基于多维协同学习的锂电池极片定位方法及其系统技术方案

一种基于多维协同学习的锂电池极片定位方法及其系统，其基于多维联合优化分割模型，将锂电池检测任务建模为分割任务并提出了区域

【技术实现步骤摘要】
基于多维协同学习的锂电池极片定位方法及其系统


[0001]本申请涉及智能化定位
，并且更具体地，涉及一种基于多维协同学习的锂电池极片定位方法及其系统。

技术介绍

[0002]锂电池是一种高性能、高能量密度的电池，广泛应用于电子设备、电动汽车等领域。在锂电池的生产和质量检测过程中，需要对电池的极片进行定位和统计，以确保电池的质量和性能。传统的锂电池极片定位方法主要依赖于人工观察和手动划分，效率低下且易受主观因素的影响。
[0003]因此，期望一种优化的基于多维协同学习的锂电池极片定位方案。

技术实现思路

[0004]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于多维协同学习的锂电池极片定位方法及其系统，其基于多维联合优化分割模型，将锂电池检测任务建模为分割任务并提出了区域
‑
点
‑
线
‑
数量的多维联合框架。点模型是核心模块，对正负级片的位置给出了基本的点图，线模型和计数模型能够对点模型的预测图进行微调，通过四维任务，以点分割为核心，不断的辅助和修正，以对于锂电池电极片进行准确检测，进而得到每一级片的坐标位置和整体的数量信息。
[0005]第一方面，提供了一种基于多维协同学习的锂电池极片定位方法，其包括：
[0006]获取待检测锂电池的X
‑
ray图像；
[0007]将所述待检测锂电池的X
‑
ray图像输入基于编码器
‑
解码器结构的电池区域级感知模块以得到电池区域图像；
[0008]将所述电池区域图像输入点分割模型以得到正电极点预测图和负电极点预测图；
[0009]将所述正电极点预测图和所述负电极点预测图通过线分割模型和计数模型以得到优化正电极点预测图和优化负电极点预测图；以及
[0010]基于所述优化正电极点预测图和所述优化负电极点预测图，分别确定所述待检测锂电池的每一极片的坐标位置。
[0011]在上述基于多维协同学习的锂电池极片定位方法中，所述编码器和所述解码器具有对称的网络结构。
[0012]在上述基于多维协同学习的锂电池极片定位方法中，将所述待检测锂电池的X
‑
ray图像输入基于编码器
‑
解码器结构的电池区域级感知模块以得到电池区域图像，包括：将所述待检测锂电池的X
‑
ray图像输入所述电池区域级感知模块的编码器以得到多个编码特征图，其中，所述电池区域级感知模块的编码器的第一卷积层和第二卷积层输出的二个锂电池X
‑
ray特征图为第一浅层锂电池X
‑
ray特征图和第二浅层锂电池X
‑
ray特征图，且所述电池区域级感知模块的编码器的最后一个卷积层的输出为深度锂电池X
‑
ray特征图；基于所述编码器和所述解码器之间的跳级连接，将所述多个编码特征图中的最后一个编码特
征图输入所述电池区域级感知模块的解码器以得到解码特征矩阵；以及，对所述解码特征矩阵进行图像语义分割以得到所述电池区域图像。
[0013]在上述基于多维协同学习的锂电池极片定位方法中，还包括训练步骤；其中，所述训练步骤包括：用于对所述基于编码器
‑
解码器结构的电池区域级感知模块进行训练；获取训练数据，所述训练数据包括待检测锂电池的训练X
‑
ray图像；将所述待检测锂电池的训练X
‑
ray图像输入所述基于编码器
‑
解码器结构的电池区域级感知模块的编码器以得到多个训练编码特征图；基于所述编码器和所述解码器之间的跳级连接，将所述多个训练编码特征图中的最后一个训练编码特征图输入所述基于编码器
‑
解码器结构的电池区域级感知模块的解码器以得到多个训练解码特征图；计算所述多个训练编码特征图和所述多个训练解码特征图的概率分布移位信息补偿损失函数值；以及，基于所述概率分布移位信息补偿损失函数值并通过梯度下降的反向传播来对所述基于编码器
‑
解码器结构的电池区域级感知模块进行训练。
[0014]在上述基于多维协同学习的锂电池极片定位方法中，计算所述多个训练编码特征图和所述多个训练解码特征图的概率分布移位信息补偿损失函数值，包括：以如下优化公式计算所述多个训练编码特征图和所述多个训练解码特征图的所述概率分布移位信息补偿损失函数值；其中，所述优化公式为：
[0015][0016][0017][0018][0019]其中，F
1i
和F
2i
分别是所述多个训练编码特征图中的各个训练编码特征图和所述多个训练解码特征图中的各个训练解码特征图，softmax(
·
)表示softmax函数，bool(
·
)表示bool函数，kog表示以2为底的对数函数，τ1和τ2为移位补偿超参数，且α为加权超参数，表示所述概率分布移位信息补偿损失函数值。
[0020]在上述基于多维协同学习的锂电池极片定位方法中，将所述正电极点预测图和所述负电极点预测图通过线分割模型和计数模型以得到优化正电极点预测图和优化负电极点预测图，包括：将所述正电极点预测图和所述负电极点预测图通过所述线分割模型以得到所述优化正电极点预测图和所述优化负电极点预测图；以及，将所述正电极点预测图和所述负电极点预测图通过所述计数模型以得到正极数量预测值和负极数量预测值。
[0021]在上述基于多维协同学习的锂电池极片定位方法中，将所述正电极点预测图和所述负电极点预测图通过所述线分割模型以得到所述优化正电极点预测图和所述优化负电极点预测图，包括：对所述第二浅层锂电池X
‑
ray特征图进行上采样以得到上采样后第二浅层锂电池X
‑
ray特征图，其中，所述上采样后第二浅层锂电池X
‑
ray特征图与所述第一浅层锂电池X
‑
ray特征图具有相同的特征尺度；融合所述上采样后第二浅层锂电池X
‑
ray特征图与所述第一浅层锂电池X
‑
ray特征图以得到浅层融合特征图；将所述浅层融合特征图通过第一点卷积层以得到浅层特征矩阵；将所述正电极点预测图和所述浅层特征矩阵进行按位置相乘以得到正极融合预测图，且将所述负电极点预测图和所述浅层特征矩阵进行按位置
相乘以得到负极融合预测图；融合所述正极融合预测图和所述浅层特征矩阵以得到正极线融合预测图，且融合所述负极融合预测图和所述浅层特征矩阵以得到负极线融合预测图；将所述正极线融合预测图通过第二点卷积层和Softmax分类函数以得到所述优化正电极点预测图；以及，将所述负极线融合预测图通过第三点卷积层和所述Softmax分类函数以得到所述优化负电极点预测图。
[0022]在上述基于多维协同学习的锂电池极片定位方法中，将所述正电极点预测图和所述负电极点预测图通过所述计数模型以得到正本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多维协同学习的锂电池极片定位方法，其特征在于，包括：获取待检测锂电池的X
‑
ray图像；将所述待检测锂电池的X
‑
ray图像输入基于编码器
‑
解码器结构的电池区域级感知模块以得到电池区域图像；将所述电池区域图像输入点分割模型以得到正电极点预测图和负电极点预测图；将所述正电极点预测图和所述负电极点预测图通过线分割模型和计数模型以得到优化正电极点预测图和优化负电极点预测图；以及基于所述优化正电极点预测图和所述优化负电极点预测图，分别确定所述待检测锂电池的每一极片的坐标位置。2.根据权利要求1所述的基于多维协同学习的锂电池极片定位方法，其特征在于，所述编码器和所述解码器具有对称的网络结构。3.根据权利要求2所述的基于多维协同学习的锂电池极片定位方法，其特征在于，将所述待检测锂电池的X
‑
ray图像输入基于编码器
‑
解码器结构的电池区域级感知模块以得到电池区域图像，包括：将所述待检测锂电池的X
‑
ray图像输入所述电池区域级感知模块的编码器以得到多个编码特征图，其中，所述电池区域级感知模块的编码器的第一卷积层和第二卷积层输出的二个锂电池X
‑
ray特征图为第一浅层锂电池X
‑
ray特征图和第二浅层锂电池X
‑
ray特征图，且所述电池区域级感知模块的编码器的最后一个卷积层的输出为深度锂电池X
‑
ray特征图；基于所述编码器和所述解码器之间的跳级连接，将所述多个编码特征图中的最后一个编码特征图输入所述电池区域级感知模块的解码器以得到解码特征矩阵；以及对所述解码特征矩阵进行图像语义分割以得到所述电池区域图像。4.根据权利要求3所述的基于多维协同学习的锂电池极片定位方法，其特征在于，还包括训练步骤：用于对所述基于编码器
‑
解码器结构的电池区域级感知模块进行训练；其中，所述训练步骤包括：获取训练数据，所述训练数据包括待检测锂电池的训练X
‑
ray图像；将所述待检测锂电池的训练X
‑
ray图像输入所述基于编码器
‑
解码器结构的电池区域级感知模块的编码器以得到多个训练编码特征图；基于所述编码器和所述解码器之间的跳级连接，将所述多个训练编码特征图中的最后一个训练编码特征图输入所述基于编码器
‑
解码器结构的电池区域级感知模块的解码器以得到多个训练解码特征图；计算所述多个训练编码特征图和所述多个训练解码特征图的概率分布移位信息补偿损失函数值；以及基于所述概率分布移位信息补偿损失函数值并通过梯度下降的反向传播来对所述基于编码器
‑
解码器结构的电池区域级感知模块进行训练。5.根据权利要求4所述的基于多维协同学习的锂电池极片定位方法，其特征在于，计算所述多个训练编码特征图和所述多个训练解码特征图的概率分布移位信息补偿损失函数值，包括：以如下优化公式计算所述多个训练编码特征图和所述多个训练解码特征图的所述概
率分布移位信息补偿损失函数值；其中，所述优化公式为：其中，所述优化公式为：其中，所述优化公式为：其中，所述优化公式为：其中，F
1i
和F
2i
分别是所述多个训练编码特征图中的各个训练编码特征图和所述多个训练解码特征图中的各个训练解码特征图，softmax
·
表示softmax函数，bool
·
表示bool函数，log表示以2为底的对数函数，τ1和τ2为移位补偿超参数，且α为加权超参...

【专利技术属性】
技术研发人员：庞有伟，左嘉铭，赵骁骐，姜南，
申请(专利权)人：无锡源工三仟科技有限公司，
类型：发明
国别省市：