[发明专利]基于深度学习的电池overhang的计算方法和装置

权利要求书

1.一种基于深度学习的电池overhang的计算方法，其特征在于，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。

2.根据权利要求1所述的基于深度学习的电池overhang的计算方法，其特征在于，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。

3.根据权利要求2所述的基于深度学习的电池overhang的计算方法，其特征在于，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。

4.根据权利要求3所述的基于深度学习的电池overhang的计算方法，其特征在于，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。

5.一种基于深度学习的电池overhang的计算装置，其特征在于，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。

6.一种计算机设备，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，其特征在于，所述处理器执行所述计算机程序时，实现根据权利要求1-4中任一项所述的基于深度学习的电池overhang的计算方法。

7.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现根据权利要求1-4中任一项所述的基于深度学习的电池overhang的计算方法。