CN116630320A - 电池极片的检测方法、装置、电子设备及存储介质 - Google Patents

电池极片的检测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN116630320A
CN116630320A CN202310905937.2A CN202310905937A CN116630320A CN 116630320 A CN116630320 A CN 116630320A CN 202310905937 A CN202310905937 A CN 202310905937A CN 116630320 A CN116630320 A CN 116630320A
Authority
CN
China
Prior art keywords
entropy
fuzzy
pole piece
battery pole
matrix
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
CN202310905937.2A
Other languages
English (en)
Inventor
马超
高丹
张绍丽
郗海琴
翁美琪
陈俊敏
方飞龙
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.)
Tianjin Lishen Battery JSCL
Lishen Qingdao New Energy Co Ltd
Original Assignee
Tianjin Lishen Battery JSCL
Lishen Qingdao New Energy 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 Tianjin Lishen Battery JSCL, Lishen Qingdao New Energy Co Ltd filed Critical Tianjin Lishen Battery JSCL
Priority to CN202310905937.2A priority Critical patent/CN116630320A/zh
Publication of CN116630320A publication Critical patent/CN116630320A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • 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)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供一种电池极片的检测方法、装置、电子设备及存储介质。所述方法包括：获取电池极片的表面图像，并确定所述表面图像的目标隶属度矩阵；对所述目标隶属度矩阵进行运算处理，得到所述目标隶属度矩阵的动态熵；根据所述动态熵与预定的正常范围进行比较，确定所述电池极片的表面是否存在缺陷，得到所述电池极片的表面状态检测结果。

Description

电池极片的检测方法、装置、电子设备及存储介质
技术领域
本公开涉及电池技术领域，尤其涉及一种电池极片的检测方法、装置、电子设备及存储介质。
背景技术
随着电池的应用越来越广泛，对电池极片的检测也十分必要。然而，当前对电池极片进行检测主要通过对电池极片的图像进行处理后，检测人员对处理后的图像进行观察判断是否存在缺陷。这样，会存在判断不准确且效率低的问题。
有鉴于此，在对电池极片进行检测时，如何提高检测的准确性和检测效率成为亟待解决的问题。
发明内容
有鉴于此，本公开的目的在于提出一种电池极片的检测方法、装置、电子设备及存储介质用以解决或部分解决上述技术问题。
基于上述目的，本公开的第一方面提出了一种电池极片的检测方法，包括：
获取电池极片的表面图像，并确定所述表面图像的目标隶属度矩阵；
对所述目标隶属度矩阵进行运算处理，得到所述目标隶属度矩阵的动态熵；
根据所述动态熵与预定的正常范围进行比较，确定所述电池极片的表面是否存在缺陷，得到所述电池极片的表面状态检测结果。
基于同一个发明构思，本公开的第二方面提出了一种电池极片的检测装置，包括：
图像获取模块，被配置为获取电池极片的表面图像，并确定所述表面图像的目标隶属度矩阵；
运算处理模块，被配置为对所述目标隶属度矩阵进行运算处理，得到所述目标隶属度矩阵的动态熵；
检测模块，被配置为根据所述动态熵与预定的正常范围进行比较，确定所述电池极片的表面是否存在缺陷，得到所述电池极片的表面状态检测结果。
基于同一发明构思，本公开的第三方面提出了一种电子设备，包括存储器、处理器及存储在所述存储器上并可由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如上所述的方法。
基于同一发明构思，本公开的第四方面提出了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行如上所述的方法。
