System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请属于图像处理,特别是涉及一种sei图像的分析方法、系统、电子设备和存储介质。
技术介绍
1、锂离子电池是一种通过在两个正负电极之间移动锂离子来存储和释放电力的装置,电极由一种液体或凝胶状物质(称为电解质)隔开,让锂离子在其中移动。当电池第一次充电时,一些电解质会与负极发生反应,并在其表面形成一层薄层,该薄层即为固态电解质界面(solid electrolyte interface,以下简称sei),能够作为阻止负极和电解质之间进一步反应的屏障,以保护负极免于磨损并减少短路。sei形成的影响因素很多,且形成后其稳定性也较差(会随着电池循环的时间而变化),因此,为保证及提高锂离子电池的性能和安全性,如何控制sei的形成和变化尤为重要。
2、为了观察sei中的微观结构,加强对sei的理解和分析,研究人员开始使用冷冻电镜拍摄sei图像。然而,冷冻电镜拍摄的sei图像相比传统图像存在像素分布、噪音等方面的差异,分析处理的难度较大。现有技术中,通常采用人工的方法对sei的形貌进行判断,并通过手工测量形貌之间的空隙以给出定性的致密度结果,但是,对于高通量的sei图像而言,这种人工以及手工的方法存在着主观性较强、准确性较低以及效率较低的问题。
技术实现思路
1、鉴于以上所述现有技术的缺点,本申请的目的在于提供一种sei图像的分析方法、系统、电子设备和存储介质,用于解决现有技术中分析sei图像时存在的主观性较强、准确性较低以及效率较低的技术问题。
2、第一方面,本申请提
3、获取待分析的目标sei图像;
4、根据训练好的图像分类模型进行形貌分析,所述形貌分析用于确定所述目标sei图像的形貌类型;
5、通过训练好的图像解释模型进行决策影响分析,所述决策影响分析用于生成影响所述图像分类模型确定所述目标sei图像的形貌类型的决策影响信息;
6、根据至少一种预先设定的图像分析方法对所述目标sei图像进行图像分析,并输出图像分析结果,所述图像分析结果用于显示所述目标sei图像中的隐藏信息;
7、其中,所述形貌分析、所述决策影响分析以及所述图像分析根据用户的第一选择信息触发执行,所述第一选择信息包括执行所述形貌分析、所述决策影响分析以及所述图像分析中一种或多种的组合。
8、在第一方面的一种实现方式中,在所述根据训练好的图像分类模型进行形貌分析之前,所述方法还包括:
9、基于待训练的图像数据集对预先确定出的原始训练模型执行训练操作直至收敛,得到训练好的图像分类模型;
10、其中,所述基于待训练的图像数据集对预先确定出的原始训练模型执行训练操作直至收敛,得到训练好的图像分类模型,包括:
11、获取待训练的图像数据集;
12、对所述待训练的图像数据集执行数据增强操作,得到增强后的图像数据集;
13、将所述增强后的图像数据集中的所有图像数据输入预先确定出的原始训练模型,以对所述原始训练模型执行训练操作直至收敛,得到训练好的图像分类模型。
14、在第一方面的一种实现方式中,所述待训练的图像数据集包括多个待训练的第一sei图像;所述对所述待训练的图像数据集执行数据增强操作,得到增强后的图像数据集,包括:
15、计算所述待训练的图像数据集中的每个所述第一sei图像的梯度直方图信息,以分别确定出每个所述第一sei图像的主体部分;
16、对每个所述第一sei图像的主体部分执行目标变换操作,以得到每个所述第一sei图像分别对应的第二sei图像,并将所有所述第二sei图像组成的图像数据集确定为增强后的图像数据集。
17、在第一方面的一种实现方式中,将所述增强后的图像数据集中的所有图像数据输入预先确定出的原始训练模型,包括:
18、将所述增强后的图像数据集中所有所述第二sei图像中的像素点转换为目标输入数据类型,得到转换后的图像数据;
19、将所述转换后的图像数据输入预先确定出的原始训练模型。
20、在第一方面的一种实现方式中,所述通过训练好的图像解释模型进行决策影响分析,包括:
21、通过训练好的图像解释模型,分别计算所述目标sei图像相对于所述图形分类模型中每个卷积层的特征图的分数梯度;
22、根据每个所述分数梯度对应的像素点分别确定每个所述分数梯度的贡献程度;
23、根据至少部分所述分数梯度的贡献程度生成决策影响信息。
