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 PDF

Info

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
Application number
CN202310103744.5A
Other languages
English (en)
Other versions
CN115830516B (zh
Inventor
魏峰
李卓文
童辛迪
司永强
刘晗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xinxiang Vocational and Technical College
Original Assignee
Xinxiang Vocational and Technical College
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xinxiang Vocational and Technical College filed Critical Xinxiang Vocational and Technical College
Priority to CN202310103744.5A priority Critical patent/CN115830516B/zh
Publication of CN115830516A publication Critical patent/CN115830516A/zh
Application granted granted Critical
Publication of CN115830516B publication Critical patent/CN115830516B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

一种用于电池爆燃检测的计算机神经网络图像处理方法
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
步骤1：摄像机采集电动车集中停放地点周围环境的视频，采集到视频数据记为：
Figure SMS_1
，其中
Figure SMS_2
为视频中一帧的像素空间坐标，
Figure SMS_3
为视频的帧数；
将视频数据在空间维度上划分为若干子区，每个子区
Figure SMS_4
是
Figure SMS_5
的一个子集，子区的下标用
Figure SMS_6
表示；求：
Figure SMS_7
从而获得滤波后的子区导数：
Figure SMS_8
，其中
Figure SMS_9
是高斯滤波器核函数；
Figure SMS_10
表示子区视频导数的均值，
Figure SMS_11
表示子区视频导数的方差；当
Figure SMS_12
，且
Figure SMS_13
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；
其中神经网络检测模型，表现为两级多层结构的逻辑运算模型，第一级为检测层级，输入近期
Figure SMS_14
时间段内的视频，第二级为背景层级，输入
Figure SMS_15
时间段内获得的背景，其中
Figure SMS_16
>
Figure SMS_17
；
第一级、第二级的特征向量都连接到全连接层，定义如下：
Figure SMS_18
其中
Figure SMS_19
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，
Figure SMS_20
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；
Figure SMS_21
表示线性偏置参数；
Figure SMS_22
为第一级网络的第五层的输出；
Figure SMS_23
为第二级网络的第二层的输出；激活函数为
Figure SMS_24
；
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：
Figure SMS_25
Figure SMS_26
表示全连接层的元素与输出之间的线性权值；
Figure SMS_27
是线性偏置参数；
根据输出预测电池爆燃事件的发生，当
Figure SMS_28
时，认为电池爆燃发生。
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。
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
Figure SMS_29
）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。
Figure SMS_30
。
Figure SMS_31
。
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。
2、本发明提出一种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
Figure SMS_32
内的视频，第二级为背景层级，输入更长期一段时间
Figure SMS_33
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，同时通过优化网络结构，实现了高效、准确的预测，更加适合实际中电池爆燃的预测。
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：
Figure SMS_34
其中
Figure SMS_35
为视频中一帧的像素空间坐标，
Figure SMS_36
为视频的帧数。将视频在空间维度上划分为若干子区，子区的下标用
Figure SMS_37
表示，记为：
Figure SMS_38
Figure SMS_39
符号表示取并集，每个子区
Figure SMS_40
是
Figure SMS_41
的一个子集。
在时间维度
Figure SMS_42
上，对视频进行求导，记为：
Figure SMS_43
相应的，对子区求导可记为：
Figure SMS_44
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：
Figure SMS_45
其中星号
Figure SMS_46
表示二维卷积运算，
Figure SMS_47
是高斯滤波器核函数，
Figure SMS_48
为滤波后的导数。相应的，可获得滤波后的子区导数：
Figure SMS_49
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：
Figure SMS_50
Figure SMS_52
表示子区视频导数的均值，
Figure SMS_55
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
Figure SMS_57
，且
Figure SMS_51
时，认为前景发生变化。阈值
Figure SMS_54
用于直接判别导数的变化率，阈值
Figure SMS_56
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
Figure SMS_58
,
Figure SMS_53
。
当前景发生变化时，建立贝叶斯模型：
Figure SMS_59
其中，
Figure SMS_60
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。
Figure SMS_61
为预先定义的类别标签，当
Figure SMS_62
时表示前景的变化来自噪声，当
Figure SMS_63
时表示前景的变化是来自真实的目标移动。
Figure SMS_64
可以根据学习样本的数目统计得出。
Figure SMS_65
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。
根据式6，可以对某一帧的某个子区进行分类，当该子区根据式5参数判别前景发生变化，且根据式6判别为变化来自真实目标移动时，即
Figure SMS_66
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（如
Figure SMS_67
）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。作为后续步骤中检测的参考。
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。
取时间
Figure SMS_68
时刻的近一段时间
Figure SMS_69
内的视频，通常
Figure SMS_70
，例如
Figure SMS_71
为3分钟，而
Figure SMS_72
为0.5秒。大幅减少实时检测的数据量，有助于提高检测效率。
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
Figure SMS_73
内的视频，第二级为背景层级，输入更长期一段时间
Figure SMS_74
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：
Figure SMS_75
其中
Figure SMS_77
为3D卷积核，
Figure SMS_79
分别为卷积核在
Figure SMS_81
维度上的局部偏移量，其中
Figure SMS_78
，
Figure SMS_80
，即卷积核窗口大小为
Figure SMS_82
。
Figure SMS_83
表示线性偏置参数。
Figure SMS_76
为一非线性函数，定义如下：
Figure SMS_84
Figure SMS_85
激活函数采用指数函数，相比经典的线性函数具有更好的分类特性，能够提高检测性能。
第一级网络的第二层定义如下：
Figure SMS_86
其中，
Figure SMS_87
表示在局部窗口内取最大值。
Figure SMS_88
定义如(8)。
第一级网络的第三层定义如下：
Figure SMS_89
其中，
Figure SMS_90
表示在局部窗口内取最小值。
Figure SMS_91
定义如(8)。
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：
Figure SMS_92
其中
Figure SMS_94
为高尺度的3D卷积核，
Figure SMS_96
分别为卷积核在
Figure SMS_99
维度上的局部偏移量，其中
Figure SMS_95
，
Figure SMS_97
，即卷积核窗口大小为
Figure SMS_98
。
Figure SMS_100
表示线性偏置参数。
Figure SMS_93
为(8)定义的函数。该层用于提取更高尺度的3D数据特征。
第一级网络的第五层定义如下：
Figure SMS_101
其中，
Figure SMS_102
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。
Figure SMS_103
定义如(8)。
Figure SMS_104
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：
Figure SMS_105
其中
Figure SMS_107
表示根据一段时间
Figure SMS_110
内采集的视频，按照步骤1所述方法获得的背景。
Figure SMS_112
为2D卷积核，
Figure SMS_108
分别为卷积核在
Figure SMS_109
维度上的局部偏移量，其中
Figure SMS_111
，即卷积核窗口大小为
Figure SMS_113
。
Figure SMS_106
表示线性偏置参数。
第二级网络的第一层用于提取背景中的2D空间特征，其卷积核窗口根据大量实验优选为
Figure SMS_114
，适用于一般的电动车环境。
第二级网络的第二层定义如下：
Figure SMS_115
其中，
Figure SMS_116
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。
Figure SMS_117
定义如(8)。
Figure SMS_118
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：
Figure SMS_119
全连接层
Figure SMS_120
为64维向量，由第一级、第二级的特征向量共同决定。
Figure SMS_121
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，
Figure SMS_122
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。
Figure SMS_123
表示线性偏置参数。
Figure SMS_124
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：
Figure SMS_125
Figure SMS_126
表示全连接层的元素与输出之间的线性权值。
Figure SMS_127
定义如(8)。
Figure SMS_128
是线性偏置参数。
根据输出预测电池爆燃事件的发生，当
Figure SMS_129
时，认为电池爆燃发生。阈值
Figure SMS_130
为优选值。
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
Figure SMS_131
）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：
Figure SMS_132
采用绝对值度量，比常用的均方根度量具有更高鲁棒性。参数
Figure SMS_133
用于去除极端值，作为优选值取
Figure SMS_134
。采用学习样本，并通过BP算法求取
Figure SMS_135
的最优解，进而可求得神经网络模型所述各项参数。
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：
步骤1：摄像机采集电动车集中停放地点周围环境的视频，采集到视频数据记为：
Figure QLYQS_1
，其中
Figure QLYQS_2
为视频中一帧的像素空间坐标，
Figure QLYQS_3
为视频的帧数；
将视频数据在空间维度上划分为若干子区，每个子区
Figure QLYQS_4
是
Figure QLYQS_5
的一个子集，子区的下标用
Figure QLYQS_6
表示；求：
Figure QLYQS_7
；
从而获得滤波后的子区导数：
Figure QLYQS_8
，其中
Figure QLYQS_9
是高斯滤波器核函数；
Figure QLYQS_10
表示子区视频导数的均值，
Figure QLYQS_11
表示子区视频导数的方差；当
Figure QLYQS_12
，且
Figure QLYQS_13
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；
其中神经网络检测模型，表现为两级多层结构的逻辑运算模型，第一级为检测层级，输入近期
Figure QLYQS_14
时间段内的视频，第二级为背景层级，输入
Figure QLYQS_15
时间段内获得的背景，其中
Figure QLYQS_16
>
Figure QLYQS_17
；
第一级、第二级的特征向量都连接到全连接层，定义如下：
Figure QLYQS_18
；
其中
Figure QLYQS_19
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，
Figure QLYQS_20
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；
Figure QLYQS_21
表示线性偏置参数；
Figure QLYQS_22
为第一级网络的第五层的输出；
Figure QLYQS_23
为第二级网络的第二层的输出；激活函数为
Figure QLYQS_24
；
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：
Figure QLYQS_25
；
Figure QLYQS_26
表示全连接层的元素与输出之间的线性权值；
Figure QLYQS_27
是线性偏置参数；
根据输出预测电池爆燃事件的发生，当
Figure QLYQS_28
时，认为电池爆燃发生。
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。
4.如权利要求3所述的方法，其特征在于：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
Figure QLYQS_29
）为1，否则标记为0。
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。
6.如权利要求1所述的方法，其特征在于：
Figure QLYQS_30
。
7.如权利要求1所述的方法，其特征在于：
Figure QLYQS_31
。
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。
CN202310103744.5A 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 Active CN115830516B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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