CN116883764B - 一种电池系统故障识别方法及装置 - Google Patents
一种电池系统故障识别方法及装置 Download PDFInfo
- Publication number
- CN116883764B CN116883764B CN202311151603.7A CN202311151603A CN116883764B CN 116883764 B CN116883764 B CN 116883764B CN 202311151603 A CN202311151603 A CN 202311151603A CN 116883764 B CN116883764 B CN 116883764B
- Authority
- CN
- China
- Prior art keywords
- smoke
- historical
- image
- smokeless
- preset
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 239000000779 smoke Substances 0.000 claims abstract description 287
- 230000011218 segmentation Effects 0.000 claims abstract description 40
- 239000011159 matrix material Substances 0.000 claims description 109
- 238000005070 sampling Methods 0.000 claims description 47
- 230000002159 abnormal effect Effects 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 239000003595 mist Substances 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000001537 neural effect Effects 0.000 description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 241000207199 Citrus Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 235000020971 citrus fruits Nutrition 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based 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
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
-
- 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
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Abstract
本发明提供了一种电池系统故障识别方法及装置,包括:获取电池系统的历史图像和待检测时刻的红外照片;分别对所述历史烟雾图像和所述历史无烟雾图像进行特征提取,得到历史烟雾图像对应的烟雾特征和历史无烟雾图像对应的无烟雾特征;根据烟雾特征和无烟雾特征对预设故障识别模型进行训练,得到目标故障识别模型;对红外照片进行分割处理,得到分割结果,并根据目标故障识别模型对分割结果进行故障识别和定位,得到故障识别定位结果。本发明可以通过历史烟雾图像和历史无烟雾图像对故障识别模型训练,通过训练后的故障识别模型对红外照片进行故障识别和定位,得到故障识别定位结果,从而可以实现对电池系统的故障和定位进行识别的技术问题。
Description
技术领域
本发明涉及电池系统故障识别技术领域,具体涉及一种电池系统故障识别方法及装置。
背景技术
到目前为止,世界上的各型船舶都很少会采用电池作为船舶的动力,因此动力电船舶上的应用较少。但是随着科技的发展,电池技术也不断的升级和优化,越来越多的领域开始尝试着将电池作为设备的主动力。船用动力电池系统对安全性和可靠性的要求比较高,为了保障电池系统的稳定可靠运行,通常在电池的热管理系统中增加水冷系统以及热失控防护措施。但是,目前的电池系统热失控存在故障识别度不高、故障定位迟缓问题,难以识别热失控的早期状态,以至于不能及时采取有效的防护措施,增加了电池系统热失控的风险。
因此,急需提出一种电池系统故障识别方法及装置,解决现有技术中存在的无法对电池系统热失控进行故障识别和定位的技术问题。
发明内容
有鉴于此,有必要提供一种电池系统故障识别方法及装置,用以解决现有技术中存在的无法对电池系统热失控进行故障识别和定位的技术问题。
一方面,本发明提供了一种电池系统故障识别方法,包括:
获取电池系统的历史图像和待检测时刻的红外照片;所述历史图像包括历史烟雾图像和历史无烟雾图像;
分别对所述历史烟雾图像和所述历史无烟雾图像进行特征提取,得到所述历史烟雾图像对应的烟雾特征和所述历史无烟雾图像对应的无烟雾特征;
根据所述烟雾特征和所述无烟雾特征对预设故障识别模型进行训练,得到目标故障识别模型;
对所述红外照片进行分割处理,得到分割结果,并根据所述目标故障识别模型对所述分割结果进行故障识别和定位,得到故障识别定位结果。
在一些可能的实现方式中,所述烟雾特征包括第一纹理特征,所述无烟雾特征包括第二纹理特征;
所述分别对所述历史烟雾图像和所述历史无烟雾图像进行特征提取,得到所述历史烟雾图像对应的烟雾特征和所述历史无烟雾图像对应的无烟雾特征,包括:
分别对所述历史烟雾图像和所述历史无烟雾图像进行统计处理,得到所述历史烟雾图像的第一统计特征参数和所述历史无烟雾图像上的第二统计特征参数;
分别对所述第一统计特征参数和所述第二统计特征参数进行计算,得到所述历史烟雾图像的第一纹理特征和所述历史无烟雾图像的第二纹理特征。
在一些可能的实现方式中,所述烟雾特征包括第一颜色特征,所述无烟雾特征包括第二颜色特征;
所述分别对所述历史烟雾图像和所述历史无烟雾图像进行特征提取,得到所述历史烟雾图像对应的烟雾特征和所述历史无烟雾图像对应的无烟雾特征,包括:
根据预设颜色直方图方法对所述历史烟雾图像和所述历史无烟雾图像进行处理,分别得到所述历史烟雾图像的第一像素数量分布图和所述历史无烟雾图像中像素的第二像素数量分布图;
根据预设目标图像上的第三像素总数量分别与所述第一像素数量分布图的第一像素总数量和所述第二像素数量分布图的第二像素总数量进行计算,得到所述历史烟雾图像的第一颜色特征和所述历史无烟雾图像的第二颜色特征。
在一些可能的实现方式中,所述烟雾特征包括第一形状特征,所述无烟雾特征包括第二形状特征;
所述分别对所述历史烟雾图像和所述历史无烟雾图像进行特征提取,得到所述历史烟雾图像对应的烟雾特征和所述历史无烟雾图像对应的无烟雾特征,包括:
分别对所述历史烟雾图像和所述历史无烟雾图像进行轮廓分析,得到所述历史烟雾图像的曲率突变的第一轮廓像素点和所述历史无烟雾图像的曲率突变的第二轮廓像素点;
