CN116342520A - 一种基于卷积神经网络的电芯热失控检测方法及装置 - Google Patents
一种基于卷积神经网络的电芯热失控检测方法及装置 Download PDFInfo
- Publication number
- CN116342520A CN116342520A CN202310278008.3A CN202310278008A CN116342520A CN 116342520 A CN116342520 A CN 116342520A CN 202310278008 A CN202310278008 A CN 202310278008A CN 116342520 A CN116342520 A CN 116342520A
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- explosion
- proof valve
- melting
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000001514 detection method Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 22
- 238000002844 melting Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 13
- 230000008018 melting Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000004880 explosion Methods 0.000 claims 1
- 230000000007 visual effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 9
- 238000004821 distillation Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 description 1
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 1
- 239000005977 Ethylene Substances 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
-
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (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
本申请公开了一种基于卷积神经网络的电芯热失控检测方法及装置，包括按照预设的时间间隔获取包含至少两个电芯的侧视图像，并将每个侧视图像输入至第一卷积神经网络，得到每个侧视图像的关键点特征；基于侧视图像的关键点特征判断电芯的防爆阀是否发生偏移，并当检测到电芯的防爆阀发生偏移时，对低熔点电阻所在回路输入第一脉冲信号；当回路输出的第二脉冲信号与第一脉冲信号不一致时，基于低熔点电阻两端的电压信号确定出热失控电芯。通过视觉算法精准快速的判断出图像中是否存在发送偏移的电芯防爆阀，并结合设置成本较低的低熔点电阻来准确有效的得到存在热失控的电芯位置，不仅整体有效控制投入的成本，可避免温度控制所带来的数据误差。
Description
技术领域
本申请属于新能源汽车技术领域，特别的涉及一种基于卷积神经网络的电芯热失控检测方法及装置。
背景技术
新能源电动汽车的发展逐年呈上升趋势，市场上的新能源电动汽车保有量也不断增长。电芯作为整车动力总成核心之一的动力电池总成，也随着国家的对于电动化的推进，得到各种技术上的突破和发展，其中，高容量、高比能的电芯是各大电池厂家和汽车生产商所追求的目标，随之而来的则是电池安全方面所面对的巨大的挑战和严苛的考验。
当前新能源汽车的市场问题中，热失控问题的安全隐患首当其冲。出于外界环境、电芯自身质量等种种因素，个别电芯的衰减程度会高于其它电芯导致电芯一致性差，从而引发包括热失控在内的多种问题。各个厂家当前主要基于单体电芯电压变化、模组温度变化、菊花链通断判断热失控是否发生，策略看似较为完善，但存在如下问题：
首先，常规的温度传感器排布分散，无法精准检测单体电芯温度，且对于热失控电芯与温度传感器距离较远时，易导致热失控判定不准确，进而存在热失控不报风险；其次，当前车辆一般通过单链菊花链通讯，当菊花链短接虚接时均会导致所有单体电芯电压以及模组温度数据不可信，也即热失控判断无据可依，且无法保障通讯数据的一致性以及时效性。
发明内容
本申请为解决上述提到的常规的温度传感器排布分散，无法精准检测单体电芯温度，且对于热失控电芯与温度传感器距离较远时，易导致热失控判定不准确，进而存在热失控不报风险；其次，当前车辆一般通过单链菊花链通讯，当菊花链短接虚接时均会导致所有单体电芯电压以及模组温度数据不可信，也即热失控判断无据可依，且无法保障通讯数据的一致性以及时效性等技术缺陷，提出一种基于卷积神经网络的电芯热失控检测方法及装置，其技术方案如下：
第一方面，本申请实施例提供了一种基于卷积神经网络的电芯热失控检测方法，包括：
按照预设的时间间隔获取包含至少两个电芯的侧视图像，并将每个侧视图像输入至训练好的第一卷积神经网络，得到每个侧视图像的关键点特征；其中，第一卷积神经网络由多个已知关键点特征的样本图像以及第二卷积神经网络训练得到；
基于所有侧视图像的关键点特征判断任意一个电芯的防爆阀是否发生偏移，并当检测到任意一个电芯的防爆阀发生偏移时，对设置在每个电芯上的低熔点电阻所在回路输入呈周期性变化的第一脉冲信号；
当检测到回路输出的第二脉冲信号与第一脉冲信号不一致时，基于所有低熔点电阻两端的电压信号确定出热失控电芯。
在第一方面的一种可选方案中，侧视图像的关键点特征包括关键点的置信度特征；
在将每个侧视图像输入至训练好的第一卷积神经网络，得到每个侧视图像的关键点特征之后，基于所有侧视图像的关键点特征判断任意一个电芯的防爆阀是否发生偏移之前，还包括：
将每个侧视图像的所有关键点中对应的置信度特征低于预设置信度阈值的关键点进行删除处理；
基于所有侧视图像的关键点特征判断任意一个电芯的防爆阀是否发生偏移，包括：
