CN117058468A - 用于新能源汽车锂电池回收的图像识别与分类系统 - Google Patents
用于新能源汽车锂电池回收的图像识别与分类系统 Download PDFInfo
- Publication number
- CN117058468A CN117058468A CN202311307579.1A CN202311307579A CN117058468A CN 117058468 A CN117058468 A CN 117058468A CN 202311307579 A CN202311307579 A CN 202311307579A CN 117058468 A CN117058468 A CN 117058468A
- Authority
- CN
- China
- Prior art keywords
- new energy
- energy automobile
- lithium battery
- image data
- layer
- 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.)
- Granted
Links
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 70
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 70
- 238000004064 recycling Methods 0.000 title claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000013135 deep learning Methods 0.000 claims abstract description 27
- 230000011218 segmentation Effects 0.000 claims abstract description 19
- 239000002245 particle Substances 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 3
- 239000002699 waste material Substances 0.000 description 5
- 238000011084 recovery Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000007773 negative electrode material Substances 0.000 description 1
- 239000007774 positive electrode material Substances 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/30—Administration of product recycling or disposal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Resources & Organizations (AREA)
- Sustainable Development (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域，尤其为用于新能源汽车锂电池回收的图像识别与分类系统，包括：采集模块：用于采集新能源汽车锂电池图像数据；第一处理模块：用于对采集的新能源汽车锂电池图像数据进行初步处理；第二处理模块：用于对采集的新能源汽车锂电池图像数据进行中度处理；第三处理模块：用于对采集的新能源汽车锂电池图像数据进行深度处理；分类模块：用于根据深度处理结果对新能源汽车锂电池进行分类。本发明基于自适应分割处理对图像进行自适应分割，再通过深度学习网络对各局部子图像进行识别、分类，还融入注意力机制提升特征提取能力，通过混合粒子群算法对深度学习网络的权重进行优化，提高深度学习网络的识别、分类性能和泛化能力。
Description
技术领域
本发明涉及图像处理技术领域，尤其是用于新能源汽车锂电池回收的图像识别与分类系统。
背景技术
电动汽车的发展旨在防治污染和能源消耗，而对于电动汽车的使用来说，电动汽车必不可少的锂电池为影响电动汽车寿命的重要因素，随着电池使用年限的增加，锂电池的电池容量会随之下降，无法满足汽车行驶需求的锂电池不可避免的被淘汰回收。
