CN116224123A - 电池异常检测系统、检测方法、存储介质及换电站 - Google Patents

电池异常检测系统、检测方法、存储介质及换电站 Download PDF

Info

Publication number
CN116224123A
CN116224123A CN202310214074.4A CN202310214074A CN116224123A CN 116224123 A CN116224123 A CN 116224123A CN 202310214074 A CN202310214074 A CN 202310214074A CN 116224123 A CN116224123 A CN 116224123A
Authority
CN
China
Prior art keywords
battery
anomaly
image
region
abnormality 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.)
Pending
Application number
CN202310214074.4A
Other languages
English (en)
Inventor
邰康盛
潘鹏举
吴毅成
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.)
Weilai Automobile Technology Anhui Co Ltd
Original Assignee
Weilai Automobile Technology Anhui Co Ltd
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 Weilai Automobile Technology Anhui Co Ltd filed Critical Weilai Automobile Technology Anhui Co Ltd
Priority to CN202310214074.4A priority Critical patent/CN116224123A/zh
Publication of CN116224123A publication Critical patent/CN116224123A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/3644—Constructional arrangements
    • G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本申请涉及动力电池技术领域，并且具体地涉及电池异常检测系统、电池异常检测方法、计算机设备、计算机存储介质及换电站。按照本申请一个方面的电池异常检测系统包括：通信模块，其配置成获取由图像采集设备采集的电池图像、电池标识信息和图像采集设备的标识信息；异常检测模块，其配置成根据从通信模块接收的电池标识信息和图像采集设备的标识信息从云端数据库获取电池图像特征数据集，并至少基于采集的电池图像和电池图像特征数据集来生成电池异常检测结果；以及判断模块，其配置成响应于电池异常检测结果指示电池存在异常区域而判断异常区域是否为重复检测的异常区域，以及响应于判断异常区域不是重复检测的异常区域而发送电池异常检测结果。