基于经过删除处理后的所有侧视图像的关键点特征判断任意一个电芯的防爆阀是否发生偏移。
在第一方面的又一种可选方案中，侧视图像的关键点特征还包括关键点的偏移量特征；
基于所有侧视图像的关键点特征判断任意一个电芯的防爆阀是否发生偏移，包括：
基于每个侧视图像中所有关键点的偏移量特征，确定出每个侧视图像中的顶点关键点；其中，顶点关键点与相邻的两个关键点不处于同一直线；
将所有侧视图像中任意两个处于相邻时间间隔的侧视图像作为一组，并判断每组中两个侧视图像所分别对应的顶点关键点的偏移量特征是否一致；
当检测到任意一组中存在不一致的顶点关键点的偏移量特征时，确定任意一个电芯的防爆阀发生偏移；
当检测到任意一组中均存在完全一致的顶点关键点的偏移量特征时，确定任意一个电芯的防爆阀未发生偏移。
在第一方面的又一种可选方案中，当检测到任意一组中存在不一致的顶点关键点的偏移量特征时，确定任意一个电芯的防爆阀发生偏移，包括：
当检测到任意一组中存在不一致的顶点关键点的偏移量特征时，计算出每个侧视图像中不一致的顶点关键点与相邻的两个顶点关键点之间的斜率；
当两个侧视图像中所包含的不同斜率个数一致时，确定任意一个电芯的防爆阀发生偏移。
在第一方面的又一种可选方案中，在检测到任意一个电芯的防爆阀发生偏移之后，对设置在每个电芯上的低熔点电阻所在回路输入呈周期性变化的第一脉冲信号之前，还包括：
基于设置在至少两个电芯上方的温度传感器获取与预设的时间间隔对应的温度信号；
对设置在每个电芯上的低熔点电阻所在回路输入呈周期性变化的第一脉冲信号，包括：
根据温度信号以及预设的时间间隔计算出温度变化量，并当检测到温度变化量超过预设温度阈值时，对设置在每个电芯上的低熔点电阻所在回路输入呈周期性变化的第一脉冲信号。
在第一方面的又一种可选方案中，基于所有低熔点电阻两端的电压信号确定出热失控电芯，包括：
当检测到任意一个低熔点电阻两端的电压信号大于预设第一电压阈值，以及其他所有低熔点电阻两端的电压信号均小于预设第二电压阈值时，将与大于预设第一电压阈值的低熔点电阻所对应的电芯作为热失控电芯；
发送与大于预设第一电压阈值的低熔点电阻所对应的编号至移动终端。
在第一方面的又一种可选方案中，第一卷积神经网络包括一个沙漏结构，第二卷积神经网络包括四个沙漏结构；第一卷积神经网络的损失函数包括第二卷积神经网络经过训练后得到的损失参数，第二卷积神经网络由多个已知关键点特征的样本图像训练得到。
第二方面，本申请实施例提供了一种基于卷积神经网络的电芯热失控检测装置，包括：
特征提取模块，用于按照预设的时间间隔获取包含至少两个电芯的侧视图像，并将每个侧视图像输入至训练好的第一卷积神经网络，得到每个侧视图像的关键点特征；其中，第一卷积神经网络由多个已知关键点特征的样本图像以及第二卷积神经网络训练得到；
信号检测模块，用于基于所有侧视图像的关键点特征判断任意一个电芯的防爆阀是否发生偏移，并当检测到任意一个电芯的防爆阀发生偏移时，对设置在每个电芯上的低熔点电阻所在回路输入呈周期性变化的第一脉冲信号；
故障确定模块，用于当检测到回路输出的第二脉冲信号与第一脉冲信号不一致时，基于所有低熔点电阻两端的电压信号确定出热失控电芯。
在第二方面的一种可选方案中，侧视图像的关键点特征包括关键点的置信度特征；
装置还包括：
在将每个侧视图像输入至训练好的第一卷积神经网络，得到每个侧视图像的关键点特征之后，基于所有侧视图像的关键点特征判断任意一个电芯的防爆阀是否发生偏移之前，将每个侧视图像的所有关键点中对应的置信度特征低于预设置信度阈值的关键点进行删除处理；
信号检测模块用于：
基于经过删除处理后的所有侧视图像的关键点特征判断任意一个电芯的防爆阀是否发生偏移。
在第二方面的又一种可选方案中，侧视图像的关键点特征还包括关键点的偏移量特征；
信号检测模块具体用于：
基于每个侧视图像中所有关键点的偏移量特征，确定出每个侧视图像中的顶点关键点；其中，顶点关键点与相邻的两个关键点不处于同一直线；
将所有侧视图像中任意两个处于相邻时间间隔的侧视图像作为一组，并判断每组中两个侧视图像所分别对应的顶点关键点的偏移量特征是否一致；
当检测到任意一组中存在不一致的顶点关键点的偏移量特征时，确定任意一个电芯的防爆阀发生偏移；
当检测到任意一组中均存在完全一致的顶点关键点的偏移量特征时，确定任意一个电芯的防爆阀未发生偏移。
在第二方面的又一种可选方案中，信号检测模块具体还用于：
当检测到任意一组中存在不一致的顶点关键点的偏移量特征时，计算出每个侧视图像中不一致的顶点关键点与相邻的两个顶点关键点之间的斜率；
当两个侧视图像中所包含的不同斜率个数一致时，确定任意一个电芯的防爆阀发生偏移。
在第二方面的又一种可选方案中，装置还包括：
在检测到任意一个电芯的防爆阀发生偏移之后，对设置在每个电芯上的低熔点电阻所在回路输入呈周期性变化的第一脉冲信号之前，基于设置在至少两个电芯上方的温度传感器获取与预设的时间间隔对应的温度信号；
对设置在每个电芯上的低熔点电阻所在回路输入呈周期性变化的第一脉冲信号，包括：
根据温度信号以及预设的时间间隔计算出温度变化量，并当检测到温度变化量超过预设温度阈值时，对设置在每个电芯上的低熔点电阻所在回路输入呈周期性变化的第一脉冲信号。
在第二方面的又一种可选方案中，故障确定模块用于：
当检测到任意一个低熔点电阻两端的电压信号大于预设第一电压阈值，以及其他所有低熔点电阻两端的电压信号均小于预设第二电压阈值时，将与大于预设第一电压阈值的低熔点电阻所对应的电芯作为热失控电芯；
发送与大于预设第一电压阈值的低熔点电阻所对应的编号至移动终端。
在第二方面的又一种可选方案中，第一卷积神经网络包括一个沙漏结构，第二卷积神经网络包括四个沙漏结构；第一卷积神经网络的损失函数包括第二卷积神经网络经过训练后得到的损失参数，第二卷积神经网络由多个已知关键点特征的样本图像训练得到。
第三方面，本申请实施例还提供了一种基于卷积神经网络的电芯热失控检测装置，包括处理器以及存储器；
处理器与存储器连接；
存储器，用于存储可执行程序代码；
处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，以用于实现本申请实施例第一方面或第一方面的任意一种实现方式提供的基于卷积神经网络的电芯热失控检测方法。