分别根据预设像素点数对所述第一轮廓像素点和所述第二轮廓像素点进行采样,得到所述第一轮廓像素点对应的预设个数第一采样点和所述第二轮廓像素点对应的预设个数第二采样点;
根据所述预设个数第一采样点中两两采样点与坐标轴,确定预设个数第一两采样点连线夹角;
根据所述预设个数第二采样点中两两采样点与坐标轴,确定预设个数第二两采样点连线夹角;
根据预设曲率公式分别对所述预设个数第一两采样点连线夹角和所述预设个数第二两采样点连线夹角进行计算,得到所述历史烟雾图像的第一形状特征和所述历史无烟雾图像的第二形状特征。
在一些可能的实现方式中,所述分别对所述历史烟雾图像和所述历史无烟雾图像进行统计处理,得到所述历史烟雾图像的第一统计特征参数和所述历史无烟雾图像上的第二统计特征参数,包括:
采用灰度共生矩阵方法分别对所述历史烟雾图像和所述历史无烟雾图像进行处理,得到所述历史烟雾图像的预设个数第一灰度共生矩阵和所述历史无烟雾图像的预设个数第二灰度共生矩阵;
根据每个第一灰度共生矩阵对应的像素点的坐标,得到所述每个第一灰度共生矩阵对应的第一矩阵概率;
根据每个第二灰度共生矩阵对应的像素点的坐标,得到所述每个第二灰度共生矩阵对应的第二矩阵概率;
分别对所述预设个数第一灰度共生矩阵的所有第一矩阵概率和所述预设个数第二灰度共生矩阵的所有第二矩阵概率进行计算,得到所述历史烟雾图像的第一统计特征参数和所述历史无烟雾图像上的第二统计特征参数。
在一些可能的实现方式中,所述第一统计特征参数包括第一能量特征参数、第一对比度参数和第一熵特征参数,所述第二统计特征参数包括第二能量特征参数、第二对比度参数和第二熵特征参数;
所述分别对所述预设个数第一灰度共生矩阵的所有第一矩阵概率和所述预设个数第二灰度共生矩阵的所有第二矩阵概率进行计算,得到所述历史烟雾图像的第一统计特征参数和所述历史无烟雾图像上的第二统计特征参数,包括:
根据预设能量公式分别对所述所有第一矩阵概率和所述所有第二矩阵概率进行计算,得到所述历史烟雾图像的第一能量特征参数和所述历史无烟雾图像的第二能量特征参数;
根据预设对比度公式分别对所述所有第一矩阵概率和所述所有第二矩阵概率进行计算,得到所述历史烟雾图像的第一对比度参数和所述历史无烟雾图像的第二对比度参数;
根据预设熵公式分别对所述所有第一矩阵概率和所述所有第二矩阵概率进行计算,得到所述历史烟雾图像的第一熵特征参数和所述历史无烟雾图像的第二熵特征参数。
在一些可能的实现方式中,所述第一统计特征参数包括第一延伸长度参数,所述第二统计特征参数包括第二延伸长度参数;
所述分别对所述预设个数第一灰度共生矩阵的所有第一矩阵概率和所述预设个数第二灰度共生矩阵的所有第二矩阵概率进行计算,得到所述历史烟雾图像的第一统计特征参数和所述历史无烟雾图像上的第二统计特征参数,包括:
分别计算所述预设个数第一灰度共生矩阵中所述所有第一矩阵概率的第一均值和第二均值,以及所述预设个数第二灰度共生矩阵中所述所有第二矩阵概率的第三均值和第四均值;
对所述所有第一矩阵概率和所述第一均值进行计算,得到所述预设个数第一灰度共生矩阵的第一方差,并对所述所有第一矩阵概率和所述第二均值进行计算,得到所述预设个数第一灰度共生矩阵的第二方差;
对所述所有第二矩阵概率和所述第三均值进行计算,得到所述预设个数第二灰度共生矩阵的第三方差,并对所述所有第二矩阵概率和所述第四均值进行计算,得到所述预设个数第二灰度共生矩阵的第四方差;
根据所述所有第一矩阵概率、所述第一均值、所述第二均值、所述第一方差和所述第二方差,得到所述预设个数第一灰度共生矩阵的第一延伸长度参数,以及根据所述所有第二矩阵概率、所述第三均值、所述第四均值、所述第三方差和所述第四方差,得到所述预设个数第二灰度共生矩阵的第二延伸长度参数。
在一些可能的实现方式中,所述根据所述烟雾特征和所述无烟雾特征对预设故障识别模型进行训练,得到目标故障识别模型,包括:
将所述烟雾特征和所述无烟雾特征输入至所述预设故障识别模型的预设个数神经网络中,分别得到所述烟雾特征中每个特征对应的烟雾分类结果,以及所述无烟雾特征中每个特征对应的无烟雾分类结果;
将所述烟雾特征和所述无烟雾特征输入至预设个权重学习网络中,分别得到所述烟雾特征中每个烟雾分类结果对应的烟雾影响权重,以及所述无烟雾特征中每个无烟雾分类结果对应的无烟雾影响权重;
分别根据所述每个烟雾分类结果对应的所述烟雾影响权重和所述每个无烟雾分类结果对应的所述无烟雾影响权重对预设个数SVM进行训练,得到所述烟雾特征对应每个SVM的烟雾优化分类结果、以及所述无烟雾特征对应所述每个SVM的无烟雾优化分类结果;
根据目标SVM分别对所有烟雾优化分类结果和所有无烟雾优化分类结果进行集成,得到所述烟雾特征的烟雾最终训练结果和所述无烟雾特征的无烟雾最终训练结果,从而得到目标故障识别模型。
在一些可能的实现方式中,所述对所述红外照片进行分割处理,得到分割结果,并根据所述目标故障识别模型对所述分割结果进行故障识别和定位,得到故障识别定位结果,包括:
根据所述电池系统的电池包的数量对所述红外照片进行分割处理,得到预设个数分割图片;
根据所述电池包的位置对所述预设个数分割图片进行编码,得到包括所述预设个数分割图片的分割结果;
根据所述目标故障识别模型对所述分割结果进行故障识别,得到输出为异常模式的异常分割图片,根据所述异常分割图片的编码,对所述电池系统的异常位置进行定位,得到故障识别定位结果。
另一方面,本发明还提供了一种电池系统故障识别装置,包括:
图像获取模块,用于获取电池系统的历史图像和待检测时刻的红外照片;所述历史图像包括历史烟雾图像和历史无烟雾图像;
特征提取模块,用于分别对所述历史烟雾图像和所述历史无烟雾图像进行特征提取,得到所述历史烟雾图像对应的烟雾特征和所述历史无烟雾图像对应的无烟雾特征;
模型训练模块,用于根据所述烟雾特征和所述无烟雾特征对预设故障识别模型进行训练,得到目标故障识别模型;
结果确定模块,用于对所述红外照片进行分割处理,得到分割结果,并根据所述目标故障识别模型对所述分割结果进行故障识别和定位,得到故障识别定位结果。
采用上述实施例的有益效果是:本发明提供的电池系统故障识别方法,获取电池系统的历史图像和待检测时刻的红外照片;所述历史图像包括历史烟雾图像和历史无烟雾图像;分别对所述历史烟雾图像和所述历史无烟雾图像进行特征提取,得到所述历史烟雾图像对应的烟雾特征和所述历史无烟雾图像对应的无烟雾特征;根据所述烟雾特征和所述无烟雾特征对预设故障识别模型进行训练,得到目标故障识别模型;对所述红外照片进行分割处理,得到分割结果,并根据所述目标故障识别模型对所述分割结果进行故障识别和定位,得到故障识别定位结果。本发明可以通过历史烟雾图像和历史无烟雾图像对故障识别模型训练,通过训练后的故障识别模型对红外照片进行故障识别和定位,得到故障识别定位结果,从而可以实现对电池系统的故障和定位进行识别的技术问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,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为本发明提供的电池系统故障识别方法的一个实施例流程示意图;
图2为本发明提供的历史烟雾图像的一个实施例结构示意图;
图3为本发明提供的电池系统故障识别装置的一个实施例结构示意图;