Description

电池异常检测系统、检测方法、存储介质及换电站
技术领域
本申请涉及电池技术领域，并且更具体地涉及电池异常检测系统、电池异常检测方法、实施该方法的计算机设备、计算机存储介质及换电站。
背景技术
在电动汽车中，动力电池是其重要的组成部分，动力电池的性能会影响电动汽车的续驶里程和行驶安全。在汽车行驶过程中，由于道路的不平整、异常的凸起物或者发生碰撞等，车辆底部的电池表面存在磕碰损伤或粘接异物的风险，从而影响电池安全。
目前，一般采用基于逻辑规则的图像边缘检测方法或基于深度学习的目标检测方法来检测电池的损伤或缺陷。基于逻辑规则的图像边缘检测方法虽然具有较好的可解释性并且逻辑参数可以灵活配置，但是自适应能力和鲁棒性较差，不能适用于开放场景下采集的电池图像。由于电池表面裸露在电动汽车底部而粘接水渍、污渍、雪渍、油渍等异物，导致基于逻辑规则的图像边缘检测方法难以对损伤和异物进行准确区分而发生错误检测。基于深度学习的目标检测方法需要较多可用的异常样本进行训练，但大部分缺陷场景不具备较为丰富的异常样本，算法训练容易发生过拟合，导致对一些明显但在样本中不常见的异常区域识别准确率较低，整个算法的自迭代能力也较差。
此外，由于电池表面有一层金属外置保护层，轻微损伤不需要进行维修，在进行监控告警并由人工确认后，轻微损伤的电池会确认无风险。然而，同一位置处的损伤可能被重复检测并发出重复告警，而重复告警会导致现场运维工作人员进行重复工作，显著影响工作效率。
发明内容
为了解决或至少缓解以上问题中的一个或多个，提供了以下技术方案。
按照本申请的第一方面，提供一种电池异常检测系统，所述系统包括：通信模块，其配置成获取由图像采集设备采集的电池图像、电池标识信息和所述图像采集设备的标识信息；异常检测模块，其配置成根据从所述通信模块接收的所述电池标识信息和所述图像采集设备的标识信息从云端数据库获取电池图像特征数据集，并至少基于所述采集的电池图像和所述电池图像特征数据集来生成电池异常检测结果；以及判断模块，其配置成响应于所述电池异常检测结果指示电池存在异常区域而判断所述异常区域是否为重复检测的异常区域，以及响应于判断所述异常区域不是重复检测的异常区域而发送所述电池异常检测结果。
根据本申请一实施例所述的电池异常检测系统，其中所述电池图像特征数据集包括：基于所述图像采集设备的标识信息存储的电池图像的多个区域的语义向量生成的第一电池图像特征数据、基于所述电池标识信息存储的电池图像的多个区域的语义向量生成的第二电池图像特征数据、由威胁异常区域的语义向量生成的第三电池图像特征数据、由无威胁异常区域的语义向量生成的第四电池图像特征数据。
根据本申请一实施例或以上任一实施例的所述的电池异常检测系统，其中所述异常检测模块进一步配置成：将所述电池异常检测结果、所述采集的电池图像、所述电池标识信息和所述图像采集设备的标识信息中的一个或多个发送至所述云端数据库进行存储。
根据本申请一实施例或以上任一实施例的所述的电池异常检测系统，其中所述云端数据库存储以下数据中的一项或多项：所述电池图像特征数据集、原始图像数据、图像尺寸数据、威胁异常区域对应的像素位置数据、威胁异常区域和所述威胁异常区域的标签、无威胁异常区域和所述无威胁异常区域的标签、所述电池异常检测结果、所述采集的电池图像、所述电池标识信息、所述图像采集设备的标识信息、历史电池异常检测结果。
根据本申请一实施例或以上任一实施例的所述的电池异常检测系统，其中所述异常检测模块包括：异常预警单元，其配置成至少基于所述采集的电池图像、所述第一电池图像特征数据和所述第二电池图像特征数据生成异常预警区域；和异常诊断单元，其配置成至少基于所述异常预警区域、所述第三电池图像特征数据和所述第四电池图像特征数据生成针对所述异常预警区域的威胁异常得分。
根据本申请一实施例或以上任一实施例的所述的电池异常检测系统，其中所述异常预警单元包括：目标检测子单元，其配置成检测所述采集的电池图像并且响应于在所述采集的电池图像中检测到大于异常预警得分阈值的异常目标而生成第一异常预警区域；第一比对子单元，其配置成处理所述采集的电池图像以得到所述采集的电池图像的多个区域的语义向量并将所述采集的电池图像的多个区域的语义向量与所述第一电池图像特征数据进行比对以生成第二异常预警区域；以及第二比对子单元，其配置成处理所述采集的电池图像以得到所述采集的电池图像的多个区域的语义向量并将所述采集的电池图像的多个区域的语义向量与所述第二电池图像特征数据进行比对以生成第三异常预警区域。
根据本申请一实施例或以上任一实施例的所述的电池异常检测系统，其中所述异常预警单元进一步配置成基于所述第一异常预警区域、所述第二异常预警区域和所述第三异常预警区域生成所述异常预警区域。
根据本申请一实施例或以上任一实施例的所述的电池异常检测系统，其中所述异常诊断单元包括：分类子单元，其配置成处理所述异常预警区域以生成针对所述异常预警区域的异常得分；第一比较子单元，其配置成处理所述异常预警区域以得到所述异常预警区域的语义向量并将所述异常预警区域的语义向量与所述第三电池图像特征数据进行比较以生成针对所述异常预警区域的第一相似度得分；第二比较子单元，其配置成处理所述异常预警区域以得到所述异常预警区域的语义向量并将所述异常预警区域的语义向量与所述第四电池图像特征数据进行比较以生成针对所述异常预警区域的第二相似度得分。
根据本申请一实施例或以上任一实施例的所述的电池异常检测系统，其中所述异常诊断单元进一步配置成：对所述异常得分、所述第一相似度得分和所述第二相似度得分进行加权处理，以生成针对所述异常预警区域的威胁异常得分；以及响应于针对所述异常预警区域的威胁异常得分大于威胁异常得分阈值而将所述异常预警区域作为所述电池异常检测结果指示的所述电池存在的所述异常区域。
根据本申请一实施例或以上任一实施例的所述的电池异常检测系统，其中所述电池异常检测结果包括以下中的一项或多项：电池是否存在所述异常区域、所述异常区域的个数和对应于所述异常区域的威胁异常得分。
根据本申请一实施例或以上任一实施例的所述的电池异常检测系统，其中所述系统还包括：告警模块，其配置成基于所述电池异常检测结果生成显示数据，所述显示数据用于将所述异常区域显示在所述采集的电池图像上。
根据本申请一实施例或以上任一实施例的所述的电池异常检测系统，其中所述系统还包括：异常检测训练模块，其配置成基于所述云端数据库中的以下一项或多项数据来更新所述异常检测模块：原始图像数据、图像尺寸数据、威胁异常区域对应的像素位置数据、威胁异常区域和所述威胁异常区域的标签、无威胁异常区域和所述无威胁异常区域的标签。
根据本申请一实施例或以上任一实施例的所述的电池异常检测系统，其中所述判断模块进一步配置成基于以下比较中的一项或多项来判断所述异常区域是否为重复检测的异常区域：所述异常区域的个数与上一次检测的异常区域的个数之间的比较；所述异常区域的最小重复概率与概率阈值之间的比较；以及所述异常区域的语义向量与上一次检测的异常区域的语义向量之间的相似度与相似度阈值之间的比较。
根据本申请一实施例或以上任一实施例的所述的电池异常检测系统，其中所述图像采集设备设置于换电站并且配置成在换电操作期间采集电池图像。
按照本申请的第二方面，提供一种电池异常检测方法，所述方法包括：获取由图像采集设备采集的电池图像、电池标识信息和所述图像采集设备的标识信息；根据所述电池标识信息和所述图像采集设备的标识信息从云端数据库获取电池图像特征数据集，并至少基于所述采集的电池图像和所述电池图像特征数据集来生成电池异常检测结果；以及响应于所述电池异常检测结果指示电池存在异常区域而判断所述异常区域是否为重复检测的异常区域，以及响应于判断所述异常区域不是重复检测的异常区域而发送所述电池异常检测结果。