第四方面，本申请实施例提供了一种计算机存储介质，计算机存储介质存储有计算机程序，计算机程序包括程序指令，程序指令当被处理器执行时，可实现本申请实施例第一方面或第一方面的任意一种实现方式提供的基于卷积神经网络的电芯热失控检测方法。
在本申请实施例中，可在进行电芯热失控检测时，按照预设的时间间隔获取包含至少两个电芯的侧视图像，并将每个侧视图像输入至训练好的第一卷积神经网络，得到每个侧视图像的关键点特征；基于所有侧视图像的关键点特征判断任意一个电芯的防爆阀是否发生偏移，并当检测到任意一个电芯的防爆阀发生偏移时，对设置在每个电芯上的低熔点电阻所在回路输入呈周期性变化的第一脉冲信号；当检测到回路输出的第二脉冲信号与第一脉冲信号不一致时，基于所有低熔点电阻两端的电压信号确定出热失控电芯。通过视觉算法精准快速的判断出图像中是否存在发送偏移的电芯防爆阀，并结合设置成本较低的低熔点电阻来准确有效的得到存在热失控的电芯位置，不仅整体有效控制投入的成本，还可避免温度控制所带来的数据误差，且保障了数据的一致性以及时效性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例中所需使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种基于卷积神经网络的电芯热失控检测方法的整体流程图；
图2为本申请实施例提供的一种卷积神经网络的网络训练示意图；
图3为本申请实施例提供的一种脉冲信号的检测示意图；
图4为本申请实施例提供的一种电芯的结构示意图；
图5为本申请实施例提供的一种基于卷积神经网络的电芯热失控检测装置的结构示意图；
图6为本申请实施例提供的又一种基于卷积神经网络的电芯热失控检测装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
在下述介绍中，术语“第一”、“第二”仅为用于描述的目的，而不能理解为指示或暗示相对重要性。下述介绍提供了本申请的多个实施例，不同实施例之间可以替换或者合并组合，因此本申请也可认为包含所记载的相同和/或不同实施例的所有可能组合。因而，如果一个实施例包含特征A、B、C，另一个实施例包含特征B、D，那么本申请也应视为包括含有A、B、C、D的一个或多个所有其他可能的组合的实施例，尽管该实施例可能并未在以下内容中有明确的文字记载。
下面的描述提供了示例，并且不对权利要求书中阐述的范围、适用性或示例进行限制。可以在不脱离本申请内容的范围的情况下，对描述的元素的功能和布置做出改变。各个示例可以适当省略、替代或添加各种过程或组件。例如所描述的方法可以以所描述的顺序不同的顺序来执行，并且可以添加、省略或组合各种步骤。此外，可以将关于一些示例描述的特征组合到其他示例中。
请参阅图1，图1示出了本申请实施例提供的一种基于卷积神经网络的电芯热失控检测方法的整体流程图。
如图1所示，该基于卷积神经网络的电芯热失控检测方法至少可以包括以下步骤：
步骤102、按照预设的时间间隔获取包含至少两个电芯的侧视图像，并将每个侧视图像输入至训练好的第一卷积神经网络，得到每个侧视图像的关键点特征。
在本申请实施例中，基于卷积神经网络的电芯热失控检测方法可以但不局限于应用在控制终端，以用于对车辆电池包内的电芯进行热失控检测，以有效解决因电芯热失控所带来的安全隐患。其中，当车辆电池包内的电芯发生热失控时，电芯内部会发生剧烈化学反应，在电芯整体表面温度急剧升高的同时还会伴随着一氧化碳、氢气、乙烯、甲烷以及乙烷等气体的产生，且随着气体的产生和膨胀会进一步导致电芯内部的气压迅速升高，此时可通过本申请实施例所提出的视觉算法对获取到的包含电芯的图像进行处理，以精准快速的判断出电芯是否发生异常。
具体地，可在进行电芯热失控检测时，控制终端可以但不局限于控制相机或是激光雷达来按照预设的时间间隔，获取电池包内至少两个电芯的侧视图像，其中，电池包内的电芯多为阵列式分布，每个电芯的上表面设置有防爆阀，在本申请实施例中相机或是激光雷达可设置在与防爆阀平行的位置，以通过侧视的角度来获取电池包的每个区域内的所有电芯以及各自对应的防爆阀的图像，或是电池包的所有电芯以及各自对应的防爆阀的图像。可以理解的是，在电池包的电芯安装允许误差的范围内，侧视图像中处于同一列的所有电芯以及各自对应的防爆阀的位置完全重合，或是处于同一行的所有电芯以及各自对应的防爆阀的位置完全重合，换句话说，侧视图像中的每个电芯与相邻的电芯之间的距离保持一致。
进一步的，在按照预设的时间间隔得到包含至少两个电芯以及各自对应的防爆阀的侧视图像之后，控制终端可将每个侧视图像输入至训练好的第一卷积神经网络，以得到每个侧视图像中的关键点特征。其中，第一卷积神经网络可由多个已知关键点特征的样本图像以及第二卷积神经网络训练得到，该关键点特征可以但不局限于包括关键点的置信度特征以及偏移量特征，该第一卷积神经网络包括一个沙漏结构，第二卷积神经网络包括四个相同的沙漏结构，且第一卷积神经网络的损失函数包括该第二卷积神经网络经过训练后得到的损失参数，第二卷积神经网络由多个已知关键点特征的样本图像训练得到。
在第一卷积神经网络的训练过程中，可基于上述提到的多个关键点特征的样本图像对第二卷积神经网络进行训练，并再基于该多个关键点特征的样本图像对第一卷积神经网络进行训练时加入训练后的第二卷积神经网络中的损失参数，进而得到训练后的第一卷积神经网络。此处可参阅图2示出的本申请实施例提供的一种卷积神经网络的网络训练示意图，该图中上半部分可表示为第二卷积神经网络的训练过程，该第二卷积神经网络包括有四个相同结构的沙漏结构，每个沙漏结构可包括4个编码层、4个蒸馏层以及4个解码层；该图中下半部分可表示为第一卷积神经网络的训练过程，该第一卷积神经网络包括有一个与第二卷积神经网络相同的沙漏结构。
可以理解的是，本申请实施例的第二卷积神经网络中最后一个沙漏结构的四个蒸馏层将与前三个沙漏结构的四个蒸馏层做损失函数。当第二卷积神经网络训练完成后，可基于上述提到的多个已知关键点特征的样本图像对第一卷积神经网络进行训练，并在计算第一卷积神经网络的损失函数的过程中，先将第一卷积神经网络的沙漏结构的四个蒸馏层与第二卷积神经网络的最后一个沙漏结构的四个蒸馏层做损失并加入该第一卷积神经网络的损失函数中，再将第一卷积神经网络输出的置信度特征与第二卷积神经网络的置信度特征做损失并加入该第一卷积神经网络的损失函数中。
此处第二卷积神经网络的蒸馏层的损失函数可以但不局限于通过下式得到：