废旧锂电池可回收部分主要包括正极材料、负极材料、电解液、隔膜、壳、盖板等。废旧锂电池分类的回收价值一般较大，但是，不同废旧程度的锂电池分类的回收价值差异也较大，因此，为了进行高效的废旧锂电池分类，一般还需要对分类处理。现有技术中一般通过对采集的电池图像进行初步分类的情况下，还需对分类结果进行二次确认，耗费大量时间，使得分类效率降低。
发明内容
本发明的目的是通过提出用于新能源汽车锂电池回收的图像识别与分类系统，以解决上述背景技术中提出的缺陷。
本发明采用的技术方案如下：
提供用于新能源汽车锂电池回收的图像识别与分类系统，包括：
采集模块：用于采集新能源汽车锂电池图像数据；
第一处理模块：用于对采集的新能源汽车锂电池图像数据进行初步处理；
第二处理模块：用于对采集的新能源汽车锂电池图像数据进行中度处理；
第三处理模块：用于对采集的新能源汽车锂电池图像数据进行深度处理；
分类模块：用于根据深度处理结果对新能源汽车锂电池进行分类。
作为本发明的一种优选技术方案：所述第一处理模块对采集的新能源汽车锂电池图像数据进行自适应分割处理。
作为本发明的一种优选技术方案：所述自适应分割处理具体如下：
基于图像灰度值划分个灰度级，灰度值为/>时的像素数为/>，总的像素数为，各灰度值出现的概率为/>，其中/>，
将图像分割成两个区域，将灰度值分为背景和目标两类，两类出现的概率分别为：
其中，为背景/>出现的概率，/>为目标/>出现的概率；
两类的灰度均值分别为：
其中，为背景/>的灰度均值，/>为目标/>的灰度均值；
图像总的灰度均值为：
得到两区域的类间方差为：
得到最佳划分阈值：
其中，为最佳划分阈值，/>为求参函数。
作为本发明的一种优选技术方案：所述第二处理模块对自适应分割后的新能源汽车锂电池图像数据分别进行检测优化处理。
作为本发明的一种优选技术方案：所述检测优化处理具体如下：
其中，为尺度因子，/>、/>分别为分割后的新能源汽车锂电池图像的高、宽，/>为比例常数。
作为本发明的一种优选技术方案：所述第三处理模块基于深度学习网络对新能源汽车锂电池图像数据进行精准识别。
作为本发明的一种优选技术方案：所述深度学习网络包括输入层CNN层、BiLSTM层、注意力层和输出层。
作为本发明的一种优选技术方案：所述深度学习网络具体如下：
所述CNN层融入方向滤波器
其中，为提取的第/>个输出特征，/>为修正单元，/>为第/>个卷积核权重矩阵，为输入的新能源汽车锂电池图像数据，/>为模型偏置，/>为3D卷积操作，/>为第/>个对应的学习滤波器，/>为点乘运算，/>为方向滤波器滤波核；
所述BiLSTM层具体如下：
其中，、/>分别为/>时刻、/>时刻正向/>输出隐藏状态，/>、/>分别为/>时刻、/>时刻反向/>输出隐藏状态，/>为/>时刻输入，/>为BiLSTM 层/>时刻隐藏状态，/>、/>分别为正向/>与反向/>对应的权值，/>为偏置，/>为BiLSTM 层输出的隐藏层状态序列；
所述注意力层的注意力机制具体如下：
其中，为/>时刻注意力机制输出，/>为权值，/>为BiLSTM 层/>时刻隐藏状态，/>为注意力机制输出矩阵；
所述输出层输出具体如下：
其中，为非线性激活函数，/>为权重，/>为偏置。
作为本发明的一种优选技术方案：所述深度学习网络基于混合粒子群算法进行权值的优化：
粒子经过如下算法进行迭代更新寻取最优解：
其中，表示第/>个粒子第/>次迭代的速度，/>表示第/>个粒子第/>次迭代的速度，/>表示第/>个粒子第/>次迭代的位置，/>表示第/>个粒子第/>次迭代的位置，/>为第/>次迭代的粒子的随机惯性权重，/>、/>均为/>间的一个随机数，/>、/>均为学习因子，/>表示个体历史最优位置；/>表示群体最优位置。
作为本发明的一种优选技术方案：所述分类模块划分分类阈值，根据输出层输出结果进行比较输出分类结果。
本发明提供的用于新能源汽车锂电池回收的图像识别与分类系统，与现有技术相比，其有益效果有：
本发明基于自适应分割处理对新能源汽车锂电池图像数据进行自适应分割获得多个局部子图像，再通过深度学习网络对各局部子图像进行识别、分类，通过融入注意力机制，提升对于新能源汽车锂电池图像数据的局部特征、全局特征和关键信息的特征提取能力，还通过混合粒子群算法对深度学习网络的权重进行优化，提高了深度学习网络的识别、分类性能和泛化能力。
附图说明
图1为本发明优选实施例的系统框图。
图中各个标记的意义为：100、采集模块；200、第一处理模块；300、第二处理模块；400、第三处理模块；500、分类模块。
具体实施方式
需要说明的是，在不冲突的情况下，本实施例中的实施例及实施例中的特征可以相互组合，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，本领域普通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。