根据本申请一实施例所述的电池异常检测方法，其中所述电池图像特征数据集包括：基于所述图像采集设备的标识信息存储的电池图像的多个区域的语义向量生成的第一电池图像特征数据、基于所述电池标识信息存储的电池图像的多个区域的语义向量生成的第二电池图像特征数据、由威胁异常区域的语义向量生成的第三电池图像特征数据、由无威胁异常区域的语义向量生成的第四电池图像特征数据。
根据本申请一实施例或以上任一实施例的所述的电池异常检测方法，其中所述方法还包括：将所述电池异常检测结果、所述采集的电池图像、所述电池标识信息和所述图像采集设备的标识信息中的一个或多个发送至所述云端数据库进行存储。
根据本申请一实施例或以上任一实施例的所述的电池异常检测方法，其中所述云端数据库存储以下数据中的一项或多项：所述电池图像特征数据集、原始图像数据、图像尺寸数据、威胁异常区域对应的像素位置数据、威胁异常区域和所述威胁异常区域的标签、无威胁异常区域和所述无威胁异常区域的标签、所述电池异常检测结果、所述采集的电池图像、所述电池标识信息、所述图像采集设备的标识信息、历史电池异常检测结果。
根据本申请一实施例或以上任一实施例的所述的电池异常检测方法，其中所述方法还包括：基于所述电池异常检测结果生成显示数据，所述显示数据用于将所述异常区域显示在所述采集的电池图像上。
根据本申请一实施例或以上任一实施例的所述的电池异常检测方法，其中所述方法还包括：基于所述云端数据库中的以下一项或多项数据来更新异常检测模块：原始图像数据、图像尺寸数据、威胁异常区域对应的像素位置数据、威胁异常区域和所述威胁异常区域的标签、无威胁异常区域和所述无威胁异常区域的标签。
根据本申请一实施例或以上任一实施例的所述的电池异常检测方法，其中判断所述异常区域是否为重复检测的异常区域包括基于以下比较中的一项或多项来判断所述异常区域是否为重复检测的异常区域：所述异常区域的个数与上一次检测的异常区域的个数之间的比较；所述异常区域的最小重复概率与概率阈值之间的比较；以及所述异常区域的语义向量与上一次检测的异常区域的语义向量之间的相似度与相似度阈值之间的比较。
根据本申请的第三方面，提供一种计算机设备，其包括存储器、处理器以及存储在所述存储器上并且可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序以实现根据本申请第二方面所述的电池异常检测方法的步骤。
根据本申请的第四方面，提供一种计算机存储介质，其包括指令，所述指令在运行时执行根据本申请第二方面所述的电池异常检测方法的步骤。
根据本申请的第五方面，提供一种换电站，其包括：图像采集设备，其配置成采集电池图像；通信设备，其配置成将采集的电池图像发送至根据本申请第一方面所述的电池异常检测系统并从所述电池异常检测系统接收显示数据；以及显示设备，其配置成基于所述显示数据将电池异常区域显示在所述采集的电池图像上。
根据本申请的一个或多个实施例的电池异常检测方案能够通过异常检测模块准确识别电池存在的异常区域，并且能够通过判断模块防止对同一异常区域的重复检测。由此，提高了电池异常检测的准确性，实现了电池安全的保障和运维效率的提升。
附
图说明
本申请的上述和/或其它方面和优点将通过以下结合附图的各个方面的描述变得更加清晰和更容易理解，附图中相同或相似的单元采用相同的标号表示。附图包括：
图1示出了根据本申请的一个或多个实施例的电池异常检测系统的示意性框图。
图2示出了根据本申请的一个或多个实施例的电池异常检测系统的示意性框图。
图3示出了根据本申请的一个或多个实施例的云端数据库的示意性框图。
图4示出了根据本申请的一个或多个实施例的生成电池图像的多个区域的语义向量的示意图。
图5示出了根据本申请的一个或多个实施例的生成威胁异常区域和无威胁异常区域的语义向量的示意图。
图6示出了根据本申请的一个或多个实施例的异常检测模块的示意图。
图7示出了根据本申请的一个或多个实施例的异常预警单元的比对子单元的示意图。
图8示出了根据本申请的一个或多个实施例的异常诊断单元的比较子单元的示意图。
图9示出了根据本申请的一个或多个实施例的电池异常检测方法的流程图。
图10示出了根据本申请的一个或多个实施例的判断异常区域是否为重复检测的异常区域的方法流程图。
图11示出了根据本申请的一个或多个实施例的计算机设备的框图。
具体实施方式
下面参照其中图示了本申请示意性实施例的附图更为全面地说明本申请。但本申请可以按不同形式来实现，而不应解读为仅限于本文给出的各实施例。给出的上述各实施例旨在使本文的披露全面完整，以将本申请的保护范围更为全面地传达给本领域技术人员。
在本说明书中，诸如“包含”和“包括”之类的用语表示除了具有在说明书和权利要求书中有直接和明确表述的单元和步骤以外，本申请的技术方案也不排除具有未被直接或明确表述的其它单元和步骤的情形。
除非特别说明，诸如“第一”和“第二”之类的用语并不表示单元在时间、空间、大小等方面的顺序而仅仅是作区分各单元之用。
在下文中，将参考附图详细地描述根据本申请的各个示例性实施例。
图1示出了根据本申请的一个或多个实施例的电池异常检测系统的示意性框图。
如图1中所示，电池异常检测系统100包括通信模块110、异常检测模块120和判断模块130。
通信模块110配置成获取由图像采集设备采集的电池图像、电池标识信息和图像采集设备的标识信息并将获取的电池图像、电池标识信息和图像采集设备的标识信息发送至异常检测模块120。可选地，图像采集设备可以设置于换电站并且配置成在换电操作期间采集电池图像，例如在换电开始和换电结束时分别采集电池表面的图像。电池标识信息可以理解为用于将不同电池进行区分的电池身份信息，以及图像采集设备的标识信息可以理解为用于将不同图像采集设备进行区分的图像采集设备身份信息。
异常检测模块120配置成根据从通信模块110接收的电池标识信息和图像采集设备的标识信息从云端数据库获取电池图像特征数据集，并至少基于采集的电池图像和获取的电池图像特征数据集来生成电池异常检测结果。可选地，电池图像特征数据集可以包括：基于图像采集设备的标识信息存储的电池图像的多个区域的语义向量生成的第一电池图像特征数据、基于电池标识信息存储的电池图像的多个区域的语义向量生成的第二电池图像特征数据、由威胁异常区域的语义向量生成的第三电池图像特征数据、由无威胁异常区域的语义向量生成的第四电池图像特征数据。威胁异常区域可以包括但不限于电池表面的损伤区域、凹陷区域、异物区域等对电池造成威胁的区域。无威胁异常区域可以包括但不限于电池表面的水渍区域、油渍区域以及其他污渍区域等不会对电池造成威胁的区域。可选地，电池异常检测结果可以包括以下中的一项或多项：电池是否存在所述异常区域、异常区域的个数和对应于所述异常区域的威胁异常得分。
可选地，异常检测模块120还可以配置成将电池异常检测结果、采集的电池图像、电池标识信息和图像采集设备的标识信息中的一个或多个发送至云端数据库进行存储。可选地，异常检测模块120可以与云端数据库建立各种形式的通信连接。可选地，云端数据库中存储的数据包括但不限于电池图像特征数据集、原始图像数据、图像尺寸数据、威胁异常区域对应的像素位置数据、威胁异常区域和所述威胁异常区域的标签、无威胁异常区域和所述无威胁异常区域的标签、电池异常检测结果、采集的电池图像、电池标识信息、图像采集设备的标识信息、历史电池异常检测结果等。
判断模块130配置成响应于电池异常检测结果指示电池存在异常区域而判断异常区域是否为重复检测的异常区域，以及响应于判断所述异常区域不是重复检测的异常区域而发送电池异常检测结果。可选地，判断模块130可以配置成基于以下比较中的一项或多项来判断异常区域是否为重复检测的异常区域：异常区域的个数与上一次检测的异常区域的个数之间的比较；异常区域的最小重复概率与概率阈值之间的比较；以及异常区域的语义向量与上一次检测的异常区域的语义向量之间的相似度与相似度阈值之间的比较。
根据本申请的一个方面提出的电池异常检测系统能够通过异常检测模块准确识别电池存在的异常区域，并且能够通过判断模块防止对同一异常区域的重复检测。由此，提高了电池异常检测的准确性，实现了电池安全的保障和运维效率的提升。
