一种基于神经网络和热像图的蓄电池漏液检测方法技术

本发明专利技术公开了一种基于神经网络和热像图的蓄电池漏液检测方法。包括图像采集设备，包括以下步骤：S1）所述红外摄像头设置拍摄位置和拍摄角度；S2）所述图像处理器控制红外摄像头采集不同位置的多张图像；S3）对步骤S2）获得的图像用中值滤波的方法进行去噪，并按照有无漏液对图像进行分类；S4）建立denseNet神经网络模型，用步骤S3）的训练集标准化后，进行训练；S5）用训练好的denseNet模型对标准化后的步骤S3）的测试集，进行识别标记。本发明专利技术采用denseNet神经网络和热像图的方法检测漏液，检测速度快，识别率高；本发明专利技术成本低，方便有效，设备安装简单，适用性强。

【技术实现步骤摘要】
一种基于神经网络和热像图的蓄电池漏液检测方法
本专利技术涉及电池检测领域，具体涉及一种基于神经网络和热像图的蓄电池漏液检测方法。
技术介绍
随着科技的进步和世界工业化进程的推进，电池的需求应运而生，电池的定义为把化学能转换成电能的转置，为了方便重复利用，某些电池在放电后，可以通过充电的方式使内部的活性物质再生，从而反向的把电能转换成化学能，进行电池重复利用和能量存储。这样的电池被成为蓄电池，也形象的被成为二次电池。最初的蓄电池产生于20世界初，被用于汽车的照明，后来逐渐发展为汽车的启动型蓄电池、摩托车用蓄电池、汽车用蓄电池。时至今日，石油资源面临的危机、地球生态环境的日益恶化，形成了新型二次电池及相关材料领域的科技和产业快速发展的双重社会背景。因此市场的迫切需求，使新型二次电池应运而生，在中国得到广泛应用，形成产业并迅猛发展。根据相关统计显示，目前，蓄电池已经是世界上广泛使用的一种化学“电源”，具有电压平稳、安全可靠、价格低廉、适用范围广、原材料丰富和回收再生利用率高等优点，是世界上各类电池中产量最大、用途最广的一种电池。蓄电池的外部故障主要有外壳裂纹、极柱腐蚀、极柱松动、封胶干裂等，内部故障主要有极板硫化、活性物质脱落、极板栅架腐蚀、极板短路、自放电、极板拱曲等。在工业生产中，蓄电池绝大部分故障会直接或者间接的导致电池漏液，漏液的位置主要发生在正负极端子和安全阀周围，一旦发生电池漏夜，酸性漏液就会腐蚀接触的线路、器材，进而导致线路短路，引发失火，严重时甚至会发生爆炸，近年来国内外已经有过很多相关报道，毫无疑问，这种情况的发生对人们的生产生活造成了巨大的安全隐患和财产损失。因此，电池漏液的检测对于工业生产的蓄电池储能过程来说，是一个非常有必要的安全保障。根据对相关专利、论文、期刊的查阅，得出目前常见的蓄电池漏液检测方法主要有三种，第一，通过人工作业的方式观察蓄电池的外壳有无破裂，电池的端子和安全阀有无腐蚀等现象，来判断是否有漏液发生；第二，通过特定功能的电子设备来接触蓄电池易发生漏液的部位，当发生漏液时，电解液会被电子设备的吸附装置直接吸收，吸附装置导电性发生变化，进而电路中电压、电流发生变化，触发电子设备的报警系统，从而达到漏液检测的目的；第三，通过机器学习、深度学习的方法对热像图、可见光图像进行分析，建立函数或者模型来进行识别，得出蓄电池的漏液状态，比如在国外，有一篇论文是通过红外图像表示蓄电池的表面温度分布特征和可见光图像表示蓄电池的颜色分布特征来研究漏液情况，红外图像和可见光图像需要通过配准来进行图像位置的对应，提取两者图像的特征用神经网络进行训练，从而识别出蓄电池的漏液状态。经过分析和总结发现，第一种方法无法自动检测漏液，第二种方法只能用于电池生产过程中质量检测，无法解决蓄电池作为备用电源参与生产过程的非接触式漏液检测的问题，第三种方法的研究方向是很不错的，但是目前还处于研究阶段，未在工程领域进行大规模应用，实用性有待评估。
技术实现思路
