CN111899256B - 一种基于红外图像热点特征聚类分析的退役锂电池筛选方法 - Google Patents

Abstract

本发明公开了一种基于红外图像热点特征聚类分析的退役锂电池筛选方法，包括加热锂电池并获取记录加热过程中锂电池表面温度变化的红外视频序列；提取红外视频序列中的关键帧图像；将提取的关键帧图像合成为单幅红外图像；提取合成的单幅红外图像中锂电池表面的热点信息，计算电池表面热点的归一化直方图；以电池表面热点的归一化直方图为特征进行聚类分析，完成退役动力锂电池的热特性筛选。本发明从红外视频序列中提取电池表面热点的归一化直方图，利用均值漂移聚类方法实现了对退役动力电池的筛选，能够主动分析运用电池的热特征，丰富了退役动力锂电池的筛选方法，降低了后续梯次利用中电池组热管理的难度。

Description

一种基于红外图像热点特征聚类分析的退役锂电池筛选方法

技术领域

本发明属于退役动力锂电池梯次利用技术领域，具体涉及一种基于红外图像热点特征聚类分析的退役锂电池筛选方法。

背景技术

在各国政府的大力扶持下，新能源汽车快速发展，预期大规模的动力锂电池退役潮即将到来。实现锂电池的全寿命周期管理，对于完善新能源汽车产业链、形成绿色经济模式均具有重要意义。一般而言，从新能源汽车上退役的动力锂电池，仍然具备梯次利用价值，可在低速车辆等对电池性能要求较低的应用场合继续发挥作用。对退役动力锂电池的梯次利用是锂电池全寿命周期管理的重要环节。

锂电池梯次利用的第一步就是对新能源汽车上退役动力锂电池的分选，从电池组所有电池中选取特性较好且性能表现更为接近的电池单体进行重组。而快速有效的分析电池组中各单体特性是其中的关键技术。

为此，本发明针对退役动力锂电池梯次利用中的关键环节，提出一种基于红外图像热点特征聚类分析的退役锂电池筛选方法。

当前，多数方法仅从电气角度出发对退役动力锂电池的一致性进行筛查，主要特征包括：容量、内阻及端电压等。仅实现电气筛查并不能完全保证热特性的一致性，很可能会增加后续电池组热管理的难度。本发明将从电池热特性的角度出发，采用主动交流信号注入的方式快速加热锂电池，通过红外摄像机记录加热过程中温度动态变化的视频序列；以此为依据，提取视频序列中的关键帧，经过预处理，获得红外图像中锂电池热点的直方图信息作为特征，经聚类分析实现对退役动力锂电池的快速筛选，服务于后续锂电池的梯次利用。

发明内容

本发明所要解决的技术问题是针对上述现有技术的不足，提供一种基于红外图像热点特征聚类分析的退役锂电池筛选方法，首先会将特定频率的正弦交流信号注入锂电池，使其升高一定的温度ΔT；使用红外摄像机记录此过程中锂电池表面的温度变化，从已获得的视频序列中提取红外图像的关键帧，通过求取多幅关键帧的平均值，生成单幅合成的红外图像；对该合成红外图像进行去噪及阈值分割，提取图像中锂电池的热点信息，计算热点的直方图；利用该直方图作为特征，使用均值漂移算法进行实现聚类分析，最终完成退役动力锂电池的热特性筛选。直接利用红外图像中锂电池的热特征，通过图像处理技术，分析筛选退役动力锂电池的热一致性，能够保证所选取的电池具有较好的热一致性，降低了后续梯次利用过程中电池组热管理的难度。

为实现上述技术目的，本发明采取的技术方案为：

一种基于红外图像热点特征聚类分析的退役锂电池筛选方法，包括：

步骤1：加热锂电池并获取记录加热过程中锂电池表面温度变化的红外视频序列；

步骤2：提取红外视频序列中的关键帧图像；

步骤3：将提取的关键帧图像合成为单幅红外图像；

步骤4：提取合成的单幅红外图像中锂电池表面的热点信息，计算电池表面热点的归一化直方图；

步骤5：以电池表面热点的归一化直方图为特征进行聚类分析，完成退役动力锂电池的热特性筛选。

为优化上述技术方案，采取的具体措施还包括：

上述的步骤1所述加热锂电池并获取记录加热过程中锂电池表面温度变化的红外视频序列，具体为：

将频率为f_s、幅值为I_s的交流电流注入锂电池，假定加热前锂电池温度为T，通过注入交流电流，使其温度上升ΔT，使用红外成像技术，记录加热过程中，锂电池表面的温度变化，获得红外视频序列。

上述的步骤2所述提取红外视频序列中的关键帧图像，具体为：

以锂电池表面温度变化作为依据，取ΔT_step为步长，选取锂电池温度首次增加ΔT_step所对应的单帧红外图像作为红外视频序列中的关键帧图像，共计获得ΔT/ΔT_step幅关键帧图像。

上述的步骤3所述将提取的关键帧图像合成为单幅红外图像，具体为：

对提取的关键帧图像求平均值，将其合成为单幅红外图像，平均值计算公式为：

式中，x、y为像素对应的坐标，M为关键帧图像的数目，g_i(x,y)为第i个关键帧图像对应的红外图像像素，g'(x,y)为合成的单幅红外图像像素。

上述的步骤4所述提取合成的单幅红外图像中锂电池表面的热点信息，计算电池表面热点的归一化直方图，具体为：

对由关键帧图像合成的单幅红外图像的所有像素g'(x,y)，采取如下处理：

式中，T_th为图像分割所设定的阈值，f(x,y)为二值化后的图像，经过二值化，即可分割出电池表面的热点；

计算电池表面热点h(x,y)的归一化直方图，即：

统计电池热点h(x,y)中灰度值为I_i的像素个数n_i，假定热点目标h(x,y)为m_h×n_h维，用下式(3)计算电池表面热点的归一化直方图：

p(I_i)＝n_i/(m_g·n_g) (3)

其中，p(I_i)为灰度值I_i的像素在图像中出现的概率，经过上式归一化后，图像的热点归一化直方图中所有分量之和满足：

式中，L为红外图像的最大灰度级数。

上述的步骤5所述以电池表面热点的归一化直方图为特征进行聚类分析，完成退役动力锂电池的热特性筛选，具体为：

将已获得的第k块退役动力锂电池表面热点归一化直方图，表示为如下向量：z_k＝[p(I₁),p(I₂),...,p(I_L)]，使用均值漂移聚类方法对锂电池表面热点归一化直方图向量z_k进行聚类，完成对退役动力锂电池的分选。

上述的步骤5中，使用均值漂移聚类方法对锂电池表面热点归一化直方图向量z_k进行聚类的步骤包括：

Step 1.在未标记的所有热点归一化直方图向量z_k中随机选取点，作为起始中心点z_s；

Step 2.记录以z_s为中心，距离小于R_z的所有向量z_k，将其归于C_i类，将所有归为C_i类的数据点次数加1；

Step3.计算新的中心z'_s，具体如下式所示：

其中，n为与z_s距离小于R_z的所有z_k的向量数目；

Step4.计算移动距离L_shift＝||z_s-z'_s||，重复步骤2与步骤3，直至移动距离L_shift小于特定ε，即：L_shift≤ε，记录此时的聚类中心z'_s；

Step5.若新的分类C_i与已有分类C的距离小于δ，则合并C_i与C合并，分类中数据点出现的次数也应合并；若新的分类C_i与已有分类C的距离大于δ，则把C_i作为新的分类；

Step6.重复Step 1-Step 5，直至所有点均被分类；根据统计的类对于数据点的访问频率，取各数据点出现次数最多的类，作为该数据点所属的类。

上述的Step 2中，向量z_k与z_sz之间的距离可由下式计算：

式中，σ为带宽，控制高斯核函数的局部作用范围，||z_s-z_k||²为向量z_k与z_s的欧式距离，K(z_s-z_k)为高斯核函数。

本发明具有以下有益效果：

本发明直接利用红外视频序列中所包含的信息，自动实现了对退役动力锂电池的筛选。本发明从红外视频序列中提取电池表面热点的直方图，利用均值漂移聚类方法实现了对退役动力电池的筛选，能够主动分析运用电池的热特征，丰富了退役动力锂电池的筛选方法，降低了后续梯次利用中电池组热管理的难度。本发明对实现退役动力锂电池的梯次利用具有重要意义。

附图说明

图1是本发明方法的流程示意图；

图2是实施例中锂电池加热交流电流示意图。

具体实施方式

以下结合附图对本发明的实施例作进一步详细描述。

本发明的一种基于红外图像热点特征聚类分析的退役锂电池筛选方法，首先，设计基于正弦电流信号的锂电池主动加热方法，激励退役电池表面温度发生快速变化；在此基础上，利用红外成像技术记录此过程中的锂电池表面温度动态变化；直接处理视频序列信息，以温度变化为步长，提取视频序列中的关键帧图像，合成为单幅红外图像；利用阈值法实现图像分割，提取图像中锂电池热点的直方图信息特征；经过均值漂移聚类分析，筛选出所需热特性较好的退役动力锂电池，便于后续梯次利用中电池组的热管理。参见图1，具体包括：

步骤1：加热锂电池并获取记录加热过程中锂电池表面温度变化的红外视频序列，具体为：

将频率为f_s、幅值为I_s的交流电流注入锂电池，假定加热前锂电池温度为T，通过注入交流电流，使其温度上升ΔT，使用红外成像技术，记录加热过程中，锂电池表面的温度变化，获得红外视频序列。

本发明实施例中，将频率为f_s＝50Hz、幅值为I_s＝1C的交流电流注入锂电池，假定加热前锂电池温度为T＝25℃，通过注入交流电流，使其温度上升ΔT＝5℃。使用红外成像技术，记录此过程中，锂电池表面的温度变化，获得红外视频序列。其中，所注入的交流电流如图2所示。

步骤2：提取红外视频序列中的关键帧图像，具体为：

以锂电池表面温度变化作为依据，取ΔT_step为步长，选取锂电池温度首次增加ΔT_step所对应的单帧红外图像作为红外视频序列中的关键帧图像，共计获得ΔT/ΔT_step幅关键帧图像。

实施例中，以电池表面温度变化作为依据，取ΔT_step＝0.5°为步长，选取电池温度首次增加ΔT_step所对应的单帧红外图像作为红外视频序列中的关键帧图像，共计可获得ΔT/ΔT_step＝10幅图像。

步骤3：将提取的关键帧图像合成为单幅红外图像，具体为：

为便于后续聚类分析，可对提取的多幅关键帧图像求平均值，将其合成为单幅红外图像，平均值计算公式为：

式中，x、y为像素对应的坐标，M为关键帧图像的数目，g_i(x,y)为第i个关键帧图像对应的红外图像像素，g'(x,y)为合成的单幅红外图像像素。通过(1)式求取平均值的另外一个优势是可以一定程度上平滑热点区域外的噪声，便于后续提取锂电池表面的热点信息。

步骤4：提取合成的单幅红外图像中锂电池表面的热点信息，计算电池表面热点的归一化直方图，具体为：

上一步骤中已经求取了多帧图像的平均值，一定程度上滤除了噪声。因此，本发明将仅采用阈值法直接分割检测目标，对由关键帧图像合成的单幅红外图像的所有像素g'(x,y)，采取如下处理：

式中，T_th为图像分割所设定的阈值，f(x,y)为二值化后的图像，经过二值化，即可分割出电池表面的热点；

在此基础上，计算电池表面热点h(x,y)的归一化直方图，即：

统计电池热点h(x,y)中灰度值为I_i的像素个数n_i，假定热点目标h(x,y)为m_h×n_h维，用下式(3)计算电池表面热点的归一化直方图：

p(I_i)＝n_i/(m_g·n_g) (3)

其中，p(I_i)为灰度值I_i的像素在图像中出现的概率，经过上式归一化后，图像的热点归一化直方图中所有分量之和满足：

式中，L为红外图像的最大灰度级数。

步骤5：以电池表面热点的归一化直方图为特征进行聚类分析，完成退役动力锂电池的热特性筛选，具体为：

可将已获得的第k块退役动力锂电池表面热点归一化直方图，表示为如下向量：z_k＝[p(I₁),p(I₂),...,p(I_L)]，那么，可使用均值漂移聚类方法对锂电池表面热点归一化直方图向量z_k进行聚类，完成对退役动力锂电池的分选。

使用均值漂移聚类方法对锂电池表面热点归一化直方图向量z_k进行聚类的步骤包括：

Step 1.在未标记的所有热点归一化直方图向量z_k中随机选取点，作为起始中心点z_s；

Step 2.记录以z_s为中心，距离小于R_z的所有向量z_k，将其归于C_i类，将所有归为C_i类的数据点次数加1；

向量z_k与z_sz之间的距离可由下式计算：

式中，σ为带宽，控制高斯核函数的局部作用范围，||z_s-z_k||²为向量z_k与z_s的欧式距离，K(z_s-z_k)为高斯核函数。

Step3.计算新的中心z'_s，具体如下式所示：

其中，n为与z_s距离小于R_z的所有z_k的向量数目；

Step4.计算移动距离L_shift＝||z_s-z'_s||，重复步骤2与步骤3，直至移动距离L_shift小于特定ε，即：L_shift≤ε，记录此时的聚类中心z'_s；

Step5.若新的分类C_i与已有分类C的距离小于δ，则合并C_i与C合并，分类中数据点出现的次数也应合并；若新的分类C_i与已有分类C的距离大于δ，则把C_i作为新的分类；

Step6.重复Step 1-Step 5，直至所有点均被分类；根据统计的类对于数据点的访问频率，取各数据点出现次数最多的类，作为该数据点所属的类。

根据以上步骤，即可实现对退役电池红外图像热点特征的聚类分析，并依据聚类结果，筛选出热特性一致性较好的退役动力锂电池。

本发明以图像处理的方式，直接从锂电池短时加热过程的红外视频数据中获取电池的热特征，利用聚类算法，实现对退役动力锂电池的筛选。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (7)

1.一种基于红外图像热点特征聚类分析的退役锂电池筛选方法，其特征在于，包括：

步骤1：加热锂电池并获取记录加热过程中锂电池表面温度变化的红外视频序列；

步骤2：提取红外视频序列中的关键帧图像；

步骤3：将提取的关键帧图像合成为单幅红外图像；

步骤4：提取合成的单幅红外图像中锂电池表面的热点信息，计算电池表面热点的归一化直方图，具体为：

对由关键帧图像合成的单幅红外图像的所有像素g'(x,y)，采取如下处理：

式中，T_th为图像分割所设定的阈值，f(x,y)为二值化后的图像，经过二值化，即可分割出电池表面的热点；

计算电池表面热点h(x,y)的归一化直方图，即：

统计电池热点h(x,y)中灰度值为I_i的像素个数n_i，假定热点目标h(x,y)为m_h×n_h维，用下式(3)计算电池表面热点的归一化直方图：

p(I_i)＝n_i/(m_h·n_h) (3)

其中，p(I_i)为灰度值I_i的像素在图像中出现的概率，经过上式归一化后，图像的热点归一化直方图中所有分量之和满足：

式中，L为红外图像的最大灰度级数；

步骤5：以电池表面热点的归一化直方图为特征进行聚类分析，完成退役动力锂电池的热特性筛选。

2.根据权利要求1所述的一种基于红外图像热点特征聚类分析的退役锂电池筛选方法，其特征在于，步骤1所述加热锂电池并获取记录加热过程中锂电池表面温度变化的红外视频序列，具体为：

将频率为f_s、幅值为I_s的交流电流注入锂电池，假定加热前锂电池温度为T，通过注入交流电流，使其温度上升ΔT，使用红外成像技术，记录加热过程中，锂电池表面的温度变化，获得红外视频序列。

3.根据权利要求1所述的一种基于红外图像热点特征聚类分析的退役锂电池筛选方法，其特征在于，步骤2所述提取红外视频序列中的关键帧图像，具体为：

以锂电池表面温度变化作为依据，取ΔT_step为步长，选取锂电池温度首次增加ΔT_step所对应的单帧红外图像作为红外视频序列中的关键帧图像，共计获得ΔT/ΔT_step幅关键帧图像。

4.根据权利要求1所述的一种基于红外图像热点特征聚类分析的退役锂电池筛选方法，其特征在于，步骤3所述将提取的关键帧图像合成为单幅红外图像，具体为：

对提取的关键帧图像求平均值，将其合成为单幅红外图像，平均值计算公式为：

式中，x、y为像素对应的坐标，M为关键帧图像的数目，g_i(x,y)为第i个关键帧图像对应的红外图像像素，g'(x,y)为合成的单幅红外图像像素。

5.根据权利要求1所述的一种基于红外图像热点特征聚类分析的退役锂电池筛选方法，其特征在于，步骤5所述以电池表面热点的归一化直方图为特征进行聚类分析，完成退役动力锂电池的热特性筛选，具体为：

将已获得的第k块退役动力锂电池表面热点归一化直方图，表示为如下向量：z_k＝[p(I₁),p(I₂),...,p(I_L)]，使用均值漂移聚类方法对锂电池表面热点归一化直方图向量z_k进行聚类，完成对退役动力锂电池的分选。

6.根据权利要求5所述的一种基于红外图像热点特征聚类分析的退役锂电池筛选方法，其特征在于，步骤5中，使用均值漂移聚类方法对锂电池表面热点归一化直方图向量z_k进行聚类的步骤包括：

Step 1.在未标记的所有热点归一化直方图向量z_k中随机选取点，作为起始中心点z_s；

Step 2.记录以z_s为中心，距离小于R_z的所有向量z_k，将其归于C_i类，将所有归为C_i类的数据点次数加1；

Step3.计算新的中心z'_s，具体如下式所示：

其中，n为与z_s距离小于R_z的所有z_k的向量数目；

Step4.计算移动距离L_shift＝||z_s-z'_s||，重复步骤2与步骤3，直至移动距离L_shift小于特定ε，即：L_shift≤ε，记录此时的聚类中心z'_s；

Step5.若新的分类C_i与已有分类C的距离小于δ，则合并C_i与C合并，分类中数据点出现的次数也应合并；若新的分类C_i与已有分类C的距离大于δ，则把C_i作为新的分类；

Step6.重复Step 1-Step 5，直至所有点均被分类；根据统计的类对于数据点的访问频率，取各数据点出现次数最多的类，作为该数据点所属的类。

7.根据权利要求6所述的一种基于红外图像热点特征聚类分析的退役锂电池筛选方法，其特征在于，所述Step 2中，向量z_k与z_sz之间的距离可由下式计算：

式中，σ为带宽，控制高斯核函数的局部作用范围，||z_s-z_k||²为向量z_k与z_s的欧式距离，K(z_s-z_k)为高斯核函数。