图2示出了根据本申请的一个或多个实施例的电池异常检测系统的示意性框图。
如图2中所示，电池异常检测系统200包括通信模块210、异常检测模块220、判断模块230、告警模块240、云端存储模块250和异常检测训练模块260。
通信模块210配置成获取由图像采集设备采集的电池图像、电池标识信息和图像采集设备的标识信息并将获取的电池图像、电池标识信息和图像采集设备的标识信息发送至异常检测模块220。可选地，图像采集设备可以设置于换电站并且配置成在换电操作期间采集电池图像，例如在换电开始和换电结束时分别采集电池的各个表面的图像。可选地，通信模块210还可以配置成获取采集的电池图像的表面类型(例如，顶面、底面、侧面等)和换电服务标识信息并将获取的采集的电池图像的表面类型和换电服务标识信息发送至异常检测模块220。
异常检测模块220配置成将从通信模块210接收的采集的电池图像、电池标识信息、图像采集设备的标识信息以及可选的采集的电池图像的表面类型和换电服务标识信息发送至云端存储模块250，根据电池标识信息和图像采集设备的标识信息从云端存储模块250获取电池图像特征数据集，并基于采集的电池图像、获取的电池图像特征数据集、电池标识信息、图像采集设备的标识信息以及可选的采集的电池图像的表面类型和换电服务标识信息中的一个或多个来生成电池异常检测结果。可选地，电池图像特征数据集可以包括：基于图像采集设备的标识信息存储的电池图像的多个区域的语义向量生成的第一电池图像特征数据、基于电池标识信息存储的电池图像的多个区域的语义向量生成的第二电池图像特征数据、由威胁异常区域的语义向量生成的第三电池图像特征数据、由无威胁异常区域的语义向量生成的第四电池图像特征数据。威胁异常区域可以包括但不限于电池表面的损伤区域、凹陷区域、异物区域等对电池造成威胁的区域。无威胁异常区域可以包括但不限于电池表面的水渍区域、油渍区域以及其他污渍区域等不会对电池造成威胁的区域。可选地，电池异常检测结果可以包括以下中的一项或多项：电池是否存在异常区域、异常区域的个数和对应于所述异常区域的威胁异常得分。
可选地，异常检测模块220还可以配置成将电池异常检测结果发送至云端存储模块250进行存储。可选地，异常检测模块220可以与云端存储模块250建立各种形式的通信连接。
判断模块230配置成响应于电池异常检测结果指示电池存在异常区域而判断异常区域是否为重复检测的异常区域，以及响应于判断所述异常区域不是重复检测的异常区域而发送电池异常检测结果至告警模块240。可选地，判断模块230可以配置成从云端存储模块250获取历史电池异常检测结果并基于以下比较中的一项或多项来判断异常区域是否为重复检测的异常区域：异常区域的个数与上一次检测的异常区域的个数之间的比较；异常区域的最小重复概率与概率阈值之间的比较；以及异常区域的语义向量与上一次检测的异常区域的语义向量之间的相似度与相似度阈值之间的比较。通过判断检测的异常区域是否为重复检测的异常区域，能够实现智能告警，在电池安全保障的前提下降低了重复工作，提高了运维效率。
告警模块240配置成基于电池异常检测结果生成显示数据，所述显示数据用于将不是重复检测的异常区域显示在采集的电池图像上。可选地，显示在采集的电池图像上的异常区域可以被进一步显示在电池运维中心的显示界面、换电站运维中的显示界面或车载屏幕。可选地，告警模块240还可以配置成基于电池异常检测结果生成提示信息，并将提示信息发送至电池运维中心的操作人员、换电站运维中的操作人员或车辆用户。
云端存储模块250也可以在本申请上下文中被称为云端数据库，其中存储的数据可以包括但不限于电池图像特征数据集、原始图像数据、图像尺寸数据、威胁异常区域对应的像素位置数据、威胁异常区域和所述威胁异常区域的标签、无威胁异常区域和所述无威胁异常区域的标签、电池异常检测结果、采集的电池图像、电池标识信息、图像采集设备的标识信息、历史电池异常检测结果等。
异常检测训练模块260可以配置成基于云端存储模块250中存储的数据中的以下一项或多项数据来更新异常检测模块220：原始图像数据、图像尺寸数据、威胁异常区域对应的像素位置数据、威胁异常区域和所述威胁异常区域的标签、无威胁异常区域和所述无威胁异常区域的标签。
通过在异常检测模块220、云端存储模块250和异常检测训练模块260之间建立数据交互，提高了异常检测模块220的检测准确性和异常检测训练模块260的训练效率。异常检测模块220不仅基于云端存储模块250和异常检测训练模块260进行在线推理计算，还能够将电池异常检测结果返回至云端存储模块250，提高了电池异常检测系统200鲁棒性。此外，根据本申请的一个或多个实施例的电池异常检测系统200具备模型自迭代能力，在云端存储模块250引入更多的异常样本之后，具有较好的系统鲁棒性。
可以理解的是，图1和图2中示出的电池异常检测系统100和电池异常检测系统200中的各个模块仅是示意性的，在不脱离本申请的精神和范围的情况下，图1和图2中示出的电池异常检测系统100和电池异常检测系统200中的各个模块可以被合并或分解为其他子模块，本申请对此不做限制。
图3示出了根据本申请的一个或多个实施例的云端数据库的示意性框图。
如图3中所示，云端数据库300包括异常目标检测数据库310、第一电池图像特征数据库320、第二电池图像特征数据库330、异常区域图像分类数据库340、第三电池图像特征数据库350、第四电池图像特征数据库360、异常候选数据库370和告警数据库380。
异常目标检测数据库310中存储有原始图像数据、图像尺寸数据、威胁异常区域对应的像素位置数据。
第一电池图像特征数据库320中存储有基于图像采集设备的标识信息存储的电池图像的多个区域的语义向量生成的第一电池图像特征数据。
第二电池图像特征数据库330中存储有基于电池标识信息存储的电池图像的多个区域的语义向量生成的第二电池图像特征数据。
异常区域图像分类数据库340中存储有威胁异常区域和所述威胁异常区域的标签、无威胁异常区域和所述无威胁异常区域的标签。
第三电池图像特征数据库350中存储有由威胁异常区域的语义向量生成的第三电池图像特征数据。
第四电池图像特征数据库360中存储有由无威胁异常区域的语义向量生成的第四电池图像特征数据。
异常候选数据库370中存储有电池异常检测结果、采集的电池图像、电池标识信息、图像采集设备的标识信息。可选地，异常候选数据库370还可以接收人工输入的电池表面数据。
告警数据库380中存储有历史电池异常检测结果，其可以按照电池标识信息或图像采集设备的标识信息为索引进行存储。
图4示出了根据本申请的一个或多个实施例的生成电池图像的多个区域的语义向量的示意图。图4中所示的方法可以用于处理基于图像采集设备的标识信息存储的电池图像和基于电池标识信息存储的电池图像以分别生成第一电池图像特征数据和第二电池图像特征数据。
如图4中所示，将图像采集设备采集的电池图像划分为等比例大小的多个区域并对每个区域进行编号，接着对编号的每个区域进行编码以生成各个区域的语义向量。示例性地，可以利用图像预训练编码器对编号的每个区域进行编码以生成各个区域的一维语义向量。
可选地，可以将每个语义向量及其对应的区域编码按照图像采集设备的标识信息存储至图3中所示的第一电池图像特征数据库320，以及将每个语义向量及其对应的区域编码按照电池的标识信息存储至图3中所示的第二电池图像特征数据库330。
图5示出了根据本申请的一个或多个实施例的生成威胁异常区域和无威胁异常区域的语义向量的示意图。图5中所示的方法可以用于处理威胁异常区域和无威胁异常区域以分别生成第三电池图像特征数据和第四电池图像特征数据。