针对现有技术存在的问题，针对蓄电池漏液对工业生产造成的安全隐患和财产损失，以及蓄电池漏液的非接触式自动化检测的问题，本专利技术提供了一种基于denseNet神经网络和热像图的蓄电池漏液检测方法的技术方案，通过热像图和denseNet相结合的方式自动检测蓄电池漏液情况，在电池发生漏液的初始阶段识别出漏液状态，检测到漏液所在的区域，并在图像中标记出来，具有检测速度快、稳定性高、识别率高等优点；同时解决机房中蓄电池的非接触式自动化漏液检测的问题，实现了机房铅酸蓄电池的非接触式自动化漏液检测，适用场景广泛，安装简单。为了实现上述目的，本专利技术采用以下技术方案。一种基于神经网络和热像图的蓄电池漏液检测方法，包括图像采集设备，图像采集设备包括红外摄像头和图像处理器，所述蓄电池包括正极端子、安全阀和负极端子，包括以下步骤：S1)所述红外摄像头设置拍摄位置和拍摄角度，使每个拍摄位置的红外摄像头视场能够覆盖蓄电池的正极端子、安全阀、负极端子等易发生漏液的区域；S2)所述图像处理器控制红外摄像头采集不同位置的多张图像；S3)对步骤S2)获得的图像用中值滤波的方法进行去噪，并按照有无漏液对图像进行分类，生成有漏液和无漏液的样本集，按照一定比例对样本集进行随机抽取，生成训练集和测试集；S4)建立denseNet神经网络模型，用步骤S3)的训练集标准化后，进行训练，使用优化器调整模型的参数，使模型达到最优化效果；S5)用训练好的denseNet模型对标准化后的步骤S3)的测试集，进行识别，并对识别结果为有漏液的图像的漏液区域进行标记。进一步的，所述的蓄电池为机房蓄电池，蓄电池设备包括电池架、防触碰隔离板和电池架上的多个蓄电池，蓄电池的端子面安装防触碰隔离板，防触碰隔离板为绝缘属性的透明板，防止带电设备和蓄电池发生触碰，造成危险事故；防触碰隔离板上正极端子、负极端子、安全阀位置设有隔离板窗口，蓄电池之间通过导电条串联连接，所述步骤S1)中红外摄像头拍摄图像时，囊括整个电池架的图像。进一步的，所述步骤S4)为建立denseNet169神经网络模型，采用Z-SCORE标准化对训练集图像进行数据标准化，保存标准化函数的平均值和标准差参数。进一步的，对训练集标准化的方法为：S41)读取训练集中的图像，对所有训练集每张图像的数据进行数据标准化，目的是提高神经网络模型训练的收敛速度和模型的识别率，Z-score标准化的公式为：其中I为每个图像的所有像素点的灰度值，mean为所有样本集中图像的灰度平均值，std为所有样本集中图像的灰度标准差值；S42)标准化后，得到新图像，图像的数据被重新计算。进一步的，所述步骤S4)模型训练的参数优化选用的优化器是Adam优化器，损失函数是二值交叉熵函数，函数公式为其中，其中y是真实标签，0无漏液，1表示漏液，表示网络输出的预测概率，通过调整神经网络每个神经元的参数来不断调整整个模型，使得损失函数的值越来越小，预测的识别率就会越来越高，最后损失函数得到一个最佳的点，即模型的最终训练结果。进一步的，所述步骤S4)神经网络模型训练时需要调整神经元参数，学习率影响着参数调整的步进长度，可变学习率能加快训练速度，学习率函数为：其中，lr表示初始学习率，n表示训练的周期，表示向下取整运算。进一步的，所述的步骤S1)中，红外摄像头可以移动，拍摄位置和拍摄角度只需要在最开始设置一次，接下来可以重复读取设置参数，来进行拍摄。进一步的，所述的步骤S2)中，红外摄像头采集的不同位置的图像可以作为样本集，同时样本集覆盖了整个电池架，提高了样本的多样性。进一步的，所述的步骤S3)中，样本集的随机抽取比例是根据总的样本集的容量来确定，样本集的容量越大，训练集的比例就可以越大。进一步的，所述的步骤S5)中，测试集数据标准化函数的平均值和标准差参数为训练集标准化函数的参数，漏液区域标记方法为用大津法对漏液图像进行二值化，然后本文档来自技高网...

【技术保护点】
1.一种基于神经网络和热像图的蓄电池漏液检测方法，包括图像采集设备，图像采集设备包括红外摄像头和图像处理器，所述蓄电池(2)包括正极端子(6)、安全阀(8)和负极端子(7)，其特征在于包括以下步骤：/nS1)所述红外摄像头设置拍摄位置和拍摄角度，使每个拍摄位置的红外摄像头视场能够覆盖蓄电池(2)的正极端子(6)、安全阀(8)、负极端子(7)等易发生漏液的区域；/nS2)所述图像处理器控制红外摄像头采集不同位置的多张图像；/nS3)对步骤S2)获得的图像用中值滤波的方法进行去噪，并按照有无漏液对图像进行分类，生成有漏液和无漏液的样本集，按照一定比例对样本集进行随机抽取，生成训练集和测试集；/nS4)建立denseNet神经网络模型，用步骤S3)的训练集标准化后，进行训练，使用优化器调整模型的参数，使模型达到最优化效果；/nS5)用训练好的denseNet模型对标准化后的步骤S3)的测试集，进行识别，并对识别结果为有漏液的图像的漏液区域进行标记。/n

【技术特征摘要】
1.一种基于神经网络和热像图的蓄电池漏液检测方法，包括图像采集设备，图像采集设备包括红外摄像头和图像处理器，所述蓄电池(2)包括正极端子(6)、安全阀(8)和负极端子(7)，其特征在于包括以下步骤：
S1)所述红外摄像头设置拍摄位置和拍摄角度，使每个拍摄位置的红外摄像头视场能够覆盖蓄电池(2)的正极端子(6)、安全阀(8)、负极端子(7)等易发生漏液的区域；
S2)所述图像处理器控制红外摄像头采集不同位置的多张图像；
S3)对步骤S2)获得的图像用中值滤波的方法进行去噪，并按照有无漏液对图像进行分类，生成有漏液和无漏液的样本集，按照一定比例对样本集进行随机抽取，生成训练集和测试集；
S4)建立denseNet神经网络模型，用步骤S3)的训练集标准化后，进行训练，使用优化器调整模型的参数，使模型达到最优化效果；
S5)用训练好的denseNet模型对标准化后的步骤S3)的测试集，进行识别，并对识别结果为有漏液的图像的漏液区域进行标记。


2.根据权利要求1所述的一种基于神经网络和热像图的蓄电池漏液检测方法，其特征在于所述的蓄电池为机房蓄电池，蓄电池设备包括电池架(1)、防触碰隔离板(3)和电池架上的多个蓄电池(2)，蓄电池(2)的端子面安装防触碰隔离板(3)，防触碰隔离板(3)为绝缘属性的透明板，所述步骤1)中红外摄像头拍摄图像时，囊括整个电池架(1)的图像，防触碰隔离板(3)上正极端子(6)、负极端子(7)、安全阀(8)位置设有隔离板窗口(4)，蓄电池(2)之间通过导电条(5)串联连接。


3.根据权利要求1所述的一种基于神经网络和热像图的蓄电池漏液检测方法，其特征在于所述步骤S4)为建立denseNet169神经网络模型，采用Z-SCORE标准化对训练集图像进行数据标准化，保存标准化函数的平均值和标准差参数。


4.根据权利要求1所述的一种基于神经网络和热像图的蓄电池漏液检测方法，其特征在于对训练集标准化的方法为：
S41)读取训练集中的图像，对所有训练集每张图像的数据进行数据标准化，目的是提高神经网络模型训练的收敛速度和模型的识别率，Z-score标准化的公式为：
...

【专利技术属性】
技术研发人员：许俊彪，康春建，郑政，赵铁铮，柴桢，
申请(专利权)人：国家计算机网络与信息安全管理中心，
类型：发明
国别省市：北京;11