上式中，
，S可表示为spatial softmax函数，/>
可表示为第二卷积神经网络第m个沙漏结构的蒸馏层所输出的第i个通道，/>
可表示为第二卷积神经网络第m个沙漏结构，D可表示为平方和。
第一卷积神经网络的蒸馏层的损失函数可以但不局限于通过下式得到：
上式中，
可表示为第一卷积神经网络的沙漏结构。
此处第一卷积神经网络输出的置信度特征与第二卷积神经网络的置信度特征做损失的函数可以但不局限于通过下式得到：
上式中，
可表示为第二卷积神经网络输出的置信度坐标（i,j）的值，/>
可表示为第一卷积神经网络输出的置信度坐标（i,j）的值。
作为本申请实施例的一种可选，在将每个侧视图像输入至训练好的第一卷积神经网络，得到每个侧视图像的关键点特征之后，基于所有侧视图像的关键点特征判断任意一个电芯的防爆阀是否发生偏移之前，还包括：
将每个侧视图像的所有关键点中对应的置信度特征低于预设置信度阈值的关键点进行删除处理；
基于所有侧视图像的关键点特征判断任意一个电芯的防爆阀是否发生偏移，包括：
基于经过删除处理后的所有侧视图像的关键点特征判断任意一个电芯的防爆阀是否发生偏移。
具体地，为了保障每个侧视图像的所有关键点的准确性以及可靠性，控制终端可根据每个侧视图像中所有关键点的置信度特征，筛选出置信度特征高于或等于预设置信度特征的关键点，并可对每个侧视图像中其他所有置信度特征低于该预设置信度特征的关键点进行删除处理，接着可根据每个侧视图像中删除处理后的所有关键点特征判断任意一个电芯的防爆阀是否发生偏移。
步骤104、基于所有侧视图像的关键点特征判断任意一个电芯的防爆阀是否发生偏移，并当检测到任意一个电芯的防爆阀发生偏移时，对设置在每个电芯上的低熔点电阻所在回路输入呈周期性变化的第一脉冲信号。
具体地，在得到每个侧视图像的关键点特征之后，控制终端可根据每个侧视图像中所有关键点的偏移量特征，确定出每个侧视图像中的顶点特征点，该顶点特征点可以但不局限于包括电芯侧视图的各个顶点以及防爆阀侧视图的各个顶点。其中，关键点的偏移量特征可理解为关键点在侧视图像所对应的平面直角坐标系中的坐标，例如但不局限于通过比较每个关键点的坐标与相邻的两个关键点的坐标所计算出的斜率，当斜率不一致时，表明该关键点与相邻的两个关键点不处于同一直线，则可将该关键点作为顶点关键点；当斜率一致时，表明该关键点与相邻的两个关键点处于同一直线，则无法将该关键点作为顶点关键点。
可以理解的是，在本申请实施例中可对每个计算出的斜率施加一定的误差区间，可以但不局限于当与任意一个关键点对应的两个斜率存在重合区间时，可将该关键点作为顶点关键点，且此处不限定于此。
进一步的，在确定出每个侧视图像中的顶点关键点之后，控制终端可按照每个侧视图像对应的时间间隔，将任意两个处于相邻时间间隔的侧视图像作为一组，并判断每组中两个侧视图像所对应的所有顶点关键点是否完全对应，也即每组中第一个侧视图像所对应的所有顶点关键点，是否与每组中第二侧视图像所对应的所有顶点关键点一一对应，该对应关系可理解为坐标完全一致，或是坐标之间的差值处于预设的差值区间。可以理解的是，当电芯发生热失控时，内部的压力迅速增大，进而易使防爆阀受压力推动而发生偏移，其直接的影响可体现在防爆阀的顶点坐标发生偏移，且本申请实施例所采用的视觉算法可精确的判断防爆阀是否发生偏移，以提高检测效果的精度。
进一步的，当检测到任意一组中存在不一致的顶点关键点的坐标时，可表明该组两个侧视图像中的防爆阀位置不同，进而可确定存在发生热失控的电芯，也即任意一个电芯的防爆阀发生偏移。当检测到任意一组中均存在完全一致的顶点关键点的坐标时，表明整个过程中电池包内每个电芯上的防爆阀从未发生偏移，不存在发生热失控的电芯，也即任意一个电芯的防爆阀未发生偏移。
作为本申请实施例的又一种可选，当检测到任意一组中存在不一致的顶点关键点的偏移量特征时，确定任意一个电芯的防爆阀发生偏移，包括：
当检测到任意一组中存在不一致的顶点关键点的偏移量特征时，计算出每个侧视图像中不一致的顶点关键点与相邻的两个顶点关键点之间的斜率；
当两个侧视图像中所包含的不同斜率个数一致时，确定任意一个电芯的防爆阀发生偏移。
具体地，为了进一步提高检测结果的精度，还可在检测到任意一组中存在不一致的顶点关键点的偏移量特征之后，控制终端对该组的两个侧视图像中所不一致的顶点关键点分别计算出与相邻的两个顶点关键之间的斜率，可以理解的是，当防爆阀的位置发生偏移时，一般多以防爆阀的顶部顶点在沿着平面Y轴的方向发生移动，也即防爆阀的顶部顶点的坐标中X轴不发生变化，Y轴发生变化。
可能的，当检测到两个侧视图像中所计算出的不同斜率个数一致时，表明该组两个侧视图像中的防爆阀位置不同，进而可确定存在发生热失控的电芯，也即任意一个电芯的防爆阀发生偏移。可能的，当检测到两个侧视图像中所计算出的不同斜率个数不一致时，表明该组两个侧视图像中的防爆阀的顶部顶点坐标在X轴以及Y轴均发生变化，则需要再次确认该防爆阀的顶部顶点坐标是否准确。此处，再次确认该防爆阀的顶部顶点坐标是否准确的方式可以但不局限于将该组的两个侧视图像再次输入至上述提到的第一卷积神经网络中，此处不再过多赘述。
作为本申请实施例的又一种可选，在检测到任意一个电芯的防爆阀发生偏移之后，对设置在每个电芯上的低熔点电阻所在回路输入呈周期性变化的第一脉冲信号之前，还包括：
基于设置在至少两个电芯上方的温度传感器获取与预设的时间间隔对应的温度信号；
对设置在每个电芯上的低熔点电阻所在回路输入呈周期性变化的第一脉冲信号，包括：
根据温度信号以及预设的时间间隔计算出温度变化量，并当检测到温度变化量超过预设温度阈值时，对设置在每个电芯上的低熔点电阻所在回路输入呈周期性变化的第一脉冲信号。
具体地，在检测到任意一个电芯的防爆阀发生偏移之后，控制终端还可基于设置在电池包上方的温度传感器，来按照预设的时间间隔获取温度信号，以判断该电池包的温度是否发生变化。可以理解的是，当得到与每个时间间隔对应的温度信号之后，可以但不局限于根据两个连续的时间间隔所对应的温度信号差值以及时间间隔，计算出温度变化量，并判断该温度变化量是否超过预设温度阈值时。此处，当电池包内某个电芯发生热失控或是有发生热失控的趋势时，会导致检测到的温度信号发生变化，其可通过除以时间间隔的方式进行放大，进而进行有效且快速的判断。