从上面所述可以看出，本公开提供的电池极片的检测方法、装置、电子设备及存储介质，获取电池极片的表面图像，并确定所述表面图像的目标隶属度矩阵，目标隶属度矩阵表示表面图像中像素数据点属于对应像素群集的程度，可以确定表面图像中像素数据点对像素集群的隶属程度。对所述目标隶属度矩阵进行运算处理，得到所述目标隶属度矩阵的动态熵，通过确定动态熵可以确定表面图像的不规则程度，并且由于目标隶属度矩阵表示隶属程度，基于目标隶属度矩阵确定的动态熵更加准确。根据所述动态熵与预定的正常范围进行比较，确定所述电池极片的表面是否存在缺陷，得到所述电池极片的表面状态检测结果，动态熵对表面图像的不规则性非常敏感，从而基于动态熵可以对电池极片的表面是否存在缺陷进行准确判断。另外，通过对动态熵进行判断，无需检测人员对极片的表面图像进行观察，可以提升检测效率，并且可以同时对大量电池极片表面图像的动态熵进行确定并基于动态熵对电池极片的表面状态进行检测，实现量化处理，进一步提升检测效率。
附图说明
为了更清楚地说明本公开或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要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公开的实施例，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为本公开实施例的电池极片的检测方法的流程图；
图2A-1为本公开实施例的第一电池极片在水平方向上动态熵与迭代次数关系的示意图；
图2A-2为本公开实施例的第一电池极片在竖直方向上动态熵与迭代次数关系的示意图；
图2B为本公开实施例的第一电池极片表面图像的示意图；
图2C-1为本公开实施例的第二电池极片在水平方向上动态熵与迭代次数关系的示意图；
图2C-2为本公开实施例的第二电池极片在竖直方向上动态熵与迭代次数关系的示意图；
图2D为本公开实施例的第二电池极片表面图像的示意图；
图2E-1为本公开实施例的第三电池极片在水平方向上动态熵与迭代次数关系的示意图；
图2E-2为本公开实施例的第二电池极片在竖直方向上动态熵与迭代次数关系的示意图；
图2F为本公开实施例的第三电池极片表面图像的示意图；
图3为本公开实施例的电池极片的检测装置的结构示意图；
图4为本公开实施例的电子设备的结构示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
需要说明的是，除非另外定义，本公开实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
如上所述，在对电池极片进行检测时，如何提高检测的准确性和检测效率，成为了一个重要的研究问题。
基于上述描述，如图1所示，本实施例提出的电池极片的检测方法，包括：
步骤101，获取电池极片的表面图像，并确定所述表面图像的目标隶属度矩阵。
具体实施时，获取电池极片的表面图像。其中，所述表面图像为彩色表面图像，对所述彩色表面图像进行图像转换处理得到灰度表面图像。
提取灰度表面图像中的图像信息，所述图像信息包括至少一个像素区间。例如，对得到灰度表面图像进行划分处理得到至少一个像素区间，所述像素区间包括像素数据点和像素群集。对所述图像信息进行运算处理得到像素数据点对像素群集的隶属度，根据确定的隶属度对当前隶属度矩阵进行迭代处理，得到更新后的目标隶属度矩阵。这样，使得更新后的目标隶属度矩阵更加准确。
步骤102，对所述目标隶属度矩阵进行运算处理，得到所述目标隶属度矩阵的动态熵。
具体实施时，目标隶属度矩阵表示表面图像中像素数据点属于对应像素群集的程度。动态熵表示表面图像中像素数据点的不规则程度。
动态熵即Kolmogorov-Sinai熵，简称K-S熵。动态熵是定义在动力学过程而不是系统状态上，其对应的相空间是动力学轨迹。
对目标隶属度矩阵进行运算处理得到目标隶属度矩阵的动态熵的过程为：对目标隶属度矩阵进行运算处理得到两个相邻时刻的模糊熵，基于两个相邻时刻的模糊熵确定熵差，并对熵差的收敛状态进行判断，当熵差的收敛状态满足预设的收敛条件时，对所述熵差进行极限运算处理得到动态熵。
步骤103，根据所述动态熵与预定的正常范围进行比较，确定所述电池极片的表面是否存在缺陷，得到所述电池极片的表面状态检测结果。
具体实施时，动态熵表示表面图像中像素数据点的不规则程度。通过将动态熵与预定的正常范围进行比较，可以确定电池极片的表面是否存在缺陷，并且确定电池极片表面的缺陷程度。
另外，电池极片表面还会进行极片涂布，对涂布后的电池极片采集表面图像并对表面图像的动态熵进行判断，可以实现对电池极片涂布是否存在缺陷进行检测。
极片涂布一般是指将搅拌均匀的浆料均匀地涂覆在电池极片的集流体上，并将浆料中的有机溶剂进行烘干的一种工艺。涂布的效果对电池容量、内阻、循环寿命以及安全性有重要影响。对于电池的极片进行缺陷检测，判断是否存在涂布缺陷，便于后续对缺陷区域进行相应处理。因此，电池极片的缺陷检测存在重要意义。
通过上述实施例，获取电池极片的表面图像，并确定所述表面图像的目标隶属度矩阵，目标隶属度矩阵表示表面图像中像素数据点属于对应像素群集的程度，可以确定表面图像中像素数据点对像素集群的隶属程度。对所述目标隶属度矩阵进行运算处理，得到所述目标隶属度矩阵的动态熵，通过确定动态熵可以确定表面图像的不规则程度，并且由于目标隶属度矩阵表示隶属程度，基于目标隶属度矩阵确定的动态熵更加准确。根据所述动态熵与预定的正常范围进行比较，确定所述电池极片的表面是否存在缺陷，得到所述电池极片的表面状态检测结果，动态熵对表面图像的不规则性非常敏感，从而基于动态熵可以对电池极片的表面是否存在缺陷进行准确判断。另外，通过对动态熵进行判断，无需检测人员对极片的表面图像进行观察，可以提升检测效率，并且可以同时对大量电池极片表面图像的动态熵进行确定并基于动态熵对电池极片的表面状态进行检测，实现量化处理，进一步提升检测效率。
在一些实施例中，步骤101包括：
步骤1011，对所述表面图像进行划分处理，得到至少一个像素区间；所述像素区间包括像素数据点和像素群集。