图4为本发明提供的电子设备的一个实施例结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器系统和/或微控制器系统中实现这些功能实体。
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发明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,也不是与其他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他实施例相结合。
本发明实施例提供了一种电池系统故障识别方法及装置,以下分别进行说明。
图1为本发明提供的电池系统故障识别方法的一个实施例流程示意图,如图1所示,电池系统故障识别方法包括:
S101、获取电池系统的历史图像和待检测时刻的红外照片;所述历史图像包括历史烟雾图像和历史无烟雾图像;
S102、分别对所述历史烟雾图像和所述历史无烟雾图像进行特征提取,得到所述历史烟雾图像对应的烟雾特征和所述历史无烟雾图像对应的无烟雾特征;
S103、根据所述烟雾特征和所述无烟雾特征对预设故障识别模型进行训练,得到目标故障识别模型;
S104、对所述红外照片进行分割处理,得到分割结果,并根据所述目标故障识别模型对所述分割结果进行故障识别和定位,得到故障识别定位结果。
与现有技术相比,本发明提供的电池系统故障识别方法,获取电池系统的历史图像和待检测时刻的红外照片;分别对所述历史烟雾图像和所述历史无烟雾图像进行特征提取,得到历史烟雾图像对应的烟雾特征和历史无烟雾图像对应的无烟雾特征;根据烟雾特征和无烟雾特征对预设故障识别模型进行训练,得到目标故障识别模型;对红外照片进行分割处理,得到分割结果,并根据目标故障识别模型对分割结果进行故障识别和定位,得到故障识别定位结。本发明可以通过历史烟雾图像和历史无烟雾图像对故障识别模型训练,通过训练后的故障识别模型对红外照片进行故障识别和定位,得到故障识别定位结果,从而可以实现对电池系统的故障和定位进行识别的技术问题。
应当理解的是:步骤S101中获取的电池系统的历史图像的方式可为根据图像获取设备获取电池系统的历史图像,也可为从存储介质中调用历史存储的历史图像。
需要说明的是:为了可以通过历史烟雾图像和历史无烟雾图像对预设故障识别模型进行训练,需要对历史烟雾图像和历史无烟雾图像的特征进行提取,在本发明的一些实施例中,所述烟雾特征包括第一纹理特征,所述无烟雾特征包括第二纹理特征;
所述分别对所述历史烟雾图像和所述历史无烟雾图像进行特征提取,得到所述历史烟雾图像对应的烟雾特征和所述历史无烟雾图像对应的无烟雾特征,包括:
分别对所述历史烟雾图像和所述历史无烟雾图像进行统计处理,得到所述历史烟雾图像的第一统计特征参数和所述历史无烟雾图像上的第二统计特征参数;
分别对所述第一统计特征参数和所述第二统计特征参数进行计算,得到所述历史烟雾图像的第一纹理特征和所述历史无烟雾图像的第二纹理特征。
在本发明的具体实施例中,为了获取到烟雾特征和无烟雾特征,需要对历史烟雾图像和历史无烟雾图像进行特征提取,提取的特征可以包括图像的纹理特征。
在本发明的一些实施例中,所述分别对所述历史烟雾图像和所述历史无烟雾图像进行统计处理,得到所述历史烟雾图像的第一统计特征参数和所述历史无烟雾图像上的第二统计特征参数,包括:
采用灰度共生矩阵方法分别对所述历史烟雾图像和所述历史无烟雾图像进行处理,得到所述历史烟雾图像的预设个数第一灰度共生矩阵和所述历史无烟雾图像的预设个数第二灰度共生矩阵;
根据每个第一灰度共生矩阵对应的像素点的坐标,得到所述每个第一灰度共生矩阵对应的第一矩阵概率;
根据每个第二灰度共生矩阵对应的像素点的坐标,得到所述每个第二灰度共生矩阵对应的第二矩阵概率;
分别对所述预设个数第一灰度共生矩阵的所有第一矩阵概率和所述预设个数第二灰度共生矩阵的所有第二矩阵概率进行计算,得到所述历史烟雾图像的第一统计特征参数和所述历史无烟雾图像上的第二统计特征参数。
在本发明的具体实施例中,可以基于灰度共生矩阵的方法提取历史烟雾图像的第一纹理特征和历史无烟雾图像的第二纹理特征,比如,为了可以提取到历史烟雾图像的第一纹理特征,可以假设2个像素点在历史烟雾图像中的位置分别为和/>,对应的灰度值分别为/>和/>,给定的预设距离为d,可选择n个不同方向角度对图形进行统计,得到n个第一灰度共生矩阵,从而可以通过公式(1)计算出每个第一灰度共生矩阵的第一矩阵概率,第一矩阵概率表示为θ角度方向上、预设距离为d时,灰度级为/>的点/>与灰度级为/>的点/>出现的概率p,/>的计算如公式(1)所示:
式中,x,y=0,1,2, …,N-1(N是图像的像元坐标);,/>=0,1, …,L-1(L为图像灰度级数);Dx,Dy是位置偏移量;d为第一灰度共生矩阵的生成步长(预设距离);θ为第一灰度共生矩阵的生成方向(平面上2个像素点之间的夹角)。
同理,可以根据上述步骤对历史烟雾图像进行处理,得到历史烟雾图像的n个第二灰度共生矩阵,以及通过公式(1)计算得到每个第二灰度共生矩阵对应的第二矩阵概率。
在本发明的一些实施例中,所述第一统计特征参数包括第一能量特征参数、第一对比度参数和第一熵特征参数,所述第二统计特征参数包括第二能量特征参数、第二对比度参数和第二熵特征参数;
所述分别对所述预设个数第一灰度共生矩阵的所有第一矩阵概率和所述预设个数第二灰度共生矩阵的所有第二矩阵概率进行计算,得到所述历史烟雾图像的第一统计特征参数和所述历史无烟雾图像上的第二统计特征参数,包括:
根据预设能量公式分别对所述所有第一矩阵概率和所述所有第二矩阵概率进行计算,得到所述历史烟雾图像的第一能量特征参数和所述历史无烟雾图像的第二能量特征参数;
根据预设对比度公式分别对所述所有第一矩阵概率和所述所有第二矩阵概率进行计算,得到所述历史烟雾图像的第一对比度参数和所述历史无烟雾图像的第二对比度参数;
根据预设熵公式分别对所述所有第一矩阵概率和所述所有第二矩阵概率进行计算,得到所述历史烟雾图像的第一熵特征参数和所述历史无烟雾图像的第二熵特征参数。
在本发明的具体实施例中,在得到预设个数第一灰度共生矩阵的所有第一矩阵概率之后,可以通过预设能量公式对所有第一矩阵概率进行计算,得到历史烟雾图像的第一能量特征参数,预设能量公式如公式(2)所示:
式中,为能量特征参数,M为像素值的最大值,/>是灰度共生矩阵/>行/>列的元素,其中,能量特征参数/>是对烟雾变化稳定性的度量,/>值越大,烟雾越稳定。
同理,可以通过上述过程和公式(2)根据所有第二矩阵概率计算出历史无烟雾图像的第二能量特征参数。
在本发明的具体实施例中,还可以通过预设对比度公式对所有第一矩阵概率进行计算,得到历史烟雾图像的第一对比度参数,预设对比度公式如公式(3)所示:
式中,为对比度参数。对比度参数/>可以反映烟雾发育状况及烟雾分割变化特征。
同理,可以通过上述过程和公式(3)根据所有第二矩阵概率计算出历史无烟雾图像的第二对比度参数。
在本发明的具体实施例中,还可以通过预设熵公式对所有第一矩阵概率进行计算,得到历史烟雾图像的第一熵特征参数,预设熵公式如公式(4)所示:
式中,为熵特征参数。熵特征参数/>反映烟雾的复杂程度。
同理,可以通过上述过程和公式(4)根据所有第二矩阵概率计算出历史无烟雾图像的第二熵特征参数。
