[发明专利]基于深度学习的电池overhang的计算方法和装置

说明书

本发明提供了一种基于深度学习的电池overhang的计算方法和装置，其中，该计算方法包括以下步骤：获取训练样本图像集；根据训练样本图像集对神经网络进行训练以获取分割网络模型；根据分割网络模型对待检测电池的目标检测图像进行检测，以获取相应的第一二值化图像；根据第一二值化图像获取待检测电池的正极和负极的顶部坐标；根据顶部坐标计算待检测电池的overhang。根据本发明的基于深度学习的电池overhang的计算方法，不仅大大简化了计算方式，而且计算精度和通用性较高。

技术领域

本发明涉及目标检测技术领域，具体涉及一种基于深度学习的电池overhang的计算方法和一种基于深度学习的电池overhang的计算装置。

背景技术

所谓电池overhang(对齐度)设计是指负极极片长度和宽度方向多出正负极极片之外的部分。overhang会影响电池的电化学性能，正负极完全重叠，没有overhang设计的电池性能最好，但是由于工程精度无法实现这种情况，电池反而容易出现析锂。因此，工程上需要对电池的overhang进行管控，以保证overhang在合适的规格从而保证电池的性能。

相关技术中，通常采用电池X-ray图像来计算电池overhang，然而，该方式具有一定的局限性，通用性较低，并且计算方式复杂，计算精度较低。

发明内容

本发明为解决上述技术问题，提供了一种基于深度学习的电池overhang的计算方法，不仅大大简化了计算方式，而且计算精度和通用性较高。

本发明采用的技术方案如下：

一种基于深度学习的电池overhang的计算方法，包括以下步骤：获取训练样本图像集；根据所述训练样本图像集对神经网络进行训练以获取分割网络模型；根据所述分割网络模型对待检测电池的目标检测图像进行检测，以获取相应的第一二值化图像；根据所述第一二值化图像获取所述待检测电池的正极和负极的顶部坐标；根据所述顶部坐标计算所述待检测电池的overhang。

所述获取训练样本图像集包括：采用X-ray射线对电池进行拍摄以获取训练样本图像；对所述训练样本图像中所述电池的正极和负极进行标注，以获取标注图像；根据所述训练样本图像和相应的标注图像生成所述训练样本图像集。

所述根据所述训练样本图像集对神经网络进行训练以获取分割网络模型包括：将所述训练样本图像缩放至预设尺寸；根据缩放后的训练样本图像采用梯度下降法对所述神经网络进行训练以获取所述分割网络模型。

所述根据所述训练样本图像集对神经网络进行训练以获取分割网络模型还包括：根据分割网络模型对所述训练样本图像进行检测，以获取相应的第二二值化图像；将所述第二二值化图像与所述标注图像进行比对；根据比对结果对所述分割网络模型进行校正。

一种基于深度学习的电池overhang的计算装置，包括：第一获取模块，所述第一获取模块用于获取训练样本图像集；第二获取模块，所述第二获取模块用于根据所述训练样本图像集对神经网络进行训练以获取分割网络模型；检测模块，所述检测模块用于根据所述分割网络模型对待检测电池的目标检测图像进行检测，以获取相应的第一二值化图像；第三获取模块，所述第三获取模块用于根据所述第一二值化图像获取所述待检测电池的正极和负极的顶部坐标；计算模块，所述计算模块用于根据所述顶部坐标计算所述待检测电池的overhang。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现上述的基于深度学习的电池overhang的计算方法。

一种非临时性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的基于深度学习的电池overhang的计算方法。

本发明的有益效果：

本发明不仅大大简化了计算方式，而且计算精度和通用性较高。

附图说明