步骤1012，通过对所述至少一个像素区间进行模糊均值聚类处理，得到模糊目标函数。
步骤1013，基于所述模糊目标函数，根据当前中心化矩阵确定所述像素数据点对所述像素群集的隶属度，基于所述隶属度对当前隶属度矩阵进行迭代处理，得到更新后的所述目标隶属度矩阵。
其中，所述当前中心化矩阵是预先基于所述像素群集的中心点确定的矩阵。
具体实施时，电池极片的表面图像中的不规则程度，可以通过模糊均值聚类处理对表面图像空间的任意分区进行数学建模来确定。
模糊均值聚类处理即模糊C-均值聚类算法（Fuzzy C-Means Algorithm，简称FCMA或者FCM）。模糊C-均值聚类算法是一种基于模糊逻辑的聚类方法，旨在将像素数据点分配到预先定义的像素群集中，以实现像素数据点之间的相似性最大化和不同像素群集之间的差异最大化。FCM方法也考虑了像素数据点与像素群集之间的关系的模糊性，每个像素数据点被赋予一个隶属度表示其属于每个像素群集的程度。
通过对所述至少一个像素区间进行模糊均值聚类处理，得到模糊目标函数。通过FCM算法将N个像素的表面图像划分为多个不精确的簇，设为模糊分区空间，X为实数g维向量空间/>的子集：/>，其中。FCM算法是基于模糊目标函数的最小化，
，
其中，为模糊目标函数，U为当前隶属度矩阵，/>，v为当前中心点矩阵，/>，/>为隶属度函数，q为模糊加权指数，表示隶属度的模糊程度，/>，q一般为2，/>是在Rg上的内积赋范度量。
模糊目标函数的约束条件为：
，
其中，为隶属度函数，/>。
函数包含两个部分：一部分是每个像素数据点与其所属像素群集中心的距离平方和，另一部分是所有像素数据点的隶属度平方和。根据模糊目标函数，FCM方法通过迭代优化的方法对当前隶属度矩阵U和当前中心点矩阵v进行更新，直到达到收敛条件，得到目标隶属度矩阵和目标中心点矩阵。
对当前隶属度矩阵进行迭代处理，得到更新后的目标隶属度矩阵，
，
其中，为目标隶属度矩阵，/>是在Rg上的内积赋范度量，q为模糊加权指数，表示隶属度的模糊程度，/>，q一般为2。
除此之外，对当前中心化矩阵进行更新得到更新后的目标中心化矩阵。更新得到目标中心化矩阵的过程为：基于所述模糊目标函数，根据当前隶属度矩阵确定所述像素集群的中心点，基于所述中心点对当前中心点矩阵进行迭代处理，得到更新后的所述目标中心化矩阵，
，
其中，为目标中心点矩阵，/>为当前隶属度矩阵，q为模糊加权指数，表示隶属度的模糊程度，/>，q一般为2。
通过上述方案，目标隶属度矩阵表示表面图像中像素数据点属于对应像素群集的程度，可以确定表面图像中像素数据点对像素集群的隶属程度。通过对当前隶属度矩阵进行迭代处理得到的目标隶属度矩阵更加准确，从而使得确定的动态熵更加准确，以便准确判断电池极片表面是否存在缺陷。
在时间序列的分析中，动态熵表示由混沌轨迹的时间演化所诱导的新创建信息的平均时间速率的数字，也被称为测度理论熵或度量熵，动态熵具有三个重要的性质：序列概率，熵率和极限。为了描述动态系统的状态空间特性，考虑用一个盒子表示二维状态空间区域，该盒子被分成更小的盒子或单元，其每一边长度为。随着系统随时间演化，动态系统的轨迹将在状态空间区域覆盖的多个单元上传播。
序列概率用来度量动态系统中路径或轨迹在m个时间单位长度之后的观测序列或结果相关的不确定性，序列概率表示为：
，
其中，表示在时间m下的序列概率，pi表示在m个单位时间后轨迹在第i个单元内的概率，/>表示动态系统在时间m中所观察的所有相空间轨迹的数目，k为常数，为了简化数学表达，k一般取1，当pi=0时pilog(pi)=0。
熵率是动态系统随时间变化时熵的变化率，熵率表示为：
，
其中，表示从时间/>到时间/>产生的熵变化率。当时间步数/>接近无穷大以覆盖整个相空间轨迹时，（“时间步骤”等于“迭代步骤”，这意味着过程随时间而迭代）平均K-S熵表示为：
，
其中，为平均K-S熵，/>表示在时间/>下的序列概率，/>表示在初始时刻的序列概率。
K-S熵的极限属性需要2个极限：一个极限令时间区间趋向于0，即；另一个极限令单元尺寸趋向于0，即/>。
K-S熵可以被定义为：在时间趋近于无穷大的极限下，在单位大小和单位时间间隔趋近于零的极限下熵的平均值。K-S熵表示为：
，
其中，为K-S熵。
对于离散系统或当HKS应用于迭代时，的值设为1，迭代后的目标K-S熵表示为：
，
其中，为目标K-S熵。
在一些实施例中，步骤102包括：
步骤1021，对所述目标隶属度矩阵进行香农运算处理，得到模糊轨迹在所述目标隶属度矩阵的香农函数；其中，所述模糊轨迹为相空间中表示模糊状态的轨迹。
具体实施时，香农公式是指在被高斯白噪声干扰的信道中，计算最大信息传送速率的公式，表示为，其中，C为最大信息传送速率，B为信道带宽，S为信道内所传信号的平均功率，N为信道内部的高斯噪声功率。
在一些实施例中，步骤1021包括：
步骤1021A，基于所述目标隶属度矩阵确定模糊轨迹在所述目标隶属度矩阵中的模糊隶属度。
步骤1021B，对所述模糊隶属度进行香农运算处理，得到所述模糊轨迹在所述目标隶属度矩阵的香农函数，
。
具体实施时，模糊集用来描述无法确定是否属于给定集合的集合类，即无法被明确界定的元素的集合。用X={x}表示像素数据点的集合，X中模糊集A定义为有序对的集合。
模糊集的隶属度函数用来定义模糊集的隶属度规则。为模糊集A的模糊隶属度函数，该模糊隶属度函数将X中的每个元素约束为区间/>的某个值。
模糊隶属度表示元素属于模糊集的程度，模糊隶属度为区间中的某个值，越靠近1表示隶属度越大。
