CN115661104A - 动力电池的整体完整度评估方法、装置、设备及介质 - Google Patents
动力电池的整体完整度评估方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115661104A CN115661104A CN202211379867.3A CN202211379867A CN115661104A CN 115661104 A CN115661104 A CN 115661104A CN 202211379867 A CN202211379867 A CN 202211379867A CN 115661104 A CN115661104 A CN 115661104A
- Authority
- CN
- China
- Prior art keywords
- dimensional image
- score
- region
- target
- power battery
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种动力电池的整体完整度评估方法、装置、设备及介质,其中方法包括:对外观三维图像得到各个单关键特征位置和各个关键特征检测框,对外观三维图像生成最小外接矩形体外壳;从最小外接矩形体外壳的每面中找出与每个关键特征检测框的中心点之间的距离最近的点的坐标,得到最近点坐标向量,对最近点坐标向量确定第一评分;对外观三维图像进行区域划分得到各个目标单区域三维图像,对目标单区域三维图像和其对应的标准单区域三维图像进行曲面变形评估得到第二评分;对各个第一评分和各个第二评分进行融合处理及确定整体完整度评估结果。从而实现基于外观三维图像进行自动化评估,使本申请的评估结果适用于后续进行动力电池的状态评估。
Description
技术领域
本发明涉及动力电池技术领域,尤其涉及一种动力电池的整体完整度评估方法、装置、设备及介质。
背景技术
随着新能源技术的发展,电动汽车得到广泛应用。电动汽车的电池包随着利用时间的增加,性能将会下降。因电动汽车对电池包的性能要求较高,当性能低于电动汽车的要求时,电池包需要退役。电池包的废弃将会对生态环境造成较大威胁,而对退役的电池包中的电芯投入某些适宜场合进行循环再利用,对生态环境的保护意义重大。动力电池的整体完整度是电池状态的重要评估指标之一。目前只能人为根据二维图像/三维图像评估动力电池的整体完整度,评估依赖人的经验,导致评估标准不统一、稳定性不统一,降低了动力电池的整体完整度评估的准确性;目前采用基于神经网络训练得到的外观相似度评估模型是对外观整体相似度的评估,当把该外观相似度评估模型应用于动力电池的整体完整度评估时,因动力电池不同区域的外观的完整度对电池的状态的评估影响不同,导致评估结果无法适用于后续进行动力电池的状态评估。
发明内容
基于此,有必要针对人为评估动力电池的整体完整度的评估标准不统一、稳定性不统一,而现有的外观相似度评估模型是对外观整体相似度的评估,导致评估结果无法适用于后续进行动力电池的状态评估的技术问题,提出了一种动力电池的整体完整度评估方法、装置、设备及介质。
一种动力电池的整体完整度评估方法,所述方法包括:
获取目标动力电池的外观三维图像;
对所述外观三维图像进行关键特征检测及检测框生成,得到各个单关键特征位置和各个关键特征检测框,并对所述外观三维图像生成最小外接矩形体外壳;
从所述最小外接矩形体外壳的每面中找出与每个所述关键特征检测框的中心点之间的距离最近的点的坐标,得到最近点坐标向量,根据预设的最近点评分配置,对每个所述最近点坐标向量进行关键特征的位移评估,得到第一评分;
对所述外观三维图像进行区域划分,得到各个目标单区域三维图像,对每个所述目标单区域三维图像和其对应的标准单区域三维图像进行曲面变形评估,得到第二评分;
对各个所述第一评分和各个所述第二评分进行融合处理,得到评分结果,并根据所述评分结果,确定所述目标动力电池的整体完整度评估结果。
进一步地,所述获取目标动力电池的外观三维图像的步骤,包括:
获取所述目标动力电池在每个角度的单角度三维图像,其中,每个所述单角度三维图像中包括九宫格魔方三维图像和单角度电池三维图像,所述九宫格魔方三维图像是九宫格魔方的三维图像,所述单角度三维图像是对放置在同一平面上的所述九宫格魔方与所述目标动力电池拍摄得到的三维图像;
根据预设的标准分辨率、各个所述九宫格魔方三维图像和各个所述单角度电池三维图像,对所述目标动力电池进行每个面的正视角三维图像映射,得到单面电池三维图像;
基于九宫格魔方的拼接关系和各个所述九宫格魔方三维图像,对各个所述单面电池三维图像进行拼接,得到所述外观三维图像。
进一步地,所述对所述外观三维图像进行区域划分,得到各个目标单区域三维图像的步骤,包括:
根据预设的区域分割配置和各个所述单关键特征位置,对所述外观三维图像进行区域划分,得到各个所述目标单区域三维图像;
其中,所述区域分割配置是基于每个关键特征仅位于一个所述目标单区域三维图像的原则确定的配置。
进一步地,所述对每个所述目标单区域三维图像和其对应的标准单区域三维图像进行曲面变形评估,得到第二评分的步骤,还包括:
将各个所述目标单区域三维图像中的任一个所述目标单区域三维图像作为第一图像;
将所述第一图像对应的所述标准单区域三维图像作为第二图像;
将所述第一图像分割成具有相对固定曲率特征的子区域,得到各个第一子区域图像;
分别对每个所述第一子区域图像进行几何特征的提取及拓扑特征的提取,得到第一曲面形状描述子;
将所述第二图像分割成具有相对固定曲率特征的子区域,得到各个第二子区域图像;
分别对每个所述第二子区域图像进行几何特征的提取及拓扑特征的提取,得到第二曲面形状描述子;
基于赋权二分图最优匹配算法,对所述第一曲面形状描述子和所述第二曲面形状描述子进行曲面相似性评估,得到相似性评估结果;
根据所述相似性评估结果进行曲面变形评估,确定所述第二评分。
进一步地,所述对各个所述第一评分和各个所述第二评分进行融合处理,得到评分结果的步骤,包括:
根据预设的单面融合配置,对目标面对应的各个所述第一评分和各个所述第二评分进行融合处理,得到单面评分,其中,所述目标面是所述目标动力电池的任一面;
将各个所述单面评分作为所述评分结果。
进一步地,所述根据预设的单面融合配置,对目标面对应的各个所述第一评分和各个所述第二评分进行融合处理,得到单面评分的步骤,包括:
根据所述单面融合配置中的特征重要性融合配置,对所述目标面对应的各个所述第一评分按特征重要性进行集合划分,得到每个所述特征重要性对应的特征评分集;
根据所述特征重要性融合配置,对每个所述特征评分集中的各个所述第一评分进行融合处理,得到第一重要性评分;
根据所述单面融合配置中的区域重要性融合配置,对所述目标面对应的各个所述第二评分按区域重要性进行集合划分,得到每个所述区域重要性对应的区域评分集;
根据所述区域重要性融合配置,对每个所述区域评分集中的各个所述第二评分进行融合处理,得到第二重要性评分;
根据所述单面融合配置中的重要性综合融合配置,对各个所述第一重要性评分和各个所述第二重要性评分进行融合处理,得到所述单面评分。
进一步地,所述根据所述评分结果,确定所述目标动力电池的整体完整度评估结果的步骤,包括:
将每个所述单面评分,在预设的单面完整度映射表中查询单面完整度,得到目标单面完整度;
基于预设的完整度综合评估配置,对各个所述目标单面完整度进行完整度综合评估,得到所述目标动力电池的所述整体完整度评估结果。
一种动力电池的整体完整度评估装置,所述装置包括:
图像获取模块,用于获取目标动力电池的外观三维图像;
图像处理模块,用于对所述外观三维图像进行关键特征检测及检测框生成,得到各个单关键特征位置和各个关键特征检测框,并对所述外观三维图像生成最小外接矩形体外壳;
第一评分确定模块,用于从所述最小外接矩形体外壳的每面中找出与每个所述关键特征检测框的中心点之间的距离最近的点的坐标,得到最近点坐标向量,根据预设的最近点评分配置,对每个所述最近点坐标向量进行关键特征的位移评估,得到第一评分;
第二评分确定模块,用于对所述外观三维图像进行区域划分,得到各个目标单区域三维图像,对每个所述目标单区域三维图像和其对应的标准单区域三维图像进行曲面变形评估,得到第二评分;
整体完整度评估结果确定模块,用于对各个所述第一评分和各个所述第二评分进行融合处理,得到评分结果,并根据所述评分结果,确定所述目标动力电池的整体完整度评估结果。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行以下步骤:
获取目标动力电池的外观三维图像;
对所述外观三维图像进行关键特征检测及检测框生成,得到各个单关键特征位置和各个关键特征检测框,并对所述外观三维图像生成最小外接矩形体外壳;
从所述最小外接矩形体外壳的每面中找出与每个所述关键特征检测框的中心点之间的距离最近的点的坐标,得到最近点坐标向量,根据预设的最近点评分配置,对每个所述最近点坐标向量进行关键特征的位移评估,得到第一评分;
对所述外观三维图像进行区域划分,得到各个目标单区域三维图像,对每个所述目标单区域三维图像和其对应的标准单区域三维图像进行曲面变形评估,得到第二评分;
对各个所述第一评分和各个所述第二评分进行融合处理,得到评分结果,并根据所述评分结果,确定所述目标动力电池的整体完整度评估结果。
一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行以下步骤:
获取目标动力电池的外观三维图像;
对所述外观三维图像进行关键特征检测及检测框生成,得到各个单关键特征位置和各个关键特征检测框,并对所述外观三维图像生成最小外接矩形体外壳;
从所述最小外接矩形体外壳的每面中找出与每个所述关键特征检测框的中心点之间的距离最近的点的坐标,得到最近点坐标向量,根据预设的最近点评分配置,对每个所述最近点坐标向量进行关键特征的位移评估,得到第一评分;
对所述外观三维图像进行区域划分,得到各个目标单区域三维图像,对每个所述目标单区域三维图像和其对应的标准单区域三维图像进行曲面变形评估,得到第二评分;
对各个所述第一评分和各个所述第二评分进行融合处理,得到评分结果,并根据所述评分结果,确定所述目标动力电池的整体完整度评估结果。
本申请的动力电池的整体完整度评估方法,通过基于外观三维图像进行自动化评估,避免了人为评估动力电池的整体完整度的评估标准不统一、稳定性不统一的问题;而且从所述最小外接矩形体外壳的每面中找出与每个所述关键特征检测框的中心点之间的距离最近的点的坐标,得到最近点坐标向量,根据预设的最近点评分配置,对每个所述最近点坐标向量进行关键特征的位移评估,得到第一评分,对所述外观三维图像进行区域划分,得到各个目标单区域三维图像,对每个所述目标单区域三维图像和其对应的标准单区域三维图像进行曲面变形评估,得到第二评分,对各个所述第一评分和各个所述第二评分进行融合处理,得到评分结果,并根据所述评分结果,确定所述目标动力电池的整体完整度评估结果,实现了关键特征的位移评估、曲面变形评估、对关键特征的位移评估得到的数据和曲面变形评估得到的数据进行融合处理,整个评估过程重复考虑了不同关键特征的特性和不同区域的特性,从而使本申请的评估结果适用于后续进行动力电池的状态评估。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
其中:
图1为一个实施例中动力电池的整体完整度评估方法的流程图;
图2为一个实施例中动力电池的整体完整度评估装置的结构框图;
图3为一个实施例中计算机设备的结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,在一个实施例中,提供了一种动力电池的整体完整度评估方法。该方法既可以应用于终端,也可以应用于服务器,本实施例以应用于终端举例说明。该动力电池的整体完整度评估方法具体包括如下步骤:
S1:获取目标动力电池的外观三维图像;
具体而言,可以获取用户输入的目标动力电池的外观三维图像,也可以从存储空间获取目标动力电池的外观三维图像,还可以从第三方应用获取目标动力电池的外观三维图像。
目标动力电池,是新能源汽车的动力电池。可以理解的是,本申请可以用于动力电池的整体完整度评估,还可以应用与其他物品的整体完整度评估。
外观三维图像,是目标动力电池的外观的三维图像。
可以理解的是,外观三维图像可以是目标动力电池的全部外观的三维图像,也可以是目标动力电池的部分外观的三维图像。
S2:对所述外观三维图像进行关键特征检测及检测框生成,得到各个单关键特征位置和各个关键特征检测框,并对所述外观三维图像生成最小外接矩形体外壳;
具体而言,基于预先训练的目标检测模型,对所述外观三维图像进行关键特征检测及检测框生成,将检测到的每个关键特征的位置作为一个单关键特征位置,将为检测到的每个关键特征生成的检测框作为一个关键特征检测框。
关键特征检测框,是能框住关键特征的所有体素点的最小矩形框。关键特征检测框是三维矩形框。
关键特征,是新能源汽车的动力电池的外表面上的具有特点的特征,比如,凸起点、凹陷点、文字、图案等。可以理解的是,关键特征也可以称为关键点。关键特征的选择范围可以是根据预设的规则特征和动力电池的特性提前选择,然后根据关键特征的选择范围和动力电池的三维图像生成训练样本,最后采用训练样本训练目标检测模型。可以理解的是,还可以采用历史检测的非完整的电池比较脆弱的地方在动力电池的外表面上对应的位置作为关键特征。
目标检测模型的训练方法可以从现有技术中选择,在此不做赘述。
其中,对所述外观三维图像生成最小外接矩形体外壳,也就是说,最小外接矩形体外壳是能够框住所述外观三维图像中的所有体素的最小外壳,并且最小外接矩形体外壳的形状是矩形体。由此可知,最小外接矩形体外壳是由6个平面围设而成。
S3:从所述最小外接矩形体外壳的每面中找出与每个所述关键特征检测框的中心点之间的距离最近的点的坐标,得到最近点坐标向量,根据预设的最近点评分配置,对每个所述最近点坐标向量进行关键特征的位移评估,得到第一评分;
因动力电池的不同关键特征的位移对动力电池状态的影响可能不同,因此,通过针对每个关键特征单独确定一个第一评分,有利于使每个第一评分能准确的体现对应关键特征对动力电池状态的影响,具体而言,从所述最小外接矩形体外壳的每面中找出与所述关键特征检测框的中心点之间的距离最近的点的坐标,将针对每个所述关键特征检测框计算得到的6个坐标组合成一个向量,将组合得到的每个向量作为一个最近点坐标向量。
其中,将所述最近点坐标向量和所述最近点评分配置中的与该所述最近点坐标向量对应的标准最近点向量进行相似度计算,作为第一相似度,根据第一相似度和所述最近点评分配置中的评分计算配置进行评分计算,将计算得到的评分作为所述第一评分。
与该所述最近点坐标向量对应的标准最近点向量,也就是与该所述最近点坐标向量对应的关键特征对应的标准最近点向量。
可以理解的是,本申请的最近点评分配置中的标准最近点向量,是目标动力电池对应的电池型号对应的标准的最近点向量。从而有利于提高计算得到的第一评分的准确性。
可以理解的是,向量的相似度的计算方法可以从现有技术中选择,在此不做赘述。
可以理解的是,在确定最近点坐标向量时采用预设的坐标系,设的坐标系以所述最小外接矩形体外壳的一个定点为原点,设的坐标系的三轴(包括:x轴、y轴、c轴)均平行所述最小外接矩形体外壳的面。
标准最近点向量的坐标系与最近点坐标向量的坐标系的构建方式相同。
S4:对所述外观三维图像进行区域划分,得到各个目标单区域三维图像,对每个所述目标单区域三维图像和其对应的标准单区域三维图像进行曲面变形评估,得到第二评分;
因动力电池的不同区域存在凹陷时对动力电池状态的影响可能不同,动力电池的不同区域存在鼓包时对动力电池状态的影响可能不同,因此,通过分区域确定第二评分,有利于使每个第二评分能准确的体现对应区域对动力电池状态的影响,具体而言,根据预设的划分比例列表,对所述外观三维图像进行区域划分,将划分得到的每个区域对应的图像作为一个目标单区域三维图像。
划分比例列表中包括区域标识和划分比例数据。划分比例数据中包括区域标识的四条边的划分比例。划分比例是目标动力电池单面对应的最小外接三维矩形框上的划分比例。
可选的,根据各个所述单关键特征位置,对所述外观三维图像进行区域划分,将划分得到的每个区域对应的图像作为一个目标单区域三维图像,其中,每个所述单关键特征位置仅位于一个目标单区域三维图像中。
其中,对每个所述目标单区域三维图像和其对应的标准单区域三维图像进行曲面变形评估,也就是对所述目标单区域三维图像和与该所述目标单区域三维图像对应的区域对应的标准单区域三维图像进行曲面相似度评估,根据相似度评估进行变形评估,从而得到第二评分。
标准单区域三维图像,可以从目标动力电池对应的标准外观图像中提取。
可选的,基于预先训练的曲面相似度评估模型,对每个所述目标单区域三维图像和其对应的标准单区域三维图像进行曲面变形评估,得到相似度概率,根据相似度概率进行变形评估,作为第二评分。
曲面相似度评估模型,是基于神经网络训练得到的模型。曲面相似度评估模型的训练方法可以从现有技术中选择,在此不做赘述。
S5:对各个所述第一评分和各个所述第二评分进行融合处理,得到评分结果,并根据所述评分结果,确定所述目标动力电池的整体完整度评估结果。
具体而言,对各个所述第一评分和各个所述第二评分进行融合处理,将融合处理得到的评分作为评分结果。
可选的,对各个所述第一评分和各个所述第二评分进行加权求和,得到评分结果。
可选的,将所述评分结果作为所述目标动力电池的整体完整度评估结果。
本实施例通过基于外观三维图像进行自动化评估,避免了人为评估动力电池的整体完整度的评估标准不统一、稳定性不统一的问题;而且从所述最小外接矩形体外壳的每面中找出与每个所述关键特征检测框的中心点之间的距离最近的点的坐标,得到最近点坐标向量,根据预设的最近点评分配置,对每个所述最近点坐标向量进行关键特征的位移评估,得到第一评分,对所述外观三维图像进行区域划分,得到各个目标单区域三维图像,对每个所述目标单区域三维图像和其对应的标准单区域三维图像进行曲面变形评估,得到第二评分,对各个所述第一评分和各个所述第二评分进行融合处理,得到评分结果,并根据所述评分结果,确定所述目标动力电池的整体完整度评估结果,实现了关键特征的位移评估、曲面变形评估、对关键特征的位移评估得到的数据和曲面变形评估得到的数据进行融合处理,整个评估过程重复考虑了不同关键特征的特性和不同区域的特性,从而使本申请的评估结果适用于后续进行动力电池的状态评估。
在一个实施例中,上述获取目标动力电池的外观三维图像的步骤,包括:
S11:获取所述目标动力电池在每个角度的单角度三维图像,其中,每个所述单角度三维图像中包括九宫格魔方三维图像和单角度电池三维图像,所述九宫格魔方三维图像是九宫格魔方的三维图像,所述单角度三维图像是对放置在同一平面上的所述九宫格魔方与所述目标动力电池拍摄得到的三维图像;
具体而言,可以获取用户输入的所述目标动力电池在每个角度的单角度三维图像,也可以从存储空间获取所述目标动力电池在每个角度的单角度三维图像,还可以从第三方应用获取所述目标动力电池在每个角度的单角度三维图像。
单角度三维图像,是对放置在同一平面上的所述九宫格魔方与所述目标动力电池拍摄得到的三维图像。
九宫格魔方的形状是正方体,九宫格魔方具有6个正方形的外表面。九宫格魔方的每个外表面上设有九宫格。
可以理解的是,单角度三维图像中的九宫格魔方三维图像和单角度电池三维图像不重叠。
可选的,单角度电池三维图像中包含所述目标动力电池的一个完整面。
S12:根据预设的标准分辨率、各个所述九宫格魔方三维图像和各个所述单角度电池三维图像,对所述目标动力电池进行每个面的正视角三维图像映射,得到单面电池三维图像;
具体而言,基于九宫格魔方的每个外表面上设有九宫格并且该外表面是正方形,对所述九宫格魔方三维图像确定正视角转换关系;根据正视角转换关系,将所述单角度电池三维图像调整到正视角,得到正视角电池三维图像,根据预设的标准分辨率和各个正视角电池三维图像进行每个面的重采样以实现正视角三维图像映射,得到所述单面电池三维图像。从而使所述单面电池三维图像的分辨率与标准分辨率相同。
可以理解的是,所述单面电池三维图像中包含所述目标动力电池的一个完整面。
正视角电池三维图像,也就是从动力电池的正上方拍摄得到的三维图像。
S13:基于九宫格魔方的拼接关系和各个所述九宫格魔方三维图像,对各个所述单面电池三维图像进行拼接,得到所述外观三维图像。
具体而言,基于九宫格魔方的拼接关系,以及所述九宫格魔方三维图像与所述单面电池三维图像的对应关系,对各个所述单面电池三维图像进行拼接,将拼接得到的图像作为所述外观三维图像。
可以理解的是,也可以采用激光线扫相机对所述目标动力电池进行扫描,以得到所述外观三维图像。
本实施例首先根据九宫格魔方三维图像快速的确定正视角和标准分辨率的单面电池三维图像,然后基于九宫格魔方的拼接关系和各个所述九宫格魔方三维图像,对各个所述单面电池三维图像进行拼接,实现了快速的进行拼接,并且通过单面电池三维图像有利于提高拼接的准确性;而九宫格魔方方便携带,从而提高了本申请的实用性;九宫格魔方的每个外表面上设有九宫格并且该外表面是正方形,通过九宫格魔方作为参照物有利于快速的将所述单角度电池三维图像调整到正视角。
在一个实施例中,上述对所述外观三维图像进行区域划分,得到各个目标单区域三维图像的步骤,包括:
S411:根据预设的区域分割配置和各个所述单关键特征位置,对所述外观三维图像进行区域划分,得到各个所述目标单区域三维图像;
其中,所述区域分割配置是基于每个关键特征仅位于一个所述目标单区域三维图像的原则确定的配置。
具体而言,根据预设的区域分割配置和各个所述单关键特征位置,对所述外观三维图像进行区域划分,将划分得到的每个区域的图像作为一个所述目标单区域三维图像。
所述区域分割配置还可以包含其他规则,在此不做限定。
本实施例通过基于每个关键特征仅位于一个所述目标单区域三维图像的原则确定的配置,从而避免关键特征被划分到多个所述目标单区域三维图像,有利于提高第二评分的准确性。
在一个实施例中,上述对每个所述目标单区域三维图像和其对应的标准单区域三维图像进行曲面变形评估,得到第二评分的步骤,还包括:
S421:将各个所述目标单区域三维图像中的任一个所述目标单区域三维图像作为第一图像;
S422:将所述第一图像对应的所述标准单区域三维图像作为第二图像;
S423:将所述第一图像分割成具有相对固定曲率特征的子区域,得到各个第一子区域图像;
具体而言,将所述第一图像分割成具有相对固定曲率特征的子区域,将划分得到的每个子区域对应的图像作为一个第一子区域图像。
相对固定曲率特征,是指曲率变化在预设的范围内。
将所述第一图像分割成具有相对固定曲率特征的子区域的方法可以从现有技术中选择,在此不做赘述。
S424:分别对每个所述第一子区域图像进行几何特征的提取及拓扑特征的提取,得到第一曲面形状描述子;
几何特征,是指生成几何图形用的特性。拓扑特征,是指由点和点之间的连接组成的网络的特点。第一曲面形状描述子,是自由曲面的形状描述子。
具体而言,分别对每个所述第一子区域图像进行几何特征的提取及拓扑特征的提取,将所有所述第一子区域图像对应的几何特征和拓扑特征作为曲面形状描述子,将该曲面形状描述子作为第一曲面形状描述子。
分别对每个所述第一子区域图像进行几何特征的提取及拓扑特征的提取的方法可以从现有技术中选择,在此不做赘述。
可选的,基于预选训练的曲面特征提取模型,分别对每个所述第一子区域图像进行几何特征的提取及拓扑特征的提取,得到第一曲面形状描述子。
曲面特征提取模型,是基于深度学习得到的模型。
S425:将所述第二图像分割成具有相对固定曲率特征的子区域,得到各个第二子区域图像;
具体而言,将所述第二图像分割成具有相对固定曲率特征的子区域,将划分得到的每个子区域对应的图像作为一个第二子区域图像。
将所述第二图像分割成具有相对固定曲率特征的子区域的子区域的方法可以从现有技术中选择,在此不做赘述。
S426:分别对每个所述第二子区域图像进行几何特征的提取及拓扑特征的提取,得到第二曲面形状描述子;
第二曲面形状描述子,是自由曲面的形状描述子。
具体而言,分别对每个所述第二子区域图像进行几何特征的提取及拓扑特征的提取,将所有所述第二子区域图像对应的几何特征和拓扑特征作为曲面形状描述子,将该曲面形状描述子作为第二曲面形状描述子。
分别对每个所述第二子区域图像进行几何特征的提取及拓扑特征的提取的方法可以从现有技术中选择,在此不做赘述。
可选的,基于预选训练的曲面特征提取模型,分别对每个所述第二子区域图像进行几何特征的提取及拓扑特征的提取,得到第二曲面形状描述子。
S427:基于赋权二分图最优匹配算法,对所述第一曲面形状描述子和所述第二曲面形状描述子进行曲面相似性评估,得到相似性评估结果;
具体而言,基于赋权二分图最优匹配算法,对所述第一曲面形状描述子和所述第二曲面形状描述子进行曲面相似性评估,将评估得到的概率作为相似性评估结果。
基于赋权二分图最优匹配算法,对所述第一曲面形状描述子和所述第二曲面形状描述子进行曲面相似性评估的方法可以从现有技术中选择,在此不做赘述。
S428:根据所述相似性评估结果进行曲面变形评估,确定所述第二评分。
具体而言,基于预设的曲面变形评估映射表,将所述相似性评估结果换算成评分,将换算得到的评分作为所述第二评分。
本实施例实现了基于自由曲面的形状描述子和赋权二分图最优匹配算法进行曲面变形评估,统一了曲面相似度评估的标准,提高了确定的第二评分的准确性。
在一个实施例中,上述对各个所述第一评分和各个所述第二评分进行融合处理,得到评分结果的步骤,包括:
S51:根据预设的单面融合配置,对目标面对应的各个所述第一评分和各个所述第二评分进行融合处理,得到单面评分,其中,所述目标面是所述目标动力电池的任一面;
具体而言,根据预设的单面融合配置,对目标面对应的各个所述第一评分和各个所述第二评分进行融合处理,将融合处理得到的评分作为单面评分。
可选的,根据预设的单面融合配置,对目标面对应的各个所述第一评分和各个所述第二评分进行加权求和,将加权求和得到的评分作为单面评分。
S52:将各个所述单面评分作为所述评分结果。
因动力电池的内部的最靠近每个面的零部件可能不同,对每个面单独评分有利于进一步使本申请的评估结果适用于后续进行动力电池的状态评估,因此,本实施例针对每个面单独进行融合处理以得到单面评分,从而进一步使本申请的评估结果适用于后续进行动力电池的状态评估。
在一个实施例中,上述根据预设的单面融合配置,对目标面对应的各个所述第一评分和各个所述第二评分进行融合处理,得到单面评分的步骤,包括:
S511:根据所述单面融合配置中的特征重要性融合配置,对所述目标面对应的各个所述第一评分按特征重要性进行集合划分,得到每个所述特征重要性对应的特征评分集;
具体而言,根据所述单面融合配置中的特征重要性融合配置,对所述目标面对应的各个所述第一评分按特征重要性进行集合划分,将划分得到的每个集合作为一个特征评分集。
特征重要性融合配置中包括:关键特征划分配置和特征重要性权重集合。关键特征划分配置包括关键特征和特征重要性。
可选的,特征重要性的取值为:高、中和低中的任一种。
S512:根据所述特征重要性融合配置,对每个所述特征评分集中的各个所述第一评分进行融合处理,得到第一重要性评分;
具体而言,根据所述特征重要性融合配置,对每个所述特征评分集中的各个所述第一评分进行加权求和,将针对所述特征评分集计算得到的得分作为一个第一重要性评分。
S513:根据所述单面融合配置中的区域重要性融合配置,对所述目标面对应的各个所述第二评分按区域重要性进行集合划分,得到每个所述区域重要性对应的区域评分集;
具体而言,根据所述单面融合配置中的区域重要性融合配置,对所述目标面对应的各个所述第二评分按区域重要性进行集合划分,将划分得到的每个集合作为一个区域评分集。
区域重要性融合配置包括:区域划分配置和区域重要性权重集合。区域划分配置包括:区域和区域重要性。
可选的,区域重要性的取值为:高、中和低中的任一种。
S514:根据所述区域重要性融合配置,对每个所述区域评分集中的各个所述第二评分进行融合处理,得到第二重要性评分;
具体而言,根据所述区域重要性融合配置,对每个所述区域评分集中的各个所述第二评分进行融合处理,将针对所述区域评分集计算得到的得分作为一个第二重要性评分。
S515:根据所述单面融合配置中的重要性综合融合配置,对各个所述第一重要性评分和各个所述第二重要性评分进行融合处理,得到所述单面评分。
具体而言,根据所述单面融合配置中的重要性综合融合配置,对各个所述第一重要性评分和各个所述第二重要性评分进行加权求和,得到所述单面评分。
本实施例先针对特征重要性进行分类评分,然后针对区域重要性进行分集合评分,最后将两类评分进行融合处理,提高了确定的单面评分的准确性,使基于该单面评分确定的评分结果适用于后续进行动力电池的状态评估。
在一个实施例中,上述根据所述评分结果,确定所述目标动力电池的整体完整度评估结果的步骤,包括:
S521:将每个所述单面评分,在预设的单面完整度映射表中查询单面完整度,得到目标单面完整度;
单面完整度映射表包括:标准评分范围和单面完整度。
具体而言,在单面完整度映射表的各个标准评分范围中查找包含所述单面评分的标准评分范围,将查找到的标准评分范围在单面完整度映射表中对应的单面完整度作为目标单面完整度。
S522:基于预设的完整度综合评估配置,对各个所述目标单面完整度进行完整度综合评估,得到所述目标动力电池的所述整体完整度评估结果。
具体而言,基于预设的完整度综合评估配置,对各个所述目标单面完整度进行加权求和,得到所述目标动力电池的所述整体完整度评估结果。
可以理解的是,对各个所述目标单面完整度进行完整度综合评估的方式还可以有其他,比如,将各个所述目标单面完整度组成向量,根据该向量从标准向量库中找到最相似的标准向量库,将找到的标准向量对应的整体完整度作为所述目标动力电池的所述整体完整度评估结果。
本实施例先针对每个单面确定单面完整度,然后将各个单面的单面完整度进行完整度综合评估,从而实现了基于不同关键特征的特性和不同区域的特性确定整体完整度评估结果。
如图2所示,在一个实施例中,提供了一种动力电池的整体完整度评估装置,所述装置包括:
图像获取模块801,用于获取目标动力电池的外观三维图像;
图像处理模块802,用于对所述外观三维图像进行关键特征检测及检测框生成,得到各个单关键特征位置和各个关键特征检测框,并对所述外观三维图像生成最小外接矩形体外壳;
第一评分确定模块803,用于从所述最小外接矩形体外壳的每面中找出与每个所述关键特征检测框的中心点之间的距离最近的点的坐标,得到最近点坐标向量,根据预设的最近点评分配置,对每个所述最近点坐标向量进行关键特征的位移评估,得到第一评分;
第二评分确定模块804,用于对所述外观三维图像进行区域划分,得到各个目标单区域三维图像,对每个所述目标单区域三维图像和其对应的标准单区域三维图像进行曲面变形评估,得到第二评分;
整体完整度评估结果确定模块805,用于对各个所述第一评分和各个所述第二评分进行融合处理,得到评分结果,并根据所述评分结果,确定所述目标动力电池的整体完整度评估结果。
本实施例通过基于外观三维图像进行自动化评估,避免了人为评估动力电池的整体完整度的评估标准不统一、稳定性不统一的问题;而且从所述最小外接矩形体外壳的每面中找出与每个所述关键特征检测框的中心点之间的距离最近的点的坐标,得到最近点坐标向量,根据预设的最近点评分配置,对每个所述最近点坐标向量进行关键特征的位移评估,得到第一评分,对所述外观三维图像进行区域划分,得到各个目标单区域三维图像,对每个所述目标单区域三维图像和其对应的标准单区域三维图像进行曲面变形评估,得到第二评分,对各个所述第一评分和各个所述第二评分进行融合处理,得到评分结果,并根据所述评分结果,确定所述目标动力电池的整体完整度评估结果,实现了关键特征的位移评估、曲面变形评估、对关键特征的位移评估得到的数据和曲面变形评估得到的数据进行融合处理,整个评估过程重复考虑了不同关键特征的特性和不同区域的特性,从而使本申请的评估结果适用于后续进行动力电池的状态评估。
图3示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端,也可以是服务器。如图3所示,该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作***,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现动力电池的整体完整度评估方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行动力电池的整体完整度评估方法。本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提出了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行以下步骤:
获取目标动力电池的外观三维图像;
对所述外观三维图像进行关键特征检测及检测框生成,得到各个单关键特征位置和各个关键特征检测框,并对所述外观三维图像生成最小外接矩形体外壳;
从所述最小外接矩形体外壳的每面中找出与每个所述关键特征检测框的中心点之间的距离最近的点的坐标,得到最近点坐标向量,根据预设的最近点评分配置,对每个所述最近点坐标向量进行关键特征的位移评估,得到第一评分;
对所述外观三维图像进行区域划分,得到各个目标单区域三维图像,对每个所述目标单区域三维图像和其对应的标准单区域三维图像进行曲面变形评估,得到第二评分;
对各个所述第一评分和各个所述第二评分进行融合处理,得到评分结果,并根据所述评分结果,确定所述目标动力电池的整体完整度评估结果。
本实施例通过基于外观三维图像进行自动化评估,避免了人为评估动力电池的整体完整度的评估标准不统一、稳定性不统一的问题;而且从所述最小外接矩形体外壳的每面中找出与每个所述关键特征检测框的中心点之间的距离最近的点的坐标,得到最近点坐标向量,根据预设的最近点评分配置,对每个所述最近点坐标向量进行关键特征的位移评估,得到第一评分,对所述外观三维图像进行区域划分,得到各个目标单区域三维图像,对每个所述目标单区域三维图像和其对应的标准单区域三维图像进行曲面变形评估,得到第二评分,对各个所述第一评分和各个所述第二评分进行融合处理,得到评分结果,并根据所述评分结果,确定所述目标动力电池的整体完整度评估结果,实现了关键特征的位移评估、曲面变形评估、对关键特征的位移评估得到的数据和曲面变形评估得到的数据进行融合处理,整个评估过程重复考虑了不同关键特征的特性和不同区域的特性,从而使本申请的评估结果适用于后续进行动力电池的状态评估。
在一个实施例中,提出了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行以下步骤:
获取目标动力电池的外观三维图像;
对所述外观三维图像进行关键特征检测及检测框生成,得到各个单关键特征位置和各个关键特征检测框,并对所述外观三维图像生成最小外接矩形体外壳;
从所述最小外接矩形体外壳的每面中找出与每个所述关键特征检测框的中心点之间的距离最近的点的坐标,得到最近点坐标向量,根据预设的最近点评分配置,对每个所述最近点坐标向量进行关键特征的位移评估,得到第一评分;
对所述外观三维图像进行区域划分,得到各个目标单区域三维图像,对每个所述目标单区域三维图像和其对应的标准单区域三维图像进行曲面变形评估,得到第二评分;
对各个所述第一评分和各个所述第二评分进行融合处理,得到评分结果,并根据所述评分结果,确定所述目标动力电池的整体完整度评估结果。
本实施例通过基于外观三维图像进行自动化评估,避免了人为评估动力电池的整体完整度的评估标准不统一、稳定性不统一的问题;而且从所述最小外接矩形体外壳的每面中找出与每个所述关键特征检测框的中心点之间的距离最近的点的坐标,得到最近点坐标向量,根据预设的最近点评分配置,对每个所述最近点坐标向量进行关键特征的位移评估,得到第一评分,对所述外观三维图像进行区域划分,得到各个目标单区域三维图像,对每个所述目标单区域三维图像和其对应的标准单区域三维图像进行曲面变形评估,得到第二评分,对各个所述第一评分和各个所述第二评分进行融合处理,得到评分结果,并根据所述评分结果,确定所述目标动力电池的整体完整度评估结果,实现了关键特征的位移评估、曲面变形评估、对关键特征的位移评估得到的数据和曲面变形评估得到的数据进行融合处理,整个评估过程重复考虑了不同关键特征的特性和不同区域的特性,从而使本申请的评估结果适用于后续进行动力电池的状态评估。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种动力电池的整体完整度评估方法,所述方法包括:
获取目标动力电池的外观三维图像;
对所述外观三维图像进行关键特征检测及检测框生成,得到各个单关键特征位置和各个关键特征检测框,并对所述外观三维图像生成最小外接矩形体外壳;
从所述最小外接矩形体外壳的每面中找出与每个所述关键特征检测框的中心点之间的距离最近的点的坐标,得到最近点坐标向量,根据预设的最近点评分配置,对每个所述最近点坐标向量进行关键特征的位移评估,得到第一评分;
对所述外观三维图像进行区域划分,得到各个目标单区域三维图像,对每个所述目标单区域三维图像和其对应的标准单区域三维图像进行曲面变形评估,得到第二评分;
对各个所述第一评分和各个所述第二评分进行融合处理,得到评分结果,并根据所述评分结果,确定所述目标动力电池的整体完整度评估结果。
2.根据权利要求1所述的动力电池的整体完整度评估方法,其特征在于,所述获取目标动力电池的外观三维图像的步骤,包括:
获取所述目标动力电池在每个角度的单角度三维图像,其中,每个所述单角度三维图像中包括九宫格魔方三维图像和单角度电池三维图像,所述九宫格魔方三维图像是九宫格魔方的三维图像,所述单角度三维图像是对放置在同一平面上的所述九宫格魔方与所述目标动力电池拍摄得到的三维图像;
根据预设的标准分辨率、各个所述九宫格魔方三维图像和各个所述单角度电池三维图像,对所述目标动力电池进行每个面的正视角三维图像映射,得到单面电池三维图像;
基于九宫格魔方的拼接关系和各个所述九宫格魔方三维图像,对各个所述单面电池三维图像进行拼接,得到所述外观三维图像。
3.根据权利要求1所述的动力电池的整体完整度评估方法,其特征在于,所述对所述外观三维图像进行区域划分,得到各个目标单区域三维图像的步骤,包括:
根据预设的区域分割配置和各个所述单关键特征位置,对所述外观三维图像进行区域划分,得到各个所述目标单区域三维图像;
其中,所述区域分割配置是基于每个关键特征仅位于一个所述目标单区域三维图像的原则确定的配置。
4.根据权利要求1所述的动力电池的整体完整度评估方法,其特征在于,所述对每个所述目标单区域三维图像和其对应的标准单区域三维图像进行曲面变形评估,得到第二评分的步骤,还包括:
将各个所述目标单区域三维图像中的任一个所述目标单区域三维图像作为第一图像;
将所述第一图像对应的所述标准单区域三维图像作为第二图像;
将所述第一图像分割成具有相对固定曲率特征的子区域,得到各个第一子区域图像;
分别对每个所述第一子区域图像进行几何特征的提取及拓扑特征的提取,得到第一曲面形状描述子;
将所述第二图像分割成具有相对固定曲率特征的子区域,得到各个第二子区域图像;
分别对每个所述第二子区域图像进行几何特征的提取及拓扑特征的提取,得到第二曲面形状描述子;
基于赋权二分图最优匹配算法,对所述第一曲面形状描述子和所述第二曲面形状描述子进行曲面相似性评估,得到相似性评估结果;
根据所述相似性评估结果进行曲面变形评估,确定所述第二评分。
5.根据权利要求1所述的动力电池的整体完整度评估方法,其特征在于,所述对各个所述第一评分和各个所述第二评分进行融合处理,得到评分结果的步骤,包括:
根据预设的单面融合配置,对目标面对应的各个所述第一评分和各个所述第二评分进行融合处理,得到单面评分,其中,所述目标面是所述目标动力电池的任一面;
将各个所述单面评分作为所述评分结果。
6.根据权利要求5所述的动力电池的整体完整度评估方法,其特征在于,所述根据预设的单面融合配置,对目标面对应的各个所述第一评分和各个所述第二评分进行融合处理,得到单面评分的步骤,包括:
根据所述单面融合配置中的特征重要性融合配置,对所述目标面对应的各个所述第一评分按特征重要性进行集合划分,得到每个所述特征重要性对应的特征评分集;
根据所述特征重要性融合配置,对每个所述特征评分集中的各个所述第一评分进行融合处理,得到第一重要性评分;
根据所述单面融合配置中的区域重要性融合配置,对所述目标面对应的各个所述第二评分按区域重要性进行集合划分,得到每个所述区域重要性对应的区域评分集;
根据所述区域重要性融合配置,对每个所述区域评分集中的各个所述第二评分进行融合处理,得到第二重要性评分;
根据所述单面融合配置中的重要性综合融合配置,对各个所述第一重要性评分和各个所述第二重要性评分进行融合处理,得到所述单面评分。
7.根据权利要求5所述的动力电池的整体完整度评估方法,其特征在于,所述根据所述评分结果,确定所述目标动力电池的整体完整度评估结果的步骤,包括:
将每个所述单面评分,在预设的单面完整度映射表中查询单面完整度,得到目标单面完整度;
基于预设的完整度综合评估配置,对各个所述目标单面完整度进行完整度综合评估,得到所述目标动力电池的所述整体完整度评估结果。
8.一种动力电池的整体完整度评估装置,其特征在于,所述装置包括:
图像获取模块,用于获取目标动力电池的外观三维图像;
图像处理模块,用于对所述外观三维图像进行关键特征检测及检测框生成,得到各个单关键特征位置和各个关键特征检测框,并对所述外观三维图像生成最小外接矩形体外壳;
第一评分确定模块,用于从所述最小外接矩形体外壳的每面中找出与每个所述关键特征检测框的中心点之间的距离最近的点的坐标,得到最近点坐标向量,根据预设的最近点评分配置,对每个所述最近点坐标向量进行关键特征的位移评估,得到第一评分;
第二评分确定模块,用于对所述外观三维图像进行区域划分,得到各个目标单区域三维图像,对每个所述目标单区域三维图像和其对应的标准单区域三维图像进行曲面变形评估,得到第二评分;
整体完整度评估结果确定模块,用于对各个所述第一评分和各个所述第二评分进行融合处理,得到评分结果,并根据所述评分结果,确定所述目标动力电池的整体完整度评估结果。
9.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211379867.3A CN115661104B (zh) | 2022-11-04 | 2022-11-04 | 动力电池的整体完整度评估方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211379867.3A CN115661104B (zh) | 2022-11-04 | 2022-11-04 | 动力电池的整体完整度评估方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115661104A true CN115661104A (zh) | 2023-01-31 |
CN115661104B CN115661104B (zh) | 2023-08-11 |
Family
ID=85016740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211379867.3A Active CN115661104B (zh) | 2022-11-04 | 2022-11-04 | 动力电池的整体完整度评估方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115661104B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117637081A (zh) * | 2024-01-26 | 2024-03-01 | 江苏杰成新能源科技有限公司 | 一种用于废旧电池材料的智能修复评估方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160379050A1 (en) * | 2015-06-26 | 2016-12-29 | Kabushiki Kaisha Toshiba | Method for determining authenticity of a three-dimensional object |
US20170206670A1 (en) * | 2016-01-15 | 2017-07-20 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, and non-transitory computer-readable storage medium |
WO2017120897A1 (zh) * | 2016-01-15 | 2017-07-20 | 武汉武大卓越科技有限责任公司 | 基于线扫描三维点云的物体表面变形特征提取方法 |
CN110673038A (zh) * | 2019-09-29 | 2020-01-10 | 深圳大学 | 一种电池检测方法、装置及*** |
CN111105403A (zh) * | 2019-12-24 | 2020-05-05 | 汕头大学 | 一种基于形变特征预测电池碰撞后SoH的方法 |
CN112884057A (zh) * | 2021-03-04 | 2021-06-01 | 晶仁光电科技(苏州)有限公司 | 基于点云数据的三维曲面质量分类方法、***及存储介质 |
WO2021142843A1 (zh) * | 2020-01-19 | 2021-07-22 | Oppo广东移动通信有限公司 | 图像扫描方法及装置、设备、存储介质 |
CN114066856A (zh) * | 2021-11-18 | 2022-02-18 | 深圳市商汤科技有限公司 | 模型训练方法及装置、电子设备和存储介质 |
CN114970244A (zh) * | 2022-05-05 | 2022-08-30 | 清华大学 | 电池包损伤预测方法、装置、计算机设备、介质和产品 |
CN115018763A (zh) * | 2022-04-26 | 2022-09-06 | 武汉中观自动化科技有限公司 | 基于曲面拟合的凹坑检测方法、装置、设备及存储介质 |
CN115082559A (zh) * | 2022-07-20 | 2022-09-20 | 广东工业大学 | 一种柔性件的多目标智能分拣方法、***及存储介质 |
-
2022
- 2022-11-04 CN CN202211379867.3A patent/CN115661104B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160379050A1 (en) * | 2015-06-26 | 2016-12-29 | Kabushiki Kaisha Toshiba | Method for determining authenticity of a three-dimensional object |
US20170206670A1 (en) * | 2016-01-15 | 2017-07-20 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, and non-transitory computer-readable storage medium |
WO2017120897A1 (zh) * | 2016-01-15 | 2017-07-20 | 武汉武大卓越科技有限责任公司 | 基于线扫描三维点云的物体表面变形特征提取方法 |
CN110673038A (zh) * | 2019-09-29 | 2020-01-10 | 深圳大学 | 一种电池检测方法、装置及*** |
CN111105403A (zh) * | 2019-12-24 | 2020-05-05 | 汕头大学 | 一种基于形变特征预测电池碰撞后SoH的方法 |
WO2021142843A1 (zh) * | 2020-01-19 | 2021-07-22 | Oppo广东移动通信有限公司 | 图像扫描方法及装置、设备、存储介质 |
CN112884057A (zh) * | 2021-03-04 | 2021-06-01 | 晶仁光电科技(苏州)有限公司 | 基于点云数据的三维曲面质量分类方法、***及存储介质 |
CN114066856A (zh) * | 2021-11-18 | 2022-02-18 | 深圳市商汤科技有限公司 | 模型训练方法及装置、电子设备和存储介质 |
CN115018763A (zh) * | 2022-04-26 | 2022-09-06 | 武汉中观自动化科技有限公司 | 基于曲面拟合的凹坑检测方法、装置、设备及存储介质 |
CN114970244A (zh) * | 2022-05-05 | 2022-08-30 | 清华大学 | 电池包损伤预测方法、装置、计算机设备、介质和产品 |
CN115082559A (zh) * | 2022-07-20 | 2022-09-20 | 广东工业大学 | 一种柔性件的多目标智能分拣方法、***及存储介质 |
Non-Patent Citations (2)
Title |
---|
PAN Z: ""Experiments and 3D detailed modeling for a pouch battery cell under impact loading"", 《JOURNAL OF ENERGY STORAGE》, pages 1 - 11 * |
张庆: ""物体内部三维变形场分析的数字图像体相关算法研究"", 《南京航空航天大学硕士学术论文》, pages 1 - 102 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117637081A (zh) * | 2024-01-26 | 2024-03-01 | 江苏杰成新能源科技有限公司 | 一种用于废旧电池材料的智能修复评估方法 |
CN117637081B (zh) * | 2024-01-26 | 2024-04-26 | 江苏杰成新能源科技有限公司 | 一种用于废旧电池材料的智能修复评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115661104B (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108509848B (zh) | 三维物体的实时检测方法及*** | |
CN110599583B (zh) | 无人机飞行轨迹生成方法、装置、计算机设备和存储介质 | |
CN106716450B (zh) | 利用边缘向量的基于图像的特征检测 | |
WO2008056757A1 (fr) | Procédé et système de recherche de modèle en trois dimensions et programme informatique | |
Guo et al. | 3D free form object recognition using rotational projection statistics | |
CN112613553B (zh) | 图片样本集生成方法、装置、计算机设备和存储介质 | |
CN115661104A (zh) | 动力电池的整体完整度评估方法、装置、设备及介质 | |
CN107945178A (zh) | 一种***残孔自动识别及特征提取方法 | |
CN111488683A (zh) | 一种基于图像处理技术的破片飞散参数确定方法 | |
CN111179270A (zh) | 基于注意力机制的图像共分割方法和装置 | |
Kirkegaard et al. | Bin-picking based on harmonic shape contexts and graph-based matching | |
CN112102342A (zh) | 平面轮廓识别方法、装置、计算机设备和存储介质 | |
CN117495891B (zh) | 点云边缘检测方法、装置和电子设备 | |
CN111597367B (zh) | 基于视图和哈希算法的三维模型检索方法 | |
CN112766348A (zh) | 一种基于对抗神经网络生成样本数据的方法以及装置 | |
CN115546205B (zh) | 一种基于密度场感知的平面点云轮廓线生成方法 | |
CN115205354B (zh) | 基于ransac和icp点云配准的相控阵激光雷达成像方法 | |
US9953458B2 (en) | Method and apparatus for generating shape descriptor of a model | |
Shao et al. | Solder joint defect detection based on depth image CNN for 3D shape classification | |
Schmitt et al. | A 3D shape descriptor based on depth complexity and thickness histograms | |
Moon et al. | Fast image-matching technique robust to rotation in spherical images | |
CN118097396B (zh) | 一种水下光学图像识别方法及装置 | |
RU2595181C2 (ru) | Способ выбора изображений для идентификации оружия по следу бойка | |
CN113177903B (zh) | 前景点云和背景点云的融合方法、***及设备 | |
Yang et al. | 3d-adv: Black-box adversarial attacks against deep learning models through 3d sensors |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |