基于动态滤波器的锂电池极片定位方法及其系统技术方案

一种基于动态滤波器的锂电池极片定位方法及其系统，其获取待处理锂电池图像和参考锂电池图像；采用基于深度学习的人工智能技术，将待处理锂电池图像进行空间增强和动态滤波，从而实现对正负极片位置的精准定位和识别。从而实现对正负极片位置的精准定位和识别。从而实现对正负极片位置的精准定位和识别。

【技术实现步骤摘要】
基于动态滤波器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，涉及一种基于动态滤波器的锂电池极片定位方法及其系统。

技术介绍

[0002]从2018年起，三元锂电池开始以压倒性优势成为新能源汽车动力电池领域的绝对霸主。
[0003]正确定位正负极片可以确保电池的最佳性能。目前，多类型的干扰为准确的定位正负极片提出了严峻的挑战，其包括但不限与：极片分叉干扰、托盘距离过近干扰、极片干扰、倾斜、极耳干扰、隔膜干扰。因此，期待一种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动态滤波器的锂电池极片定位方法及其系统，其获取待处理锂电池图像和参考锂电池图像；采用基于深度学习的人工智能技术，将待处理锂电池图像进行空间增强和动态滤波，从而实现对正负极片位置的精准定位和识别。
[0005]第一方面，提供了一种基于动态滤波器的锂电池极片定位方法，其包括：
[0006]获取待处理锂电池图像和参考锂电池图像；
[0007]将所述待处理锂电池图像通过作为特征提取器的第一卷积神经网络模型以得到锂电池检测特征图；
[0008]将所述参考锂电池图像通过作为特征提取器的第二卷积神经网络模型以得到锂电池参考特征图；
[0009]将所述锂电池参考特征图通过空间注意力模块以得到空间注意力权重矩阵；
[0010]计算所述锂电池检测特征图的沿通道维度的各个特征矩阵与所述空间注意力权重矩阵的按位置点乘以得到参考强化锂电池检测特征图；
[0011]将所述参考强化锂电池检测特征图通过动态滤波模块以得到过滤后参考强化锂电池检测特征图；以及
[0012]将所述过滤后参考强化锂电池检测特征图通过解码器以得到滤波后锂电池图像。
[0013]在上述基于动态滤波器的锂电池极片定位方法中，将所述待处理锂电池图像通过作为特征提取器的第一卷积神经网络模型以得到锂电池检测特征图，包括：使用所述作为特征提取器的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为特征提取器的第二卷积神经网络模型的最后一层输出为所述锂电池检测特征图，其中，所述作为特征提取器的第二卷积神经网络模型的第一层的输入为所述待处理锂电池图像。
[0014]在上述基于动态滤波器的锂电池极片定位方法中，将所述参考锂电池图像通过作为特征提取器的第二卷积神经网络模型以得到锂电池参考特征图，包括：使用所述作为特
征提取器的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为特征提取器的第二卷积神经网络模型的最后一层输出为所述锂电池参考特征图，其中，所述作为特征提取器的第二卷积神经网络模型的第一层的输入为所述参考锂电池图像。
[0015]在上述基于动态滤波器的锂电池极片定位方法中，将所述锂电池参考特征图通过空间注意力模块以得到空间注意力权重矩阵，包括：计算所述锂电池参考特征图的沿通道维度的全局均值以得到锂电池参考特征矩阵；将所述锂电池参考特征矩阵通过卷积层以得到空间注意力特征矩阵；以及，将所述空间注意力特征矩阵输入Softmax激活函数以得到所述空间注意力权重特征矩阵。
[0016]在上述基于动态滤波器的锂电池极片定位方法中，所述动态滤波模块包括至少一个卷积层。
[0017]在上述基于动态滤波器的锂电池极片定位方法中，还包括训练步骤：对所述作为特征提取器的第一卷积神经网络模型、所述作为特征提取器的第二卷积神经网络模型、所述空间注意力模块、所述动态滤波模块和所述解码器进行训练；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处理训练锂电池图像和训练参考锂电池图像，以及，真实的滤波后锂电池图像；将所述待处理训练锂电池图像通过所述作为特征提取器的第一卷积神经网络模型以得到训练锂电池检测特征图；将所述训练参考锂电池图像通过所述作为特征提取器的第二卷积神经网络模型以得到训练锂电池参考特征图；将所述训练锂电池参考特征图通过所述空间注意力模块以得到训练空间注意力权重矩阵；计算所述训练锂电池检测特征图的沿通道维度的各个特征矩阵与所述训练空间注意力权重矩阵的按位置点乘以得到训练参考强化锂电池检测特征图；对于所述训练参考强化锂电池检测特征图进行类傅里叶尺度域概率修正以得到优化后训练参考强化锂电池检测特征图；将所述优化后训练参考强化锂电池检测特征图通过所述动态滤波模块以得到训练过滤后参考强化锂电池检测特征图；将所述训练过滤后参考强化锂电池检测特征图通过所述解码器以得到训练滤波后锂电池图像；计算所述训练滤波后锂电池图像和所述真实的滤波后锂电池图像之间的均方误差作为解码损失函数值；以及，基于所述解码损失函数值并通过梯度下降的方向传播来对所述作为特征提取器的第一卷积神经网络模型、所述作为特征提取器的第二卷积神经网络模型、所述空间注意力模块、所述动态滤波模块和所述解码器进行训练。
[0018]在上述基于动态滤波器的锂电池极片定位方法中，对于所述训练参考强化锂电池检测特征图进行类傅里叶尺度域概率修正以得到优化后训练参考强化锂电池检测特征图，包括：以如下优化公式对于所述训练参考强化锂电池检测特征图进行类傅里叶尺度域概率修正以得到优化后训练参考强化锂电池检测特征图；其中，所述优化公式为：
[0019][0020]其中，F表示所述参考强化锂电池检测特征图，f
i,j,k
∈F是所述参考强化锂电池检测特征图的第(i,j,k)位置的特征值，W、H和C分别是所述参考强化锂电池检测特征图的高度、宽度和通道数，且α、β和γ为用于尺度调节的超参数，f
′
i,j,k
是所述优化后训练参考强化锂电池检测特征图的第(i,j,k)位置的特征值，exp[
·
]表示计算以数值为幂的自然指数函
数值。
[0021]第二方面，提供了一种基于动态滤波器的锂电池极片定位系统，其包括：
[0022]图像获取模块，用于获取待处理锂电池图像和参考锂电池图像；
[0023]第一特征提取模块，用于将所述待处理锂电池图像通过作为特征提取器的第一卷积神经网络模型以得到锂电池检测特征图；
[0024]第二特征提取模块，用于将所述参考锂电池图像通过作为特征提取器的第二卷积神经网络模型以得到锂电池参考特征图；
[0025]空间注意力模块，用于将所述锂电池参考特征图通过空间注意力模块以得到空间注意力权重矩阵；
[0026]计算模块，用于计算所述锂电池检测特征图的沿通道维度的各个特征矩阵与所述空间注意力权重矩阵的按位置点乘以得到参考强化锂电池检测特征图；
[0027]动态滤波模块，用于将所述参考强化锂电池检测特征图通过动态滤波模块以得到过滤后参考强化锂电池检测特征图；以及
[0028]解码模块，用于将所述过滤后参考强化锂本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于动态滤波器的锂电池极片定位方法，其特征在于，包括：获取待处理锂电池图像和参考锂电池图像；将所述待处理锂电池图像通过作为特征提取器的第一卷积神经网络模型以得到锂电池检测特征图；将所述参考锂电池图像通过作为特征提取器的第二卷积神经网络模型以得到锂电池参考特征图；将所述锂电池参考特征图通过空间注意力模块以得到空间注意力权重矩阵；计算所述锂电池检测特征图的沿通道维度的各个特征矩阵与所述空间注意力权重矩阵的按位置点乘以得到参考强化锂电池检测特征图；将所述参考强化锂电池检测特征图通过动态滤波模块以得到过滤后参考强化锂电池检测特征图；以及将所述过滤后参考强化锂电池检测特征图通过解码器以得到滤波后锂电池图像。2.根据权利要求1所述的基于动态滤波器的锂电池极片定位方法，其特征在于，将所述待处理锂电池图像通过作为特征提取器的第一卷积神经网络模型以得到锂电池检测特征图，包括：使用所述作为特征提取器的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为特征提取器的第二卷积神经网络模型的最后一层输出为所述锂电池检测特征图，其中，所述作为特征提取器的第二卷积神经网络模型的第一层的输入为所述待处理锂电池图像。3.根据权利要求2所述的基于动态滤波器的锂电池极片定位方法，其特征在于，将所述参考锂电池图像通过作为特征提取器的第二卷积神经网络模型以得到锂电池参考特征图，包括：使用所述作为特征提取器的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为特征提取器的第二卷积神经网络模型的最后一层输出为所述锂电池参考特征图，其中，所述作为特征提取器的第二卷积神经网络模型的第一层的输入为所述参考锂电池图像。4.根据权利要求3所述的基于动态滤波器的锂电池极片定位方法，其特征在于，将所述锂电池参考特征图通过空间注意力模块以得到空间注意力权重矩阵，包括：计算所述锂电池参考特征图的沿通道维度的全局均值以得到锂电池参考特征矩阵；将所述锂电池参考特征矩阵通过卷积层以得到空间注意力特征矩阵；以及将所述空间注意力特征矩阵输入Softmax激活函数以得到所述空间注意力权重特征矩阵。5.根据权利要求4所述的基于动态滤波器的锂电池极片定位方法，其特征在于，所述动态滤波模块包括至少一个卷积层。6.根据权利要求5所述的基于动态滤波器的锂电池极片定位方法，其特征在于，还包括训练步骤：对所述作为特征提取器的第一卷积神经网络模型、所述作为特征提取器的第二卷积神经网络模型、所述空间注意力模块、所述动态滤波模块和所述解码器进行训练；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处理训练锂电池图像和训练参考锂电池图像，以及，真实的滤波后锂电池图像；将所述待处理训练锂电池图像通过所述作为特征提取器的第一卷积神经网络模型以
得到训练锂电池检测特征图；将所述训练参考锂电池图像通过所述作为特征提取器的第二卷积神经网络模型以得到训练锂电池参考特征图；将所述训练锂电池参考特征图通过所述空间注意力模块以得到训练空间注意力权重矩阵；计算所述训练锂电池检测特征图的沿通道维度的各个特征矩阵与所述训练空间注意力权重矩阵的按位置点乘以得到训练参考强化锂电池检测特征图；对于所述训练参考强化锂电池检测特征图进行类傅里叶尺度域概率修正以得...

【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：