CN116664957A - 金属异物来源识别方法、装置、电子设备及介质 - Google Patents
金属异物来源识别方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN116664957A CN116664957A CN202310925081.5A CN202310925081A CN116664957A CN 116664957 A CN116664957 A CN 116664957A CN 202310925081 A CN202310925081 A CN 202310925081A CN 116664957 A CN116664957 A CN 116664957A
- Authority
- CN
- China
- Prior art keywords
- metal foreign
- source
- image
- foreign matters
- neural network
- 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
- 229910052751 metal Inorganic materials 0.000 title claims abstract description 122
- 239000002184 metal Substances 0.000 title claims abstract description 122
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000003062 neural network model Methods 0.000 claims abstract description 44
- 239000007772 electrode material Substances 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims description 34
- 230000008569 process Effects 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 20
- 238000011176 pooling Methods 0.000 claims description 19
- 238000005096 rolling process Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 12
- 239000000463 material Substances 0.000 claims description 9
- 238000000399 optical microscopy Methods 0.000 claims description 6
- 238000011282 treatment Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 230000008901 benefit Effects 0.000 abstract description 5
- 230000003287 optical effect Effects 0.000 description 10
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 9
- 229910001416 lithium ion Inorganic materials 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 239000010405 anode material Substances 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 239000011651 chromium Substances 0.000 description 3
- 239000010949 copper Substances 0.000 description 3
- 238000002149 energy-dispersive X-ray emission spectroscopy Methods 0.000 description 3
- 239000012535 impurity Substances 0.000 description 3
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 2
- 239000011324 bead Substances 0.000 description 2
- 229910052804 chromium Inorganic materials 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 229910052759 nickel Inorganic materials 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000007774 positive electrode material Substances 0.000 description 2
- 229910052709 silver Inorganic materials 0.000 description 2
- 239000004332 silver Substances 0.000 description 2
- 238000003756 stirring Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000009210 therapy by ultrasound Methods 0.000 description 2
- 238000003466 welding Methods 0.000 description 2
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000005243 fluidization Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- JBQYATWDVHIOAR-UHFFFAOYSA-N tellanylidenegermanium Chemical compound [Te]=[Ge] JBQYATWDVHIOAR-UHFFFAOYSA-N 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
- 239000011701 zinc Substances 0.000 description 1
- 229910052725 zinc Inorganic materials 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种金属异物来源识别方法、装置、电子设备及介质,方法包括:获取电极材料内掺杂的金属异物的图像;将所述图像输入预设的神经网络模型,通过所述神经网络模型对所述图像进行识别,输出所述金属异物的来源分类结果。通过获取金属异物的图像,并通过使用神经网络模型自动对图像进行识别,得到准确率高的来源识别结果,从而减少人工判定的主观性差异,提高了金属异物追溯的有效性和时效性。
Description
技术领域
本申请涉及电池技术领域,具体涉及一种金属异物来源识别方法、装置、电子设备及介质。
背景技术
锂离子电池的性能与正极材料的质量息息相关,当正极材料中存在铁(Fe)、铜(Cu)、铬(Cr)、镍(Ni)、锌(Zn)、银(Ag)等金属杂质时,这些金属会先在电池正极氧化再到负极还原,当负极处还原得到的金属单质累积到一定程度,其沉积金属坚硬的棱角会刺穿隔膜,造成电池自放电。自放电会严重影响锂离子电池的安全性能,为了确保锂离子电池的安全性能稳定,需要有效管控金属异物的来源,减少金属异物引入的风险。
上述的陈述仅用于提供与本申请有关的背景技术信息,而不必然地构成现有技术。
发明内容
鉴于上述问题,本申请提出一种金属异物来源识别方法、装置、电子设备及介质,以解决人工主观判定金属异物来源带来的错误判定问题。
本申请的第一方面提出了一种金属异物来源识别方法,所述方法包括:获取电极材料内掺杂的金属异物的图像;将所述图像输入预设的神经网络模型,通过所述神经网络模型对所述图像进行识别,输出所述金属异物的来源分类结果。
本申请实施例的技术方案中,通过获取金属异物的图像,并通过使用神经网络模型自动对图像进行识别,得到准确率高的来源识别结果,从而减少人工判定的主观性差异,提高了金属异物追溯的有效性和时效性。
在一些实施例中,所述神经网络模型包含特征提取网络和分类网络;所述通过所述神经网络模型对所述图像进行识别,输出所述金属异物的来源分类结果,包括:通过所述特征提取网络对所述图像进行多次卷积和池化处理,得到特征向量;通过所述分类网络根据所述特征向量确定所述金属异物的来源分类结果。在神经网络模型识别过程中,通过对图像进行多次卷积和池化处理得到特征向量,以更好的提取金属异物的特征表达,提升模型的识别能力。
在一些实施例中,所述分类网络包括全连接层和激活层;所述通过所述分类网络根据所述特征向量确定所述金属异物的来源分类结果,包括:通过所述全连接层根据输入的特征向量确定不同来源类型的预测值;通过所述激活层将不同来源类型的预测值转换为概率值,并选取最大概率值对应的来源类型作为所述金属异物所属的来源。通过使用全连接层和激活层来做分类可以提升分类效果。
在一些实施例中,所述特征提取网络包括至少一个串联的特征提取子网络;通过所述特征提取网络对所述图像进行多次卷积和池化处理,得到特征向量,包括:依次通过至少一个特征提取子网络对所述图像进行卷积和池化处理,得到特征向量。通过使用至少一个串联的特征提取子网络逐次进行卷积和池化处理来提取特征,以达到提升特征表达基础上不增加太多计算消耗的目的。
在一些实施例中,所述获取电极材料内掺杂的金属异物的图像,包括:收集电极材料中掺杂的金属异物;通过光学显微设备采集将所述金属异物放大预设倍率的图像。通过使用光学显微设备可以自动采集并输出金属异物的图像,放大金属异物特征,提升识别与探测度。
在一些实施例中,所述方法还包括所述神经网络模型的训练过程:获取不同金属异物的样本图像集;所述样本图像集中的各个样本图像均对应标注有来源类型;利用所述样本图像集对已构建的神经网络模型进行训练。通过使用已有的各种不同金属异物的图像对神经网络模型进行训练,以获得具有较高准确率的用于金属异物分类的模型。
在一些实施例中,所述方法还包括:收集在识别金属异物来源过程中获取到的金属异物的图像和对应的来源类型;利用收集到的图像和对应的来源类型对所述神经网络模型进行优化训练。通过使用识别过程中获得的大量金属异物的图像对神经网络模型进行优化,以进一步提升模型的分类准确度。
本申请的第二方面提出了一种金属异物来源识别装置,所述装置包括:
图像获取模块,用于获取电极材料内掺杂的金属异物的图像;
识别模块,用于将所述图像输入预设的神经网络模型,通过所述神经网络模型对所述图像进行识别,输出所述金属异物的来源分类结果。
本申请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上述第一方面所述的方法。
本申请的第四方面提出了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如上述第一方面所述的方法。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
通过阅读对下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本申请的限制。而且在全部附图中,用相同的附图标号表示相同的部件。
图1为根据一示例性实施例示出的一种金属异物来源识别方法的实施例流程图;
图2为根据一示例性实施例示出的一种光学显微设备示意图;
图3为根据一示例性实施例示出的一种神经网络模型的结构示意图;
图4为根据一示例性实施例示出的一种神经网络模型的具体结构示意图;
图5为根据一示例性实施例示出的一种金属异物来源识别装置的结构示意图;
图6为根据一示例性实施例示出的一种电子设备的硬件结构示意图图;
图7为根据一示例性实施例示出的一种存储介质的结构示意图。
具体实施方式
下面将结合附图对本申请技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本申请的技术方案,因此只作为示例,而不能以此来限制本申请的保护范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。
在本申请实施例的描述中,技术术语“第一”“第二”等仅用于区别不同对象,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量、特定顺序或主次关系。在本申请实施例的描述中,“多个”的含义是两个以上,除非另有明确具体的限定。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
在本申请实施例的描述中,术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
在本申请实施例的描述中,术语“多个”指的是两个以上(包括两个),同理,“多组”指的是两组以上(包括两组),“多片”指的是两片以上(包括两片)。
如前所述,为确保锂离子电池的安全性能稳定,需要对金属异物的来源进行管控,在锂电的电极材料中,金属异物的来源主要有两个方面:一方面是设备和物料的间接或直接接触,因锈蚀、磨损等一系列因素导致的金属异物直接引入物料内;另一方面是环境中的金属异物通过人员及产线断点引入材料中。
由此可见,金属异物来源分布广,而且形貌也具有多样性,如何追溯到金属异物的来源是实现金属异物管控的主要突破点。
在本申请之前的一些技术中,通过使用SEM(Scanning Electron Microscope,扫描电子显微镜)观察金属异物的形貌、大小,并通过使用EDS(Energy DispersiveSpectroscopy,能谱仪)探测金属异物的成分,然后通过金属异物的形貌、大小及成分判定金属异物的来源。
然而,上述金属异物的判定过程均是由人员操作SEM、EDS,并凭借经验判定金属异物的来源,主观性影响因素比较大,判定结果不稳定,容易出现误判和漏判。
有鉴于此,为了减少人工判定的主观性差异,将判定过程量化,提出一种金属异物来源识别的全自动化方案,通过获取金属异物的图像,并通过使用神经网络模型自动对图像进行识别,得到准确率高的来源识别结果,从而减少人工判定的主观性差异,提高了金属异物追溯的有效性和时效性。
本申请实施例公开的金属异物来源识别方法,可以但不限用于电池的生产过程,当然还可以用于其他产品的生产过程,实现对生产材料内掺杂的金属异物的来源追溯,以助于对产品的品质进行监控和改善。
为了使本领域技术人员更好的理解本申请方案,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。
图1为本申请根据一示例性实施例示出的一种金属异物来源识别方法的实施例流程图,该金属异物来源识别方法包括如下步骤:
步骤101:获取电极材料内掺杂的金属异物的图像。
在该步骤中,电极材料是指用于生产锂离子电池正极或负极的物料,其中掺杂金属异物会影响电池安全性能。值得注意的是,这些金属异物的粒径都比较小,如果直接采集金属异物的图像,不易于识别到金属异物特征,因此需要将金属异物放大再采集图像,以将金属异物特征放大,提升识别度。由此可见,金属异物的图像是金属异物的放大图像。
在一可选实施例中,可以通过收集电极材料中掺杂的金属异物,并通过光学显微设备采集将金属异物放大预设倍率的图像。
其中,为了便于分析金属异物的来源,需要从电极材料中分离出掺杂的金属异物。具体地,在锂离子电池中,主要是因为锂离子电池正极材料引入一些不同程度地含有铁、铜、铬、镍、锌、银等金属杂质,造成电池自放电,导致电池的使用寿命、一致性和安全性降低,因此可以通过收集正极材料中掺杂的金属异物,用于来源识别。
针对金属异物的收集过程,可选的,可以通过磁棒流化富集的形式吸附电极材料中的金属异物。具体处理过程包括:收集电极材料样本置于装了适量水的桶内,使用清理干净的磁棒置于桶内进行来回搅拌吸附一段时间(至少充分搅拌吸附5min左右)。吸附物料后的磁棒重新在干净的桶内来回搅拌漂洗,直至磁棒上附着的物料无明显减少后,再使用超声装置超声一段时间,以将磁性异物中夹杂的物料通过超声清理掉。待磁棒吸附的磁性异物干燥后,使用干净的称量纸进行异物收集。
在本实施例中,使用的光学显微设备可以将金属异物放大至一定倍率后自动采集并输出图像,放大金属异物特征,提升识别与探测度。其中,光学显微设备的放大倍率可以根据金属异物的实际形貌情况选择,例如对于稍大一些的金属异物,可以选择200X的放大倍率,对于稍小一些的金属异物,可以选择500X的放大倍率。
在具体实施时,如图2所示的光学显微设备图,可以将光学显微镜1固定在一个多角度握式旋转支架2上,通过调节旋转支架2的旋转角度可以将光学显微镜1的镜头正对拍摄金属异物,经过光学显微镜1拍摄的图像,通过传输接口3将图像传输到连接的电子设备上,以用于识别。
步骤102:将该图像输入预设的神经网络模型,通过该神经网络模型对图像进行识别,输出金属异物的来源分类结果。
在该步骤中,使用的神经网络模型是预先训练好的用于识别金属异物来源的深度学习模型。金属异物的来源可以包括切割、焊接、磨损、生锈等,例如在实际使用中,一些呈刮痕片状金属碎片、呈卷曲条状金属碎片、片状金属碎片或条状金属碎片都来源于磨损。又例如,一些焊渣、焊珠的金属异物都来源于焊接,以及一些锈蚀块、锈蚀焊珠都来源于生锈,一些筛网丝状的金属异物来源于切割。
在一可选实施例中,如图3所示,神经网络模型包含特征提取网络和分类网络,其识别过程包括:通过特征提取网络对图像进行多次卷积和池化处理,得到特征向量,然后通过分类网络根据特征提取网络得到的特征向量确定金属异物的来源分类结果。
其中,在特征提取过程中,通过对图像进行多次卷积和池化处理得到特征向量,以更好的提取金属异物的特征表达,提升模型的识别能力。分类网络用于基于提取的特征实现来源分类。
在一可选实施方式中,特征提取网络可以包括至少一个串联的特征提取子网络,从而依次通过至少一个的特征提取子网络进行卷积和池化处理。通过使用至少一个串联的特征提取子网络逐次进行卷积和池化处理来提取特征,以达到提升特征表达基础上不增加太多计算消耗的目的。
在具体实施时,如图3所示,特征提取网络可以包括三个串联的特征提取子网络。特征提取过程包括:通过第一个特征提取子网络对图像进行卷积和池化处理,得到第一中间特征,通过第二个特征提取子网络对第一个特征提取子网络得到的第一中间特征进行卷积和池化处理,得到第二中间特征,进而通过第三个特征提取子网络对第二个特征提取子网络得到的第二中间特征进行卷积和池化处理,得到最终的特征向量,以用于分类识别。
其中,通过使用三个串联的特征提取子网络逐次进行卷积和池化处理来提取特征,以达到提升特征表达基础上不增加太多计算消耗的目的。
可选的,每个特征提取子网络可以包括至少一个卷积层和至少一个池化层,通过卷积层进行互相关运算来提取金属异物图像的不同维度的特征值,并使用线性整流函数进行其特征表达,通过池化层对卷积层提取的特征值进行下采样,形成特征向量,以减小过拟合。
在另一具体实施方式中,如图3所示,分类网络包括全连接层和激活层,通过使用全连接层和激活层来做分类可以提升分类效果。分类过程包括:通过全连接层根据输入的特征向量确定不同来源类型的预测值,通过激活层将不同来源类型的预测值转换为概率值,并选取最大概率值对应的来源类型作为金属异物所属的来源。
其中,全连接层用来对特征向量中的参数进行规整,以获得每种来源类型的预测值,可选的,可以使用两个全连接层,第一个全连接层用来将前面特征提取网络学习到的不同大小的特征感受野中的抽象信息映射到更大的空间中,增加模型的表征能力,第二个全连接层用来满足分类目的,即输出不同来源类型的预测值。激活层用来将输入的预测值归一化至0-1的数值范围,以将预测值转换为概率值,便于选取概率最高的来源类型,该激活层可以采用softmax函数实现数值归一化。
基于上述描述的神经网络模型的具体处理过程,下面给出一种模型的具体结构设计来实现金属异物来源的识别,如图4所示,包含三个用于特征提取的卷积层和池化层,两个用于参数规整的全连接层,最后使用softmax函数作为分类器进行结果判定,输出最终的来源分类结果。
需要说明的是,在使用模型识别金属异物来源之前,还需要训练模型,以使模型具备金属异物来源识别的能力。
在一种实现方式中,神经网络模型的训练过程包括:获取不同金属异物的样本图像集,并利用该样本图像集对已构建的神经网络模型进行训练。
其中,已构建的神经网络模型的结构如上述图4所示结构,通过使用已有的各种不同金属异物的图像对神经网络模型进行训练,以获得具有较高准确率的用于金属异物分类的模型。
值得注意的是,样本图像集中的各个样本图像均对应标注有来源类型,通过对各个样本图像进行放大、缩小、翻转等不同处理以实现对样本图像集的数据扩充,提升模型训练精度。
在训练过程中,可以将样本图像集划分为80%的训练集和20%的测试集,训练集用来对模型做训练,测试集用来对训练好的模型进行测试。进一步地,还可以通过对模型进行准确率、召回率的验证。
可以理解的是,对于训练过程中的样本集划分、准确率和召回率的验证,均属于提升模型学习能力的常规操作,本申请对具体实现不进行限定。
在这里需要补充说明的是,在使用模型识别过程中,可以通过收集在识别金属异物来源过程中获取到的金属异物的图像和对应的来源类型,并利用收集到的图像和对应的来源类型对神经网络模型进行优化训练,以进一步提升模型的分类准确度。
至此,完成上述图1所示的金属异物来源识别流程,通过获取金属异物的图像,以放大金属异物特征,提升识别度,并通过使用神经网络模型自动对图像进行识别,得到准确率高的来源识别结果,从而减少人工判定的主观性差异,提高了金属异物追溯的有效性和时效性。
针对上述实施例给出的技术方案,下面以一个具体实施例对本申请方案进行全面阐述。
金属异物来源识别方法的总流程步骤(1)-(4)如下所示:
(1)金属异物富集:通过磁棒流化富集的形式吸附正极材料内掺杂的金属异物;
(2)金属异物探测:使用电子光学显微设备输出金属异物的图像;
(3)数据输入:将输出的金属异物的图像上传至已训练的神经网络模型;
(4)神经网络模型:对输入图像进行特征提取与识别判定,得到最终的来源分类结果。
上文对各个实施例的描述倾向于强调各个实施例之间的不同之处,其相同或相似之处可以相互参考,为了简洁,本文不再赘述。
本领域技术人员可以理解,在具体实施例的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
与前述金属异物来源识别方法的实施例相对应,本申请还提供了金属异物来源识别装置的实施例。
图5为本申请根据一示例性实施例示出的一种金属异物来源识别装置的结构示意图,该装置用于执行上述任一实施例提供的金属异物来源识别方法,如图5所示,该金属异物来源识别装置包括:
图像获取模块510,用于获取电极材料内掺杂的金属异物的图像;
识别模块520,用于将所述图像输入预设的神经网络模型,通过所述神经网络模型对所述图像进行识别,输出所述金属异物的来源分类结果。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述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模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本申请实施方式还提供一种与前述实施方式所提供的金属异物来源识别方法对应的电子设备,以执行上述金属异物来源识别方法。
图6为本申请根据一示例性实施例示出的一种电子设备的硬件结构图,该电子设备可以包括:通信接口601、处理器602、存储器603和总线604;其中,通信接口601、处理器602和存储器603通过总线604完成相互间的通信。处理器602通过读取并执行存储器603中与金属异物来源识别方法的控制逻辑对应的机器可执行指令,可执行上文描述的金属异物来源识别方法,该方法的具体内容参见上述实施例,此处不再累述。
本申请中提到的存储器603可以是任何电子、磁性、光学或其它物理存储装置,可以包含存储信息,如可执行指令、数据等等。具体地,存储器603可以是RAM(Random AccessMemory,随机存取存储器)、闪存、存储驱动器(如硬盘驱动器)、任何类型的存储盘(如光盘、DVD等),或者类似的存储介质,或者它们的组合。通过至少一个通信接口601(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网、广域网、本地网、城域网等。
总线604可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中,存储器603用于存储程序,所述处理器602在接收到执行指令后,执行所述程序。
处理器602可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器602中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器602可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。
本申请实施例提供的电子设备与本申请实施例提供的金属异物来源识别方法出于相同的发明构思,具有与其采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的金属异物来源识别方法对应的计算机可读存储介质,请参考图7所示,其示出的计算机可读存储介质为光盘30,其上存储有计算机程序(即程序产品),所述计算机程序在被处理器运行时,会执行前述任意实施方式所提供的金属异物来源识别方法。
需要说明的是,所述计算机可读存储介质的例子还可以包括,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)、快闪记忆体或其他光学、磁性存储介质,在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的金属异物来源识别方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、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申请的一般性原理并包括本申请未公开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,本申请的真正范围和精神由下面的权利要求指出。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。
Claims (10)
1.一种金属异物来源识别方法,其特征在于,所述方法包括:
获取电极材料内掺杂的金属异物的放大图像;
将所述放大图像输入预设的神经网络模型,通过所述神经网络模型对所述放大图像进行识别,输出所述金属异物的来源分类结果。
2.根据权利要求1所述的方法,其特征在于,所述神经网络模型包含特征提取网络和分类网络;
所述通过所述神经网络模型对所述放大图像进行识别,输出所述金属异物的来源分类结果,包括:
通过所述特征提取网络对所述放大图像进行多次卷积和池化处理,得到特征向量;
通过所述分类网络根据所述特征向量确定所述金属异物的来源分类结果。
3.根据权利要求2所述的方法,其特征在于,所述分类网络包括全连接层和激活层;
所述通过所述分类网络根据所述特征向量确定所述金属异物的来源分类结果,包括:
通过所述全连接层根据输入的特征向量确定不同来源类型的预测值;
通过所述激活层将不同来源类型的预测值转换为概率值,并选取最大概率值对应的来源类型作为所述金属异物所属的来源。
4.根据权利要求2所述的方法,其特征在于,所述特征提取网络包括至少一个串联的特征提取子网络;
通过所述特征提取网络对所述放大图像进行多次卷积和池化处理,得到特征向量,包括:
依次通过至少一个特征提取子网络对所述放大图像进行卷积和池化处理,得到特征向量。
5.根据权利要求1所述的方法,其特征在于,所述获取电极材料内掺杂的金属异物的放大图像,包括:
收集电极材料中掺杂的金属异物;
通过光学显微设备采集将所述金属异物放大预设倍率的放大图像。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述方法还包括所述神经网络模型的训练过程:
获取不同金属异物的样本图像集;所述样本图像集中的各个样本图像均对应标注有来源类型;
利用所述样本图像集对已构建的神经网络模型进行训练。
7.根据权利要求1-5任一项所述的方法,其特征在于,所述方法还包括:
收集在识别金属异物来源过程中获取到的金属异物的放大图像和对应的来源类型;
利用收集到的放大图像和对应的来源类型对所述神经网络模型进行优化训练。
8.一种金属异物来源识别装置,其特征在于,所述装置包括:
图像获取模块,用于获取电极材料内掺杂的金属异物的放大图像;
识别模块,用于将所述放大图像输入预设的神经网络模型,通过所述神经网络模型对所述放大图像进行识别,输出所述金属异物的来源分类结果。
9.一种电子设备,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,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任一项所述的方法。
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,所述程序被处理器执行时实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310925081.5A CN116664957A (zh) | 2023-07-26 | 2023-07-26 | 金属异物来源识别方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310925081.5A CN116664957A (zh) | 2023-07-26 | 2023-07-26 | 金属异物来源识别方法、装置、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116664957A true CN116664957A (zh) | 2023-08-29 |
Family
ID=87720906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310925081.5A Pending CN116664957A (zh) | 2023-07-26 | 2023-07-26 | 金属异物来源识别方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116664957A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112098997A (zh) * | 2020-09-18 | 2020-12-18 | 欧必翼太赫兹科技(北京)有限公司 | 三维全息成像安检雷达图像异物检测方法 |
CN112881412A (zh) * | 2021-02-01 | 2021-06-01 | 南京耘瞳科技有限公司 | 一种废钢产品中非金属异物检测方法 |
JP2021163078A (ja) * | 2020-03-31 | 2021-10-11 | Jfeスチール株式会社 | 異物検出装置、異物除去装置および異物検出方法 |
-
2023
- 2023-07-26 CN CN202310925081.5A patent/CN116664957A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021163078A (ja) * | 2020-03-31 | 2021-10-11 | Jfeスチール株式会社 | 異物検出装置、異物除去装置および異物検出方法 |
CN112098997A (zh) * | 2020-09-18 | 2020-12-18 | 欧必翼太赫兹科技(北京)有限公司 | 三维全息成像安检雷达图像异物检测方法 |
CN112881412A (zh) * | 2021-02-01 | 2021-06-01 | 南京耘瞳科技有限公司 | 一种废钢产品中非金属异物检测方法 |
Non-Patent Citations (2)
Title |
---|
OLATOMIWA BADMOS等: "Image-based defect detection in lithium-ion battery electrode using convolutional neural networks", JOURNAL OF INTELLIGENT MANUFACTURING, vol. 31, pages 885 - 897, XP037083271, DOI: 10.1007/s10845-019-01484-x * |
YEPING PENG等: "A hybrid convolutional neural network for intelligent wear particle classification", TRIBOLOGY INTERNATIONAL, vol. 138, pages 166 - 173, XP085788584, DOI: 10.1016/j.triboint.2019.05.029 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Badmos et al. | Image-based defect detection in lithium-ion battery electrode using convolutional neural networks | |
Pehlken et al. | Is there a resource constraint related to lithium ion batteries in cars? | |
CN109658387B (zh) | 电力列车的受电弓碳滑板缺陷的检测方法 | |
CN111462076B (zh) | 一种全切片数字病理图像模糊区域检测方法及系统 | |
Hyeon et al. | Diagnosing cervical cell images using pre-trained convolutional neural network as feature extractor | |
Parlak et al. | Deep learning-based detection of aluminum casting defects and their types | |
CN109613000B (zh) | 锂电池涂布缺陷检测方法、系统、设备及存储介质 | |
CN115314714B (zh) | 一种用于焊缝图像存储的数据压缩方法 | |
CN114818831B (zh) | 基于多源感知的双向锂离子电池故障检测方法及系统 | |
CN114119462A (zh) | 一种基于深度学习的锂电池电芯铝壳蓝膜外观检测算法 | |
CN110807699A (zh) | 逾期事件的回款催收方法及装置、计算机可读存储介质 | |
CN116664957A (zh) | 金属异物来源识别方法、装置、电子设备及介质 | |
CN114594114A (zh) | 一种锂电芯全自动在线无损检测方法 | |
CN108074025A (zh) | 基于表面缺陷分布特征的钢卷表面缺陷判定方法 | |
CN112257849A (zh) | 基于深度学习的智能检测方法、系统、装置及其应用 | |
CN116739997A (zh) | 一种基于x射线成像的锂电池在线成像分析方法 | |
CN115797254B (zh) | 极片缺陷检测方法、装置、计算机设备和存储介质 | |
CN115546204A (zh) | 极片打皱检测系统、方法、装置、计算机设备和存储介质 | |
CN115578379A (zh) | 一种纯电动船舶可燃气体检测系统 | |
Stoney et al. | Discrimination and classification among common items of evidence using particle combination profiles | |
CN115760957A (zh) | 三维电子显微镜细胞核内物质分析方法 | |
CN112613521B (zh) | 基于数据转换的多层次数据分析系统及方法 | |
CN115600728A (zh) | 一种动力电池的年度碳排放量估算方法及装置 | |
CN104780310A (zh) | 一种图像模糊的检测方法、系统及摄像机 | |
CN115082432A (zh) | 基于细粒度图像分类的小目标螺栓缺陷检测方法及装置 |
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 |