一种基于深度学习的通用型电池极性自动检测方法技术

本发明专利技术涉及电池极性检测技术领域，具体公开了一种基于深度学习的通用型电池极性自动检测方法，所述方法包括，获取待检测位置的图片；确定待检测的电池极性区域；利用深度学习算法模型对所述待检测的电池极性区域进行识别分类，得到电池极性分类结果，本发明专利技术基于深度学习对电池极性进行自动检测分类，只需提供所有的样本模型，训练样本，模型就会自动学习到分类的特征表达，能够很好的处理复杂的电池极性的特征，准确的识别电池极性，有效解决传统检测方法的不稳定性，提高生产效率和产品质量。

A General Automatic Polarity Detection Method for Batteries Based on Deep Learning

【技术实现步骤摘要】
一种基于深度学习的通用型电池极性自动检测方法
本专利技术涉及电池极性检测
，尤其涉及一种基于深度学习的通用型电池极性自动检测方法。
技术介绍
生产动力电池或其他产品的电池组时，需要将多个电池的正极和负极按照一定的顺序焊接成电池组。为了防止错放、漏放，导致产品短路和造成资源浪费，需要准确的区分每个电池区域的正负极性。电池的正极贴有青稞纸，且正极中间四周有凹槽的银色圆形区域，负极无青稞纸，中间是银色无凹槽的圆形区域，而非正极包括了正极未贴青稞纸、负极、负极贴一层青稞纸和负极贴两层青稞纸，非负极包括正极、正极未贴青稞纸、正极贴两层青稞纸、负极贴一层青稞纸和负极贴两层青稞纸，虽然各极性在外观的颜色上具有一定可区分度，但是又存在极其相似的特征。对于电池极性的检测，目前行业内采用的多为人工筛选的方式或者传统的形态学分析方法，但由于电池极性特征的多样性，传统的两种检测方法存在很大的弊端，很难有稳定的区分，极其容易检测失败，错误的识别电池极性。
技术实现思路
针对上述技术问题，本专利技术提供了一种基于深度学习的通用型电池极性自动检测方法，能够很好的处理复杂的电池极性的特征，准确的识别电池极性，有效本文档来自技高网...

【技术保护点】
1.一种基于深度学习的通用型电池极性自动检测方法，其特征在于，所述方法包括：获取待检测位置的图片；确定待检测的电池极性区域；利用深度学习算法模型对所述待检测的电池极性区域进行识别分类，得到电池极性分类结果。

【技术特征摘要】
1.一种基于深度学习的通用型电池极性自动检测方法，其特征在于，所述方法包括：获取待检测位置的图片；确定待检测的电池极性区域；利用深度学习算法模型对所述待检测的电池极性区域进行识别分类，得到电池极性分类结果。2.根据权利要求1所述的基于深度学习的通用型电池极性自动检测方法，其特征在于，所述深度学习算法模型包括正极、非正极、负极和非负极四分类模型。3.根据权利要求2所述的基于深度学习的通用型电池极性自动检测方法，其特征在于，所述正极模型的特征输入包括正极；所述非正极模型的特征输入包括正极未贴青稞纸、负极、负极贴一层青稞纸和负极贴两层青稞纸；所述负极模型的特征输入包括负极；所述非负极模型的特征输入包括正极、正极未贴青稞纸、正极贴两层青稞纸、负极贴一层青稞纸和负极贴两层青稞纸。4.根据权利要求3所述的基于深度学习的通用型电池极性自动检测方法，其特征在于，所述电池极性分类结果包括正极、非正极、负极和非负极四类极性。5.根据权利要求2所述的基于深度学习的通用型电池极性自动检测方法，其特征在于，所述方法还包括：构建多层卷积神经网络；采用误差反向传导算法训练所述多层卷积神经网络，得到电池极性识别模型；将所述多层卷积网络的输出层节点修改为4，并利用训练好的电池极性识别模型的权重初始化修改后的多层卷积神经网络的权...

【专利技术属性】
技术研发人员：王丽明，郭庆明，罗仕桂，聂龙如，游国富，陈豫川，蒋博，
申请(专利权)人：惠州市德赛电池有限公司，
类型：发明
国别省市：广东,44