CN117853823B - 用于辅助新能源汽车无线充电的异物检测方法及系统 - Google Patents

用于辅助新能源汽车无线充电的异物检测方法及系统 Download PDF

Info

Publication number
CN117853823B
CN117853823B CN202410238829.9A CN202410238829A CN117853823B CN 117853823 B CN117853823 B CN 117853823B CN 202410238829 A CN202410238829 A CN 202410238829A CN 117853823 B CN117853823 B CN 117853823B
Authority
CN
China
Prior art keywords
model
representing
module
foreign matter
training
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
Application number
CN202410238829.9A
Other languages
English (en)
Other versions
CN117853823A (zh
Inventor
江沐风
江向荣
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.)
Langfeng New Material Qidong Co ltd
Original Assignee
Langfeng New Material Qidong 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 Langfeng New Material Qidong Co ltd filed Critical Langfeng New Material Qidong Co ltd
Priority to CN202410238829.9A priority Critical patent/CN117853823B/zh
Publication of CN117853823A publication Critical patent/CN117853823A/zh
Application granted granted Critical
Publication of CN117853823B publication Critical patent/CN117853823B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder 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
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/14—Plug-in electric vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了用于辅助新能源汽车无线充电的异物检测方法及系统，方法包括数据采集、数据预处理、特征提取、模型训练、评估、异物检测和结果输出与告警。本发明属于深度学习技术领域，具体是指用于辅助新能源汽车无线充电的异物检测方法及系统，本方案采用深度学习算法进行异物检测，不受环境磁场的影响，异物识别准确率高，效率高，采用ST2CSP模块和RepVGG块更好地捕获全局和局部特征信息，增强模型在训练阶段的表达能力，利用混合空间金字塔池化扩展感受野并保留更多的信息，提升异物检测的准确性、鲁棒性。