24、在第一方面的一种实现方式中,所述根据至少部分所述分数梯度的贡献程度生成决策影响信息,包括:
25、基于relu激活函数分别判断每个所述分数梯度的贡献程度是否为目标梯度贡献程度,其中,所述目标梯度贡献程度是所有所述分数梯度的贡献程度中为正值的贡献程度;
26、若所述分数梯度的贡献程度为目标梯度贡献程度,则保留所述目标梯度贡献程度;
27、根据所有所述目标梯度贡献程度生成决策影响信息。
28、在第一方面的一种实现方式中,所述根据至少一种预先设定的图像分析方法对所述目标sei图像进行图像分析,包括:
29、接收用户输入的第二选择信息,所述第二选择信息包括对至少一种预先设定的图像分析方法的选择情况;
30、根据所述第二选择信息对所述目标sei图像进行分析。
31、第二方面,本申请提供一种sei图像的分析系统,包括:
32、获取模块,用于获取待分析的目标sei图像;
33、形貌分析模块,用于根据训练好的图像分类模型进行形貌分析,所述形貌分析用于确定所述目标sei图像的形貌类型;
34、决策影响分析模块,用于通过训练好的图像解释模型进行决策影响分析,所述决策影响分析用于生成影响所述图像分类模型确定所述目标sei图像的形貌类型的决策影响信息;
35、图像分析模块,用于根据至少一种预先设定的图像分析方法对所述目标sei图像进行图像分析,并输出图像分析结果,所述图像分析结果用于显示所述目标sei图像中的隐藏信息;
36、其中,所述形貌分析、所述决策影响分析以及所述图像分析根据用户的第一选择信息触发执行,所述第一选择信息包括执行所述形貌分析、所述决策影响分析以及所述图像分析中一种或多种的组合。
37、第三方面,本申请提供一种电子设备,包括:处理器及存储器;
38、所述存储器用于存储计算机程序;
39、所述处理器用于执行所述存储器存储的计算机程序,以使所述电子设备执行上述任一项所述的方法。
40、第四方面,本申请提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一项所述的方法。
41、与现有技术相比,本申请的sei图像的分析方法、系统、电子设备和存储介质,具有以下有益效果:
42、(1)本专利技术本文档来自技高网...
【技术保护点】
1.一种SEI图像的分析方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,在所述根据训练好的图像分类模型进行形貌分析之前,所述方法还包括:
3.根据权利要求2所述的方法,其特征在于,所述待训练的图像数据集包括多个待训练的第一SEI图像;所述对所述待训练的图像数据集执行数据增强操作,得到增强后的图像数据集,包括:
4.根据权利要求3所述的方法,其特征在于,将所述增强后的图像数据集中的所有图像数据输入预先确定出的原始训练模型,包括:
5.根据权利要求1所述的方法,其特征在于,所述通过训练好的图像解释模型进行决策影响分析,包括:
6.根据权利要求5所述的方法,其特征在于,所述根据至少部分所述分数梯度的贡献程度生成决策影响信息,包括:
7.根据权利要求1所述的方法,其特征在于,所述根据至少一种预先设定的图像分析方法对所述目标SEI图像进行图像分析,包括:
8.一种SEI图像的分析系统,其特征在于,所述系统包括:
9.一种电子设备,其特征在于,包括:处理器及存储器;
...【技术特征摘要】
1.一种sei图像的分析方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,在所述根据训练好的图像分类模型进行形貌分析之前,所述方法还包括:
3.根据权利要求2所述的方法,其特征在于,所述待训练的图像数据集包括多个待训练的第一sei图像;所述对所述待训练的图像数据集执行数据增强操作,得到增强后的图像数据集,包括:
4.根据权利要求3所述的方法,其特征在于,将所述增强后的图像数据集中的所有图像数据输入预先确定出的原始训练模型,包括:
5.根据权利要求1所述的方法,其特征在于,所述通过训练好...
【专利技术属性】
技术研发人员:李金金,卡尔·路易吉·洛萨·维达尔,汪志龙,史磊,
申请(专利权)人:上海交通大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。