当检测到温度变化量超过预设温度阈值时，控制终端可对设置在每个电芯上的低熔点电阻所在回路输入呈周期性变化的第一脉冲信号，其中，每个电芯上的低熔点电阻可以但不局限于设置在防爆阀上方，以便于更加直接的接收到电芯所产生的热量。此处，每个电芯上的低熔点电阻依次串联，串联电路的一端可与控制终端的输出端连接，以用于获取该控制终端的输出端所输出的呈周期性变化的第一脉冲信号；该串联电路的另一端则可与控制终端的输入端连接，以用于获取该串联电路所对应的脉冲信号，且当该串联电路中任意一个低熔点电阻未发生熔断时，控制终端的输出端所发送到的脉冲信号与输入端所接收到的脉冲信号保持一致。
此处可参阅图3示出的本申请实施例提供的一种脉冲信号的检测示意图。如图3所示，该检测示意图中的电池包设置有10行4列的电芯，每个电芯上设置有低熔点电阻，且每个低熔点电阻依次串联；串联电路的一端可与控制终端的输出端连接，该串联电路的另一端则可与控制终端的输入端连接，以便于控制终端可实时判断输入端的脉冲信号以及输出端的脉冲信号是否一致。
步骤106、当检测到回路输出的第二脉冲信号与第一脉冲信号不一致时，基于所有低熔点电阻两端的电压信号确定出热失控电芯。
具体地，当控制终端检测到每个低熔点电阻依次串联所组成的回路输出的第二脉冲信号与第一脉冲信号不一致时，表明该低熔点电阻依次串联所组成的回路中存在至少一个低熔点电阻发生熔断现象，进而导致该低熔点电阻依次串联所组成的回路发生断路。接着，为了有效精准的确定出发生热失控的电芯，控制终端可对每个低熔点电阻两端的电压信号进行检测，当检测到任意一个所述低熔点电阻两端的电压信号大于预设第一电压阈值，以及其他所有所述低熔点电阻两端的电压信号均小于预设第二电压阈值时，可将该与大于所述预设第一电压阈值的所述低熔点电阻所对应的所述电芯作为热失控电芯，并将该与大于所述预设第一电压阈值的所述低熔点电阻所对应的编号发送至指定的移动终端，以便于工作人员可快速对相应的电芯进行更换处理。可以理解的是，在本申请实施例中控制终端还可分别与每个低熔点电阻单独构成通路，以有效获取与每个低熔点电阻两端对应的电压信号，当低熔点电阻发生熔断现象时，其两端对应的电压信号较大；当低熔点电阻未发生熔断现象时，其两端对应的电压信号趋近于0。
作为本申请实施例的又一种可选，请参阅图4示出的本申请实施例提供的一种电芯的结构示意图。如图4所示，电芯的防爆阀底部可设置有压力传感器（也即设置在电芯内的BPS），电芯的防爆阀上方可设置有低熔点电阻（也即设置在电芯上方的R），该压力传感器或是低熔点电阻均可单独判断对应的电芯是否发生热失控。其中，当检测到在预设的时间间隔内，压力传感器所采集到的压力信号差值与时间间隔的比值超过预设压力阈值时，表明对应的电芯发生热失控；或是，当检测到低熔点电阻两端的电压信号较大，且其余电芯的低熔点电阻两端的电压信号均趋近于0时，表明该电压信号较大的低熔点电阻所对应的电芯发生热失控，且此处每个电芯的低熔点电阻之间构成串联回路。
请参阅图5，图5示出了本申请实施例提供的一种基于卷积神经网络的电芯热失控检测装置的结构示意图。
如图5所示，该基于卷积神经网络的电芯热失控检测装置至少可以包括特征提取模块501、信号检测模块502以及故障确定模块503，其中：
特征提取模块501，用于按照预设的时间间隔获取包含至少两个电芯的侧视图像，并将每个侧视图像输入至训练好的第一卷积神经网络，得到每个侧视图像的关键点特征；其中，第一卷积神经网络由多个已知关键点特征的样本图像以及第二卷积神经网络训练得到；
信号检测模块502，用于基于所有侧视图像的关键点特征判断任意一个电芯的防爆阀是否发生偏移，并当检测到任意一个电芯的防爆阀发生偏移时，对设置在每个电芯上的低熔点电阻所在回路输入呈周期性变化的第一脉冲信号；
故障确定模块503，用于当检测到回路输出的第二脉冲信号与第一脉冲信号不一致时，基于所有低熔点电阻两端的电压信号确定出热失控电芯。
在一些可能的实施例中，侧视图像的关键点特征包括关键点的置信度特征；
装置还包括：
在将每个侧视图像输入至训练好的第一卷积神经网络，得到每个侧视图像的关键点特征之后，基于所有侧视图像的关键点特征判断任意一个电芯的防爆阀是否发生偏移之前，将每个侧视图像的所有关键点中对应的置信度特征低于预设置信度阈值的关键点进行删除处理；
信号检测模块用于：
基于经过删除处理后的所有侧视图像的关键点特征判断任意一个电芯的防爆阀是否发生偏移。
在一些可能的实施例中，侧视图像的关键点特征还包括关键点的偏移量特征；
信号检测模块具体用于：
基于每个侧视图像中所有关键点的偏移量特征，确定出每个侧视图像中的顶点关键点；其中，顶点关键点与相邻的两个关键点不处于同一直线；
将所有侧视图像中任意两个处于相邻时间间隔的侧视图像作为一组，并判断每组中两个侧视图像所分别对应的顶点关键点的偏移量特征是否一致；
当检测到任意一组中存在不一致的顶点关键点的偏移量特征时，确定任意一个电芯的防爆阀发生偏移；
当检测到任意一组中均存在完全一致的顶点关键点的偏移量特征时，确定任意一个电芯的防爆阀未发生偏移。
在一些可能的实施例中，信号检测模块具体还用于：
当检测到任意一组中存在不一致的顶点关键点的偏移量特征时，计算出每个侧视图像中不一致的顶点关键点与相邻的两个顶点关键点之间的斜率；
当两个侧视图像中所包含的不同斜率个数一致时，确定任意一个电芯的防爆阀发生偏移。
在一些可能的实施例中，装置还包括：
在检测到任意一个电芯的防爆阀发生偏移之后，对设置在每个电芯上的低熔点电阻所在回路输入呈周期性变化的第一脉冲信号之前，基于设置在至少两个电芯上方的温度传感器获取与预设的时间间隔对应的温度信号；
对设置在每个电芯上的低熔点电阻所在回路输入呈周期性变化的第一脉冲信号，包括：
根据温度信号以及预设的时间间隔计算出温度变化量，并当检测到温度变化量超过预设温度阈值时，对设置在每个电芯上的低熔点电阻所在回路输入呈周期性变化的第一脉冲信号。
在一些可能的实施例中，故障确定模块用于：
当检测到任意一个低熔点电阻两端的电压信号大于预设第一电压阈值，以及其他所有低熔点电阻两端的电压信号均小于预设第二电压阈值时，将与大于预设第一电压阈值的低熔点电阻所对应的电芯作为热失控电芯；
发送与大于预设第一电压阈值的低熔点电阻所对应的编号至移动终端。
在一些可能的实施例中，第一卷积神经网络包括一个沙漏结构，第二卷积神经网络包括四个沙漏结构；第一卷积神经网络的损失函数包括第二卷积神经网络经过训练后得到的损失参数，第二卷积神经网络由多个已知关键点特征的样本图像训练得到。
