 | 2022-10-25 | 海南浙江大学研究院 | 一种海星灾害预警方法及系统 |
Non-Patent Citations (2)
Title |
---|
CONGXUAN ZHANG等: ""Dense-CNN: Dense convolutional neural network for stereo matching using multiscale feature connection"" * |
张杰等: ""基于卷积神经网络的火灾视频图像检测"" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117434452A (zh) * | 2023-12-08 | 2024-01-23 | 珠海市嘉德电能科技有限公司 | 锂电池充放电检测方法、装置、设备及存储介质 |
CN117434452B (zh) * | 2023-12-08 | 2024-03-05 | 珠海市嘉德电能科技有限公司 | 锂电池充放电检测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115830516B (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112733749B (zh) | 融合注意力机制的实时行人检测方法 | |
CN102445640B (zh) | 基于向量机和人工鱼群优化的gis设备智能识别方法 | |
CN111209434A (zh) | 一种基于多源异构数据融合的变电站设备巡检系统及方法 | |
CN109902564B (zh) | 一种基于结构相似性稀疏自编码网络的异常事件检测方法 | |
CN112287816A (zh) | 一种基于深度学习的危险工作区事故自动检测报警方法 | |
CN115830516B (zh) | 一种用于电池爆燃检测的计算机神经网络图像处理方法 | |
CN113192038B (zh) | 基于深度学习的已有火焰环境中异常烟火识别监测方法 | |
CN112163572A (zh) | 识别对象的方法和装置 | |
CN104091322B (zh) | 叠片锂离子电池的检测方法 | |
CN111079518A (zh) | 一种基于执法办案区场景下的倒地异常行为识别方法 | |
CN111523416A (zh) | 一种基于高速公路etc门架的车辆预警方法和装置 | |
CN115512387A (zh) | 基于改进yolov5模型的工地安全帽佩戴检测方法 | |
CN106557637A (zh) | 一种储能产品的安全性能评价方法 | |
CN107704818A (zh) | 一种基于视频图像的火灾检测系统 | |
CN112419243B (zh) | 一种基于红外图像分析的配电房设备故障识别方法 | |
CN111079509B (zh) | 一种基于自注意力机制的异常行为检测方法 | |
CN116565354A (zh) | 一种电化学储能系统故障分级诊断预警方法、系统及设备 | |
CN115311601A (zh) | 一种基于视频分析技术的火灾探测分析方法 | |
CN115394034A (zh) | 火灾风险的确定方法、装置、系统和机器人 | |
CN111340149B (zh) | 基于背景差分法和深度学习的挖掘机实时检测方法和系统 | |
CN111428695B (zh) | 一种基于深度学习与地域特征的秸秆燃烧检测方法 | |
CN115171006A (zh) | 基于深度学习的自动识别人员进入电力危险区的检测方法 | |
CN116434197A (zh) | 异常动作检测闭环迭代优化方法、系统、介质及设备 | |
CN114783152A (zh) | 基于气声信息融合的储能电站火灾告警方法及系统 | |
CN112883889A (zh) | 一种适用于电力施工场景下违章行为检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |