CN111967190B - 一种基于锂枝晶形貌图像识别的锂电池安全度评估方法及装置 - Google Patents

Abstract

一种基于锂枝晶形貌图像识别的锂电池安全度评估方法及装置，属于动力电池安全度评估技术领域。本发明为了解决现有技术无法对动力电池的安全性进行量化表示和评估的问题。本发明通过采集锂枝晶形貌图像训练锂枝晶CNN的百分比量化模型，判断所述待评估锂电池的安全状态。首先采集锂电池的锂枝晶图像并将采集得到的锂枝晶形貌图像进行分类和处理，其次将上述处理得到的锂枝晶形貌图像送入已建立起的锂枝晶CNN的百分比量化模型中训练并建立起锂电池安全度百分比量化的数学模型和锂电池安全等级分类模型，最后用上述训练完成的锂枝晶CNN的百分比量化模型计算和评估待检测的锂电池安全度百分比和安全等级；本发明解决了现有技术无法对电池安全性进行量化评估的问题。

Description

一种基于锂枝晶形貌图像识别的锂电池安全度评估方法及 装置

技术领域

本发明涉及电池安全度评估领域，特别是涉及一种基于锂枝晶形貌图像识别的锂电池安全度评估方法及装置。

背景技术

随着全球市场电动汽车商品化步伐的日益加快，对高功率和高能量动力电池需求迅速增加，而高功率和高能量动力电池同时也暴露出众多安全性问题，因此电池的安全性越来越受到人们的关注。尤其是近几年，锂电池作为高功率和高能量电池的典型代表，锂电池在众多涉及电池应用领域中有广泛应用，然而锂电池自燃、爆炸等事故的新闻时有发生，锂电池的安全性逐渐受到制造商和用户的重视。就目前而言，我国锂电池在技术研发层面尚处于初始阶段，在锂电池应用领域锂电池的安全性方面存在诸多问题。

锂离子电池是一个复杂的电化学系统，锂电池的失效机理复杂，其失效模式受诸多因素影响，比如所处的环境温度、放电深度、充放电电流等。虽然锂电池的状态参数如电压、电流、温度等可以实时测量，其内阻、容量、SOC等参数也可以通过实测参数经过计算得到，但是锂电池的安全性无法测量，且是一个受多因素影响的随时变化的量，安全性的保障也是锂电池系统正常应用的前提条件。锂电池安全性量化问题也成了当前电池应用研究和安全性研究的一个重点和难点。国内学者在锂电池安全性量化研究方面目前较少，主要集中在针对锂电池故障诊断方法方面。目前，在锂电池行业中故障诊断技术已相对成熟，在锂电池出现故障时，可较为准确的找到锂电池故障原因，但故障诊断只是在锂电池出现故障之后,锂电池测试人员才对故障问题做出判断，故障诊断并不能预防锂电池故障的发生。实际上，锂电池故障的行成是一个逐渐变化的过程，如能在锂电池使用过程中对其进行安全性评估，给出量化指标，这对于预防锂电池事故发生、保障使用者生命安全具有重要作用。另外描述锂电池的性能指标包括容量、能量密度、充放电倍率、电压、寿命、内阻、自放电、工作温度等。这些参数虽能反映出锂电池的使用状况，但任何一项参数的异常均不能准确的反映锂电池存在的危险性。因此这些参数无法给锂电池使用者动力电池安全性直观的感受，锂电池参数多且密，细微的参数变化也可能存在着巨大的安全隐患。所以在实际应用中，锂电池可能依旧正常工作，但此时已存在大的安全隐患，如何在检测中不仅仅通过简单的电池测试来判断电池的安全状态，如何有依据的提示使用者锂电池的安全性成为电池行业亟待解决的技术难题。这一难题不仅仅只局限于锂电池上，同时目前任何电池都没有方法来量化各类电池安全度。

发明内容

为了解决上述问题，本发明根据锂离子动力电池在使用过程中发生关键故障的概率，提供了一种基于锂枝晶形貌图像识别的锂电池安全度评估方法，解决了现有技术无法对电池安全性进行量化评估的问题。

本发明提供的一种基于锂枝晶形貌图像识别的锂电池安全度评估方法，包括如下步骤：

获取成千上万待评估锂电池的锂枝晶形貌图像，并进行预处理；

将上述处理得到的锂枝晶形貌图像送入已建立起的锂枝晶CNN的百分比量化模型中训练；

利用经过大量训练的锂枝晶CNN的百分比量化模型实现对锂电池安全度百分比的精准量化，即将锂电池安全度的百分比精确数值计算出来；

建立安全度对照表，所述安全度对照表由若干安全区间构成，安全区间对应当前时刻的电池安全情况；将估算模块得到的安全度数值与所述安全区间匹配，得到当前时刻的电池安全情况。

所述锂电池安全度百分比数值划分成五个区间，所述五个锂电池安全度百分比数值区间对应安全度等级设定为极度安全、安全良好、一般安全、潜在危险和严重危险这五个安全等级，判断所述安全度百分比量化数值所属的安全度等级；

最后用上述训练完成的锂枝晶CNN的百分比量化模型计算和评估待检测的锂电池安全度百分比和安全等级，输出待检测锂电池的安全度百分比数值和所属的安全度等级；

进一步的，所述预处理过程包括：

获取锂电池锂枝晶形貌图像，并将所述成千上万的锂枝晶形貌图像进行分类；

将所锂电池锂枝晶图像进行数据平衡，防止获取的锂枝晶图像存在数据不平衡的问题；

将经数据平衡得到的锂枝晶形貌图进行数值化转换，得到锂电池安全度百分比量化数据集。

进一步的，所述锂枝晶形貌图像的分类为：无锂离子沉积形貌图像、无分叉形貌图像、团簇状形貌图像、可见明显分叉结构形貌图像和可见锂枝晶已经刺穿隔膜形貌图像。

进一步的，所述的锂枝晶CNN的百分比量化模型包括16层，具体步骤从输入到输出依次为：第一次为输入层，第二层经过64个卷积核的两次卷积后，一次池化层，第二次经过两次128个卷积核卷积层，经过一次池化层，重复两次512个卷积核卷积，再依次经过池化层和经过三次全连接层。

进一步的，所述锂电池安全度百分比量化数值通过下式获取：

其中，w_j为提取的第j特征值对应的影响电池安全性的权重系数，n为总的特征个数，f_j为提取的第j个锂枝晶特征的特征值。

进一步的，所述第j个锂枝晶特征的特征值：

其中I_i为图像中第i个锂枝晶特征的特征值。

本发明另一方面提供了一种基于锂枝晶形貌图像识别的锂电池安全度评估装置，包括：

估算模块，用以根据本实施例所述的一种基于锂枝晶形貌图像识别的锂电池安全度评估方法估算电池当前状态的安全度；

区间匹配模块，用以建立安全度对照表，所述安全度对照表由若干安全区间构成，安全区间对应当前时刻的电池安全情况；将估算模块得到的安全度数值与所述安全区间匹配，得到当前时刻的电池安全情况；

显示模块，用以显示安全度数值。

如上所述，本发明提供的一种基于卷积神经网络针对锂枝晶形貌图像识别的锂电池安全度评估方法，具有如下效果：

1、本申请通过CNN的模型对锂电池锂枝晶形貌图像进行特征提取对检修的锂电池安全度实现量化，输出具体检修的锂电池安全度百分比数值，并根据划分量化数值区间实现检修的锂电池安全等级分类。

2、本发明所述方法的训练模型简单，样本适应性好，可方便更新计算结果，适用于锂离子电池安全度的计算。

3、采用基于卷积神经网络针对锂枝晶形貌图像识别的锂电池安全度评估方法，其强大的图像处理训练能力与锂电池锂枝晶形貌图像建立起联系，锂电池锂枝晶的形貌代表着锂电池安全状态，所以基于卷积神经网络针对锂枝晶形貌图像识别的锂电池安全度评估方法有独特的优势。

4、本方法适用于各种电池的安全度计算，适用性广且卷积网络易实现，应用场合较多。

综上可见，本发明中提出的一种基于卷积神经网络针对锂枝晶形貌图像识别的锂电池安全度评估方法非常适用于各种电池的安全度估算，具有实用性。

附图说明

图1为本发明具体实施例的基于卷积锂电池安全度评估方法流程图；

图2为本发明具体实施例的针对锂枝晶形貌识别的卷积神经网络模型；

图3为本发明具体实施例的一层卷积神经网络结构图；

图4为本发明具体实施例的权重系数计算锂电池安全度原理框图；

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

电池的安全性指电池在使用过程中不燃烧、不爆炸、不产生有毒有害气体、不会对使用者造成伤害，定量地描述其在使用过程中的安全程度便称为电池安全度。动力电池的安全度是评估电池安全程度的重要指标，是描述电池安全度的重要参数。由于电池安全度在不同电压不同电流不同温度下的测试情况会显示出不一样结果，需要对这样的偏差进行分类和量化，成为了行业尚未解决的技术难题。

现有技术中与电池安全相关的研究主要围绕故障诊断技术展开，这些方法针对于在电池发生故障后对电池出现故障的原因进行诊断，根据诊断结果对电池进行改进，该种方法实质上并不能预防电池故障的发生，但在电池使用过程中，电池的故障行为是一个逐渐变化的过程，很多情况下在电池故障行为并未明显表现出来时电池便已将达到燃烧爆炸这种极端时效情况，会对人员和财产造成很大损失。

在锂电池使用过程中，能稳定体现和量化锂电池阶段性安全性的是锂电池由于表面交换电流密度的增强会导致局部产生温度热点，温度热点会在其周围引发显著的锂枝晶生长现象，锂枝晶即是在电池内部生长的锂晶须，锂枝晶的生长会导致内部短路。更重要的是锂电池内部短路会进一步导致局部温度提升，从而实验发现了锂枝晶生长和局部温度提升的双向关系：温度热点会引发显著的锂金属生长，进而引起电池内部短路，反过来又进一步提高了局部的温度，增加电池热失控的风险，从而导致配备锂电池的设备出现危险性。以上发现让锂枝晶的生长和电池安全度产生了一定的联系性。锂枝晶生长形貌的阶段性变化为量化电池安全度提供可能性。

本实施例如图1所示，提供了一种基于卷积神经网络针对锂枝晶形貌图像识别的锂电池安全度评估方法。所述的提及实施步骤如下：

本发明提供的一种基于锂枝晶形貌图像识别的锂电池安全度评估方法，包括如下步骤：

S1、获取待评估锂电池的锂枝晶形貌图像X，并进行预处理，本实施例所述的采集的锂枝晶形貌图像应该来源于锂电池在不同外界条件作用下得到的锂枝晶形貌图像，图像进行预处理过程包括：

S11、获取成千上万锂电池的锂枝晶形貌图像，并将所述锂枝晶形貌图像进行分类；

锂枝晶在不同的电池环境、不同的时刻所呈现的形貌有所不同，如苔藓状锂、丝状锂、针尖状锂、晶须状锂、灌木状锂、树枝状锂等。由于各研究者对其描述各异，导致了这种名称多样化的现象。可简要分为5类：①无锂离子沉积，不见锂离子转化为原子形态，锂电池负极表面锂离子平铺；②无分叉，单根生长，如丝状锂、针尖状锂、晶须状锂；团簇状，生长时类似于面团的发酵过程，如苔藓状锂、灌木状锂；③团簇状，生长时类似于面团的发酵过程，如苔藓状锂、灌木状锂；④可见明显分叉结构，枝干稀疏，为最危险的锂枝晶结构，易刺破隔膜，如树枝状锂；⑤可见锂枝晶已经刺穿隔膜，对锂电池进行局部短路实验，发现锂电池已经发生局部短路。锂枝晶的初始形核与生长过程锂枝晶的产生可分为3个阶段。第一阶段，电池组装后，由于金属锂的高度活泼性，在接触到电解质中的有机溶剂等组分时能发生瞬时反应，形成SEI膜，即SEI膜的形成早于锂枝晶的产生。致密的SEI膜可以阻止电解液与金属锂发生进一步反应，是一种良好的离子导体，但却是电子绝缘体。Li+可以穿过这层SEI膜在电极表面沉积，但由于锂、电解质、SEI膜的本身特性和充放电条件影响导致其沉积分布不均匀。第二阶段，形核阶段，即不均匀沉淀的持续累积，导致某些地方凸起，直至顶破原始SEI膜。最后进入生长阶段，刺破原始SEI膜后继续在长度方向上生长，成为可见的枝晶。同时，SEI膜也随着金属锂枝晶的生长而持续不断地反应增生，但始终包覆在金属锂表面。一般来说，锂枝晶的数量主要由形核阶段决定，而锂枝晶生长的形貌则主要由生长阶段决定，本实施例获取的锂电池图像可以采用历史图像，或将窗口电池安装在原位显微镜上，光学图像通过相同的×10物镜每40s与激光光源交替拍摄形成锂枝晶形貌的纳米级图像，窗口电池是很简单的平台，图像采集可以在任何实验室下使用原位显微镜，简单的电化学设备可以利于操作；本实施例共获得五类图像数分别为400、1000、1500、2000、400；

S12、将所锂电池锂枝晶图像进行数据平衡，防止获取的锂枝晶图像存在数据不平衡的问题；所述的数据不平衡问题在图片分类问题中尤其常见，表现为一个类(大类)所占的比例远远大于另一个类(小类)，或者数据集当中一个响应变量的比例远远大于另一个，对于样本分布不平衡问题，可以采用数据增强的方法。第一种数据增强方法是随机水平和垂直翻转锂枝晶形貌图像；第二种方法是对原始锂枝晶形貌图像随机旋转一定角度(不超过2°)，旋转所使用的插值方法为双三次插值；第三种方法是调整锂枝晶形貌图像的亮度和对比度，因为光照强度的变化会对成像结果造成很大影响，并且，在预处理阶段还对输入图片进行去噪处理。

本实施例对数量较少的第一类和第五类图像采用左右翻转、上下翻转、180°翻转等方式使得每个种类的样本数据充足，并对原图像和经过上述三种变换的图像进行随机的平移或者伸缩形变，得到原来的10倍的图像，也就意味着五类锂枝晶形貌图片变成4000、10000、15000、20000、4000，实现样本量的扩充，为了使得五类锂枝晶形貌图像数量相近采用随机欠采样的方式最终达到目的；

采用的第一种数据增强方法是随机水平和垂直翻转锂枝晶形貌图像；第二种方法是对原始锂枝晶形貌图像随机旋转一定角度(不超过2°)，旋转所使用的插值方法为双三次插值；第三种方法是调整锂枝晶形貌图像的亮度和对比度，因为光照强度的变化会对成像结果造成很大影响。在预处理阶段还对输入图片进行去噪处理。

S13、将经数据平衡得到的锂枝晶形貌图进行数值化转换，得到锂枝晶CNN的百分比量化模型数据集；

将经过数据平衡得到的锂枝晶形貌图像X(300pixel×300pixel)转为预定尺寸的灰度图像(224pixel×224pixel)，所述的灰度图像是指灰度数值图像是每个像素只有一个采样颜色的图像，得到的图像就是图像数值矩阵X^*(大小为224×224)；

本实施例对图像矩阵X^*做归一化处理，图形矩阵X^*的像素取值范围为[0,255]，有n个像素，按照下式将图像矩阵X^*的像素的取值范围缩放到区间[0,1]并消去均值，完成图像矩阵X^*的归一化处理，得到归一化处理后的图像，式中X^* _i图像矩阵X^*的某一元素，n为总计有n个元素。

S2、建立锂枝晶CNN的百分比量化模型，将预处理后得到的锂枝晶形貌图像送入锂枝晶CNN的百分比量化模型中训练。

本实施例所述的锂枝晶CNN的百分比量化模型包括16层，具体步骤从输入到输出依次为：第一次为输入层input(灰度图像为224pixel×224pixel)，第二层经过64个卷积核的两次卷积后(conv3-64)，采用一次池化(pooling)，第二次经过两次128个卷积核卷积后，再次采用一次池化(pooling)，再重复两次512个卷积核卷积后，再池化(pooling)，最后经过三次全连接，以上共包含13个卷积层和3个连接层，卷积神经网络结构图如图2所示；

两个连续的3×3的卷积相当于5×5的感受野，三个相当于7×7。使用三个3×3卷积而不是一个7×7的卷积的优势有两点：1)、包含三个Re Lu层而不是一个，使决策函数更有判别性；2)减少了参数，比如输入输出都是C个通道，使用3×3的3个卷积层需要(3×3×3×C×C)＝27×C×C,使用7×7的1个卷积层需要7×7×C×C＝49×C×C。这可看为是对7×7卷积施加一种正则化，使它分解为3个3×3的卷积。1×1卷积层主要是为了增加决策函数的非线性，而不影响卷积层的感受野。虽然1×1的卷积操作是线性的，但是Re Lu增加了非线性。

输出层是Soft Max分类器，选择损失函数如下式所示：

用以表示需要经过迭代训练求得的锂枝晶CNN的百分比量化模型参数，其中β^(k)表示锂枝晶CNN的百分比量化模型判断输入为第k个类别时对应的模型参数；T^(t)表示锂枝晶CNN的模型的第t个样本；1{yⁿ＝k}为示性函数，若括号中的表达式为真，则示性函数的函数值为1，否则为0；N即为分类数，本发明共五类；m为数据集的训练样本数。

在所述锂枝晶图像数据集上训练所述的锂枝晶CNN的百分比量化模型，训练方式为小批量梯度下降，训练算法是反向传播算法，当达到预设的迭代轮数epoch时，训练结束，保存训练完成的锂枝晶CNN的百分比量化模型。

利用锂枝晶CNN的百分比量化模型判断所述待评估锂电池的安全状态，具体包括如下步骤：

S21：获取待评估锂电池的锂枝晶形貌图像，设为Y_j(j＝1.2.3...)；

S22：将所述锂枝晶形貌图像Y_j，全部转化为预设尺寸的224pixel×224pixel的灰度图像，即得到224×224的数值矩阵，并将灰度图像做归一化处理，归一化就是把所有数据归一到同样的范围；

S23：将得到的归一化处理后的灰度图像Y₁输入到所述训练完成的锂枝晶CNN的百分比量化模型，进行特征的提取、特征分类和对应特征值的权重系数计算，特征可以为锂枝晶的长度、形貌、密集度等，判定锂电池是否安全应该是由锂电池安全度公式决定，若根据提取锂枝晶形貌图像Y₁经过电池安全度公式计算此电池安全度为0％，直接输出锂电池安全度为0％并将检测电池归为极度危险范围内；

S3、利用锂枝晶CNN的百分比量化模型得到的所述锂枝晶图像所属的锂电池安全度百分比量化数值，所述锂电池安全度百分比量化数值通过下式获取：

其中，w_j为提取的第j个特征值对应的影响电池安全性的权重系数，w_j是由CNN的百分比量化模型中训练修正得出，本实施例中的权重系数w_j的推导过程类似于常见的模糊控制推导过程，本实施例不再赘述，f_j为提取的第j个特征值，n为总的特征个数，所述特征为锂枝晶的长度、形貌、密集度中的一种或几种组合，本实施例选择的特征为锂枝晶长度，所述锂枝晶长度的特征值均方根由下式得到：

其中I_i为图像中第i个锂枝晶长度。

本实施例在所述锂枝晶CNN的百分比量化数据集上训练所述的锂枝晶CNN的百分比量化模型，训练方式为小批量梯度下降，训练算法是反向传播算法，当达到预设的迭代轮数epoch时，训练结束，保存训练完成的锂枝晶CNN的多分类百分比量化模型训练方式为小批量梯度下降，训练算法是反向传播算法，当达到预设的迭代轮数epoch时，训练结束，保存训练完成的锂枝晶CNN的百分比量化模型。

S4、对于实际检测评估电池安全度的剩下的所有锂枝晶形貌图像Y_n(n＝2.3....)都进行步骤S2～S3，输出全部检测评估结果。

S5、将计算出的锂电池安全度百分比数值划分成五个区间，所述五个锂电池安全度百分比数值区间对应安全度等级设定为极度安全、安全良好、一般安全、潜在危险和严重危险这五个安全等级，判断所述安全度百分比量化数值所属的安全度等级；

S6、最后用上述训练完成的锂枝晶CNN的百分比量化模型计算和评估待检测的锂电池安全度百分比和安全等级，输出待检测锂电池的安全度百分比数值和所属的安全度等级。

本实施例的锂枝晶CNN的百分比量化模型在锂枝晶CNN的百分比量化数据集上的训练过程的损失函数和准确率，损失函数在训练集上是逐轮降低的，最终收敛，第19轮降为0.020，在测试集上，第19轮降低为0.6221。实验结果表明，在已选好的参数的模型的训练下，经过19轮迭代，模型在训练集上达到98％到100％的准确度，在测试集上也达到了高达98.83％左右的准确度。以上结果证明本发明的检测方法具有较高的分类准确率和锂电池百分比量化结果。其在训练的试验结果和线检测结果如表1所示：

表1电池安全程度对应表

本实施例的一种基于锂枝晶形貌图像识别的锂电池安全度评估装置，包括：

估算模块，用以根据本实施例所述的一种基于锂枝晶形貌图像识别的锂电池安全度评估方法估算电池当前状态的安全度；

区间匹配模块，建立安全度对照表，所述安全度对照表由若干安全区间构成，安全区间对应当前时刻的电池安全情况；将估算模块得到的安全度数值与所述安全区间匹配，得到当前时刻的电池安全情况；

显示模块，用以显示安全度数值。

所述估算模块和区间匹配模块可以集成在一种电子设备中，具体包括处理器和存储器，存储器中存储实施例中的电池安全度估算方法和区间匹配指令，处理器用以调用所述指令用以执行本发明实施例所述的电池安全度估算方法和区间匹配指令；所述估算模块和区间匹配模块可以分别为两种电子设备，两种电子设备分别包括处理器和存储器，估算模块的电子设备中的存储器中存储实施例中的电池安全度估算方法指令，处理器用以调用所述指令用以执行本发明实施例所述的电池安全度估算方法指令，区间匹配模块的电子设备中的存储器中存储实施例中的安全度区间匹配指令，处理器用以调用所述指令用以执行本发明实施例所述的安全度区间匹配指令。

上述的存储器中的指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中，即本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。

在实际应用中，所述处理器可以是MSP430单片机、51单片机、DSP、TMS单片机、STM32单片机、PIC单片机、AVR单片机、STC单片机、Freescale系列单片机等控制电池充放电源的充放电，所述单片机可以通过串口或总线的方式与充放电源连接。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (8)

1.一种基于锂枝晶形貌图像识别的锂电池安全度评估方法，其特征在于，包括如下步骤：

获取待评估锂电池的锂枝晶形貌图像，并进行预处理；

建立锂枝晶CNN的百分比量化模型，将预处理后得到的锂枝晶形貌图像送入锂枝晶CNN的百分比量化模型中训练；

利用经过训练的锂枝晶CNN的百分比量化模型实现对锂电池安全度百分比的精准量化；

建立安全度对照表，所述安全度对照表由若干安全区间构成，安全区间对应当前时刻的电池安全情况；将得到的锂电池安全度百分比量化数值与所述安全区间匹配，得到当前时刻的电池安全情况；

利用所述训练完成的锂枝晶CNN的百分比量化模型计算和评估待检测的锂电池安全度百分比量化数值和安全等级，输出待检测锂电池的安全度百分比量化数值和所属的安全度等级。

2.根据权利要求1所述的一种基于锂枝晶形貌图像识别的锂电池安全度评估方法，其特征在于，所述预处理过程包括：

获取锂电池锂枝晶形貌图像，并将所述锂枝晶形貌图像进行分类；

将所锂电池锂枝晶图像进行数据平衡，防止获取的锂枝晶图像存在数据不平衡的问题；

将经数据平衡得到的锂枝晶形貌图进行数值化转换，得到锂枝晶CNN的百分比量化数据集。

3.根据权利要求2所述的一种基于锂枝晶形貌图像识别的锂电池安全度评估方法，其特征在于，所述锂枝晶形貌图像的分类为：无锂离子沉积形貌图像、无分叉形貌图像、团簇状形貌图像、可见明显分叉结构形貌图像和可见锂枝晶已经刺穿隔膜形貌图像。

4.根据权利要求1所述的一种基于锂枝晶形貌图像识别的锂电池安全度评估方法，其特征在于，所述的锂枝晶CNN的百分比量化模型包括16层，具体步骤从输入到输出依次为：第一次为输入层，第二层经过64个卷积核的两次卷积后，一次池化层，第二次经过两次128个卷积核卷积层，经过一次池化层，重复两次512个卷积核卷积，再依次经过池化层和经过三次全连接层。

5.根据权利要求1所述的一种基于锂枝晶形貌图像识别的锂电池安全度评估方法，其特征在于，所述锂电池安全度百分比量化数值通过下式获取：

其中，w_j为提取的第j特征值对应的影响电池安全性的权重系数，n为总的特征个数，f_j为提取的第j个锂枝晶特征的特征值。

6.根据权利要求5所述的一种基于锂枝晶形貌图像识别的锂电池安全度评估方法，其特征在于，所述第j个锂枝晶特征的特征值：

其中I_i为图像中第i个锂枝晶特征的特征值。

7.根据权利要求1所述的一种基于锂枝晶形貌图像识别的锂电池安全度评估方法，其特征在于，所述锂电池安全度百分比量化数值划分成五个区间，所述五个锂电池安全度百分比量化数值区间对应安全度等级设定为极度安全、安全良好、一般安全、潜在危险和严重危险这五个安全等级。

8.一种基于锂枝晶形貌图像识别的锂电池安全度评估装置，该装置实现权利要求1所述的一种基于锂枝晶形貌图像识别的锂电池安全度评估方法，其特征在于，包括：

估算模块，用以根据经过训练的锂枝晶CNN的百分比量化模型估算电池当前状态的安全度百分比量化数值；

区间匹配模块，用以建立安全度对照表，所述安全度对照表由若干安全区间构成，安全区间对应当前时刻的电池安全情况；将估算模块得到的安全度百分比量化数值与所述安全区间匹配，得到当前时刻的电池安全情况；

显示模块，用以显示安全度百分比量化数值。

Images