模糊集A的香农熵记为D(A)，用来衡量模糊程度。基于香农熵的概念，离散型模糊集A的香农熵可定义为：
，
其中，k取常数1，得到所述模糊轨迹在所述目标隶属度矩阵的香农函数Fi，
，
其中，为模糊轨迹在目标隶属度矩阵的香农函数，/>为模糊轨迹在目标隶属度矩阵中的模糊隶属度。
通过上述方案，基于模糊隶属度，得到模糊轨迹在目标隶属度矩阵的香农函数，使得确定的香农函数更加准确，以便基于香农函数确定模糊熵。
步骤1022，对所述香农函数进行求和处理，得到模糊熵；其中，所述模糊熵包括第一时刻模糊熵和第二时刻模糊熵，所述第二时刻为所述第一时刻的下一时刻。
具体实施时，模糊熵表示模糊不确定性的度量，基于相空间中对应单位时间的所有模糊轨迹的数量，确定对应单位时间的模糊熵。
在一些实施例中，步骤1022包括：
步骤1022A，基于相空间中第一时刻m所有模糊轨迹的数量，对所述香农函数进行求和处理确定模糊系统的第一时刻模糊熵/>，
，
其中，为目标单元i的目标香农函数，k为常数。
步骤1022B，基于相空间中第二时刻m+1所有模糊轨迹的数量，对所述香农函数进行求和处理确定模糊系统的第二时刻模糊熵/>，
。
通过上述方案，通过确定两个相邻时刻的模糊熵，以便基于两个相邻时刻的模糊熵确定熵差，从而基于熵差计算动态熵，从而提高动态熵的准确性，使得对电池极片的表面状态判断更加准确。
步骤1023，基于所述第一时刻模糊熵和所述第二时刻模糊熵确定熵差，并确定所述熵差的收敛状态。
在一些实施例中，步骤1023包括：
步骤1023A，对所述第二时刻模糊熵和所述第一时刻模糊熵/>进行差值运算，得到熵差/>，
。
具体实施时，在设定模糊集时，K-S熵中的序列概率和香农熵分别被序列模糊隶属度和模糊熵所取代。在K-S熵的计算中引入模糊熵的动机是对非线性动力学系统的特征进行建模，该系统受不准确性影响，而不受事件发生几率的影响，概率和模糊性是相关的。
基于熵率的表达式，得到模糊集香农熵：
，
基于目标K-S熵的表达式，得到模糊集K-S熵：
，
对所述第二时刻模糊熵和所述第一时刻模糊熵/>进行差值运算，得到熵差/>，
，
其中，为第二时刻模糊熵，/>为第一时刻模糊熵。
通过上述方案，通过确定第一时刻模糊熵和第二时刻模糊熵的熵差，当熵差满足收敛条件时确定动态熵，从而使得确定的动态熵更加准确，使得对电池极片状态判断更加准确。
步骤1024，响应于确定所述收敛状态满足预设的收敛条件，对所述熵差进行极限运算处理得到目标隶属度矩阵的动态熵。
在一些实施例中，步骤1024包括：
步骤1024A，响应于确定所述收敛状态满足预设的收敛条件，基于所述熵差确定所述目标隶属度矩阵的单元尺寸趋近于零、所述第一时刻的单位时间趋近于无穷对应的动态熵，
，
其中，为熵差，/>为单元尺寸，m为单位时间。
具体实施时，熵率和熵差随时间均收敛于相同的渐近值，但是根据熵差与时间的关系图可知，熵差收敛得更快。因此，通过判断熵差的收敛状态，使得确定的动态熵更加准确，因为熵差可以减轻大数据集的需求，从而节省计算量。基于所述熵差确定所述目标隶属度矩阵的单元尺寸趋近于零、所述第一时刻的单位时间趋近于无穷对应的动态熵，
，
其中，为熵差，/>为单元尺寸，m为迭代次数。
通过上述方案，通过判断熵差的收敛状态，使得确定的动态熵更加准确，并且节省运算量，从而使得对电池极片状态判断更加准确。
在一些实施例中，步骤103包括：
步骤1031，对所述动态熵与预定的正常范围进行比较，确定所述电池极片的表面是否存在缺陷。
步骤1032，响应于确定所述动态熵小于等于所述正常范围，所述电池极片的表面状态检测结果为状态正常。
步骤1033，响应于确定所述动态熵大于所述正常范围，所述电池极片的表面状态检测结果为状态异常。
具体实施时，动态熵表示表面图像中像素数据点的不规则程度。通过将动态熵与预定的正常范围进行比较，可以确定电池极片的表面是否存在缺陷。动态熵越大表示电池极片表面越不规则（即缺陷越大）。
由于动态熵越大电池极片表面缺陷越大。因此，还可以预先设定不同的范围，用于判断电池极片表面的缺陷程度，从而对状态异常电池极片进一步进行判断划分。
例如，预先设定动态熵的正常范围为0至10，电池极片表面为轻微缺陷对应的动态熵范围为10至20，电池极片表面为严重缺陷对应的动态熵范围为20以上。当确定的动态熵为0.56，电池极片的表面状态检测结果为状态正常；当确定的动态熵为11.23，电池极片的表面状态检测结果为状态异常中的轻微缺陷状态；当确定的动态熵为25.19，电池极片的表面状态检测结果为状态异常中的严重缺陷状态。
通过上述方案，通过对动态熵进行判断，无需检测人员对极片的表面图像进行观察，可以提升检测效率，并且可以同时对大量电池极片表面图像的动态熵进行确定并基于动态熵对电池极片的表面状态进行检测，实现量化处理，进一步提升检测效率。另外，通过预先设定不用的范围，还可以判断电池极片表面的缺陷程度，实现精准检测。
图2A-1为第一电池极片在水平方向上动态熵与迭代次数关系的示意图，可见，第一电池极片在水平方向上最终迭代的动态熵为0.6673。图2A-2为第一电池极片在竖直方向上动态熵与迭代次数关系的示意图，可见，第一电池极片在竖直方向上最终迭代的动态熵为1.3342。综上，第一电池极片在水平方向和竖直方向上最终迭代的动态熵均较小，因此，第一电池极片的表面状态检测结果为状态良好。如图2B所示，图2B为本公开实施例的第一电池极片表面图像的示意图，可见，第一电池极片的表面状态良好。对于第一电池极片，图2B观测到的检测结果与图2A-1及图2A-2中通过动态熵确定的检测结果一致。
图2C-1为第二电池极片在水平方向上动态熵与迭代次数关系的示意图，可见，第二电池极片在水平方向上最终迭代的动态熵为23.7821。图2C-2为第二电池极片在竖直方向上动态熵与迭代次数关系的示意图，可见，第二电池极片在竖直方向上最终迭代的动态熵为11.2841。综上，第二电池极片在水平方向和竖直方向上最终迭代的动态熵均较大，因此，第二电池极片的表面状态检测结果为状态异常，并且第二电池极片的水平方向比竖直方向异常程度更大。如图2D所示，图2D为本公开实施例的第二电池极片表面图像的示意图，可见，第二电池极片的表面状态为表面存在颗粒点。对于第二电池极片，图2D观测到的检测结果与图2C-1及图2C-2中通过动态熵确定的检测结果一致。
图2E-1为第三电池极片在水平方向上动态熵与迭代次数关系的示意图，可见，第三电池极片在水平方向上最终迭代的动态熵为2.9600。图2E-2为第三电池极片在竖直方向上动态熵与迭代次数关系的示意图，可见，第三电池极片在竖直方向上最终迭代的动态熵为43.2462。综上，第三电池极片在水平方向和竖直方向上最终迭代的动态熵均较大，因此，第三电池极片的表面状态检测结果为状态异常，并且第三电池极片的竖直方向比水平方向异常程度更大。如图2F所示，图2F为本公开实施例的第三电池极片表面图像的示意图，可见，第三电池极片的表面状态为表面漏箔。对于第三电池极片，图2F观测到的检测结果与图2E-1及图2E-2中通过动态熵确定的检测结果一致。
基于上述对于第一电池极片、第二电池极片和第三电池极片的通过动态熵确定的检测结果与观测到的检测结果进行比对，可见，上述实施例中通过确定的动态熵检测电池极片表面是否存在缺陷，得到的表面状态检测结果误差较小，从而可以提高表面状态检测结果的准确性。
通过上述实施例，获取电池极片的表面图像，并确定所述表面图像的目标隶属度矩阵，目标隶属度矩阵表示表面图像中像素数据点属于对应像素群集的程度，可以确定表面图像中像素数据点对像素集群的隶属程度。对所述目标隶属度矩阵进行运算处理，得到所述目标隶属度矩阵的动态熵，通过确定动态熵可以确定表面图像的不规则程度，并且由于目标隶属度矩阵表示隶属程度，基于目标隶属度矩阵确定的动态熵更加准确。根据所述动态熵与预定的正常范围进行比较，确定所述电池极片的表面是否存在缺陷，得到所述电池极片的表面状态检测结果，动态熵对表面图像的不规则性非常敏感，从而基于动态熵可以对电池极片的表面是否存在缺陷进行准确判断。另外，通过对动态熵进行判断，无需检测人员对极片的表面图像进行观察，可以提升检测效率，并且可以同时对大量电池极片表面图像的动态熵进行确定并基于动态熵对电池极片的表面状态进行检测，实现量化处理，进一步提升检测效率。
需要说明的是，本公开实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本公开实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是，上述对本公开的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种电池极片的检测装置。
参考图3，所述电池极片的检测装置，包括：
图像获取模块301，被配置为获取电池极片的表面图像，并确定所述表面图像的目标隶属度矩阵；
运算处理模块302，被配置为对所述目标隶属度矩阵进行运算处理，得到所述目标隶属度矩阵的动态熵；
检测模块303，被配置为根据所述动态熵与预定的正常范围进行比较，确定所述电池极片的表面是否存在缺陷，得到所述电池极片的表面状态检测结果。
在一些实施例中，所述图像获取模块301包括：
划分处理单元，被配置为对所述表面图像进行划分处理，得到至少一个像素区间；所述像素区间包括像素数据点和像素群集；
聚类处理单元，被配置为通过对所述至少一个像素区间进行模糊均值聚类处理，得到模糊目标函数；
迭代处理单元，被配置为基于所述模糊目标函数，根据当前中心化矩阵确定所述像素数据点对所述像素群集的隶属度，基于所述隶属度对当前隶属度矩阵进行迭代处理，得到更新后的所述目标隶属度矩阵；
其中，所述当前中心化矩阵是预先基于所述像素群集的中心点确定的矩阵。
在一些实施例中，所述运算处理模块302包括：
香农运算处理单元，被配置为对所述目标隶属度矩阵进行香农运算处理，得到模糊轨迹在所述目标隶属度矩阵的香农函数；其中，所述模糊轨迹为相空间中表示模糊状态的轨迹；
求和处理单元，被配置为对所述香农函数进行求和处理，得到模糊熵；其中，所述模糊熵包括第一时刻模糊熵和第二时刻模糊熵，所述第二时刻为所述第一时刻的下一时刻；
熵差确定单元，被配置为基于所述第一时刻模糊熵和所述第二时刻模糊熵确定熵差，并确定所述熵差的收敛状态；
极限运算处理单元，被配置为响应于确定所述收敛状态满足预设的收敛条件，对所述熵差进行极限运算处理得到目标隶属度矩阵的动态熵。
在一些实施例中，所述香农运算处理单元包括：
模糊隶属度确定子单元，被配置为基于所述目标隶属度矩阵确定模糊轨迹在所述目标隶属度矩阵中的模糊隶属度；
香农运算处理子单元，被配置为对所述模糊隶属度进行香农运算处理，得到所述模糊轨迹在所述目标隶属度矩阵的香农函数，
。
在一些实施例中，所述求和处理单元包括：
第一求和处理子单元，被配置为基于相空间中第一时刻m所有模糊轨迹的数量，对所述香农函数进行求和处理确定模糊系统的第一时刻模糊熵/>，/>
，
其中，为目标单元/>的目标香农函数，k为常数；
第二求和处理子单元，被配置为基于相空间中第二时刻m+1所有模糊轨迹的数量，对所述香农函数进行求和处理确定模糊系统的第二时刻模糊熵/>，
。
在一些实施例中，所述熵差确定单元包括：