参照图1，本发明优选实施例提供了用于新能源汽车锂电池回收的图像识别与分类系统，包括：
采集模块100：用于采集新能源汽车锂电池图像数据；
第一处理模块200：用于对采集的新能源汽车锂电池图像数据进行初步处理；
第二处理模块300：用于对采集的新能源汽车锂电池图像数据进行中度处理；
第三处理模块400：用于对采集的新能源汽车锂电池图像数据进行深度处理；
分类模块500：用于根据深度处理结果对新能源汽车锂电池进行分类。
所述第一处理模块200对采集的新能源汽车锂电池图像数据进行自适应分割处理。
所述自适应分割处理具体如下：
基于图像灰度值划分个灰度级，灰度值为/>时的像素数为/>，总的像素数为，各灰度值出现的概率为/>，其中/>，
将图像分割成两个区域，将灰度值分为背景和目标两类，两类出现的概率分别为：
其中，为背景/>出现的概率，/>为目标/>出现的概率；
两类的灰度均值分别为：
其中，为背景/>的灰度均值，/>为目标/>的灰度均值；
图像总的灰度均值为：
得到两区域的类间方差为：
得到最佳划分阈值：
其中，为最佳划分阈值，/>为求参函数。最终，通过找到最佳划分阈值/>，可以将图像分成两个区域，一个背景区域和一个目标区域，以便进一步的图像处理或分析。可以根据图像的灰度分布自适应地选择分割阈值，以提高分割的准确性。
为考虑到使用线性权重来计算灰度均值和方差时平等地对待所有像素，不考虑它们与均值的距离。如果图像中存在噪声像素，它们会对灰度均值和方差的计算产生不利影响，从而导致不稳定的结果。所以，在本发明的另一个优选实施例中，两类的灰度均值采用非线性的方法进行计算：
这样一来使得灰度均值的计算更加关注接近均值的像素。这可以更好地捕捉图像中的局部特征，有助于分割具有复杂灰度分布的图像。并且降低了远离均值的像素对灰度均值的贡献，噪声像素的影响会减小。有助于提高算法对噪声的鲁棒性，从而产生更稳定的分割结果。所述第二处理模块300对自适应分割后的新能源汽车锂电池图像数据分别进行检测优化处理。
所述检测优化处理具体如下：
其中，为尺度因子，/>、/>分别为分割后的新能源汽车锂电池图像的高、宽，/>为比例常数。
所述第三处理模块400基于深度学习网络对新能源汽车锂电池图像数据进行精准识别。
所述深度学习网络包括输入层CNN层、BiLSTM层、注意力层和输出层。
所述深度学习网络具体如下：
所述CNN层融入方向滤波器
其中，为提取的第/>个输出特征，/>为修正单元，/>为第/>个卷积核权重矩阵，为输入的新能源汽车锂电池图像数据，/>为模型偏置，/>为3D卷积操作，/>为第/>个对应的学习滤波器，/>为点乘运算，/>为方向滤波器滤波核；
所述BiLSTM层具体如下：
其中，、/>分别为/>时刻、/>时刻正向/>输出隐藏状态，/>、/>分别为/>时刻、/>时刻反向/>输出隐藏状态，/>为/>时刻输入，/>为BiLSTM 层/>时刻隐藏状态，/>、/>分别为正向/>与反向/>对应的权值，/>为偏置，/>为BiLSTM 层输出的隐藏层状态序列；
所述注意力层的注意力机制具体如下：
其中，为/>时刻注意力机制输出，/>为权值，/>为BiLSTM 层/>时刻隐藏状态，/>为注意力机制输出矩阵；
所述输出层输出具体如下：
其中，为非线性激活函数，/>为权重，/>为偏置。
所述深度学习网络基于混合粒子群算法进行权值的优化：
粒子经过如下算法进行迭代更新寻取最优解：
其中，表示第/>个粒子第/>次迭代的速度，/>表示第/>个粒子第/>次迭代的速度，/>表示第/>个粒子第/>次迭代的位置，/>表示第/>个粒子第/>次迭代的位置，/>为第/>次迭代的粒子的随机惯性权重，/>、/>均为/>间的一个随机数，/>、/>均为学习因子，/>表示个体历史最优位置；/>表示群体最优位置。
所述分类模块500划分分类阈值，根据输出层输出结果进行比较输出分类结果。
本实施例中，采集模块100采集回收的新能源汽车锂电池图像数据，第一处理模块200对采集的新能源汽车锂电池图像数据进行自适应分割处理，对图像局部进行自适应分割处理，提升对于新能源汽车锂电池图像数据的识别准确率：
设基于图像灰度值划分为6个灰度级，灰度值为时的像素数为/>，总的像素数为，各灰度值出现的概率为/>，其中/>，
将图像分割成两个区域，将灰度值分为背景和目标两类，两类出现的概率分别为：
其中，为背景/>出现的概率，/>为目标/>出现的概率；
两类的灰度均值分别为：
其中，为背景/>的灰度均值，/>为目标/>的灰度均值；
图像总的灰度均值为：
得到两区域的类间方差为：
得到最佳划分阈值：
其中，为最佳划分阈值，/>为求参函数；
第二处理模块300对自适应分割后的新能源汽车锂电池图像数据分别进行检测优化处理：
其中，为尺度因子，/>、/>分别为分割后的新能源汽车锂电池图像的高、宽，/>为比例常数。