本领域的技术人员可以清楚地了解到本申请实施例的技术方案可借助软件和/或硬件来实现。本说明书中的“单元”和“模块”是指能够独立完成或与其他部件配合完成特定功能的软件和/或硬件，其中硬件例如可以是现场可编程门阵列（Field－ProgrammableGate Array，FPGA）、集成电路（Integrated Circuit，IC）等。
请参阅图6，图6示出了本申请实施例提供的又一种基于卷积神经网络的电芯热失控检测装置的结构示意图。
如图6所示，该基于卷积神经网络的电芯热失控检测装置600可以包括至少一个处理器601、至少一个网络接口604、用户接口603、存储器605以及至少一个通信总线602。
其中，通信总线602可用于实现上述各个组件的连接通信。
其中，用户接口603可以包括按键，可选用户接口还可以包括标准的有线接口、无线接口。
其中，网络接口604可以但不局限于包括蓝牙模块、NFC模块、Wi-Fi模块等。
其中，处理器601可以包括一个或者多个处理核心。处理器601利用各种接口和线路连接基于卷积神经网络的电芯热失控检测装置600内的各个部分，通过运行或执行存储在存储器605内的指令、程序、代码集或指令集，以及调用存储在存储器605内的数据，执行路由基于卷积神经网络的电芯热失控检测装置600的各种功能和处理数据。可选的，处理器601可以采用DSP、FPGA、PLA中的至少一种硬件形式来实现。处理器601可集成CPU、GPU和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器601中，单独通过一块芯片进行实现。
其中，存储器605可以包括RAM，也可以包括ROM。可选的，该存储器605包括非瞬时性计算机可读介质。存储器605可用于存储指令、程序、代码、代码集或指令集。存储器605可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令（比如触控功能、声音播放功能、图像播放功能等）、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器605可选的还可以是至少一个位于远离前述处理器601的存储装置。如图6所示，作为一种计算机存储介质的存储器605中可以包括操作系统、网络通信模块、用户接口模块以及基于卷积神经网络的电芯热失控检测应用程序。
具体地，处理器601可以用于调用存储器605中存储的基于卷积神经网络的电芯热失控检测应用程序，并具体执行以下操作：
按照预设的时间间隔获取包含至少两个电芯的侧视图像，并将每个侧视图像输入至训练好的第一卷积神经网络，得到每个侧视图像的关键点特征；其中，第一卷积神经网络由多个已知关键点特征的样本图像以及第二卷积神经网络训练得到；
基于所有侧视图像的关键点特征判断任意一个电芯的防爆阀是否发生偏移，并当检测到任意一个电芯的防爆阀发生偏移时，对设置在每个电芯上的低熔点电阻所在回路输入呈周期性变化的第一脉冲信号；
当检测到回路输出的第二脉冲信号与第一脉冲信号不一致时，基于所有低熔点电阻两端的电压信号确定出热失控电芯。
在一些可能的实施例中，侧视图像的关键点特征包括关键点的置信度特征；
在将每个侧视图像输入至训练好的第一卷积神经网络，得到每个侧视图像的关键点特征之后，基于所有侧视图像的关键点特征判断任意一个电芯的防爆阀是否发生偏移之前，还包括：
将每个侧视图像的所有关键点中对应的置信度特征低于预设置信度阈值的关键点进行删除处理；
基于所有侧视图像的关键点特征判断任意一个电芯的防爆阀是否发生偏移，包括：
基于经过删除处理后的所有侧视图像的关键点特征判断任意一个电芯的防爆阀是否发生偏移。
在一些可能的实施例中，侧视图像的关键点特征还包括关键点的偏移量特征；
基于所有侧视图像的关键点特征判断任意一个电芯的防爆阀是否发生偏移，包括：
基于每个侧视图像中所有关键点的偏移量特征，确定出每个侧视图像中的顶点关键点；其中，顶点关键点与相邻的两个关键点不处于同一直线；
将所有侧视图像中任意两个处于相邻时间间隔的侧视图像作为一组，并判断每组中两个侧视图像所分别对应的顶点关键点的偏移量特征是否一致；
当检测到任意一组中存在不一致的顶点关键点的偏移量特征时，确定任意一个电芯的防爆阀发生偏移；
当检测到任意一组中均存在完全一致的顶点关键点的偏移量特征时，确定任意一个电芯的防爆阀未发生偏移。
在一些可能的实施例中，当检测到任意一组中存在不一致的顶点关键点的偏移量特征时，确定任意一个电芯的防爆阀发生偏移，包括：
当检测到任意一组中存在不一致的顶点关键点的偏移量特征时，计算出每个侧视图像中不一致的顶点关键点与相邻的两个顶点关键点之间的斜率；
当两个侧视图像中所包含的不同斜率个数一致时，确定任意一个电芯的防爆阀发生偏移。
在一些可能的实施例中，在检测到任意一个电芯的防爆阀发生偏移之后，对设置在每个电芯上的低熔点电阻所在回路输入呈周期性变化的第一脉冲信号之前，还包括：
基于设置在至少两个电芯上方的温度传感器获取与预设的时间间隔对应的温度信号；
对设置在每个电芯上的低熔点电阻所在回路输入呈周期性变化的第一脉冲信号，包括：
根据温度信号以及预设的时间间隔计算出温度变化量，并当检测到温度变化量超过预设温度阈值时，对设置在每个电芯上的低熔点电阻所在回路输入呈周期性变化的第一脉冲信号。
在一些可能的实施例中，基于所有低熔点电阻两端的电压信号确定出热失控电芯，包括：
当检测到任意一个低熔点电阻两端的电压信号大于预设第一电压阈值，以及其他所有低熔点电阻两端的电压信号均小于预设第二电压阈值时，将与大于预设第一电压阈值的低熔点电阻所对应的电芯作为热失控电芯；
发送与大于预设第一电压阈值的低熔点电阻所对应的编号至移动终端。
在一些可能的实施例中，第一卷积神经网络包括一个沙漏结构，第二卷积神经网络包括四个沙漏结构；第一卷积神经网络的损失函数包括第二卷积神经网络经过训练后得到的损失参数，第二卷积神经网络由多个已知关键点特征的样本图像训练得到。