需要说明的是:为了得到历史烟雾图像的第一统计特征参数和历史无烟雾图像的第二统计特征参数,还需要计算图像的相关性特征参数,在本发明的一些实施例中,所述第一统计特征参数包括第一延伸长度参数,所述第二统计特征参数包括第二延伸长度参数;
所述分别对所述预设个数第一灰度共生矩阵的所有第一矩阵概率和所述预设个数第二灰度共生矩阵的所有第二矩阵概率进行计算,得到所述历史烟雾图像的第一统计特征参数和所述历史无烟雾图像上的第二统计特征参数,包括:
分别计算所述预设个数第一灰度共生矩阵中所述所有第一矩阵概率的第一均值和第二均值,以及所述预设个数第二灰度共生矩阵中所述所有第二矩阵概率的第三均值和第四均值;
对所述所有第一矩阵概率和所述第一均值进行计算,得到所述预设个数第一灰度共生矩阵的第一方差,并对所述所有第一矩阵概率和所述第二均值进行计算,得到所述预设个数第一灰度共生矩阵的第二方差;
对所述所有第二矩阵概率和所述第三均值进行计算,得到所述预设个数第二灰度共生矩阵的第三方差,并对所述所有第二矩阵概率和所述第四均值进行计算,得到所述预设个数第二灰度共生矩阵的第四方差;
根据所述所有第一矩阵概率、所述第一均值、所述第二均值、所述第一方差和所述第二方差,得到所述预设个数第一灰度共生矩阵的第一延伸长度参数,以及根据所述所有第二矩阵概率、所述第三均值、所述第四均值、所述第三方差和所述第四方差,得到所述预设个数第二灰度共生矩阵的第二延伸长度参数。
在本发明的具体实施例中,可以通过公式(5)对所有第一矩阵概率进行计算,得到第一均值,公式(5)如下所示:
通过公式(6)计算出第二均值,公式(6)如下所示:
式中,、/>为均值。
同理,可以通过公式(5)和公式(6)对所有第二矩阵概率进行计算,得到第三均值和第四均值。
还可以通过公式(7)和公式(5)计算出的第一均值对所有第一矩阵概率进行计算,得到第一方差,公式(7)如下所示:
通过公式(8)计算出第二方差,公式(8)如下所示:
式中,、/>为方差。
同理,可以通过公式(7)和公式(8)对所有第二矩阵概率进行计算,得到第三方差和第四方差。
在得到预设个数第一灰度共生矩阵对应的第一均值、第二均值、第一方差和第二方差之后,可以通过公式(9)计算出第一延伸长度参数,公式(9)如下所示:
式中,为相关性特征参数。相关性特征参数/>反映烟雾的延伸长度及分布。
同理,在得到预设个数第二灰度共生矩阵对应的第三均值、第四均值、第三方差和第四方差之后,可以通过公式(9)计算出第二延伸长度参数。
需要说明的是,在通过预设个数第一灰度共生矩阵中所有第一矩阵概率,得到历史烟雾图像的第一能量特征参数、第一对比度参数、第一熵特征参数、第一延伸长度参数之后,可以通过公式(10)进行计算,得到历史烟雾图像的第一纹理特征,公式(10)如下所示:
式中,T 1为纹理特征。
同理,在通过预设个数第二灰度共生矩阵中所有第二矩阵概率,得到历史无烟雾图像的第二能量特征参数、第二对比度参数、第二熵特征参数、第二延伸长度参数之后,可以通过公式(10)进行计算,得到历史无烟雾图像的第二纹理特征。其中,灰度共生矩阵的方法的具体实现方法可以根据实际情况进行设置,本发明实施例在此不加以限制。
需要说明的是:为了提取历史烟雾图像和历史无烟雾图像中的颜色特征,在本发明的一些实施例中,所述烟雾特征包括第一颜色特征,所述无烟雾特征包括第二颜色特征;
所述分别对所述历史烟雾图像和所述历史无烟雾图像进行特征提取,得到所述历史烟雾图像对应的烟雾特征和所述历史无烟雾图像对应的无烟雾特征,包括:
根据预设颜色直方图方法对所述历史烟雾图像和所述历史无烟雾图像进行处理,分别得到所述历史烟雾图像的第一像素数量分布图和所述历史无烟雾图像中像素的第二像素数量分布图;
根据预设目标图像上的第三像素总数量分别与所述第一像素数量分布图的第一像素总数量和所述第二像素数量分布图的第二像素总数量进行计算,得到所述历史烟雾图像的第一颜色特征和所述历史无烟雾图像的第二颜色特征。
在本发明的具体实施例中,可以预设目标图像,通过预设颜色直方图方法对历史烟雾图像进行处理,得到历史烟雾图像的第一像素数量分布图,并确定第一像素数量分布图的第一像素总数量,根据预设目标图像,确定预设目标图像的第三像素总数量,然后通过公式(11)对第一像素总数量和第三像素总数量进行计算,得到历史烟雾图像的第一颜色特征,公式(11)如下所示:
式中,T 2为颜色特征,为预设目标图像的第三像素总数量,/>为第一像素数量分布图的第一像素总数量。其中,/>。
同理,根据上述的步骤,可以确定历史无烟雾图像中像素的第二像素数量分布图,和第二像素数量分布图的第二像素总数量,从而可以通过公式(11)对第二像素数量分布图的第二像素总数量和预设目标图像的第三像素总数量进行计算,得到历史无烟雾图像的第二颜色特征。其中,预设颜色直方图方法对历史烟雾图像和历史无烟雾图像进行处理的过程可以根据实际情况设置,本发明实施例在此不加以限制。
需要说明的是,为了可以提取到历史烟雾图像和历史无烟雾图像中的形状特征,可以通过轮廓曲率方法进行提取,在本发明的一些实施例中,所述烟雾特征包括第一形状特征,所述无烟雾特征包括第二形状特征;
所述分别对所述历史烟雾图像和所述历史无烟雾图像进行特征提取,得到所述历史烟雾图像对应的烟雾特征和所述历史无烟雾图像对应的无烟雾特征,包括:
分别对所述历史烟雾图像和所述历史无烟雾图像进行轮廓分析,得到所述历史烟雾图像的曲率突变的第一轮廓像素点和所述历史无烟雾图像的曲率突变的第二轮廓像素点;
分别根据预设像素点数对所述第一轮廓像素点和所述第二轮廓像素点进行采样,得到所述第一轮廓像素点对应的预设个数第一采样点和所述第二轮廓像素点对应的预设个数第二采样点;
根据所述预设个数第一采样点中两两采样点与坐标轴,确定预设个数第一两采样点连线夹角;
根据所述预设个数第二采样点中两两采样点与坐标轴,确定预设个数第二两采样点连线夹角;
根据预设曲率公式分别对所述预设个数第一两采样点连线夹角和所述预设个数第二两采样点连线夹角进行计算,得到所述历史烟雾图像的第一形状特征和所述历史无烟雾图像的第二形状特征。
在本发明的具体实施例中,为了检测曲率突变的轮廓像素点,以图3所示轮廓进行分析,图2为历史烟雾图像,沿轮廓逆时针方向,依次间隔预设像素点数取预设个数第一采样点,比如:5个像素点。设当前采样点坐标为,前一第一采样点坐标为,后一第一采样点坐标为/>,/>为当前第一采样点与前一第一采样点的连线与x轴的夹角,/>为当前第一采样点与后一第一采样点的连线与x轴的夹角。记相邻两第一采样点之间的中间像素点分别为点/>、/>(如图2中的菱形方块),过点/>、/>分别作与两第一采样点连线平行的直线/>、/>。依次遍历柑橘轮廓,根据反正切函数的性质,则两第一采样点连线与x轴的夹角/>如公式(12)所示:
从而可以根据公式(12)得到预设个数第一两采样点连线夹角,同理,根据上述过程,将历史烟雾图像换成历史无烟雾图像,可以得到历史无烟雾图像的预设个数第二采样点,以及预设个数第二两采样点连线夹角。其中,轮廓曲率方法提取过程可以根据实际情况设置,本发明实施例在此不加以限制。
如图2所示,设为图像轮廓的切线转过的角度,即由直线/>逆时针转到直线/>位置时的角度;/>为直线/>、/>之间包含的弧段长度,即像素点/>、/>中间5个像素点构成的轮廓片段长度;整段轮廓的长度为/>,轮廓总的像素点个数为n。根据曲率定义,则轮廓在当前第一采样点/>处的曲率/>的计算如公式(13)所示:
式中,曲率等于历史烟雾图像的第一形状特征,T 3=/>。
同理,通过公式(13)对历史无烟雾图像的预设个数第二两采样点连线夹角进行计算,可以得到历史无烟雾图像的曲率,从而可以得到第二形状特征。
需要说明的是,为了提高预设故障识别模型的准确率,可以对预设故障识别模型进行训练,在本发明的一些实施例中,所述根据所述烟雾特征和所述无烟雾特征对预设故障识别模型进行训练,得到目标故障识别模型,包括:
将所述烟雾特征和所述无烟雾特征输入至所述预设故障识别模型的预设个数神经网络中,分别得到所述烟雾特征中每个特征对应的烟雾分类结果,以及所述无烟雾特征中每个特征对应的无烟雾分类结果;
将所述烟雾特征和所述无烟雾特征输入至预设个权重学习网络中,分别得到所述烟雾特征中每个烟雾分类结果对应的烟雾影响权重,以及所述无烟雾特征中每个无烟雾分类结果对应的无烟雾影响权重;
分别根据所述每个烟雾分类结果对应的所述烟雾影响权重和所述每个无烟雾分类结果对应的所述无烟雾影响权重对预设个数SVM进行训练,得到所述烟雾特征对应每个SVM的烟雾优化分类结果、以及所述无烟雾特征对应所述每个SVM的无烟雾优化分类结果;
根据目标SVM分别对所有烟雾优化分类结果和所有无烟雾优化分类结果进行集成,得到所述烟雾特征的烟雾最终训练结果和所述无烟雾特征的无烟雾最终训练结果,从而得到目标故障识别模型。
在本发明的具体实施例中,预设个数神经网络可以分别为第一RBF神经网络、第二RBF神经网络/>和第三RBF神经网络/>;预设个权重学习网络可以分别为第一权重学习网络/>、第二权重学习网络/>和第三权重学习网络,可以通过烟雾特征和无烟雾特征对预设故障识别模型进行训练,通过烟雾特征对预设故障识别模型进行训练得到目标故障识别模型的过程为:
步骤1:利用第一RBF神经网络、第二RBF神经网络/>和第三RBF神经网络/>对历史烟雾图像的第一纹理特征/>、第一颜色特征/>和第一形状特征/>进行初步识别,分别得到每个特征对应的第一烟雾分类结果/>、第二烟雾分类结果/>和第三烟雾分类结果/>,计算如公式(14)至公式(16)所示:
具体地,第一RBF神经网络训练方式为:输入为第一特征/>,输出为无烟雾图片或者烟雾图片,通常采用编码的方式进行表示用0、1表示,0表示无烟雾图片,1表示烟雾图片。同理可得第二RBF神经网络和三RBF神经网络。
步骤2:利用第一权重学习网络、第二权重学习网络/>和第三权重学习网络/>对历史烟雾图像的第一纹理特征/>、第一颜色特征/>和第一形状特征/>进行样本权重设置,分别得到第一纹理特征/>、第一颜色特征/>和第一形状特征/>对第一烟雾分类结果/>的第一烟雾影响权重/>、/>、/>,对第二烟雾分类结果/>的第二烟雾影响权重/>、/>、/>和对第三烟雾分类结果/>的第三烟雾影响权重/>、/>、/>。
具体为:第一权重学习网络的输入分别为第一纹理特征/>、第一颜色特征和第一形状特征/>,输出为归一化处理的第一烟雾分类结果/>的准确度,即烟雾影响权重/>、/>、/>。
准确度的定义如公式(17)所示:
其中,其中,表示分类为无烟雾图片;/>表示分类为烟雾图片;/>表示分类为无烟雾图片;/>表示分类为烟雾图片。
以此类推,可以得到、/>、/>、/>、/>、/>。
步骤3:分别利用第一烟雾分类结果、第二烟雾分类结果/>和第三烟雾分类结果及其对应的烟雾影响权重,对第一SVM/>、第二SVM/>和第三SVM/>进行训练,得到第一烟雾优化分类结果/>、第二烟雾优化分类结果/>和第三烟雾优化分类结果;如公式(18)至公式(20)所示:
步骤4:利用目标SVM第一烟雾优化分类结果/>、第二烟雾优化分类结果/>和第三烟雾优化分类结果/>进行集成,得到目标SVM的输出结果/>,即为烟雾最终训练结果,最终训练结果如公式(21)所示:
同理,如果是历史无烟雾图像的第二纹理特征、第二颜色特征/>和第二形状特征/>,通过步骤1,可以得到第一无烟雾分类结果/>、第二无烟雾分类结果/>和第三无烟雾分类结果/>,通过步骤2,可以得到第一无烟雾影响权重/>、/>、/>,第二无烟雾影响权重、/>、/>和第三无烟雾影响权重/>、/>、/>,通过步骤3,可以得到第一无烟雾优化分类结果/>、第二无烟雾优化分类结果/>和第三无烟雾优化分类结果/>,通过步骤4,可以得到无烟雾最终训练结果,从而完成预设故障识别模型的训练,得到目标故障识别模型。
需要说明的是:在得到目标故障识别模型之后,可以通过目标故障识别模型对待测时刻电池系统的红外照片进行识别,在本发明的一些实施例中,所述对所述红外照片进行分割处理,得到分割结果,并根据所述目标故障识别模型对所述分割结果进行故障识别和定位,得到故障识别定位结果,包括:
根据所述电池系统的电池包的数量对所述红外照片进行分割处理,得到预设个数分割图片;
根据所述电池包的位置对所述预设个数分割图片进行编码,得到包括所述预设个数分割图片的分割结果;
根据所述目标故障识别模型对所述分割结果进行故障识别,得到输出为异常模式的异常分割图片,根据所述异常分割图片的编码,对所述电池系统的异常位置进行定位,得到故障识别定位结果。
在本发明的具体实施例中,可以获取电池系统实时的待检测红外照片,然后根据电池系统内的每个电池包的安装位置进行分割,得到每个电池包对应的分割图像,再根据每个电池对分割图像进行编码,使分割图像与每个电池一一对应,得到分割结果,然后将分割结果中的分割图片输入至目标故障识别模型,通过目标故障识别模型可以对每个分割图片进行识别,输出每个分割图片的识别结果,输出结果可以为正常模式或异常模型,当输出为异常模型时,可以根据输出异常模型对应的分割图片的编码,确定电池系统中出现故障的电池包,实现对电池系统在早期状态出现热失控故障时,对热失控进行故障识别和定位的技术问题。
为了更好实施本发明实施例中的电池系统故障识别方法,在电池系统故障识别方法基础之上,对应地,本发明实施例还提供了一种电池系统故障识别装置,如图3所示,电池系统故障识别装置包括:
图像获取模块301,用于获取电池系统的历史图像和待检测时刻的红外照片;所述历史图像包括历史烟雾图像和历史无烟雾图像;
特征提取模块302,用于分别对所述历史烟雾图像和所述历史无烟雾图像进行特征提取,得到所述历史烟雾图像对应的烟雾特征和所述历史无烟雾图像对应的无烟雾特征;
模型训练模块303,用于根据所述烟雾特征和所述无烟雾特征对预设故障识别模型进行训练,得到目标故障识别模型;
结果确定模块304,用于对所述红外照片进行分割处理,得到分割结果,并根据所述目标故障识别模型对所述分割结果进行故障识别和定位,得到故障识别定位结果。
上述实施例提供的电池系统故障识别装置可实现上述电池系统故障识别方法实施例中描述的技术方案,上述各模块或单元具体实现的原理可参见上述电池系统故障识别方法实施例中的相应内容,此处不再赘述。
如图4所示,本发明还相应提供了一种电子设备400。该电子设备400包括处理器401、存储器402及显示器403。图4仅示出了电子设备400的部分组件,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