通过上述的检测优化处理，能够对新能源汽车锂电池的局部图像进行相应的缩放处理，便于对图像的精准识别。
第三处理模块400基于深度学习网络对新能源汽车锂电池图像数据进行精准识别，深度学习网络的CNN层中融入方向滤波器，具体如下：
其中，为提取的第/>个输出特征，/>为修正单元，/>为第/>个卷积核权重矩阵，为输入的新能源汽车锂电池图像数据，/>为模型偏置，/>为3D卷积操作，/>为第/>个对应的学习滤波器，/>为点乘运算，/>为方向滤波器滤波核；
深度学习网络的BiLSTM层具体如下：
其中，、/>分别为/>时刻、/>时刻正向/>输出隐藏状态，/>、/>分别为/>时刻、/>时刻反向/>输出隐藏状态，/>为/>时刻输入，/>为BiLSTM 层/>时刻隐藏状态，/>、/>分别为正向/>与反向/>对应的权值，/>为偏置，/>为BiLSTM 层输出的隐藏层状态序列；
深度学习网络中注意力层的注意力机制具体如下：
其中，为/>时刻注意力机制输出，/>为权值，/>为BiLSTM 层/>时刻隐藏状态，/>为注意力机制输出矩阵；
深度学习网络的输出层输出具体如下：
其中，为非线性激活函数，/>为权重，/>为偏置。
深度学习网络基于混合粒子群算法进行权值的优化，以第9次迭代为例：
其中，表示第/>个粒子第10次迭代的速度，/>表示第/>个粒子第9次迭代的速度，/>表示第/>个粒子第10次迭代的位置，/>表示第/>个粒子第9次迭代的位置，/>为第9次迭代的粒子的随机惯性权重，/>、/>均为/>间的一个随机数，/>、/>均为学习因子，表示个体历史最优位置；/>表示群体最优位置。
深度学习网络融入注意力机制，并基于CNN网络和LSTM网络，能够从新能源汽车锂电池图像数据的局部特征、全局特征和关键信息进行多方面深入挖掘，具有优异的特征提取能力，同时通过混合粒子群算法进行权值的优化，通过线性递减策略更新权重和学习因子，在算法搜素初期，增强全局搜索能力，更大可能的遍历解空间，避免陷入局部最优解，在算法搜索后期，增强局部搜索能力，能够更大可能的锁定最优解，提高了深度学习网络的识别、分类性能和泛化能力。
分类模块划分分类阈值，并根据深度学习网络的输出层输出结果进行比较，输出回收的新能源汽车锂电池的种类分类及废旧程度分类结果。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (9)
1.用于新能源汽车锂电池回收的图像识别与分类系统，其特征在于：包括：
采集模块（100）：用于采集新能源汽车锂电池图像数据；
第一处理模块（200）：用于对采集的新能源汽车锂电池图像数据进行初步处理；
第二处理模块（300）：用于对采集的新能源汽车锂电池图像数据进行中度处理；
第三处理模块（400）：用于对采集的新能源汽车锂电池图像数据进行深度处理；
分类模块（500）：用于根据深度处理结果对新能源汽车锂电池进行分类；
所述第一处理模块（200）对采集的新能源汽车锂电池图像数据进行自适应分割处理。
2.根据权利要求1所述的用于新能源汽车锂电池回收的图像识别与分类系统，其特征在于：所述自适应分割处理具体如下：
基于图像灰度值划分个灰度级，灰度值为/>时的像素数为/>，总的像素数为，各灰度值出现的概率为/>，其中，/>，
将图像分割成两个区域，将灰度值分为背景和目标两类，两类出现的概率分别为：
其中，为背景/>出现的概率，/>为目标/>出现的概率；
两类的灰度均值分别为：
其中，为背景/>的灰度均值，/>为目标/>的灰度均值；
图像总的灰度均值为：
得到两区域的类间方差为：
得到最佳划分阈值：
其中，为最佳划分阈值，/>为求参函数。
3.根据权利要求2所述的用于新能源汽车锂电池回收的图像识别与分类系统，其特征在于：所述第二处理模块（300）对自适应分割后的新能源汽车锂电池图像数据分别进行检测优化处理。
4.根据权利要求3所述的用于新能源汽车锂电池回收的图像识别与分类系统，其特征在于：所述检测优化处理具体如下：
其中，为尺度因子，/>、/>分别为分割后的新能源汽车锂电池图像的高、宽，/>为比例常数。
5.根据权利要求4所述的用于新能源汽车锂电池回收的图像识别与分类系统，其特征在于：所述第三处理模块（400）基于深度学习网络对新能源汽车锂电池图像数据进行精准识别。
6.根据权利要求5所述的用于新能源汽车锂电池回收的图像识别与分类系统，其特征在于：所述深度学习网络包括输入层CNN层、BiLSTM层、注意力层和输出层。
7.根据权利要求6所述的用于新能源汽车锂电池回收的图像识别与分类系统，其特征在于：所述深度学习网络具体如下：
所述CNN层融入方向滤波器
其中，为提取的第/>个输出特征，/>为修正单元，/>为第/>个卷积核权重矩阵，/>为输入的新能源汽车锂电池图像数据，/>为模型偏置，/>为3D卷积操作，/>为第/>个对应的学习滤波器，/>为点乘运算，/>为方向滤波器滤波核；