Description

用于辅助新能源汽车无线充电的异物检测方法及系统
技术领域
本发明涉及深度学习技术领域，具体是指用于辅助新能源汽车无线充电的异物检测方法及系统。
背景技术
无线充电异物检测的意义在于保障充电设备和用户的安全，预防潜在的安全风险，传统的电感线圈异物检测方法，制造和安装成本相对较高，由于灵敏度受到环境磁场的影响较大，如果周围有较强的磁场干扰，会导致检测结果不准确的问题；一般的特征提取方法需要手动设计，对于一些复杂的场景可能需要设计多种特征提取方法，增加了计算量和时间成本，存在特征提取不够全面，不能很好的保留特征信息的问题。
发明内容
针对上述情况，为克服现有技术的缺陷，本发明提供了用于辅助新能源汽车无线充电的异物检测方法及系统，针对传统的电感线圈异物检测方法，制造和安装成本相对较高，由于灵敏度受到环境磁场的影响较大，如果周围有较强的磁场干扰，会导致检测结果不准确的问题，本方案采用深度学习算法进行异物检测，不受环境磁场的影响，异物识别准确率高，效率高；针对一般的特征提取方法需要手动设计，对于一些复杂的场景可能需要设计多种特征提取方法，增加了计算量和时间成本，存在特征提取不够全面，不能很好的保留特征信息的问题，本方案使用ST2CSP模块和RepVGG块更好地捕获全局和局部特征信息，增强模型在训练阶段的表达能力，利用混合空间金字塔池化扩展了感受野并保留了更多的信息，提升异物检测的准确性、鲁棒性。
本发明采取的技术方案如下：本发明提供的用于辅助新能源汽车无线充电的异物检测方法，该方法包括以下步骤：
步骤S1：数据采集，采集新能源汽车无线充电口的异物图像，异物包括硬币、钥匙和金属饰品；
步骤S2：数据预处理，对采集的新能源汽车无线充电口的异物图像进行数据预处理，得到异物图像数据集，将异物图像数据集划分为训练集、测试集；
步骤S3：特征提取，使用ST2CSP模块和RepVGG块提取训练集的全局和局部特征，利用混合空间金字塔池化，得到ST2Rep模型；
步骤S4：模型训练，通过设置超参数，计算损失函数，训练ST2Rep模型，得到训练后的ST2Rep模型；
步骤S5：评估，通过精度、召回率、mAP、FPS作为评价指标，利用测试集评估训练后的ST2Rep模型，得到异物识别模型；
步骤S6：异物检测，利用异物识别模型对输入的新能源汽车无线充电口的异物图像进行异物检测，判断是否存在异物，得到异物检测结果；
步骤S7：结果输出与告警：根据异物检测结果，判断是否出现了异常情况，并采取相应的措施，如发送告警信息、停止充电。
进一步地，在步骤S2中，所述数据预处理，具体为：将采集的新能源汽车无线充电口的异物图像利用旋转、平移、亮度调整、对比度调整对异物图像进行扩展，得到异物图像数据集，将异物图像数据集分为训练集、测试集，使用LabelImg对异物图像数据集进行标记，标签名称分别为硬币、钥匙和金属饰品。
进一步地，在步骤S3中，特征提取，具体包括以下步骤：
步骤S31：传统的窗口分割策略，定义输入特征图为，由一系列块组成，首先执 行基于窗口的多头自注意力机制将大小的输入特征图划分为个大小为的块， 所用公式如下：
；
式中，、和分别是查询向量、键向量和值向量，表示每个像素相对 间隔的连续位置偏移量，为参数；
步骤S32：基于移位窗口的多头注意力机制，通过将块的位置移动块大小获得 平移后的块，其中包括个不重叠的块，利用循环移位将平移后不满足大小的块进 行拼接，允许不同窗口之间的信息交互；
步骤S33：构建ST2CSP模块，通过Swin Transformer V2块构建ST2CSP模块，Swin Transformer V2块分为输入、主干网络、颈部网络和预测输出4个部分，Swin Transformer V2块中颈部网络使用残差网络，残差网络由主干部分和残边部分组成，主干部分由卷 积和Swin Transformer V2组件构成，残边部分结合主干部分的输入和输出，采用CSPnet网 络，CSPnet网络由两部分组成：主体部分和另一部分，主体部分进行卷积和颈部网络的 叠加；另一部分通过的卷积直接连接到末端；
步骤S34：搭建RepVGG块，RepVGG块由VGG网络组成，VGG网络由VGG网络块、网络层、 BN层组成，结合了ResNet网络的残差特性，模型训练阶段，在VGG网络的块中加入Identity 分支和卷积分支，构成残差块，在模型推理阶段，通过Optimizer融合策略将所有网络 层转换为卷积；
进一步地，在步骤S34中，所述在模型推理阶段，通过Optimizer融合策略将所有网 络层转换为卷积，具体包括以下步骤：
步骤S341：融合，将残差块中的卷积和BN层进行融合，得到融合卷积层，所用公式如下：
；
；
式中，为转换前卷积层的参数，为BN层的平均值，为BN层的方差，和分 别表示BN层的尺度因子和偏移因子，、分别表示融合后卷积的权重和偏置；
步骤S342：转换，将融合卷积层转换为卷积，对于卷积分支，将卷积核 中的值移动到卷积核的中心点；对于Identity分支，不改变输入特征映射的值，因此可 以将其视为一个权值为1的卷积核，然后乘以输入的特征映射值；
步骤S343：合并，在残差块中合并卷积，通过叠加所有分支的权值和偏置 ，得到一个合并的3×3卷积网络层；
步骤S35：混合空间金字塔池化，通过改进原始YOLOX模型的SPP模块，进行池化操 作，SPP模块由多尺度滑动核组成，进行最大池化操作，4个最大池化操 作使用填充，将原来的最大池化替换为平均池化，同时，使用、的扩张卷积代替的最大池化，至此，经过上述步骤，得到ST2Rep模型。
进一步地，在步骤S4中，模型训练，具体包括以下步骤：
步骤S41：计算损失函数，将训练集输入ST2Rep模型计算损失函数，所用公式如下：
；
；
式中，表示回归损失，表示置信损失，表示预测框，表示目标框，表示预测框与目标框相交面积之比，表示类别预测概率，表示置信水平预测 概率；
采用Focal Loss方法计算交叉熵损失函数，通过添加类别权重和样本难度权重调整因子来修正交叉熵损失函数，动态降低训练过程中易区分样本的权重，使训练重心快速集中到难区分样本上，所用公式如下：
；
；
；
式中，表示样本难度权重调整因子，为权重因子，用于调整正负样本损 失之间的比例，正样本使用，负样本使用，表示交叉熵损失函数，表示Focal Loss，表示类别概率；
步骤S42：设置模型超参数，包括训练的批量大小、学习率，学习率训练初期设 置为0.001，训练后期采用余弦退火算法进行衰减，所用公式如下：
；
；
；
；
式中，表示初始，表示用于衰减计算的全局步数，表示衰减步数，表示最小学习率，表示余弦退火衰减；
步骤S43：模型训练更新，选择Adam算法进行模型训练更新，得到训练后的ST2Rep模型，所用公式如下：
；
；
；
式中，和分别为时刻和时刻的梯度，是，和分别表示坡度的第 一和第二弯矩估计校正值，和分别为第一阶矩和第二阶矩的指数衰减率，和分别 表示梯度的第一次和第二次矩，表示梯度。
进一步地，在步骤S5中，评估，利用测试集评估训练后的ST2Rep模型，具体包括以下步骤：
步骤S51：计算精度，所用公式如下：
；
式中，表示精度，表示正确预测的正类样本数量，表示错误预测的正类样 本数量；
步骤S52：计算召回率，所用公式如下：
；
式中，表示召回率，表示错误地预测为负类的样本数量；
步骤S53：计算mAP，所用公式如下：
；
；
式中，为平均精度，表示第类样本的平均精度，表示所有样本的 平均值，为数据集中样本的类别数，表示精度-召回率曲线下的面积；
步骤S54：计算FPS，所用公式如下：
；
式中，表示每秒帧数，表示从开始时间到结束时间处理的图像数量，表 示开始时间，表示结束时间；
步骤S55：性能判定，基于四个指标评价ST2Rep模型性能，若性能未达到预期目标，则重新设置模型超参数调整模型，若性能达到预期目标，则异物识别模型建立完成。
本发明提供的用于辅助新能源汽车无线充电的异物检测系统，包括数据采集模块、数据预处理模块、特征提取模块、模型训练模块、评估模块、异物检测模块和结果输出与告警模块；
所述数据采集模块采集新能源汽车无线充电口的异物图像，将采集的新能源汽车无线充电口的异物图像发送至数据预处理模块；
所述数据预处理模块接收数据采集模块发送的新能源汽车无线充电口的异物图像，对新能源汽车无线充电口的异物图像进行数据预处理，得到异物图像数据集，将异物图像数据集划分为训练集、测试集，并将训练集发送至特征提取模块，将测试集发送至评估模块；
所述特征提取模块接收数据预处理模块发送的训练集，使用ST2CSP模块和RepVGG块提取训练集全局和局部特征，利用混合空间金字塔池化，得到ST2Rep模型，并将ST2Rep模型发送至模型训练模块；
所述模型训练模块接收特征提取模块发送的ST2Rep模型，设置模型超参数训练ST2Rep模型，并将训练后的ST2Rep模型发送至评估模块；
所述评估模块接收模型训练模块发送的训练后的ST2Rep模型，通过精度、召回率、mAP、FPS作为评价指标，利用测试集评估ST2Rep模型，得到异物识别模型，并将异物识别模型发送异物检测模块；
所述异物检测模块接收评估模块发送的异物识别模型，利用异物识别模型对输入的新能源汽车无线充电口的异物图像进行异物检测，判断是否存在异物，得到异物检测结果，并将异物检测结果发送至结果输出与告警模块；
所述结果输出与告警模块接收异物检测模块发送的异物检测结果，根据异物检测结果，判断是否出现了异常情况，并采取相应的措施，如发送告警信息、停止充电。
采用上述方案本发明取得的有益效果如下：
（1）针对传统的电感线圈异物检测方法，制造和安装成本相对较高，由于灵敏度受到环境磁场的影响较大，如果周围有较强的磁场干扰，会导致检测结果不准确的问题，本方案采用深度学习算法进行异物检测，不受环境磁场的影响，异物识别准确率高，效率高。
（2）针对一般的特征提取方法需要手动设计，对于一些复杂的场景可能需要设计多种特征提取方法，增加了计算量和时间成本，存在特征提取不够全面，不能很好的保留特征信息的问题，本方案使用ST2CSP模块和RepVGG块更好地捕获全局和局部特征信息，增强模型在训练阶段的表达能力，利用混合空间金字塔池化扩展了感受野并保留了更多的信息，提升异物检测的准确性、鲁棒性。
附图说明
图1为本发明提供的用于辅助新能源汽车无线充电的异物检测方法的流程示意图；
图2为本发明提供的用于辅助新能源汽车无线充电的异物检测系统的示意图；
图3为步骤S3的流程示意图；
图4为步骤S34的流程示意图；
图5为步骤S4的流程示意图；
图6为步骤S5的流程示意图。
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
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。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
实施例一，参阅图1，本发明提供的用于辅助新能源汽车无线充电的异物检测方法，该方法包括以下步骤：
步骤S1：数据采集，采集新能源汽车无线充电口的异物图像，异物包括硬币、钥匙和金属饰品；
步骤S2：数据预处理，对采集的新能源汽车无线充电口的异物图像进行数据预处理，得到异物图像数据集，将异物图像数据集划分为训练集、测试集；
步骤S3：特征提取，使用ST2CSP模块和RepVGG块提取训练集的全局和局部特征，利用混合空间金字塔池化，得到ST2Rep模型；
步骤S4：模型训练，通过设置超参数，计算损失函数，训练ST2Rep模型，得到训练后的ST2Rep模型；
步骤S5：评估，通过精度、召回率、mAP、FPS作为评价指标，利用测试集评估训练后的ST2Rep模型，得到异物识别模型；
步骤S6：异物检测，利用异物识别模型对输入的新能源汽车无线充电口的异物图像进行异物检测，判断是否存在异物，得到异物检测结果；
步骤S7：结果输出与告警：根据异物检测结果，判断是否出现了异常情况，并采取相应的措施，如发送告警信息、停止充电。
实施例二，参阅图1和图3，该实施例基于上述实施例，在步骤S3中，特征提取，具体包括以下步骤：
步骤S31：传统的窗口分割策略，定义输入特征图为，由一系列块组成，首先执 行基于窗口的多头自注意力机制将大小的输入特征图划分为个大小为的块， 所用公式如下：
；
式中，、和分别是查询向量、键向量和值向量，表示每个像素相对 间隔的连续位置偏移量，为参数；
步骤S32：基于移位窗口的多头注意力机制，通过将块的位置移动块大小获得 平移后的块，其中包括个不重叠的块，利用循环移位将平移后不满足大小的块进 行拼接，允许不同窗口之间的信息交互；
步骤S33：构建ST2CSP模块，通过Swin Transformer V2块构建ST2CSP模块，Swin Transformer V2块分为输入、主干网络、颈部网络和预测输出4个部分，Swin Transformer V2块中颈部网络使用残差网络，残差网络由主干部分和残边部分组成，主干部分由卷 积和Swin Transformer V2组件构成，残边部分结合主干部分的输入和输出，采用CSPnet网 络，CSPnet网络由两部分组成：主体部分和另一部分，主体部分进行卷积和颈部网络的 叠加；另一部分通过的卷积直接连接到末端；
步骤S34：搭建RepVGG块，RepVGG块由VGG网络组成，VGG网络由VGG网络块、网络层、 BN层组成，结合了ResNet网络的残差特性，模型训练阶段，在VGG网络的块中加入Identity 分支和卷积分支，构成残差块，在模型推理阶段，通过Optimizer融合策略将所有网络 层转换为卷积；
步骤S35：混合空间金字塔池化，通过改进原始YOLOX模型的SPP模块，进行池化操 作，SPP模块由多尺度滑动核组成，进行最大池化操作，4个最大池化操 作使用填充，将原来的最大池化替换为平均池化，同时，使用、的扩张卷积代替的最大池化，至此，经过上述步骤，得到ST2Rep模型。
实施例三，参阅图1和图4，该实施例基于上述实施例，在步骤S34中，在模型推理阶 段，通过Optimizer融合策略将所有网络层转换为卷积，具体包括以下步骤：
步骤S341：融合，将残差块中的卷积和BN层进行融合，得到融合卷积层，所用公式如下：
；
；
式中，为转换前卷积层的参数，为BN层的平均值，为BN层的方差，和分 别表示BN层的尺度因子和偏移因子，、分别表示融合后卷积的权重和偏置；
步骤S342：转换，将融合卷积层转换为卷积，对于卷积分支，将卷积核 中的值移动到卷积核的中心点；对于Identity分支，不改变输入特征映射的值，因此可 以将其视为一个权值为1的卷积核，然后乘以输入的特征映射值；
步骤S343：合并，在残差块中合并卷积，通过叠加所有分支的权值和偏置 ，得到一个合并的3×3卷积网络层。
通过执行上述操作，针对一般的特征提取方法需要手动设计，对于一些复杂的场景可能需要设计多种特征提取方法，增加了计算量和时间成本，存在特征提取不够全面，不能很好的保留特征信息的问题，本方案使用ST2CSP模块和RepVGG块更好地捕获全局和局部特征信息，增强模型在训练阶段的表达能力，利用混合空间金字塔池化扩展了感受野并保留了更多的信息，提升异物检测的准确性、鲁棒性。
实施例四，参阅图1和图5，该实施例基于上述实施例，在步骤S4中，模型训练，具体包括以下步骤：
步骤S41：计算损失函数，将训练集输入ST2Rep模型计算损失函数，所用公式如下：
；
；
式中，表示回归损失，表示置信损失，表示预测框，表示目标框，表示预测框与目标框相交面积之比，表示类别预测概率，表示置信水平预测 概率；
采用Focal Loss方法计算交叉熵损失函数，通过添加类别权重和样本难度权重调整因子来修正交叉熵损失函数，动态降低训练过程中易区分样本的权重，使训练重心快速集中到难区分样本上，所用公式如下：
；
；
；
式中，表示样本难度权重调整因子，为权重因子，用于调整正负样本损 失之间的比例，正样本使用，负样本使用，表示交叉熵损失函数，表示Focal Loss，表示类别概率；
步骤S42：设置模型超参数，包括训练的批量大小、学习率，学习率训练初期设 置为0.001，训练后期采用余弦退火算法进行衰减，所用公式如下：
；
；
；
；
式中，表示初始，表示用于衰减计算的全局步数，表示衰减步数，表示最小学习率，表示余弦退火衰减；
步骤S43：模型训练更新，选择Adam算法进行模型训练更新，得到训练后的ST2Rep模型，所用公式如下：
；
；
；
式中，和分别为时刻和时刻的梯度，是，和分别表示坡度的第 一和第二弯矩估计校正值，和分别为第一阶矩和第二阶矩的指数衰减率，和分别 表示梯度的第一次和第二次矩，表示梯度。
实施例五，参阅图1和图6，该实施例基于上述实施例，在步骤S5中，评估，具体包括以下步骤：
步骤S51：计算精度，所用公式如下：
；
式中，表示精度，表示正确预测的正类样本数量，表示错误预测的正类样 本数量；
步骤S52：计算召回率，所用公式如下：
；
式中，表示召回率，表示错误地预测为负类的样本数量；
步骤S53：计算mAP，所用公式如下：
；
；
式中，为平均精度，表示第类样本的平均精度，表示所有样本的 平均值，为数据集中样本的类别数，表示精度-召回率曲线下的面积；
步骤S54：计算FPS，所用公式如下：
；
式中，表示每秒帧数，表示从开始时间到结束时间处理的图像数量，表 示开始时间，表示结束时间；
步骤S55：性能判定，基于四个指标评价ST2Rep模型性能，若性能未达到预期目标，则重新设置模型超参数调整模型，若性能达到预期目标，则异物识别模型建立完成。
通过执行上述操作，针对传统的电感线圈异物检测方法，制造和安装成本相对较高，由于灵敏度受到环境磁场的影响较大，如果周围有较强的磁场干扰，会导致检测结果不准确的问题，本方案采用深度学习算法进行异物检测，不受环境磁场的影响，异物识别准确率高，效率高。
实施例六，参阅图2，该实施例基于上述实施例，本发明提供的用于辅助新能源汽车无线充电的异物检测系统，包括数据采集模块、数据预处理模块、特征提取模块、模型训练模块、评估模块、异物检测模块和结果输出与告警模块；
所述数据采集模块采集新能源汽车无线充电口的异物图像，将采集的新能源汽车无线充电口的异物图像发送至数据预处理模块；
所述数据预处理模块接收数据采集模块发送的新能源汽车无线充电口的异物图像，对新能源汽车无线充电口的异物图像进行数据预处理，得到异物图像数据集，将异物图像数据集划分为训练集、测试集，并将训练集发送至特征提取模块，将测试集发送至评估模块；
所述特征提取模块接收数据预处理模块发送的训练集，使用ST2CSP模块和RepVGG块提取训练集全局和局部特征，利用混合空间金字塔池化，得到ST2Rep模型，并将ST2Rep模型发送至模型训练模块；
所述模型训练模块接收特征提取模块发送的ST2Rep模型，设置模型超参数训练ST2Rep模型，并将训练后的ST2Rep模型发送至评估模块；
所述评估模块接收模型训练模块发送的训练后的ST2Rep模型，通过精度、召回率、mAP、FPS作为评价指标，利用测试集评估ST2Rep模型，得到异物识别模型，并将异物识别模型发送异物检测模块；
所述异物检测模块接收评估模块发送的异物识别模型，利用异物识别模型对输入的新能源汽车无线充电口的异物图像进行异物检测，判断是否存在异物，得到异物检测结果，并将异物检测结果发送至结果输出与告警模块；
所述结果输出与告警模块接收异物检测模块发送的异物检测结果，根据异物检测结果，判断是否出现了异常情况，并采取相应的措施，如发送告警信息、停止充电。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (2)

1.用于辅助新能源汽车无线充电的异物检测方法，其特征在于：该方法包括以下步骤：
步骤S1：数据采集，采集新能源汽车无线充电口的异物图像，异物包括硬币、钥匙和金属饰品；
步骤S2：数据预处理，对采集的新能源汽车无线充电口的异物图像进行数据预处理，得到异物图像数据集，将异物图像数据集划分为训练集、测试集；
步骤S3：特征提取，使用ST2CSP模块和RepVGG块提取训练集的全局和局部特征，利用混合空间金字塔池化，得到ST2Rep模型；
步骤S4：模型训练，通过设置超参数，计算损失函数，训练ST2Rep模型，得到训练后的ST2Rep模型；
步骤S5：评估，通过精度、召回率、mAP、FPS作为评价指标，利用测试集评估训练后的ST2Rep模型，得到异物识别模型；
步骤S6：异物检测，利用异物识别模型对输入的新能源汽车无线充电口的异物图像进行异物检测，判断是否存在异物，得到异物检测结果；
步骤S7：结果输出与告警：根据异物检测结果，判断是否出现了异常情况，并采取相应的措施，如发送告警信息、停止充电；
在步骤S3中，所述特征提取，包括以下步骤：
步骤S31：传统的窗口分割策略，定义输入特征图为，/>由一系列块组成，首先执行基于窗口的多头自注意力机制将/>大小的输入特征图划分为/>个大小为/>的块，所用公式如下：
；
式中，、/>和/>分别是查询向量、键向量和值向量，/>表示每个像素相对间隔的连续位置偏移量，/>为参数；
步骤S32：基于移位窗口的多头注意力机制，通过将块的位置移动块大小获得平移后的块，其中包括/>个不重叠的块，利用循环移位将平移后不满足/>大小的块进行拼接，允许不同窗口之间的信息交互；
步骤S33：构建ST2CSP模块，通过Swin Transformer V2块构建ST2CSP模块，SwinTransformer V2块分为输入、主干网络、颈部网络和预测输出4个部分，Swin TransformerV2块中颈部网络使用残差网络，残差网络由主干部分和残边部分组成，主干部分由卷积和Swin Transformer V2组件构成，残边部分结合主干部分的输入和输出，采用CSPnet网络，CSPnet网络由两部分组成：主体部分和另一部分，主体部分进行/>卷积和颈部网络的叠加；另一部分通过/>的卷积直接连接到末端；
步骤S34：搭建RepVGG块，RepVGG块由VGG网络组成，VGG网络由VGG网络块、网络层、BN层组成，结合了ResNet网络的残差特性，模型训练阶段，在VGG网络的块中加入Identity分支和卷积分支，构成残差块，在模型推理阶段，通过Optimizer融合策略将所有网络层转换为/>卷积；
步骤S35：混合空间金字塔池化，通过改进原始YOLOX模型的SPP模块，进行池化操作，SPP模块由多尺度滑动核组成，进行最大池化操作，4个最大池化操作使用/>填充，将原来的/>最大池化替换为平均池化，同时，使用/>、/>的扩张卷积代替/>的最大池化，至此，经过上述步骤，得到ST2Rep模型；
在步骤S34中，所述在模型推理阶段，通过Optimizer融合策略将所有网络层转换为卷积，包括以下步骤：
步骤S341：融合，将残差块中的卷积和BN层进行融合，得到融合卷积层，所用公式如下：
；
；
式中，为转换前卷积层的参数，/>为BN层的平均值，/>为BN层的方差，/>和/>分别表示BN层的尺度因子和偏移因子，/>、/>分别表示融合后卷积的权重和偏置；
步骤S342：转换，将融合卷积层转换为卷积，对于/>卷积分支，将/>卷积核中的值移动到/>卷积核的中心点；对于Identity分支，不改变输入特征映射的值，将其视为一个权值为1的/>卷积核，然后乘以输入的特征映射值；
步骤S343：合并，在残差块中合并卷积，通过叠加所有分支的权值/>和偏置/>，得到一个合并的3×3卷积网络层；
在步骤S4中，所述模型训练，包括以下步骤：
步骤S41：计算损失函数，将训练集输入ST2Rep模型计算损失函数，所用公式如下：
；
；
式中，表示回归损失，/>表示置信损失，/>表示预测框，/>表示目标框，/>表示预测框/>与目标框/>相交面积之比，/>表示类别预测概率，/>表示置信水平预测概率；
采用Focal Loss方法计算交叉熵损失函数，通过添加类别权重和样本难度权重调整因子来修正交叉熵损失函数，动态降低训练过程中易区分样本的权重，使训练重心快速集中到难区分样本上，所用公式如下：
；
；
；
式中，表示样本难度权重调整因子，/>为权重因子，用于调整正负样本损失之间的比例，正样本使用/>，负样本使用/>，/>表示交叉熵损失函数，/>表示FocalLoss，/>表示类别概率；
步骤S42：设置模型超参数，包括训练的批量大小、学习率，学习率/>训练初期设置为0.001，训练后期采用余弦退火算法进行衰减，所用公式如下：
；
；
；
；
式中，表示初始/>，/>表示用于衰减计算的全局步数，表示衰减步数，/>表示最小学习率，/>表示余弦退火衰减；
步骤S43：模型训练更新，选择Adam算法进行模型训练更新，得到训练后的ST2Rep模型，所用公式如下：
；
；
；
式中，和/>分别为时刻/>和时刻/>的梯度，/>是/>，/>和/>分别表示坡度的第一和第二弯矩估计校正值，/>和/>分别为第一阶矩和第二阶矩的指数衰减率，/>和/>分别表示梯度的第一次和第二次矩，/>表示梯度；
在步骤S5中，所述评估，包括以下步骤：
步骤S51：计算精度，所用公式如下：
；
式中，表示精度，/>表示正确预测的正类样本数量，/>表示错误预测的正类样本数量；
步骤S52：计算召回率，所用公式如下：
；
式中，表示召回率，表示错误地预测为负类的样本数量；
步骤S53：计算mAP，所用公式如下：
；
；
式中，为平均精度，/>表示第/>类样本的平均精度，/>表示所有样本的/>平均值，/>为数据集中样本的类别数，/>表示精度-召回率曲线下的面积；
步骤S54：计算FPS，所用公式如下：
；
式中，表示每秒帧数，/>表示从开始时间到结束时间处理的图像数量，/>表示开始时间，/>表示结束时间；
步骤S55：性能判定，基于四个指标评价ST2Rep模型性能，若性能未达到预期目标，则重新设置模型超参数调整模型，若性能达到预期目标，则异物识别模型建立完成。
2.用于辅助新能源汽车无线充电的异物检测系统，用于实现如权利要求1中所述的用于辅助新能源汽车无线充电的异物检测方法，其特征在于：包括数据采集模块、数据预处理模块、特征提取模块、模型训练模块、评估模块、异物检测模块和结果输出与告警模块；
所述数据采集模块采集新能源汽车无线充电口的异物图像，将采集的新能源汽车无线充电口的异物图像发送至数据预处理模块；
所述数据预处理模块接收数据采集模块发送的新能源汽车无线充电口的异物图像，对新能源汽车无线充电口的异物图像进行数据预处理，得到异物图像数据集，将异物图像数据集划分为训练集、测试集，并将训练集发送至特征提取模块，将测试集发送至评估模块；
所述特征提取模块接收数据预处理模块发送的训练集，使用ST2CSP模块和RepVGG块提取训练集全局和局部特征，利用混合空间金字塔池化，得到ST2Rep模型，并将ST2Rep模型发送至模型训练模块；
所述模型训练模块接收特征提取模块发送的ST2Rep模型，设置模型超参数训练ST2Rep模型，并将训练后的ST2Rep模型发送至评估模块；
所述评估模块接收模型训练模块发送的训练后的ST2Rep模型，通过精度、召回率、mAP、FPS作为评价指标，利用测试集评估ST2Rep模型，得到异物识别模型，并将异物识别模型发送异物检测模块；
所述异物检测模块接收评估模块发送的异物识别模型，利用异物识别模型对输入的新能源汽车无线充电口的异物图像进行异物检测，判断是否存在异物，得到异物检测结果，并将异物检测结果发送至结果输出与告警模块；
所述结果输出与告警模块接收异物检测模块发送的异物检测结果，根据异物检测结果，判断是否出现了异常情况，并采取相应的措施，如发送告警信息、停止充电。
CN202410238829.9A 2024-03-04 2024-03-04 用于辅助新能源汽车无线充电的异物检测方法及系统 Active CN117853823B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410238829.9A CN117853823B (zh) 2024-03-04 2024-03-04 用于辅助新能源汽车无线充电的异物检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410238829.9A CN117853823B (zh) 2024-03-04 2024-03-04 用于辅助新能源汽车无线充电的异物检测方法及系统

Publications (2)

Publication Number Publication Date
CN117853823A CN117853823A (zh) 2024-04-09
CN117853823B true CN117853823B (zh) 2024-05-14

Family

ID=90536327

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410238829.9A Active CN117853823B (zh) 2024-03-04 2024-03-04 用于辅助新能源汽车无线充电的异物检测方法及系统

Country Status (1)

Country Link
CN (1) CN117853823B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110163221A (zh) * 2019-05-28 2019-08-23 腾讯科技（深圳）有限公司 在图像中进行物体检测的方法、装置、车辆、机器人
CN115330676A (zh) * 2022-07-01 2022-11-11 武汉理工大学 基于卷积神经网络的机场跑道异物检测方法、系统及设备
CN115600941A (zh) * 2022-12-09 2023-01-13 安徽大学绿色产业创新研究院（Cn） 一种装配式预制件工厂的物料管理系统
CN115690584A (zh) * 2022-11-08 2023-02-03 广东电网有限责任公司广州供电局 一种基于ssd改进的配电房异物检测方法
CN116310768A (zh) * 2022-11-30 2023-06-23 华中科技大学 一种针对发电站水下异物的目标检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9513648B2 (en) * 2012-07-31 2016-12-06 Causam Energy, Inc. System, method, and apparatus for electric power grid and network management of grid elements

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110163221A (zh) * 2019-05-28 2019-08-23 腾讯科技（深圳）有限公司 在图像中进行物体检测的方法、装置、车辆、机器人
CN115330676A (zh) * 2022-07-01 2022-11-11 武汉理工大学 基于卷积神经网络的机场跑道异物检测方法、系统及设备
CN115690584A (zh) * 2022-11-08 2023-02-03 广东电网有限责任公司广州供电局 一种基于ssd改进的配电房异物检测方法
CN116310768A (zh) * 2022-11-30 2023-06-23 华中科技大学 一种针对发电站水下异物的目标检测方法
CN115600941A (zh) * 2022-12-09 2023-01-13 安徽大学绿色产业创新研究院（Cn） 一种装配式预制件工厂的物料管理系统

Also Published As

Publication number Publication date
CN117853823A (zh) 2024-04-09

Similar Documents

Publication Publication Date Title
CN103810699B (zh) 基于无监督深度神经网络的sar图像变化检测方法
CN108334936B (zh) 基于迁移卷积神经网络的故障预测方法
US20170316548A1 (en) Super-Resolution Method and System, Server, User Device and Method Therefor
CN116524062B (zh) 一种基于扩散模型的2d人体姿态估计方法
CN108108716A (zh) 一种基于深度信念网络的回环检测方法
CN114119966A (zh) 基于多视角学习与元学习的小样本目标检测方法
CN111144462B (zh) 一种雷达信号的未知个体识别方法及装置
CN111539987B (zh) 基于判别模型的遮挡检测系统及方法
CN110751061B (zh) 基于sar网络的sar图像识别方法、装置、设备和存储介质
CN117197622A (zh) 一种基于图文多模态的目标检测标签优化方法
CN117611911A (zh) 一种基于改进YOLOv7的单帧红外弱小目标检测方法
CN116523897A (zh) 一种基于互导学习的半监督浒苔检测方法及系统
CN117853823B (zh) 用于辅助新能源汽车无线充电的异物检测方法及系统
CN117830616A (zh) 基于渐进式伪标签的遥感图像无监督跨域目标检测方法
CN116385866B (zh) 基于sar图像的铁路沿线彩钢房变化检测方法和装置
CN117351194A (zh) 基于互补图推理网络的涂鸦式弱监督显著性目标检测方法
CN107273793A (zh) 一种用于人脸识别的特征提取方法
CN116542911A (zh) 一种端到端的半监督钢材表面缺陷检测方法及系统
CN114694014A (zh) 一种基于多层神经网络的sar图像舰船目标检测方法
Zhang et al. SAR image change detection method based on neural-CRF structure
CN114724182B (zh) 基于时序补偿引导的强化学习图像-视频行人重识别方法
CN104268829B (zh) 一种基于多尺度空间正则化模型的超分辨率制图方法
CN118379642B (zh) 基于概率分布的自监督短临降雨预测方法及系统
CN117576567B (zh) 一种使用多层级差异特征自适应融合的遥感图像变化检测方法
CN118691883A (zh) 一种基于深度重加权训练的医学图像分类方法

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