熵差确定子单元，被配置为对所述第二时刻模糊熵和所述第一时刻模糊熵进行差值运算，得到熵差/>，
。
在一些实施例中，所述极限运算处理单元包括：
极限运算处理子单元，被配置为响应于确定所述收敛状态满足预设的收敛条件，基于所述熵差确定所述目标隶属度矩阵的单元尺寸趋近于零、所述第一时刻的单位时间趋近于无穷对应的动态熵，
，
其中，为熵差，/>为单元尺寸，m为迭代次数。
在一些实施例中，所述检测模块303包括：
比较单元，被配置为对所述动态熵与预定的正常范围进行比较，确定所述电池极片的表面是否存在缺陷；
状态正常确定单元，被配置为响应于确定所述动态熵小于等于所述正常范围，所述电池极片的表面状态检测结果为状态正常；
状态异常确定单元，被配置为响应于确定所述动态熵大于所述正常范围，所述电池极片的表面状态检测结果为状态异常。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本公开时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述任一实施例中相应的电池极片的检测方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上任意一实施例所述的电池极片的检测方法。
图4示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图， 该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线 1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU（Central Processing Unit，中央处理器）、微处理器、应用专用集成电路（Application Specific Integrated Circuit，ASIC）、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM（Read Only Memory，只读存储器）、RAM（Random AccessMemory，随机存取存储器）、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中（图中未示出），也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块（图中未示出），以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式（例如USB（Universal Serial Bus，通用串行总线）、网线等）实现通信，也可以通过无线方式 （例如移动网络、WIFI（Wireless Fidelity，无线网络通信技术）、蓝牙等）实现通信。
总线1050包括一通路，在设备的各个组件（例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040）之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述任一实施例中相应的电池极片的检测方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的电池极片的检测方法。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存（PRAM）、静态随机存取存储器（SRAM）、动态随机存取存储器（DRAM）、其他类型的随机存取存储器（RAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、快闪记忆体或其他内存技术、只读光盘只读存储器（CD-ROM）、数字多功能光盘（DVD）或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的电池极片的检测方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围（包括权利要求）被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本公开实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本公开实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路（IC）芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本公开实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本公开实施例的平台的（即，这些细节应当完全处于本领域技术人员的理解范围内）。在阐述了具体细节（例如，电路）以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本公开实施例。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构（例如，动态RAM（DRAM））可以使用所讨论的实施例。
本公开实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本公开实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (11)

1.一种电池极片的检测方法，其特征在于，所述方法包括：