如图5中所示，可以将每个威胁异常区域的尺寸平整至同一大小区域，接着对同一大小区域进行编码以生成各个区域的语义向量。示例性地，可以利用图像预训练编码器对同一大小区域进行编码以生成各个区域的一维语义向量。由于威胁异常区域和无威胁异常区域的数量较大，不利于后续异常检测模型的实时检测，因此可以对生成的语义向量进行聚类以选择典型的语音向量。示例性地，可以采用聚类算法对全部语义向量视为一组样本进行聚类，其中每个语义向量的距离可以采用向量之间的余弦相似度进行计算，并设置聚类簇最小的样本数，以得到每个聚类中心样本及离群点样本，其中可选的聚类算法可以为基于距离和最小样本数的聚类算法，其包括但不限于DBSCAN、谱聚类变体等算法。最后，将聚类中心样本对应语义向量存储到云端数据库中。类似地，可以对无威胁异常区域进行上述同样的处理以得到每个聚类中心样本及离群点样本，并且将聚类中心样本对应语义向量存储到云端数据库中。
可选地，可以将威胁异常区域的聚类中心样本对应的语义向量存储至图3中所示的第三电池图像特征数据库350，以及将无威胁异常区域的聚类中心样本对应的语义向量存储至图3中所示的第四电池图像特征数据库360。
图6示出了根据本申请的一个或多个实施例的异常检测模块的示意图。
如图6中所示，异常检测模块620可以包括异常预警单元6201和异常诊断单元6202。
异常预警单元6201可以配置成至少基于采集的电池图像、第一电池图像特征数据和第二电池图像特征数据生成异常预警区域。异常诊断单元6202可以配置成至少基于由异常预警单元6201生成的异常预警区域、第三电池图像特征数据和第四电池图像特征数据生成针对异常预警区域的威胁异常得分。
异常预警单元6201可以包括：目标检测子单元，其配置成检测采集的电池图像并且响应于在所述采集的电池图像中检测到大于异常预警得分阈值的异常目标而生成第一异常预警区域；第一比对子单元，其配置成处理采集的电池图像以得到所述采集的电池图像的多个区域的语义向量并将所述采集的电池图像的多个区域的语义向量与第一电池图像特征数据进行比对以生成第二异常预警区域；以及第二比对子单元，其配置成处理采集的电池图像以得到所述采集的电池图像的多个区域的语义向量并将所述采集的电池图像的多个区域的语义向量与第二电池图像特征数据进行比对以生成第三异常预警区域。示例性地，第一比对子单元和第二比对子单元可以借助于图4所述的过程来处理采集的电池图像以得到所述采集的电池图像的多个区域的语义向量，并分别计算区域编号对应的语义向量与对应的第一电池图像特征数据和第二电池图像特征数据之间的余弦相似度，当存在某些编号的区域对应的余弦相似度低于阈值相似度时，则将该区域作为异常预警区域。
可选地，异常预警单元6201的目标检测子单元、第一比对子单元和第二比对子单元可以并行操作，并且异常预警单元6201可以进一步配置成基于第一异常预警区域、第二异常预警区域和第三异常预警区域生成异常预警区域。例如，异常预警单元6201可以进一步配置成将第一异常预警区域、第二异常预警区域和第三异常预警区域进行叠加以生成异常预警区域。
可选地，目标检测子单元可以通过基于目标检测监督算法训练出的最优异常预警检测模型来实现，其可以在当检测到大于异常预警得分阈值的异常目标时生成第一异常预警区域，并且可以可选地在生成第一异常预警区域之前完成非极大值抑制操作。可选地，异常预警检测模型的训练数据可以取自云端数据库300中的异常目标检测数据库310，其可以使用的目标检测算法包括但不限于faster-rcnn、yolov5等算法。
可选地，可以基于云端数据库中的数据对第一比对子单元和第二比对子单元进行更新以提高异常检测模块620对异常检测的准确性。可选地，当云端数据库300中的异常目标检测数据库310的新增数据记录超过特定阈值时，可以基于异常目标检测数据库310中的数据对第一比对子单元和第二比对子单元进行自动更新。在一个实施例中，可以基于异常目标检测数据库310中的数据中的例如80％的数据作为训练集来训练第一比对子模型和第二比对子模型，并且基于异常目标检测数据库310中的数据中的剩余20％的数据作为验证集来计算第一比对子模型和第二比对子模型的准确率、召回率、精准率等评价指标。如果训练的第一比对子模型和第二比对子模型的评价指标优于目前的第一比对子模型和第二比对子模型，则利用训练的第一比对子模型和第二比对子模型的参数对第一比对子单元和第二比对子单元进行更新。
异常诊断单元6202可以包括：分类子单元，其配置成处理异常预警区域以生成针对所述异常预警区域的异常得分；第一比较子单元，其配置成处理异常预警区域以得到所述异常预警区域的语义向量并将所述异常预警区域的语义向量与第三电池图像特征数据进行比较以生成针对所述异常预警区域的第一相似度得分；第二比较子单元，其配置成处理异常预警区域以得到所述异常预警区域的语义向量并将所述异常预警区域的语义向量与第四电池图像特征数据进行比较以生成针对所述异常预警区域的第二相似度得分。可选地，分类子单元可以通过基于图像分类监督算法训练出的最优分类模型来实现，其针对每个异常预警区域的处理结果是softmax或sigmoid函数输出值区间在0至1之间的异常得分。可选地，最优分类模型的训练数据可以取自云端数据库300中的异常区域图像分类数据库340，其可以使用的图像算法可以包括但不限于vggnet、resnet等算法。可选地，第一比较子单元可以利用预训练编码器对异常预警区域进行编码以得到所述异常预警区域的语义向量，并计算所述异常预警区域的语义向量与第三电池图像特征数据之间的余弦相似度且将余弦相似度归一化在0至1之间，最后取归一化的余弦相似度中的最大值作为针对所述异常预警区域的第一相似度得分。可选地，第二比较子单元可以利用预训练编码器对异常预警区域进行编码以得到所述异常预警区域的语义向量，并计算所述异常预警区域的语义向量与第四电池图像特征数据之间的余弦相似度且将余弦相似度归一化在0至1之间，最后取归一化的余弦相似度中的最大值作为针对所述异常预警区域的第二相似度得分ψk。可选地，第一比较子单元和第二比较子单元的比较运算可以采用矩阵运算，以提高运算效率。
可选地，可以基于云端数据库中的数据对第一比较子单元和第二比较子单元进行更新以提高异常检测模块620对异常检测的准确性。可选地，当云端数据库300中的异常区域图像分类数据库340的新增数据记录超过特定阈值时，可以基于异常区域图像分类数据库340中的数据对第一比较子单元和第二比较子单元进行自动更新。在一个实施例中，可以基于异常区域图像分类数据库340中的数据中的例如80％的数据作为训练集来训练第一比较子模型和第二比较子模型，并且基于异常区域图像分类数据库340中的数据中的剩余20％的数据作为验证集来计算第一比较子模型和第二比较子模型的准确率、召回率、精准率等评价指标。如果训练的第一比较子模型和第二比较子模型的评价指标优于目前的第一比较子模型和第二比较子模型，则利用训练的第一比较子模型和第二比较子模型的参数对第一比较子单元和第二比较子单元进行更新。
可选地，异常诊断单元6202可以进一步配置成对异常得分ψi、第一相似度得分ψj和第二相似度得分ψk进行加权处理，以生成针对所述异常预警区域的威胁异常得分，以及响应于针对所述异常预警区域的威胁异常得分大于威胁异常得分阈值而将所述异常预警区域作为所述电池异常检测结果指示的所述电池存在的所述异常区域。示例性地，异常诊断单元6202可以利用以下公式(1)对异常得分ψi、第一相似度得分ψj和第二相似度得分ψk进行加权处理，以生成针对所述异常预警区域的威胁异常得分Φ：
Φ＝wiψi+wjψj+wk(1-ψk) 公式(1)
其中wi、wj、wk为对应得分的权重因子。
通过将异常检测模块620解耦成异常预警单元6201和异常诊断单元6202，能够准确区分出威胁异常区域和无威胁异常区域，即能够准确识别检测到的电池表面的异常区域为损伤、凹陷等还是水渍、油渍等，由此提升了告警精准率。此外，异常检测模块620融合使用了监督学习方法和相似度比对的方法而不是单一的监督学习方法，能够在电池表面数据样本过少的情况下保持较高的检测准确性，不仅能够检测到已知的电池表面异常类型，还能够对未知的电池表面异常类型进行预警，解决了电池表面异常样本的问题。
图7示出了根据本申请的一个或多个实施例的异常预警单元的比对子单元的示意图。图7中所示的工作原理可以应用于参考图6所述的异常预警单元6201的第一比对子单元和第二比对子单元。
如图7中所示，采集的电池图像划分为等比例大小的多个区域并对每个区域进行编号，接着对编号的每个区域进行编码以生成采集的电池图像的多个区域的语义向量。示例性地，可以利用图像预训练编码器对编号的每个区域进行编码以生成各个区域的一维语义向量。接着，分别计算区域编号对应的语义向量与对应的第一电池图像特征数据之间的余弦相似度以及区域编号对应的语义向量与对应的第二电池图像特征数据之间的余弦相似度，当存在某些编号的区域对应的余弦相似度低于阈值相似度时，则将该区域作为异常预警区域。
图8示出了根据本申请的一个或多个实施例的异常诊断单元的比较子单元的示意图。图8中所示的工作原理可以应用于参考图6所述的异常诊断单元6202的第一比较子单元和第二比较子单元。
如图8中所示，可以利用预训练编码器对异常预警区域进行编码以得到所述异常预警区域的语义向量，并计算所述异常预警区域的语义向量与第三电池图像特征数据/第四电池图像特征数据之间的余弦相似度且将余弦相似度归一化在0至1之间，最后取归一化的余弦相似度中的最大值作为针对所述异常预警区域的相似度得分。
图9示出了根据本申请的一个或多个实施例的电池异常检测方法的流程图。
如图9中所示，在步骤S901中，获取由图像采集设备采集的电池图像、电池标识信息和所述图像采集设备的标识信息。
在步骤S903中，由异常检测模块根据从所述通信模块接收的所述电池标识信息和所述图像采集设备的标识信息从云端数据库获取电池图像特征数据集，并至少基于所述采集的电池图像和所述电池图像特征数据集来生成电池异常检测结果。
在步骤S905中，响应于所述电池异常检测结果指示电池存在异常区域而由判断模块判断所述异常区域是否为重复检测的异常区域，以及响应于判断所述异常区域不是重复检测的异常区域而发送所述电池异常检测结果。可选地，由判断模块所述异常区域是否为重复检测的异常区域包括基于以下比较中的一项或多项来判断所述异常区域是否为重复检测的异常区域：异常区域的个数与上一次检测的异常区域的个数之间的比较；异常区域的最小重复概率与概率阈值之间的比较；以及异常区域的语义向量与上一次检测的异常区域的语义向量之间的相似度与相似度阈值之间的比较。
可选地，电池图像特征数据集包括：基于所述图像采集设备的标识信息存储的由电池图像的多个区域的语义向量生成的第一电池图像特征数据、基于所述电池标识信息存储的由电池图像的多个区域的语义向量生成的第二电池图像特征数据、由电池表面威胁异常区域的语义向量生成的第三电池图像特征数据、由电池表面无威胁异常区域的语义向量生成的第四电池图像特征数据。
可选地，电池异常检测方法还包括将所述电池异常检测结果、所述采集的电池图像、所述电池标识信息和所述图像采集设备的标识信息中的一个或多个发送至所述云端数据库进行存储。可选地，电池异常检测方法还包括基于电池异常检测结果生成显示数据，所述显示数据用于将异常区域显示在采集的电池图像上。可选地，电池异常检测方法还包括基于云端数据库中的以下一项或多项数据来更新异常检测模块：原始图像数据、图像尺寸数据、威胁异常区域对应的像素位置数据、威胁异常区域和所述威胁异常区域的标签、无威胁异常区域和所述无威胁异常区域的标签。
根据本申请的一个方面提出的电池异常检测方法能够通过异常检测模块准确识别电池存在的异常区域，并且能够通过判断模块防止对同一异常区域的重复检测。由此，提高了电池异常检测的准确性，实现了电池安全的保障和运维效率的提升。
图10示出了根据本申请的一个或多个实施例的判断异常区域是否为重复检测的异常区域的方法流程图。
如图10中所示，在步骤S1001中，将本次检测的异常区域的个数与上一次检测的异常区域的个数进行比较以判断本次检查的异常区域的个数是否大于上一次检测的异常区域的个数，如果大于则判断本次检测的异常区域为非重复检测的异常区域；否则进入步骤S1003。
在步骤S1003中，将异常区域的最小重复概率与概率阈值进行比较以判断异常区域的最小重复概率是否小于概率阈值，如果小于则判断本次检测的异常区域为非重复检测的异常区域；否则进入步骤S1005。可选地，在步骤S1003中，可以计算本次检测的异常区域与上一次检测的异常区域之间的交并比，取交并比最大值为异常区域重复概率，并将对应的上一次检测的异常区域作为与本次检测的异常区域匹配的区域。如果本次检测的异常区域的每个异常区域的最小重复概率小于概率阈值，则判断本次检测的异常区域为非重复检测的异常区域；否则进入步骤S1005。
在步骤S1005中，将异常区域的语义向量与上一次检测的异常区域的语义向量之间的相似度与相似度阈值进行比较以判断异常区域的语义向量与上一次检测的异常区域的语义向量之间的相似度是否大于相似度阈值，如果大于则判断本次检测的异常区域为重复检测的异常区域；否则判断本次检测的异常区域为非重复检测的异常区域。可选地，在步骤S1005中，可以利用预训练编码器将本次检测的异常区域与匹配的上一次检测的异常区域编码为语义向量，并计算本次检测的异常区域的语义向量与匹配的上一次检测的异常区域的语义向量之间的余弦相似度，并将该余弦相似度与相似度阈值进行比较。如果本次检测的异常区域的每个异常区域的余弦相似度大于相似度阈值，则则判断本次检测的异常区域为重复检测的异常区域；否则判断本次检测的异常区域为非重复检测的异常区域。
图11示出了根据本申请的一个或多个实施例的计算机设备的框图。如11中所示，计算机设备1100包括存储器1110、处理器1120和存储在存储器1110上并可在处理器1120上运行的计算机程序1130。处理器1120执行所述计算机程序1130时实现如上所述的电池异常检测方法的各个步骤。
另外，本申请也可以被实施为一种计算机存储介质，在其中存储有用于使计算机执行按照本申请的一个方面的电池异常检测方法的程序。
作为计算机存储介质，可以采用盘类(例如，磁盘、光盘等)、卡类(例如，存储卡、光卡等)、半导体存储器类(例如，ROM、非易失性存储器等)、带类(例如，磁带、盒式磁带等)等各种方式的计算机存储介质。
另外，如上所述，本申请也可以被实施为一种换电站，其包括图像采集设备，其配置成采集电池图像；通信设备，其配置成将采集的电池图像发送至根据本申请一方面所述的电池异常检测系统并从所述电池异常检测系统接收显示数据；以及显示设备，其配置成基于所述显示数据将电池异常区域显示在所述采集的电池图像上。
在可适用的情况下，可以使用硬件、软件或硬件和软件的组合来实现由本申请提供的各种实施例。而且，在可适用的情况下，在不脱离本申请的范围的情况下，本文中阐述的各种硬件部件和/或软件部件可以被组合成包括软件、硬件和/或两者的复合部件。在可适用的情况下，在不脱离本申请的范围的情况下，本文中阐述的各种硬件部件和/或软件部件可以被分成包括软件、硬件或两者的子部件。另外，在可适用的情况下，预期的是，软件部件可以被实现为硬件部件，以及反之亦然。
根据本申请的软件(诸如程序代码和/或数据)可以被存储在一个或多个计算机存储介质上。还预期的是，可以使用联网的和/或以其他方式的一个或多个通用或专用计算机和/或计算机系统来实现本文中标识的软件。在可适用的情况下，本文中描述的各个步骤的顺序可以被改变、被组合成复合步骤和/或被分成子步骤以提供本文中描述的特征。
提供本文中提出的实施例和示例，以便最好地说明按照本申请及其特定应用的实施例，并且由此使本领域的技术人员能够实施和使用本申请。但是，本领域的技术人员将会知道，仅为了便于说明和举例而提供以上描述和示例。所提出的描述不是意在涵盖本申请的各个方面或者将本申请局限于所公开的精确形式。

Claims (10)

1.一种电池异常检测系统，其特征在于，所述系统包括：
通信模块，其配置成获取由图像采集设备采集的电池图像、电池标识信息和所述图像采集设备的标识信息；
异常检测模块，其配置成根据从所述通信模块接收的所述电池标识信息和所述图像采集设备的标识信息从云端数据库获取电池图像特征数据集，并至少基于所述采集的电池图像和所述电池图像特征数据集来生成电池异常检测结果；以及
判断模块，其配置成响应于所述电池异常检测结果指示电池存在异常区域而判断所述异常区域是否为重复检测的异常区域，以及响应于判断所述异常区域不是重复检测的异常区域而发送所述电池异常检测结果。
2.根据权利要求1所述的系统，其中所述电池图像特征数据集包括：基于所述图像采集设备的标识信息存储的电池图像的多个区域的语义向量生成的第一电池图像特征数据、基于所述电池标识信息存储的电池图像的多个区域的语义向量生成的第二电池图像特征数据、由威胁异常区域的语义向量生成的第三电池图像特征数据、由无威胁异常区域的语义向量生成的第四电池图像特征数据，
其中所述异常检测模块进一步配置成：
将所述电池异常检测结果、所述采集的电池图像、所述电池标识信息和所述图像采集设备的标识信息中的一个或多个发送至所述云端数据库进行存储，
其中所述云端数据库存储以下数据中的一项或多项：所述电池图像特征数据集、原始图像数据、图像尺寸数据、威胁异常区域对应的像素位置数据、威胁异常区域和所述威胁异常区域的标签、无威胁异常区域和所述无威胁异常区域的标签、所述电池异常检测结果、所述采集的电池图像、所述电池标识信息、所述图像采集设备的标识信息、历史电池异常检测结果。
3.根据权利要求2所述的系统，其中所述异常检测模块包括：
异常预警单元，其配置成至少基于所述采集的电池图像、所述第一电池图像特征数据和所述第二电池图像特征数据生成异常预警区域；和
异常诊断单元，其配置成至少基于所述异常预警区域、所述第三电池图像特征数据和所述第四电池图像特征数据生成针对所述异常预警区域的威胁异常得分，
其中所述异常预警单元包括：
目标检测子单元，其配置成检测所述采集的电池图像并且响应于在所述采集的电池图像中检测到大于异常预警得分阈值的异常目标而生成第一异常预警区域；
第一比对子单元，其配置成处理所述采集的电池图像以得到所述采集的电池图像的多个区域的语义向量并将所述采集的电池图像的多个区域的语义向量与所述第一电池图像特征数据进行比对以生成第二异常预警区域；以及
第二比对子单元，其配置成处理所述采集的电池图像以得到所述采集的电池图像的多个区域的语义向量并将所述采集的电池图像的多个区域的语义向量与所述第二电池图像特征数据进行比对以生成第三异常预警区域，
其中所述异常预警单元进一步配置成基于所述第一异常预警区域、所述第二异常预警区域和所述第三异常预警区域生成所述异常预警区域，
其中所述异常诊断单元包括：
分类子单元，其配置成处理所述异常预警区域以生成针对所述异常预警区域的异常得分；
第一比较子单元，其配置成处理所述异常预警区域以得到所述异常预警区域的语义向量并将所述异常预警区域的语义向量与所述第三电池图像特征数据进行比较以生成针对所述异常预警区域的第一相似度得分；
第二比较子单元，其配置成处理所述异常预警区域以得到所述异常预警区域的语义向量并将所述异常预警区域的语义向量与所述第四电池图像特征数据进行比较以生成针对所述异常预警区域的第二相似度得分，
其中所述异常诊断单元进一步配置成：
对所述异常得分、所述第一相似度得分和所述第二相似度得分进行加权处理，以生成针对所述异常预警区域的威胁异常得分；以及
响应于针对所述异常预警区域的威胁异常得分大于威胁异常得分阈值而将所述异常预警区域作为所述电池异常检测结果指示的所述电池存在的所述异常区域，
其中所述电池异常检测结果包括以下中的一项或多项：电池是否存在所述异常区域、所述异常区域的个数和对应于所述异常区域的威胁异常得分。
4.根据权利要求1所述的系统，其中所述系统还包括：
告警模块，其配置成基于所述电池异常检测结果生成显示数据，所述显示数据用于将所述异常区域显示在所述采集的电池图像上，
其中所述系统还包括：
异常检测训练模块，其配置成基于所述云端数据库中的以下一项或多项数据来更新所述异常检测模块：原始图像数据、图像尺寸数据、威胁异常区域对应的像素位置数据、威胁异常区域和所述威胁异常区域的标签、无威胁异常区域和所述无威胁异常区域的标签，
其中所述判断模块进一步配置成基于以下比较中的一项或多项来判断所述异常区域是否为重复检测的异常区域：
所述异常区域的个数与上一次检测的异常区域的个数之间的比较；
所述异常区域的最小重复概率与概率阈值之间的比较；以及
所述异常区域的语义向量与上一次检测的异常区域的语义向量之间的相似度与相似度阈值之间的比较，
其中所述图像采集设备设置于换电站并且配置成在换电操作期间采集电池图像。
5.一种电池异常检测方法，其特征在于，所述方法包括：
获取由图像采集设备采集的电池图像、电池标识信息和所述图像采集设备的标识信息；
根据所述电池标识信息和所述图像采集设备的标识信息从云端数据库获取电池图像特征数据集，并至少基于所述采集的电池图像和所述电池图像特征数据集来生成电池异常检测结果；以及
响应于所述电池异常检测结果指示电池存在异常区域而判断所述异常区域是否为重复检测的异常区域，以及响应于判断所述异常区域不是重复检测的异常区域而发送所述电池异常检测结果。
6.根据权利要求5所述的方法，其中所述电池图像特征数据集包括：基于所述图像采集设备的标识信息存储的电池图像的多个区域的语义向量生成的第一电池图像特征数据、基于所述电池标识信息存储的电池图像的多个区域的语义向量生成的第二电池图像特征数据、由威胁异常区域的语义向量生成的第三电池图像特征数据、由无威胁异常区域的语义向量生成的第四电池图像特征数据。
7.根据权利要求5所述的方法，其中所述方法还包括：
将所述电池异常检测结果、所述采集的电池图像、所述电池标识信息和所述图像采集设备的标识信息中的一个或多个发送至所述云端数据库进行存储，
其中所述云端数据库存储以下数据中的一项或多项：所述电池图像特征数据集、原始图像数据、图像尺寸数据、威胁异常区域对应的像素位置数据、威胁异常区域和所述威胁异常区域的标签、无威胁异常区域和所述无威胁异常区域的标签、所述电池异常检测结果、所述采集的电池图像、所述电池标识信息、所述图像采集设备的标识信息、历史电池异常检测结果，
其中所述方法还包括：
基于所述电池异常检测结果生成显示数据，所述显示数据用于将所述异常区域显示在所述采集的电池图像上，
其中所述方法还包括：
基于所述云端数据库中的以下一项或多项数据来更新异常检测模块：原始图像数据、图像尺寸数据、威胁异常区域对应的像素位置数据、威胁异常区域和所述威胁异常区域的标签、无威胁异常区域和所述无威胁异常区域的标签，
其中判断所述异常区域是否为重复检测的异常区域包括基于以下比较中的一项或多项来判断所述异常区域是否为重复检测的异常区域：
所述异常区域的个数与上一次检测的异常区域的个数之间的比较；
所述异常区域的最小重复概率与概率阈值之间的比较；以及
所述异常区域的语义向量与上一次检测的异常区域的语义向量之间的相似度与相似度阈值之间的比较。
8.一种计算机设备，其包括存储器、处理器以及存储在所述存储器上并且可在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序以实现：
根据权利要求5-7中的任一项所述的电池异常检测方法。
9.一种计算机可读存储介质，其特征在于，所述计算机存储介质包括指令，所述指令在运行时执行根据权利要求5-7中的任一项所述的电池异常检测方法。
10.一种换电站，其特征在于，所述换电站包括：
图像采集设备，其配置成采集电池图像；
通信设备，其配置成将采集的电池图像发送至根据权利要求1-4中的任一项所述的电池异常检测系统并从所述电池异常检测系统接收显示数据；以及
显示设备，其配置成基于所述显示数据将电池异常区域显示在所述采集的电池图像上。
CN202310214074.4A 2023-03-02 2023-03-02 电池异常检测系统、检测方法、存储介质及换电站 Pending CN116224123A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310214074.4A CN116224123A (zh) 2023-03-02 2023-03-02 电池异常检测系统、检测方法、存储介质及换电站

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310214074.4A CN116224123A (zh) 2023-03-02 2023-03-02 电池异常检测系统、检测方法、存储介质及换电站

Publications (1)

Publication Number Publication Date
CN116224123A true CN116224123A (zh) 2023-06-06

Family

ID=86569253

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310214074.4A Pending CN116224123A (zh) 2023-03-02 2023-03-02 电池异常检测系统、检测方法、存储介质及换电站

Country Status (1)

Country Link
CN (1) CN116224123A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116433656A (zh) * 2023-06-07 2023-07-14 海斯坦普汽车组件(北京)有限公司 一种新能源电池盒检测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116433656A (zh) * 2023-06-07 2023-07-14 海斯坦普汽车组件(北京)有限公司 一种新能源电池盒检测方法及系统
CN116433656B (zh) * 2023-06-07 2023-08-25 海斯坦普汽车组件(北京)有限公司 一种新能源电池盒检测方法及系统

Similar Documents

Publication Publication Date Title
Hoang Image processing-based pitting corrosion detection using metaheuristic optimized multilevel image thresholding and machine-learning approaches
CN110363115B (zh) 基于ais轨迹数据的船舶作业异常半监督实时检测方法
EP3552067B1 (en) Methods and systems for discovery of prognostic subsequences in time series
CN111582129A (zh) 一种盾构机司机工作状态实时监测报警方法及装置
CN116224123A (zh) 电池异常检测系统、检测方法、存储介质及换电站
CN114235050A (zh) 一种海洋环境监测预警方法、设备及系统
CN112418213A (zh) 一种车辆行驶轨迹识别方法、装置及存储介质
CN109001210B (zh) 一种人防门密封胶条老化龟裂检测系统及方法
CN114371353A (zh) 一种基于声纹识别的电力设备异常监测方法及系统
Liu et al. Active incremental learning for health state assessment of dynamic systems with unknown scenarios
CN113203954A (zh) 一种基于时频图像处理的电池故障诊断方法
EP3376438A1 (en) A system and method for detecting change using ontology based saliency
CN115524002A (zh) 一种电厂旋转设备的运行状态预警方法、系统及存储介质
CN112232235B (zh) 基于5g和算法的智慧工厂远程监控方法及系统
CN113505704A (zh) 图像识别的人员安全侦测方法、系统、设备及存储介质
Supriya et al. Car crash detection system using machine learning and deep learning algorithm
CN111429701B (zh) 报警方法、装置、设备及存储介质
Zhang et al. A novel ship trajectory clustering analysis and anomaly detection method based on AIS data
CN113989630B (zh) 一种基于语义分析的镜头遮挡判别方法
CN117668737B (zh) 一种管道检测数据故障预警查验方法以及相关装置
CN116384597B (zh) 基于地理信息系统的渔港船舶进出港动态预测方法及系统
Bosdelekidis et al. DNN-based anomaly prediction for the uncertainty in visual SLAM
CN117520924B (zh) 基于多模态数据的海岛光伏运维故障原因分析方法及系统
CN117935030A (zh) 双视角相关性感知正则化的多标签置信度校准方法及系统
CN117273693A (zh) 一种车辆检修的方法、装置、设备和存储介质

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