所述BiLSTM层具体如下：
其中，、/>分别为/>时刻、/>时刻正向/>输出隐藏状态，/>、/>分别为/>时刻、/>时刻反向/>输出隐藏状态，/>为/>时刻输入，/>为BiLSTM 层/>时刻隐藏状态，、/>分别为正向/>与反向/>对应的权值，/>为偏置，/>为BiLSTM 层输出的隐藏层状态序列；
所述注意力层的注意力机制具体如下：
其中，为/>时刻注意力机制输出，/>为权值，/>为BiLSTM 层/>时刻隐藏状态，/>为注意力机制输出矩阵；
所述输出层输出具体如下：
其中，为非线性激活函数，/>为权重，/>为偏置。
8.根据权利要求7所述的用于新能源汽车锂电池回收的图像识别与分类系统，其特征在于：所述深度学习网络基于混合粒子群算法进行权值的优化：
粒子经过如下算法进行迭代更新寻取最优解：
其中，表示第/>个粒子第/>次迭代的速度，/>表示第/>个粒子第/>次迭代的速度，表示第/>个粒子第/>次迭代的位置，/>表示第/>个粒子第/>次迭代的位置，/>为第/>次迭代的粒子的随机惯性权重，/>、/>均为/>间的一个随机数，/>、/>均为学习因子，/>表示个体历史最优位置；/>表示群体最优位置。
9.根据权利要求8所述的用于新能源汽车锂电池回收的图像识别与分类系统，其特征在于：所述分类模块（500）划分分类阈值，根据输出层输出结果进行比较输出分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311307579.1A CN117058468B (zh) | 2023-10-11 | 2023-10-11 | 用于新能源汽车锂电池回收的图像识别与分类系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311307579.1A CN117058468B (zh) | 2023-10-11 | 2023-10-11 | 用于新能源汽车锂电池回收的图像识别与分类系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117058468A true CN117058468A (zh) | 2023-11-14 |
| CN117058468B CN117058468B (zh) | 2023-12-19 |
Family
ID=88655613
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311307579.1A Active CN117058468B (zh) | 2023-10-11 | 2023-10-11 | 用于新能源汽车锂电池回收的图像识别与分类系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117058468B (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110929696A (zh) * | 2019-12-16 | 2020-03-27 | 中国矿业大学 | 一种基于多模态注意与自适应融合的遥感图像语义分割方法 |
| CN112258459A (zh) * | 2020-10-12 | 2021-01-22 | 江南大学 | 一种基于集成深度学习的锂电池瑕疵检测方法 |
| AU2020103901A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field |
| WO2021114130A1 (zh) * | 2019-12-11 | 2021-06-17 | 中国科学院深圳先进技术研究院 | 一种无监督自适应乳腺病变分割方法 |
| WO2021253939A1 (zh) * | 2020-06-18 | 2021-12-23 | 南通大学 | 一种用于眼底视网膜血管图像分割的粗糙集神经网络方法 |
| CN114677403A (zh) * | 2021-11-17 | 2022-06-28 | 东南大学 | 基于深度学习注意力机制的肝脏肿瘤图像分割方法 |
| CN114749342A (zh) * | 2022-04-20 | 2022-07-15 | 华南理工大学 | 一种锂电池极片涂布缺陷识别方法、装置及介质 |
| CN114976306A (zh) * | 2022-03-29 | 2022-08-30 | 上海师范大学 | 一种基于车联云的动力锂电池智能化梯次利用方法 |
| US20220327816A1 (en) * | 2021-04-09 | 2022-10-13 | Hitachi, Ltd. | System for training machine learning model which recognizes characters of text images |
| WO2022252559A1 (zh) * | 2021-05-31 | 2022-12-08 | 深圳先进技术研究院 | 基于规则和双深度q网络的混合动力汽车能量管理方法 |
| CN116258916A (zh) * | 2023-05-16 | 2023-06-13 | 彼图科技(青岛)有限公司 | 基于机器学习的啤酒生产线缺陷分类识别系统 |
| WO2023109099A1 (zh) * | 2021-12-15 | 2023-06-22 | 重庆邮电大学 | 基于非侵入式检测的充电负荷概率预测系统及方法 |
| CN116433690A (zh) * | 2023-03-22 | 2023-07-14 | 大连海事大学 | 一种基于灰狼与粒子群协同优化算法的Otsu阈值分割方法 |
| CN116683092A (zh) * | 2023-07-28 | 2023-09-01 | 赣州吉锐新能源科技股份有限公司 | 新能源汽车电池的拆解系统及其方法 |
| US20230281828A1 (en) * | 2021-04-26 | 2023-09-07 | Wuhan University | Attention-based joint image and feature adaptive semantic segmentation method |
-
2023
- 2023-10-11 CN CN202311307579.1A patent/CN117058468B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021114130A1 (zh) * | 2019-12-11 | 2021-06-17 | 中国科学院深圳先进技术研究院 | 一种无监督自适应乳腺病变分割方法 |
| CN110929696A (zh) * | 2019-12-16 | 2020-03-27 | 中国矿业大学 | 一种基于多模态注意与自适应融合的遥感图像语义分割方法 |
| WO2021253939A1 (zh) * | 2020-06-18 | 2021-12-23 | 南通大学 | 一种用于眼底视网膜血管图像分割的粗糙集神经网络方法 |
| CN112258459A (zh) * | 2020-10-12 | 2021-01-22 | 江南大学 | 一种基于集成深度学习的锂电池瑕疵检测方法 |
| AU2020103901A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field |
| US20220327816A1 (en) * | 2021-04-09 | 2022-10-13 | Hitachi, Ltd. | System for training machine learning model which recognizes characters of text images |
| US20230281828A1 (en) * | 2021-04-26 | 2023-09-07 | Wuhan University | Attention-based joint image and feature adaptive semantic segmentation method |
| WO2022252559A1 (zh) * | 2021-05-31 | 2022-12-08 | 深圳先进技术研究院 | 基于规则和双深度q网络的混合动力汽车能量管理方法 |
| CN114677403A (zh) * | 2021-11-17 | 2022-06-28 | 东南大学 | 基于深度学习注意力机制的肝脏肿瘤图像分割方法 |
| WO2023109099A1 (zh) * | 2021-12-15 | 2023-06-22 | 重庆邮电大学 | 基于非侵入式检测的充电负荷概率预测系统及方法 |
| CN114976306A (zh) * | 2022-03-29 | 2022-08-30 | 上海师范大学 | 一种基于车联云的动力锂电池智能化梯次利用方法 |
| CN114749342A (zh) * | 2022-04-20 | 2022-07-15 | 华南理工大学 | 一种锂电池极片涂布缺陷识别方法、装置及介质 |
| CN116433690A (zh) * | 2023-03-22 | 2023-07-14 | 大连海事大学 | 一种基于灰狼与粒子群协同优化算法的Otsu阈值分割方法 |
| CN116258916A (zh) * | 2023-05-16 | 2023-06-13 | 彼图科技(青岛)有限公司 | 基于机器学习的啤酒生产线缺陷分类识别系统 |
| CN116683092A (zh) * | 2023-07-28 | 2023-09-01 | 赣州吉锐新能源科技股份有限公司 | 新能源汽车电池的拆解系统及其方法 |
Non-Patent Citations (4)
| Title |
|---|
| 刘云潺;毕立恒;: "基于改进粒子群算法的新能源汽车太阳能电池表面缺陷检测", 实验室研究与探索, no. 02 * |
| 卢晋夫;: "浅谈新能源汽车能源控制智能化发展", 南方农机, no. 07 * |
| 曹帅帅;陈雪鑫;苗圃;卜庆凯;: "基于PSO与K-均值聚类算法优化结合的图像分割方法", 计算机与现代化, no. 01 * |
| 肖璞;黄海霞;: "基于CNN算法的深度学习研究及应用", 现代计算机, no. 35 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117058468B (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11960568B2 (en) | Model and method for multi-source domain adaptation by aligning partial features | |
| CN111310861B (zh) | 一种基于深度神经网络的车牌识别和定位方法 | |
| CN106599836B (zh) | 多人脸跟踪方法及跟踪系统 | |
| CN114926469B (zh) | 语义分割模型训练方法、语义分割方法、存储介质及终端 | |
| CN113673298B (zh) | 一种基于时序门控循环单元模型的溢出监测方法 | |
| CN111259784B (zh) | 基于迁移学习和主动学习的sar图像变化检测方法 | |
| CN111488917A (zh) | 一种基于增量学习的垃圾图像细粒度分类方法 | |
| CN105335757A (zh) | 一种基于局部特征聚合描述符的车型识别方法 | |
| CN117789185B (zh) | 基于深度学习的汽车油孔姿态识别系统及方法 | |
| CN115019039B (zh) | 一种结合自监督和全局信息增强的实例分割方法及系统 | |
| CN112990371B (zh) | 一种基于特征扩增的无监督夜间图像分类方法 | |
| CN112784754A (zh) | 一种车辆再识别方法、装置、设备及存储介质 | |
| CN107832753B (zh) | 一种基于四值权重与多重分类的人脸特征提取方法 | |
| CN115035442A (zh) | 基于改进的YOLOv3网络的垃圾分类收运监管方法 | |
| CN117058468B (zh) | 用于新能源汽车锂电池回收的图像识别与分类系统 | |
| Ying et al. | License plate detection and localization in complex scenes based on deep learning | |
| CN112633169B (zh) | 一种基于改进型LeNet-5网络的行人识别算法 | |
| CN114202694A (zh) | 基于流形混合插值和对比学习的小样本遥感场景图像分类方法 | |
| CN113343881A (zh) | 基于深度学习的车辆品牌型号细粒度分类系统及方法 | |
| CN105469095A (zh) | 一种基于车型图像的模式集直方图的车型识别方法 | |
| CN116863418A (zh) | 一种基于CA_MixNet的道路限行车辆种属划分方法 | |
| CN110751150A (zh) | 一种基于fpga的二值神经网络车牌识别方法及系统 | |
| CN112926670A (zh) | 一种基于迁移学习的垃圾分类系统及方法 | |
| Ding et al. | A Multi-Feature Fusion Based Vehicle Logo Recognition Approach for Traffic Checkpoint | |
| NYGREN et al. | A comparative study of segmentation and classification methods for 3d point clouds |
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 |