获取电池极片的表面图像，并确定所述表面图像的目标隶属度矩阵；
对所述目标隶属度矩阵进行运算处理，得到所述目标隶属度矩阵的动态熵；
根据所述动态熵与预定的正常范围进行比较，确定所述电池极片的表面是否存在缺陷，得到所述电池极片的表面状态检测结果。
2.根据权利要求1所述的方法，其特征在于，所述确定所述表面图像的目标隶属度矩阵，包括：
对所述表面图像进行划分处理，得到至少一个像素区间；所述像素区间包括像素数据点和像素群集；
通过对所述至少一个像素区间进行模糊均值聚类处理，得到模糊目标函数；
基于所述模糊目标函数，根据当前中心化矩阵确定所述像素数据点对所述像素群集的隶属度，基于所述隶属度对当前隶属度矩阵进行迭代处理，得到更新后的所述目标隶属度矩阵；
其中，所述当前中心化矩阵是预先基于所述像素群集的中心点确定的矩阵。
3.根据权利要求1所述的方法，其特征在于，所述对所述目标隶属度矩阵进行运算处理，得到所述目标隶属度矩阵的动态熵，包括：
对所述目标隶属度矩阵进行香农运算处理，得到模糊轨迹在所述目标隶属度矩阵的香农函数；其中，所述模糊轨迹为相空间中表示模糊状态的轨迹；
对所述香农函数进行求和处理，得到模糊熵；其中，所述模糊熵包括第一时刻模糊熵和第二时刻模糊熵，所述第二时刻为所述第一时刻的下一时刻；
基于所述第一时刻模糊熵和所述第二时刻模糊熵确定熵差，并确定所述熵差的收敛状态；
响应于确定所述收敛状态满足预设的收敛条件，对所述熵差进行极限运算处理得到目标隶属度矩阵的动态熵。
4.根据权利要求3所述的方法，其特征在于，所述对所述目标隶属度矩阵进行香农运算处理，得到模糊轨迹在所述目标隶属度矩阵的香农函数，包括：
基于所述目标隶属度矩阵确定模糊轨迹在所述目标隶属度矩阵中的模糊隶属度；
对所述模糊隶属度进行香农运算处理，得到所述模糊轨迹在所述目标隶属度矩阵的香农函数，
。
5.根据权利要求3所述的方法，其特征在于，所述对所述香农函数进行求和处理，得到模糊熵，包括：
基于相空间中第一时刻m所有模糊轨迹的数量，对所述香农函数进行求和处理确定模糊系统的第一时刻模糊熵/>，
，
其中，为目标单元/>的目标香农函数，/>为常数；
基于相空间中第二时刻m+1所有模糊轨迹的数量，对所述香农函数进行求和处理确定模糊系统的第二时刻模糊熵/>，
。
6.根据权利要求3所述的方法，其特征在于，所述基于所述第一时刻模糊熵和所述第二时刻模糊熵确定熵差，包括：
对所述第二时刻模糊熵和所述第一时刻模糊熵/>进行差值运算，得到熵差/>，
。
7.根据权利要求3所述的方法，其特征在于，所述响应于确定所述收敛状态满足预设的收敛条件，对所述熵差进行极限运算处理得到目标隶属度矩阵的动态熵，包括：
响应于确定所述收敛状态满足预设的收敛条件，基于所述熵差确定所述目标隶属度矩阵的单元尺寸趋近于零、所述第一时刻的单位时间趋近于无穷对应的动态熵，
，
其中，为熵差，/>为单元尺寸，/>为单位时间。
8.根据权利要求1所述的方法，其特征在于，所述根据所述动态熵与预定的正常范围进行比较，确定所述电池极片的表面是否存在缺陷，得到所述电池极片的表面状态检测结果，包括：
对所述动态熵与预定的正常范围进行比较，确定所述电池极片的表面是否存在缺陷；
响应于确定所述动态熵小于等于所述正常范围，所述电池极片的表面状态检测结果为状态正常；
响应于确定所述动态熵大于所述正常范围，所述电池极片的表面状态检测结果为状态异常。
9.一种电池极片的检测装置，其特征在于，包括：
图像获取模块，被配置为获取电池极片的表面图像，并确定所述表面图像的目标隶属度矩阵；
运算处理模块，被配置为对所述目标隶属度矩阵进行运算处理，得到所述目标隶属度矩阵的动态熵；
检测模块，被配置为根据所述动态熵与预定的正常范围进行比较，确定所述电池极片的表面是否存在缺陷，得到所述电池极片的表面状态检测结果。
10.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1至8任意一项所述的方法。
11.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行权利要求1至8任意一项所述的方法。
CN202310905937.2A 2023-07-24 2023-07-24 电池极片的检测方法、装置、电子设备及存储介质 Pending CN116630320A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310905937.2A CN116630320A (zh) 2023-07-24 2023-07-24 电池极片的检测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310905937.2A CN116630320A (zh) 2023-07-24 2023-07-24 电池极片的检测方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN116630320A true CN116630320A (zh) 2023-08-22

Family

ID=87592432

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310905937.2A Pending CN116630320A (zh) 2023-07-24 2023-07-24 电池极片的检测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116630320A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117074451A (zh) * 2023-10-12 2023-11-17 天津力神电池股份有限公司 检测极片中预锂化材料分布状态的方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210081827A1 (en) * 2019-07-15 2021-03-18 Guangdong University Of Technology Fast clustering algorithm based on kernel fuzzy c-means integrated with spatial constraints
CN112697881A (zh) * 2020-12-09 2021-04-23 东莞理工学院 基于k-s熵的钢轨导波缺陷识别与定位方法、装置及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210081827A1 (en) * 2019-07-15 2021-03-18 Guangdong University Of Technology Fast clustering algorithm based on kernel fuzzy c-means integrated with spatial constraints
CN112697881A (zh) * 2020-12-09 2021-04-23 东莞理工学院 基于k-s熵的钢轨导波缺陷识别与定位方法、装置及系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
刘文波;甄子洋;刘媛媛;张弓;: "改进的基于二维直方图的最大模糊熵分割方法", 南京航空航天大学学报, no. 05 *
朱训生 等: "《中医模糊方法导论》", 上海交通大学出版社, pages: 120 - 123 *
程天栋;闵永智;马宏锋;: "基于模糊超熵与遗传算法的轨面缺陷分割算法", 兰州交通大学学报, no. 06, pages 47 - 50 *
范伟 等: "基于模糊熵和无序理论的图像纹理分析方法", 《湖南城市学院学报(自然科学版)》, pages 2 - 6 *
陈跃;张晓光;阮殿旭;: "基于模糊梯度法的焊接图像缺陷边缘检测方法", 煤矿机械, no. 01 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117074451A (zh) * 2023-10-12 2023-11-17 天津力神电池股份有限公司 检测极片中预锂化材料分布状态的方法
CN117074451B (zh) * 2023-10-12 2024-01-12 天津力神电池股份有限公司 检测极片中预锂化材料分布状态的方法

Similar Documents

Publication Publication Date Title
CN107703480B (zh) 基于机器学习的混合核函数室内定位方法
CN110991311A (zh) 一种基于密集连接深度网络的目标检测方法
CN111537884B (zh) 获取动力电池寿命数据的方法、装置、计算机设备及介质
CN116630320A (zh) 电池极片的检测方法、装置、电子设备及存储介质
CN111626360A (zh) 用于检测锅炉故障类型的方法、装置、设备和存储介质
Wang A sub-pixel circle detection algorithm combined with improved RHT and fitting
CN111652314A (zh) 温度检测方法、装置、计算机设备和存储介质
CN117474918B (zh) 异常检测方法和装置、电子设备以及存储介质
CN109976986B (zh) 异常设备的检测方法及装置
CN116522565B (zh) 一种基于bim的电力工程设计配电网规划方法及计算机设备
CN110909804B (zh) 基站异常数据的检测方法、装置、服务器和存储介质
CN110045250B (zh) 一种电力电缆的绝缘状态判断方法及系统
CN112036269A (zh) 跌倒检测方法、装置、计算机设备和存储介质
CN111652277A (zh) 假阳性过滤方法、电子装置及计算机可读存储介质
CN116563841A (zh) 配电网设备标识牌的检测方法、检测装置和电子设备
CN111798263A (zh) 一种交易趋势的预测方法和装置
CN116797973A (zh) 应用于环卫智慧管理平台的数据挖掘方法及系统
CN114417964B (zh) 卫星运营商分类方法、装置及电子设备
CN113868939A (zh) 一种风功率的概率密度评估方法、装置、设备及介质
CN113269678A (zh) 接触网输电线路的故障点定位方法
CN114528907B (zh) 工业异常数据检测方法及装置
CN116736173B (zh) 一种储能电池模型构建和储能电池状态判定方法、装置
CN113038596B (zh) 室内定位方法、装置、设备及计算机可读存储介质
CN117372685B (zh) 目标检测方法、装置、电子设备及存储介质
CN116541252B (zh) 一种机房故障日志数据处理方法及装置

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