存储器402在一些实施例中可以是电子设备400的内部存储单元,例如电子设备400的硬盘或内存。存储器402在另一些实施例中也可以是电子设备400的外部存储设备,例如电子设备400上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
进一步地,存储器402还可既包括电子设备400的内部储存单元也包括外部存储设备。存储器402用于存储安装电子设备400的应用软件及各类数据。
处理器401在一些实施例中可以是一中央处理器(Central Processing Unit,CPU),微处理器或其他数据处理芯片,用于运行存储器402中存储的程序代码或处理数据,例如本发明中的电池系统故障识别方法。
显示器403在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。显示器403用于显示在电子设备400的信息以及用于显示可视化的用户界面。电子设备400的部件401-403通过系统总线相互通信。
在本发明的一些实施例中,当处理器401执行存储器402中的电池系统故障识别程序时,可实现以下步骤:
获取电池系统的历史图像和待检测时刻的红外照片;所述历史图像包括历史烟雾图像和历史无烟雾图像;
分别对所述历史烟雾图像和所述历史无烟雾图像进行特征提取,得到所述历史烟雾图像对应的烟雾特征和所述历史无烟雾图像对应的无烟雾特征;
根据所述烟雾特征和所述无烟雾特征对预设故障识别模型进行训练,得到目标故障识别模型;
对所述红外照片进行分割处理,得到分割结果,并根据所述目标故障识别模型对所述分割结果进行故障识别和定位,得到故障识别定位结果。
应当理解的是:处理器401在执行存储器402中的电池系统故障识别程序时,除了上面的功能之外,还可实现其他功能,具体可参见前面相应方法实施例的描述。
进一步地,本发明实施例对提及的电子设备400的类型不做具体限定,电子设备400可以为手机、平板电脑、个人数字助理(personal digitalassistant,PDA)、可穿戴设备、膝上型计算机(laptop)等便携式电子设备。便携式电子设备的示例性实施例包括但不限于搭载IOS、android、microsoft或者其他操作系统的便携式电子设备。上述便携式电子设备也可以是其他便携式电子设备,诸如具有触敏表面(例如触控面板)的膝上型计算机(laptop)等。还应当理解的是,在本发明其他一些实施例中,电子设备400也可以不是便携式电子设备,而是具有触敏表面(例如触控面板)的台式计算机。
相应地,本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质用于存储计算机可读取的程序或指令,程序或指令被处理器执行时,能够实现上述各方法实施例提供的电池系统故障识别方法步骤或功能。
本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,可以通过计算机程序来指令相关的硬件(如处理器,控制器等)来完成,计算机程序可存储于计算机可读存储介质中。其中,计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上对本发明所提供的电池系统故障识别方法及装置进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种电池系统故障识别方法,其特征在于,包括:
获取电池系统的历史图像和待检测时刻的红外照片;所述历史图像包括历史烟雾图像和历史无烟雾图像;
分别对所述历史烟雾图像和所述历史无烟雾图像进行特征提取,得到所述历史烟雾图像对应的烟雾特征和所述历史无烟雾图像对应的无烟雾特征;
根据所述烟雾特征和所述无烟雾特征对预设故障识别模型进行训练,得到目标故障识别模型;
对所述红外照片进行分割处理,得到分割结果,并根据所述目标故障识别模型对所述分割结果进行故障识别和定位,得到故障识别定位结果;
所述根据所述烟雾特征和所述无烟雾特征对预设故障识别模型进行训练,得到目标故障识别模型,包括:
将所述烟雾特征和所述无烟雾特征输入至所述预设故障识别模型的预设个数神经网络中,分别得到所述烟雾特征中每个特征对应的烟雾分类结果,以及所述无烟雾特征中每个特征对应的无烟雾分类结果;
将所述烟雾特征和所述无烟雾特征输入至预设个权重学习网络中,分别得到所述烟雾特征中每个烟雾分类结果对应的烟雾影响权重,以及所述无烟雾特征中每个无烟雾分类结果对应的无烟雾影响权重;
分别根据所述每个烟雾分类结果对应的所述烟雾影响权重和所述每个无烟雾分类结果对应的所述无烟雾影响权重对预设个数SVM进行训练,得到所述烟雾特征对应每个SVM的烟雾优化分类结果、以及所述无烟雾特征对应所述每个SVM的无烟雾优化分类结果;
根据目标SVM分别对所有烟雾优化分类结果和所有无烟雾优化分类结果进行集成,得到所述烟雾特征的烟雾最终训练结果和所述无烟雾特征的无烟雾最终训练结果,从而得到目标故障识别模型;
所述对所述红外照片进行分割处理,得到分割结果,并根据所述目标故障识别模型对所述分割结果进行故障识别和定位,得到故障识别定位结果,包括:
根据所述电池系统的电池包的数量对所述红外照片进行分割处理,得到预设个数分割图片;
根据所述电池包的位置对所述预设个数分割图片进行编码,得到包括所述预设个数分割图片的分割结果;
根据所述目标故障识别模型对所述分割结果进行故障识别,得到输出为异常模式的异常分割图片,根据所述异常分割图片的编码,对所述电池系统的异常位置进行定位,得到故障识别定位结果。
2.根据权利要求1所述的电池系统故障识别方法,其特征在于,所述烟雾特征包括第一纹理特征,所述无烟雾特征包括第二纹理特征;
所述分别对所述历史烟雾图像和所述历史无烟雾图像进行特征提取,得到所述历史烟雾图像对应的烟雾特征和所述历史无烟雾图像对应的无烟雾特征,包括:
分别对所述历史烟雾图像和所述历史无烟雾图像进行统计处理,得到所述历史烟雾图像的第一统计特征参数和所述历史无烟雾图像上的第二统计特征参数;
分别对所述第一统计特征参数和所述第二统计特征参数进行计算,得到所述历史烟雾图像的第一纹理特征和所述历史无烟雾图像的第二纹理特征。
3.根据权利要求1所述的电池系统故障识别方法,其特征在于,所述烟雾特征包括第一颜色特征,所述无烟雾特征包括第二颜色特征;
所述分别对所述历史烟雾图像和所述历史无烟雾图像进行特征提取,得到所述历史烟雾图像对应的烟雾特征和所述历史无烟雾图像对应的无烟雾特征,包括:
根据预设颜色直方图方法对所述历史烟雾图像和所述历史无烟雾图像进行处理,分别得到所述历史烟雾图像的第一像素数量分布图和所述历史无烟雾图像中像素的第二像素数量分布图;
根据预设目标图像上的第三像素总数量分别与所述第一像素数量分布图的第一像素总数量和所述第二像素数量分布图的第二像素总数量进行计算,得到所述历史烟雾图像的第一颜色特征和所述历史无烟雾图像的第二颜色特征。
4.根据权利要求1所述的电池系统故障识别方法,其特征在于,所述烟雾特征包括第一形状特征,所述无烟雾特征包括第二形状特征;
所述分别对所述历史烟雾图像和所述历史无烟雾图像进行特征提取,得到所述历史烟雾图像对应的烟雾特征和所述历史无烟雾图像对应的无烟雾特征,包括:
分别对所述历史烟雾图像和所述历史无烟雾图像进行轮廓分析,得到所述历史烟雾图像的曲率突变的第一轮廓像素点和所述历史无烟雾图像的曲率突变的第二轮廓像素点;
分别根据预设像素点数对所述第一轮廓像素点和所述第二轮廓像素点进行采样,得到所述第一轮廓像素点对应的预设个数第一采样点和所述第二轮廓像素点对应的预设个数第二采样点;
根据所述预设个数第一采样点中两两采样点与坐标轴,确定预设个数第一两采样点连线夹角;
根据所述预设个数第二采样点中两两采样点与坐标轴,确定预设个数第二两采样点连线夹角;
根据预设曲率公式分别对所述预设个数第一两采样点连线夹角和所述预设个数第二两采样点连线夹角进行计算,得到所述历史烟雾图像的第一形状特征和所述历史无烟雾图像的第二形状特征。
5.根据权利要求2所述的电池系统故障识别方法,其特征在于,所述分别对所述历史烟雾图像和所述历史无烟雾图像进行统计处理,得到所述历史烟雾图像的第一统计特征参数和所述历史无烟雾图像上的第二统计特征参数,包括:
采用灰度共生矩阵方法分别对所述历史烟雾图像和所述历史无烟雾图像进行处理,得到所述历史烟雾图像的预设个数第一灰度共生矩阵和所述历史无烟雾图像的预设个数第二灰度共生矩阵;
根据每个第一灰度共生矩阵对应的像素点的坐标,得到所述每个第一灰度共生矩阵对应的第一矩阵概率;
根据每个第二灰度共生矩阵对应的像素点的坐标,得到所述每个第二灰度共生矩阵对应的第二矩阵概率;
分别对所述预设个数第一灰度共生矩阵的所有第一矩阵概率和所述预设个数第二灰度共生矩阵的所有第二矩阵概率进行计算,得到所述历史烟雾图像的第一统计特征参数和所述历史无烟雾图像上的第二统计特征参数。
6.根据权利要求5所述的电池系统故障识别方法,其特征在于,所述第一统计特征参数包括第一能量特征参数、第一对比度参数和第一熵特征参数,所述第二统计特征参数包括第二能量特征参数、第二对比度参数和第二熵特征参数;
所述分别对所述预设个数第一灰度共生矩阵的所有第一矩阵概率和所述预设个数第二灰度共生矩阵的所有第二矩阵概率进行计算,得到所述历史烟雾图像的第一统计特征参数和所述历史无烟雾图像上的第二统计特征参数,包括:
根据预设能量公式分别对所述所有第一矩阵概率和所述所有第二矩阵概率进行计算,得到所述历史烟雾图像的第一能量特征参数和所述历史无烟雾图像的第二能量特征参数;
根据预设对比度公式分别对所述所有第一矩阵概率和所述所有第二矩阵概率进行计算,得到所述历史烟雾图像的第一对比度参数和所述历史无烟雾图像的第二对比度参数;
根据预设熵公式分别对所述所有第一矩阵概率和所述所有第二矩阵概率进行计算,得到所述历史烟雾图像的第一熵特征参数和所述历史无烟雾图像的第二熵特征参数。
7.根据权利要求6所述的电池系统故障识别方法,其特征在于,所述第一统计特征参数包括第一延伸长度参数,所述第二统计特征参数包括第二延伸长度参数;
所述分别对所述预设个数第一灰度共生矩阵的所有第一矩阵概率和所述预设个数第二灰度共生矩阵的所有第二矩阵概率进行计算,得到所述历史烟雾图像的第一统计特征参数和所述历史无烟雾图像上的第二统计特征参数,包括:
分别计算所述预设个数第一灰度共生矩阵中所述所有第一矩阵概率的第一均值和第二均值,以及所述预设个数第二灰度共生矩阵中所述所有第二矩阵概率的第三均值和第四均值;
对所述所有第一矩阵概率和所述第一均值进行计算,得到所述预设个数第一灰度共生矩阵的第一方差,并对所述所有第一矩阵概率和所述第二均值进行计算,得到所述预设个数第一灰度共生矩阵的第二方差;
对所述所有第二矩阵概率和所述第三均值进行计算,得到所述预设个数第二灰度共生矩阵的第三方差,并对所述所有第二矩阵概率和所述第四均值进行计算,得到所述预设个数第二灰度共生矩阵的第四方差;
根据所述所有第一矩阵概率、所述第一均值、所述第二均值、所述第一方差和所述第二方差,得到所述预设个数第一灰度共生矩阵的第一延伸长度参数,以及根据所述所有第二矩阵概率、所述第三均值、所述第四均值、所述第三方差和所述第四方差,得到所述预设个数第二灰度共生矩阵的第二延伸长度参数。
8.一种电池系统故障识别装置,其特征在于,包括:
图像获取模块,用于获取电池系统的历史图像和待检测时刻的红外照片;所述历史图像包括历史烟雾图像和历史无烟雾图像;
特征提取模块,用于分别对所述历史烟雾图像和所述历史无烟雾图像进行特征提取,得到所述历史烟雾图像对应的烟雾特征和所述历史无烟雾图像对应的无烟雾特征;
模型训练模块,用于根据所述烟雾特征和所述无烟雾特征对预设故障识别模型进行训练,得到目标故障识别模型;
结果确定模块,用于对所述红外照片进行分割处理,得到分割结果,并根据所述目标故障识别模型对所述分割结果进行故障识别和定位,得到故障识别定位结果;
所述模型训练模块,还用于将所述烟雾特征和所述无烟雾特征输入至所述预设故障识别模型的预设个数神经网络中,分别得到所述烟雾特征中每个特征对应的烟雾分类结果,以及所述无烟雾特征中每个特征对应的无烟雾分类结果;将所述烟雾特征和所述无烟雾特征输入至预设个权重学习网络中,分别得到所述烟雾特征中每个烟雾分类结果对应的烟雾影响权重,以及所述无烟雾特征中每个无烟雾分类结果对应的无烟雾影响权重;分别根据所述每个烟雾分类结果对应的所述烟雾影响权重和所述每个无烟雾分类结果对应的所述无烟雾影响权重对预设个数SVM进行训练,得到所述烟雾特征对应每个SVM的烟雾优化分类结果、以及所述无烟雾特征对应所述每个SVM的无烟雾优化分类结果;根据目标SVM分别对所有烟雾优化分类结果和所有无烟雾优化分类结果进行集成,得到所述烟雾特征的烟雾最终训练结果和所述无烟雾特征的无烟雾最终训练结果,从而得到目标故障识别模型;
所述结果确定模块,还用于根据所述电池系统的电池包的数量对所述红外照片进行分割处理,得到预设个数分割图片;根据所述电池包的位置对所述预设个数分割图片进行编码,得到包括所述预设个数分割图片的分割结果;根据所述目标故障识别模型对所述分割结果进行故障识别,得到输出为异常模式的异常分割图片,根据所述异常分割图片的编码,对所述电池系统的异常位置进行定位,得到故障识别定位结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311151603.7A CN116883764B (zh) | 2023-09-07 | 2023-09-07 | 一种电池系统故障识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311151603.7A CN116883764B (zh) | 2023-09-07 | 2023-09-07 | 一种电池系统故障识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116883764A CN116883764A (zh) | 2023-10-13 |
CN116883764B true CN116883764B (zh) | 2023-11-24 |
Family
ID=88262569
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311151603.7A Active CN116883764B (zh) | 2023-09-07 | 2023-09-07 | 一种电池系统故障识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116883764B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109241983A (zh) * | 2018-09-13 | 2019-01-18 | 电子科技大学 | 一种图像处理与神经网络结合的条烟图像识别方法 |
CN110415260A (zh) * | 2019-08-01 | 2019-11-05 | 西安科技大学 | 基于字典与bp神经网络的烟雾图像分割与识别方法 |
CN112215182A (zh) * | 2020-10-21 | 2021-01-12 | 中国人民解放军火箭军工程大学 | 一种适用于森林火灾的烟雾识别方法 |
US11295131B1 (en) * | 2021-06-15 | 2022-04-05 | Knoetik Solutions, Inc. | Smoke and fire recognition, fire forecasting, and monitoring |
CN114943923A (zh) * | 2022-06-17 | 2022-08-26 | 中国人民解放军陆军炮兵防空兵学院 | 基于深度学习的视频识别炮弹爆炸火光烟雾方法及系统 |
JP2022184321A (ja) * | 2021-06-01 | 2022-12-13 | 国立大学法人徳島大学 | 煙検出装置 |
CN116311078A (zh) * | 2023-05-11 | 2023-06-23 | 四川三思德科技有限公司 | 一种林火分析及监测方法、系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110555838A (zh) * | 2019-09-06 | 2019-12-10 | 北京百度网讯科技有限公司 | 基于图像的零件故障检测方法及装置 |
-
2023
- 2023-09-07 CN CN202311151603.7A patent/CN116883764B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109241983A (zh) * | 2018-09-13 | 2019-01-18 | 电子科技大学 | 一种图像处理与神经网络结合的条烟图像识别方法 |
CN110415260A (zh) * | 2019-08-01 | 2019-11-05 | 西安科技大学 | 基于字典与bp神经网络的烟雾图像分割与识别方法 |
CN112215182A (zh) * | 2020-10-21 | 2021-01-12 | 中国人民解放军火箭军工程大学 | 一种适用于森林火灾的烟雾识别方法 |
JP2022184321A (ja) * | 2021-06-01 | 2022-12-13 | 国立大学法人徳島大学 | 煙検出装置 |
US11295131B1 (en) * | 2021-06-15 | 2022-04-05 | Knoetik Solutions, Inc. | Smoke and fire recognition, fire forecasting, and monitoring |
CN114943923A (zh) * | 2022-06-17 | 2022-08-26 | 中国人民解放军陆军炮兵防空兵学院 | 基于深度学习的视频识别炮弹爆炸火光烟雾方法及系统 |
CN116311078A (zh) * | 2023-05-11 | 2023-06-23 | 四川三思德科技有限公司 | 一种林火分析及监测方法、系统 |
Non-Patent Citations (2)
Title |
---|
变电站蓄电池状态监测及火灾防控技术研究;杜旭浩等;电源技术研究与设计;第438-442页 * |
早期森林火灾烟雾识别方法研究;王晨旭;中国优秀硕士学位论文全文数据库 农业科技辑;第D046-1页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116883764A (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764048B (zh) | 人脸关键点检测方法及装置 | |
CN110866496B (zh) | 基于深度图像的机器人定位与建图方法和装置 | |
CN108734210B (zh) | 一种基于跨模态多尺度特征融合的对象检测方法 | |
CN112418216B (zh) | 一种复杂自然场景图像中的文字检测方法 | |
CN109919077B (zh) | 姿态识别方法、装置、介质和计算设备 | |
CN113971751A (zh) | 训练特征提取模型、检测相似图像的方法和装置 | |
US20220172376A1 (en) | Target Tracking Method and Device, and Electronic Apparatus | |
CN113490947A (zh) | 检测模型训练方法、装置、检测模型使用方法及存储介质 | |
CN116168351B (zh) | 电力设备巡检方法及装置 | |
US11967125B2 (en) | Image processing method and system | |
CN114550051A (zh) | 一种车损检测方法、装置、计算机设备及存储介质 | |
CN116503399A (zh) | 基于yolo-afps的绝缘子污闪检测方法 | |
CN111192312B (zh) | 基于深度学习的深度图像获取方法、装置、设备及介质 | |
CN116883764B (zh) | 一种电池系统故障识别方法及装置 | |
CN110909578A (zh) | 一种低分辨率图像识别方法、装置和存储介质 | |
CN115424335B (zh) | 活体识别模型训练方法、活体识别方法及相关设备 | |
CN117391466A (zh) | 一种新型矛盾纠纷案件的预警方法和系统 | |
CN117011772A (zh) | 一种输电线路的风险提示方法、装置和存储介质 | |
US9378428B2 (en) | Incomplete patterns | |
CN114972146A (zh) | 基于生成对抗式双通道权重分配的图像融合方法及装置 | |
CN114627535B (zh) | 基于双目摄像头的坐标匹配方法、装置、设备及介质 | |
CN114241411B (zh) | 基于目标检测的计数模型处理方法、装置及计算机设备 | |
CN113255456B (zh) | 非主动活体检测方法、装置、电子设备及存储介质 | |
Lin et al. | A cost-effective automatic dial meter reader using a lightweight convolutional neural network | |
CN116977696A (zh) | 高空作业安全带检测方法、装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |