基于机器学习的铅酸蓄电池非接触式漏液检测装置及方法与流程

本发明涉及电池检测领域，具体涉及一种基于机器学习的铅酸蓄电池非接触式漏液检测方法。

背景技术：

随着社会的发展和科技的进步，储备电源成为日常生活、生产中的很重要的一部分，储备电源按照电容量从小到大可分为纽扣电池、干电池、锂电池、铅酸蓄电池等，纽扣电池常用于小型电子机械设备，比如电子手表，干电池常用于小型老式电子设备，比如收音机、电子玩具等，锂电池常用于小型可移动电子设备，比如手机、笔记本电脑等，铅酸蓄电池常用于小型可移动电动设备和大型不可移动设备，比如电动车、汽车、生产中心的备用电源等。其中，铅酸蓄电池的用途最广泛，目前，在很多生产领域中具有不可替代性。

铅酸蓄电池最常见的故障就是电池漏液，而且，电池漏液会造成线路短路，进而导致失火，甚至爆炸，近年来国内外已经有过很多相关报道，这种情况的发生对人们的生产生活造成了巨大的安全隐患和财产损失。因此，电池漏液的检测是一个非常有必要的安全保障。

目前常见的铅酸蓄电池漏液检测方法有两种，第一，通过观察铅酸蓄电池的外壳有无破裂，电池的端子和安全阀有无腐蚀来判断，是否有漏液情况；第二，通过特定的电子设备接触铅酸蓄电池易发生漏液的部位，如果发生漏液，电解液会被电子设备吸附，电路闭合，从而达到检测目的。以上第一种方法无法自动检测漏液，第二种方法只能用于电池生产过程中质量检测，无法解决铅酸蓄电池作为备用电源参与生产过程的非接触式漏液检测的问题。在国外，还有通过红外图像检测电池表面温度分布特征和可见光图像检测颜色分布特征来研究漏液情况，但是还处于理论研究阶段，原理复杂，且对场景要求苛刻，工程实现性差。

针对铅酸蓄电池漏液对生产生活造成的安全隐患和财产损失，以及铅酸蓄电池作为备用电源参与工业生产中无法非接触式自动检测漏液的问题，本发明能够通过非接触式的方法自动检测铅酸蓄电池漏液情况，适用范围广，在电池发生漏液的第一时间检测出漏液区域，并在图像中标记出来，检测速度快，稳定高效，识别率高。

技术实现要素：

针对现有技术存在的上述技术问题，本发明提供了一种基于机器学习的铅酸蓄电池非接触式漏液检测方法的技术方案，解决铅酸蓄电池作为备用电源参与工业生产中无法非接触式自动检测漏液的问题，实现了铅酸蓄电池的漏液非接触式自动检测，适用场景广泛，安装简单。

为了实现上述目的，本发明采用以下技术方案：

一种基于机器学习的铅酸蓄电池非接触式漏液检测装置，包括机架、图像处理器和红外摄像头，所述图像处理器和红外摄像头设置在机架上，机架下方设有纵向旋转电机和横向旋转电机，所述图像处理器连接红外摄像头、纵向旋转电机和横向旋转电机。

进一步的，所述红外摄像头通过纵向旋转电机和横向旋转电机旋转，对准铅酸蓄电池。

进一步的，所述图像处理器控制红外摄像头，采集到铅酸蓄电池的红外图像后，红外摄像头把红外图像数据传输给图像处理器，图像处理器对数据进行处理，最终得到漏液区域标记后的红外图像。

一种基于机器学习的铅酸蓄电池非接触式漏液检测方法，包括如下步骤：

步骤1）机架上的红外摄像头通过旋转纵向旋转电机和横向旋转电机，对准铅酸蓄电池，调整红外摄像头的焦距和倍率，控制图像的焦点和放大倍数；

步骤2）通过图像处理器控制红外摄像头采集多张图像，所述的图像包括铅酸蓄电池的正极端子、安全阀、负极端子等易发生漏液的区域；

步骤3）对步骤2）获得的图像进行去噪，用中值滤波算法去除红外图像中的颗粒噪声及小面积孤立区域；

步骤4）识别步骤3）图像中的漏液区域，通过对多张有漏液和无漏液红外图像的温度特征向量和漏液状态进行逻辑回归，得到逻辑回归函数，通过对多张有漏液红外图像的最高温度、最低温度和漏液区温度进行线性回归，得到线性回归函数，根据逻辑回归函数和线性回归函数计算新图像的漏液状态和漏液区温度；

步骤5）标记步骤4）中漏液区域，根据步骤4）计算的漏液状态，找出有漏液的红外图像，根据漏液区温度对红外图像进行二值化和canny边缘检测，得到漏液区域的边缘，并标记成绿色。

进一步的，所述的步骤1）中，红外摄像头的焦距和倍率只需要在最开始调整一次。

进一步的，所述的步骤3）中，中值滤波算法的去噪效果通过调整中值滤波的卷积核的大小来实现。

进一步的，所述的步骤4）中，逻辑回归函数和线性回归函数的参数只需要用多张图像计算一次。

进一步的，所述的步骤5）中，二值化的阈值为漏液区温度与最低温度的差值和最大温差的比值，边缘检测的阈值为0.2。

本发明具有如下有益效果：本发明采用非接触式方法检测漏液，检测速度快，稳定高效；本发明采用机器学习的逻辑回归和线性回归算法判断漏液状态和识别漏液区域，识别率高；本发明成本低，安装施工简单，适用范围广。

附图说明

图1为本发明的结构示意图；

图2为本发明的检测方法流程图；

图中：1机架、2铅酸蓄电池、3图像处理器、4红外摄像头、5纵向旋转电机、6横向旋转电机、7正极端子、8安全阀、9负极端子。

具体实施方式

下面结合说明书附图，对本发明的技术方案的具体实施进一步说明。

如图1所示，基于机器学习的铅酸蓄电池非接触式漏液检测装置，包括机架1，机架1上安装有图像处理器3和红外摄像头4、纵向旋转电机5和横向旋转电机6，红外摄像头4和图像处理器3固定安装在机架顶端，红外摄像头4在图像处理器3前面，纵向旋转电机5在红外摄像头4和图像处理器3的底板下方，横向旋转电机6在纵向旋转电机5的下方，图像处理器3与红外摄像头4、纵向旋转电机5和横向旋转电机6相连接，通过控制纵向旋转电机5和横向旋转电机6来调整红外摄像头4的角度，控制红外摄像头4拍摄铅酸蓄电池2的红外图像，并把红外图像数据返回到图像处理器3，图像处理器3对数据进行处理，从而实现非接触式自动化漏液检测。

如图2所示，基于机器学习的铅酸蓄电池非接触式漏液检测方法，包括如下步骤：

1）机架1上的图像处理器3控制纵向旋转电机5和横向旋转电机6来调整红外摄像头4的角度，对准铅酸蓄电池2，调整红外摄像头4的焦距和倍率，控制图像的焦点和放大倍数；

2）通过图像处理器3控制红外摄像头4采集多张图像，所述的图像包括铅酸蓄电池2的正极端子7、安全阀8、负极端子9等易发生漏液的区域；

3）对步骤2）获得的图像进行去噪，用中值滤波算法去除红外图像中的颗粒噪声及小面积孤立区域；

4）识别步骤3）图像中的漏液区域，通过对多张有漏液和无漏液红外图像的温度特征向量和漏液状态进行逻辑回归，得到逻辑回归函数，通过对多张有漏液红外图像的最高温度、最低温度和漏液区温度进行线性回归，得到线性回归函数，根据逻辑回归函数和线性回归函数计算新图像的漏液状态和漏液区温度；

5）标记步骤4）中漏液区域的位置，根据步骤4）计算的漏液状态，找出有漏液的红外图像，根据漏液区温度对红外图像进行二值化和canny边缘检测，得到漏液区域的边缘，并标记成绿色。图像处理器3控制红外摄像头4，采集到铅酸蓄电池2的红外图像后，红外摄像头4把红外图像数据传输给图像处理器3，图像处理器3对数据进行步骤3）、步骤4）、步骤5）的处理，最终得到漏液区域标记后的红外图像。

步骤1）中，调整红外摄像头4的角度以对准铅酸蓄电池2，图像处理器3控制红外摄像头4，调整焦距，使得从红外摄像头4返回到图像处理器3的像处于最清晰状态，由于铅酸蓄电池2和红外摄像头4相对位置是固定的，因此红外摄像头4的焦距只需要在最开始调整一次，就不会再发生改变，调整红外摄像头4的倍率，使视场包括铅酸蓄电池的正极端子7、安全阀8、负极端子9等易发生漏液的区域；

步骤2）中，图像处理器3控制红外摄像头4采集当前视场下的红外图像，得到388×288像素的红外图像，视场为铅酸蓄电池2的接线端面的外表面，采集完成后，红外摄像头4会把红外数据返回给图像处理器3；

步骤3）中，红外图像由于电磁噪声、热噪声等的影响，会出现小颗粒噪声和小于1平方厘米的小面积孤立区域，用中值滤波的方法可以去除小颗粒噪声和小面积孤立区域，消除的颗粒和孤立区域的大小可以通过调整中值滤波的卷积核的大小来控制；

步骤4）中，对1000张有漏液和无漏液红外图像的最高温度、最低温度作为逻辑回归的输入，漏液状态作为输出，用sigmoid函数对数据进行逻辑回归，选择0.4作为有漏液的概率阈值，得到预测正确率最高的逻辑回归函数，把多张有漏液红外图像中的最高温度和最低温度作为线性回归的输入，漏液区温度作为线性回归的输出，用代数函数计算预测值和实际值的累计偏差，用梯度下降法求代数函数的最小值，从而找到最佳的参数，得到拟合效果最好的线性回归函数，用漏液状态判断的逻辑回归函数计算一张新的图像的漏液状态，检测是否有漏液，若有，用计算漏液区域温度的线性回归函数进一步计算漏液区温度；

步骤5）中，根据步骤4）的计算结果，根据漏液区温度对有漏液的红外图像进行二值化和canny边缘检测，二值化的阈值为漏液区温度与最低温度的差值和最大温差的比值，边缘检测的阈值为0.2，得到漏液区域的边缘，把红外图像从rgb空间转换到hsv空间，在hsv空间的h通道里，把漏液区域边缘的像素值设定为0.3，标记成绿色，再把标记后的hsv图像转换为rgb图像，最终得到漏液区域标记后的红外图像。