本申请还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。其中，计算机可读存储介质可以包括但不限于任何类型的盘，包括软盘、光盘、DVD、CD-ROM、微型驱动器以及磁光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪速存储器设备、磁卡或光卡、纳米系统（包括分子存储器IC），或适合于存储指令和/或数据的任何类型的媒介或设备。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本申请各个实施例方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器（Read-Only Memory， ROM）、随机存取存储器（RandomAccess Memory，RAM）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通进程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器（Read-Only Memory， ROM）、随机存取器（Random AccessMemory，RAM）、磁盘或光盘等。
以上者，仅为本公开的示例性实施例，不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰，皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践这里的公开后，将容易想到本公开的其实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的范围和精神由权利要求限定。
Claims (10)
1.一种基于卷积神经网络的电芯热失控检测方法，其特征在于，包括：
按照预设的时间间隔获取包含至少两个电芯的侧视图像，并将每个所述侧视图像输入至训练好的第一卷积神经网络，得到每个所述侧视图像的关键点特征；其中，所述第一卷积神经网络由多个已知关键点特征的样本图像以及第二卷积神经网络训练得到；
基于所有所述侧视图像的关键点特征判断任意一个所述电芯的防爆阀是否发生偏移，并当检测到任意一个所述电芯的防爆阀发生偏移时，对设置在每个所述电芯上的低熔点电阻所在回路输入呈周期性变化的第一脉冲信号；
当检测到所述回路输出的第二脉冲信号与所述第一脉冲信号不一致时，基于所有所述低熔点电阻两端的电压信号确定出热失控电芯。
2.根据权利要求1所述的方法，其特征在于，所述侧视图像的关键点特征包括关键点的置信度特征；
在所述将每个所述侧视图像输入至训练好的第一卷积神经网络，得到每个所述侧视图像的关键点特征之后，所述基于所有所述侧视图像的关键点特征判断任意一个所述电芯的防爆阀是否发生偏移之前，还包括：
将每个所述侧视图像的所有关键点中对应的所述置信度特征低于预设置信度阈值的关键点进行删除处理；
所述基于所有所述侧视图像的关键点特征判断任意一个所述电芯的防爆阀是否发生偏移，包括：
基于经过删除处理后的所有所述侧视图像的关键点特征判断任意一个所述电芯的防爆阀是否发生偏移。
3.根据权利要求1所述的方法，其特征在于，所述侧视图像的关键点特征还包括关键点的偏移量特征；
所述基于所有所述侧视图像的关键点特征判断任意一个所述电芯的防爆阀是否发生偏移，包括：
基于每个所述侧视图像中所有关键点的偏移量特征，确定出每个所述侧视图像中的顶点关键点；其中，所述顶点关键点与相邻的两个所述关键点不处于同一直线；
将所有所述侧视图像中任意两个处于相邻时间间隔的所述侧视图像作为一组，并判断每组中两个所述侧视图像所分别对应的所述顶点关键点的偏移量特征是否一致；
当检测到任意一组中存在不一致的所述顶点关键点的偏移量特征时，确定任意一个所述电芯的防爆阀发生偏移；
当检测到任意一组中均存在完全一致的所述顶点关键点的偏移量特征时，确定任意一个所述电芯的防爆阀未发生偏移。
4.根据权利要求3所述的方法，其特征在于，所述当检测到任意一组中存在不一致的所述顶点关键点的偏移量特征时，确定任意一个所述电芯的防爆阀发生偏移，包括：
当检测到任意一组中存在不一致的所述顶点关键点的偏移量特征时，计算出每个所述侧视图像中不一致的所述顶点关键点与相邻的两个所述顶点关键点之间的斜率；
当两个所述侧视图像中所包含的不同斜率个数一致时，确定任意一个所述电芯的防爆阀发生偏移。
5.根据权利要求1所述的方法，其特征在于，在所述检测到任意一个所述电芯的防爆阀发生偏移之后，所述对设置在每个所述电芯上的低熔点电阻所在回路输入呈周期性变化的第一脉冲信号之前，还包括：
基于设置在至少两个所述电芯上方的温度传感器获取与所述预设的时间间隔对应的温度信号；
所述对设置在每个所述电芯上的低熔点电阻所在回路输入呈周期性变化的第一脉冲信号，包括：
根据所述温度信号以及所述预设的时间间隔计算出温度变化量，并当检测到所述温度变化量超过预设温度阈值时，对设置在每个所述电芯上的低熔点电阻所在回路输入呈周期性变化的第一脉冲信号。
6.根据权利要求1所述的方法，其特征在于，所述基于所有所述低熔点电阻两端的电压信号确定出热失控电芯，包括：
当检测到任意一个所述低熔点电阻两端的电压信号大于预设第一电压阈值，以及其他所有所述低熔点电阻两端的电压信号均小于预设第二电压阈值时，将与大于所述预设第一电压阈值的所述低熔点电阻所对应的所述电芯作为热失控电芯；
发送与大于所述预设第一电压阈值的所述低熔点电阻所对应的编号至移动终端。
7.根据权利要求1所述的方法，其特征在于，所述第一卷积神经网络包括一个沙漏结构，所述第二卷积神经网络包括四个所述沙漏结构；所述第一卷积神经网络的损失函数包括所述第二卷积神经网络经过训练后得到的损失参数，所述第二卷积神经网络由多个已知关键点特征的所述样本图像训练得到。
8.一种基于卷积神经网络的电芯热失控检测装置，其特征在于，包括：
特征提取模块，用于按照预设的时间间隔获取包含至少两个电芯的侧视图像，并将每个所述侧视图像输入至训练好的第一卷积神经网络，得到每个所述侧视图像的关键点特征；其中，所述第一卷积神经网络由多个已知关键点特征的样本图像以及第二卷积神经网络训练得到；
信号检测模块，用于基于所有所述侧视图像的关键点特征判断任意一个所述电芯的防爆阀是否发生偏移，并当检测到任意一个所述电芯的防爆阀发生偏移时，对设置在每个所述电芯上的低熔点电阻所在回路输入呈周期性变化的第一脉冲信号；
故障确定模块，用于当检测到所述回路输出的第二脉冲信号与所述第一脉冲信号不一致时，基于所有所述低熔点电阻两端的电压信号确定出热失控电芯。
9.一种基于卷积神经网络的电芯热失控检测装置，其特征在于，包括处理器以及存储器；
所述处理器与所述存储器连接；
所述存储器，用于存储可执行程序代码；
所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于执行如权利要求1-7任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机可读存储介质中存储有指令，当所述指令在计算机或处理器上运行时，使得所述计算机或处理器执行如权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310278008.3A CN116342520A (zh) | 2023-03-21 | 2023-03-21 | 一种基于卷积神经网络的电芯热失控检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310278008.3A CN116342520A (zh) | 2023-03-21 | 2023-03-21 | 一种基于卷积神经网络的电芯热失控检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116342520A true CN116342520A (zh) | 2023-06-27 |
Family
ID=86875736
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310278008.3A Pending CN116342520A (zh) | 2023-03-21 | 2023-03-21 | 一种基于卷积神经网络的电芯热失控检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116342520A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117237349A (zh) * | 2023-11-14 | 2023-12-15 | 珠海市嘉德电能科技有限公司 | 电池管理系统的热失控防护方法、装置、设备及存储介质 |
-
2023
- 2023-03-21 CN CN202310278008.3A patent/CN116342520A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117237349A (zh) * | 2023-11-14 | 2023-12-15 | 珠海市嘉德电能科技有限公司 | 电池管理系统的热失控防护方法、装置、设备及存储介质 |
| CN117237349B (zh) * | 2023-11-14 | 2024-03-05 | 珠海市嘉德电能科技有限公司 | 电池管理系统的热失控防护方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8341449B2 (en) | Battery management system and method for transferring data within the battery management system | |
| KR102441335B1 (ko) | 배터리의 soc 추정 장치 및 방법 | |
| CN116342520A (zh) | 一种基于卷积神经网络的电芯热失控检测方法及装置 | |
| US7787969B2 (en) | Virtual sensor system and method | |
| US8898002B2 (en) | Geographical location aggregation from multiple sources | |
| US20150073697A1 (en) | Geographical location aggregation from multiple sources | |
| CN102395200B (zh) | 无线传感器网络中节点定位方法及装置 | |
| CN114216938B (zh) | 一种气体浓度检测补偿方法及装置 | |
| CN112444186A (zh) | 电池鼓包检测方法、装置及电池 | |
| US9618395B2 (en) | Temperature detecting circuit | |
| CN115315698A (zh) | 检测异常充电事件的系统和方法 | |
| CN109947819B (zh) | 疑似作弊区域的挖掘方法、装置、计算机设备和存储介质 | |
| US11132851B2 (en) | Diagnosis device and diagnosis method | |
| CN103885697A (zh) | 页面操作系统及方法 | |
| CN110909668B (zh) | 目标检测方法、装置、计算机可读存储介质和电子设备 | |
| CN111679133A (zh) | 闪电定位方法、装置、计算机设备及存储介质 | |
| CN113119890B (zh) | 车辆异常的预测方法、装置和电子设备 | |
| CN116151037B (zh) | 电池包储运空间温度预测模型构建及危险源定位方法 | |
| CN117805663B (zh) | 基于运行状态的电池测试方法、装置、设备和介质 | |
| CN116886261B (zh) | 基于物联网终端设备的零信任评估方法、装置及设备 | |
| CN116013018B (zh) | 一种基于无人机探测的森林防火预警分析方法及系统 | |
| CN111596288B (zh) | 测量速度的方法、装置、车载终端和车载测速系统 | |
| CN115484072A (zh) | 电网系统防御方法、装置、计算机设备、介质和程序产品 | |
| CN117471338A (zh) | 一种电芯一致性筛查方法及装置 | |
| CN117112337A (zh) | 存储芯片品质检测方法、装置、电子设备和介质 |
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 |