新能源汽车电池的拆解系统及其方法与流程

1.本技术涉及智能化拆解技术领域，并且更具体地，涉及一种新能源汽车电池的拆解系统及其方法。


背景技术：

2.随着新能源汽车产业的快速发展，动力电池的回收问题日益凸显。废旧动力蓄电池的不当处理可能会带来触电、短路燃爆等安全隐患，同时还存在重金属和有机污染物的环境污染问题。
3.目前，废旧动力电池的回收主要依靠人工拆解和粗放式破碎预处理，但这种方法存在诸多缺陷，如拆解难度大、自动化水平低、二次污染严重和资源综合回收效率低等。因此，期望一种优化的新能源汽车电池的拆解系统，以实现动力电池内的电芯安全无损取出，为贵金属资源回收利用提供便利条件，同时降低劳动强度，确保人身安全，为新能源汽车产业的可持续发展提供支撑。


技术实现要素：

4.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种新能源汽车电池的拆解系统及其方法，其获取由热红外摄像头采集的电池包外壳和单体电芯的热红外监控视频；采用基于深度学习的人工智能技术，挖掘所述电池包外壳和所述单体电芯之间的温度分布特征在空间维度和时间维度上的隐含关联特征分布信息，以基于电池包外壳和单体电芯之间的实际温度变化情况来实时准确地进行加热控制，从而提高电池拆解的效率和安全性。
5.第一方面，提供了一种新能源汽车电池的拆解系统，其包括：
6.视频采集模块，用于获取由热红外摄像头采集的电池包外壳和单体电芯的热红外监控视频；
7.关键帧提取模块，用于从所述热红外监控视频提取多个热红外监控关键帧；
8.空间特征增强模块，用于将所述多个热红外监控关键帧分别通过使用空间注意力的第一卷积神经网络模型以得到多个温度分布特征矩阵；
9.温度分布特征聚合模块，用于将所述多个温度分布特征矩阵沿着通道维度聚合为温度分布时序输入张量；
10.温度时序变化特征提取模块，用于将所述温度分布时序输入张量通过包含第二卷积神经网络模型和第三卷积神经网络模型的双管线集成网络以得到温度分布时序特征图；
11.加热控制模块，用于将所述温度分布时序特征图通过分类器以得到分类结果，所述分类结果用于表示是否停止加热。
12.第二方面，提供了一种新能源汽车电池的拆解方法，其包括：
13.获取由热红外摄像头采集的电池包外壳和单体电芯的热红外监控视频；
14.从所述热红外监控视频提取多个热红外监控关键帧；
15.将所述多个热红外监控关键帧分别通过使用空间注意力的第一卷积神经网络模型以得到多个温度分布特征矩阵；
16.将所述多个温度分布特征矩阵沿着通道维度聚合为温度分布时序输入张量；
17.将所述温度分布时序输入张量通过包含第二卷积神经网络模型和第三卷积神经网络模型的双管线集成网络以得到温度分布时序特征图；
18.将所述温度分布时序特征图通过分类器以得到分类结果，所述分类结果用于表示是否停止加热。
19.在上述新能源汽车电池的拆解方法中，将所述多个热红外监控关键帧分别通过使用空间注意力的第一卷积神经网络模型以得到多个温度分布特征矩阵，包括：使用空间注意力的第一卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：对输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行非线性激活以生成激活特征图；计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵；计算所述空间特征矩阵中各个位置的类softmax函数值以获得空间得分矩阵；以及，计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得多个特征矩阵；其中，所述使用空间注意力的第一卷积神经网络模型的最后一层输出的所述多个特征矩阵为所述多个温度分布特征矩阵。
20.与现有技术相比，本技术提供的新能源汽车电池的拆解系统及其方法，其获取由热红外摄像头采集的电池包外壳和单体电芯的热红外监控视频；采用基于深度学习的人工智能技术，挖掘所述电池包外壳和所述单体电芯之间的温度分布特征在空间维度和时间维度上的隐含关联特征分布信息，以基于电池包外壳和单体电芯之间的实际温度变化情况来实时准确地进行加热控制，从而提高电池拆解的效率和安全性。
附图说明
21.为了更清楚地说明本技术实施例的技术方案，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技术的一些实施例，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。
22.图1为根据本技术实施例的新能源汽车电池的拆解系统的应用场景图。
23.图2为根据本技术实施例的新能源汽车电池的拆解系统的框图。
24.图3为根据本技术实施例的新能源汽车电池的拆解系统中所述温度时序变化特征提取模块的框图。
25.图4为根据本技术实施例的新能源汽车电池的拆解系统中所述加热控制模块的框图。
26.图5为根据本技术实施例的新能源汽车电池的拆解系统中所述训练模块的框图。
27.图6为根据本技术实施例的新能源汽车电池的拆解系统中所述分类损失模块的框图。
28.图7为根据本技术实施例的新能源汽车电池的拆解方法的流程图。
29.图8为根据本技术实施例的新能源汽车电池的拆解方法的系统架构的示意图。
具体实施方式
30.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
31.除非另有说明，本技术实施例所使用的所有技术和科学术语与本技术的技术领域的技术人员通常理解的含义相同。本技术中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本技术的范围。
32.在本技术实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
33.需要说明的是，本技术实施例所涉及的术语“第一\第二\第三”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本技术的实施例可以除了在这里图示或描述的那些以外的顺序实施。
34.图1为根据本技术实施例的新能源汽车电池的拆解系统的应用场景图。如图1所示，在该应用场景中，首先，获取由热红外摄像头采集的电池包外壳（例如，如图1中所示意的m1）和单体电芯（例如，如图1中所示意的m2）的热红外监控视频（例如，如图1中所示意的c）；然后，将获取的热红外监控视频输入至部署有新能源汽车电池的拆解算法的服务器（例如，如图1中所示意的s）中，其中所述服务器能够基于新能源汽车电池的拆解算法对所述热红外监控视频进行处理，以生成用于表示是否停止加热的分类结果。
35.在本技术的一个实施例中，图2为根据本技术实施例的新能源汽车电池的拆解系统的框图。如图2所示，根据本技术实施例的新能源汽车电池的拆解系统100，包括：视频采集模块110，用于获取由热红外摄像头采集的电池包外壳和单体电芯的热红外监控视频；关键帧提取模块120，用于从所述热红外监控视频提取多个热红外监控关键帧；空间特征增强模块130，用于将所述多个热红外监控关键帧分别通过使用空间注意力的第一卷积神经网络模型以得到多个温度分布特征矩阵；温度分布特征聚合模块140，用于将所述多个温度分布特征矩阵沿着通道维度聚合为温度分布时序输入张量；温度时序变化特征提取模块150，用于将所述温度分布时序输入张量通过包含第二卷积神经网络模型和第三卷积神经网络模型的双管线集成网络以得到温度分布时序特征图；以及，加热控制模块160，用于将所述温度分布时序特征图通过分类器以得到分类结果，所述分类结果用于表示是否停止加热。
36.具体地，在本技术实施例中，所述视频采集模块110，用于获取由热红外摄像头采集的电池包外壳和单体电芯的热红外监控视频。如上所述，目前，废旧动力电池的回收主要依靠人工拆解和粗放式破碎预处理，但这种方法存在诸多缺陷，如拆解难度大、自动化水平低、二次污染严重和资源综合回收效率低等。因此，期望一种优化的新能源汽车电池的拆解系统，以实现动力电池内的电芯安全无损取出，为贵金属资源回收利用提供便利条件，同时降低劳动强度，确保人身安全，为新能源汽车产业的可持续发展提供支撑。
37.相应地，考虑到在新能源汽车电池的拆解过程中，智能化和自动化是发展趋势。在
实际进行电池拆解过程中，需要进行芯壳分离，但是一些电池包外壳与单体电芯紧密粘接，需要通过加热的方式来使得电池包外壳与单体电芯之间的结合强度变低，从而实现新能源汽车电池的拆解。但是，如果加热时间过长，不仅浪费能源，还可能对电池造成损害，甚至造成电池起火或爆炸等安全问题；而如果加热时间过短，则会使得电池包外壳与单体电芯之间的粘合程度较高，难以进行芯壳分离和电池拆解。因此，判断何时结束加热是自动化拆解过程中一个重要的技术难题。
38.基于此，在本技术的技术方案中，期望通过对于电池包外壳和单体电芯的热红外图像进行分析来对于电池包外壳与单体电芯之间的温度分布情况进行检测判断，从而实现加热的精准控制。但是，考虑到由于电池包外壳和单体电芯之间的温度分布信息不仅具有着空间位置上的分布特殊性，还具有着时间维度上的动态关联性。因此，在此过程中，难点在于如何挖掘所述电池包外壳和所述单体电芯之间的温度分布特征在空间维度和时间维度上的隐含关联特征分布信息，以基于电池包外壳和单体电芯之间的实际温度变化情况来实时准确地进行加热控制，从而提高电池拆解的效率和安全性。
39.近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述电池包外壳和所述单体电芯之间的温度分布特征在空间维度和时间维度上的隐含关联特征分布信息提供了新的解决思路和方案。
40.具体地，在本技术的技术方案中，首先，通过热红外摄像头采集电池包外壳和单体电芯的热红外监控视频。应可以理解，考虑到所述电池包外壳和所述单体电芯之间的温度分布情况可以影响所述电池包外壳和所述单体电芯之间的粘合性，因此在实际进行电池拆解过程中，为了保证芯壳分离的效果和效率，需要对于所述电池包外壳和所述单体电芯之间的温度分布情况进行监测。
41.具体地，在本技术实施例中，所述关键帧提取模块120，用于从所述热红外监控视频提取多个热红外监控关键帧。而所述电池包外壳和所述单体电芯之间的温度分布特征可以通过所述热红外监控视频中相邻监控帧之间的差分来表示，也就是，通过相邻图像帧的图像表征来表示所述电池包外壳和所述单体电芯之间的温度分布变化情况。
42.但是，考虑到所述热红外监控视频中相邻帧的差异较小，存在大量数据冗余，因此，为了降低计算量，且避免数据冗余给检测带来的不良影响，以预定采样频率对所述热红外监控视频进行关键帧采样，以从所述热红外监控视频提取多个热红外监控关键帧。这里，值得一提的是，所述采样频率可基于实际场景的应用需求做出调整，而不是默认值。
43.具体地，在本技术实施例中，所述空间特征增强模块130，用于将所述多个热红外监控关键帧分别通过使用空间注意力的第一卷积神经网络模型以得到多个温度分布特征矩阵。然后，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述多个热红外监控关键帧的特征提取，特别地，考虑到在进行所述电池包外壳和所述单体电芯的温度分布情况的监测时，应更加关注于空间位置上关于所述电池包外壳和所述单体电芯之间粘合位置的温度分布特征信息，而忽略其余无关的温度干扰特征。
44.应可以理解，鉴于注意力机制能够选择聚焦位置，产生更具分辨性的特征表示，且加入注意力模块后的特征会随着网络的加深产生适应性的改变。因此，在本技术的技术方案中，将所述多个热红外监控关键帧分别通过使用空间注意力的第一卷积神经网络模型中
进行处理，以提取出所述各个热红外监控关键帧中聚焦于空间上的关于所述电池包外壳和所述单体电芯之间粘合位置的温度分布隐含特征分布信息，从而得到多个温度分布特征矩阵。值得一提的是，这里，所述空间注意力所提取到的图像特征则反映了空间维度特征差异的权重，用来抑制或强化不同空间位置的特征，以此来提取出空间上聚焦于所述电池包外壳和所述单体电芯之间粘合位置的温度分布特征信息。
45.其中，所述空间特征增强模块130，用于：使用空间注意力的第一卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：对输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行非线性激活以生成激活特征图；计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵；计算所述空间特征矩阵中各个位置的类softmax函数值以获得空间得分矩阵；以及，计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得多个特征矩阵；其中，所述使用空间注意力的第一卷积神经网络模型的最后一层输出的所述多个特征矩阵为所述多个温度分布特征矩阵。
46.注意力机制是机器学习中的一种数据处理方法，广泛应用在自然语言处理、图像识别及语音识别等各种不同类型的机器学习任务中。一方面，注意力机制就是希望网络能够自动学出来图片或者文字序列中的需要注意的地方；另一方面，注意力机制通过神经网络的操作生成一个掩码mask。一般来说，空间注意力机制对于同一像素点不同通道求均值，再经过一些卷积和上采样的运算得到空间特征，空间特征每层的像素点就被赋予不同的权重。
47.具体地，在本技术实施例中，所述温度分布特征聚合模块140和所述温度时序变化特征提取模块150，用于将所述多个温度分布特征矩阵沿着通道维度聚合为温度分布时序输入张量；以及，用于将所述温度分布时序输入张量通过包含第二卷积神经网络模型和第三卷积神经网络模型的双管线集成网络以得到温度分布时序特征图。
48.进一步地，考虑到由于随着加热的不断进行，所述电池包外壳和所述单体电芯之间粘合位置的温度分布情况是在不断变化的，也就是说，所述电池包外壳和所述单体电芯之间粘合位置的温度分布特征在时间维度上具有着动态性的变化特征信息。并且，还考虑到由于所述电池包外壳和所述单体电芯之间粘合位置的温度分布特征在不同的时间周期跨度下具有着不同的动态变化规律性。
49.因此，在本技术的技术方案中，为了能够进行所述单体电芯之间聚焦于粘合位置的温度分布特征的时序动态变化特征的充分表达，进一步将所述多个温度分布特征矩阵沿着通道维度聚合为温度分布时序输入张量后，将所述温度分布时序输入张量通过包含第二卷积神经网络模型和第三卷积神经网络模型的双管线集成网络以得到温度分布时序特征图。
50.特别地，这里，所述第二卷积神经网络模型和所述第三卷积神经网络模型使用不同尺度的三维卷积核来进行所述温度分布时序输入张量的特征挖掘，以此来提取出所述电池包外壳和所述单体电芯之间聚焦于粘合位置的温度分布特征在不同时间跨度下的多尺度动态关联特征信息。
51.图3为根据本技术实施例的新能源汽车电池的拆解系统中所述温度时序变化特征提取模块的框图，如图3所示，所述温度时序变化特征提取模块150，包括：第一尺度特征提
取单元151，用于使用所述双管线集成网络的第二卷积神经网络模型的各层在层的正向传递中对所述温度分布时序输入张量进行基于三维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述第二卷积神经网络模型的最后一层的输出为第一尺度温度分布特征图，其中，所述第二卷积神经网络模型具有第一尺度的三维卷积核；第二尺度特征提取单元152，用于使用所述双管线集成网络的第三卷积神经网络模型的各层在层的正向传递中对所述温度分布时序输入张量进行基于三维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述第三卷积神经网络模型的最后一层的输出为第二尺度温度分布特征图，其中，所述第三卷积神经网络模型具有第一尺度的三维卷积核；以及，级联单元153，用于将所述第一尺度温度分布特征图和第二尺度温度分布特征图进行级联以得到所述温度分布时序特征图。
52.卷积神经网络(convolutional neural network，cnn)是一种人工神经网络，在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层，其中，隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等，上一层根据输入的数据进行相应的运算，将运算结果输出给下一层，输入的初始数据经过多层的运算之后得到一个最终的结果。
53.卷积神经网络模型利用卷积核作为特征过滤因子在图像局部特征提取方面具有非常优异的性能表现，且相较于传统的基于统计或者基于特征工程的图像特征提取算法，所述卷积神经网络模型具有更强的特征提取泛化能力和拟合能力。
54.具体地，在本技术实施例中，所述加热控制模块160，用于将所述温度分布时序特征图通过分类器以得到分类结果，所述分类结果用于表示是否停止加热。也就是，在本技术的技术方案中，所述分类器的标签包括停止加热(第一标签)，以及，不停止加热(第二标签)，其中，所述分类器通过softmax分类函数来确定所述分类特征图属于哪个分类标签。
55.值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“是否停止加热”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2 之和为一。因此，是否停止加热的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“是否停止加热”的语言文本意义。应可以理解，在本技术的技术方案中，所述分类器的分类标签为所述是否停止加热的控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来实时准确地进行加热控制，从而提高电池拆解的效率和安全性。
56.图4为根据本技术实施例的新能源汽车电池的拆解系统中所述加热控制模块的框图，如图4所示，所述加热控制模块160，包括：展开单元161，用于将所述温度分布时序特征图按照行向量或列向量展开为分类特征向量；全连接编码单元162，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类单元163，用于将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。
57.进一步地，所述新能源汽车电池的拆解系统，还包括对所述使用空间注意力的第一卷积神经网络模型、所述包含第二卷积神经网络模型和第三卷积神经网络模型的双管线集成网络和所述分类器进行训练的训练模块。图5为根据本技术实施例的新能源汽车电池
的拆解系统中所述训练模块的框图，如图5所示，所述训练模块170，包括：训练数据采集模块171，用于获取训练数据，所述训练数据包括电池包外壳和单体电芯的训练热红外监控视频，以及，所述是否停止加热的真实值；训练关键帧提取模块172，用于从所述训练热红外监控视频提取多个训练热红外监控关键帧；训练空间特征增强模块173，用于将所述多个训练热红外监控关键帧分别通过所述使用空间注意力的第一卷积神经网络模型以得到多个训练温度分布特征矩阵；训练温度分布特征聚合模块174，用于将所述多个训练温度分布特征矩阵沿着通道维度聚合为训练温度分布时序输入张量；训练温度时序变化特征提取模块175，用于将所述训练温度分布时序输入张量通过所述包含第二卷积神经网络模型和第三卷积神经网络模型的双管线集成网络以得到训练温度分布时序特征图；特征优化模块176，用于对所述训练温度分布时序特征图进行通道维度遍历流形式凸优化以得到优化训练温度分布时序特征图；分类损失模块177，用于将所述优化训练温度分布时序特征图通过所述分类器以得到分类损失函数值；以及，模型训练模块178，用于基于所述分类损失函数值并通过梯度下降的反向传播来对所述使用空间注意力的第一卷积神经网络模型、所述包含第二卷积神经网络模型和第三卷积神经网络模型的双管线集成网络和所述分类器进行训练。
58.特别地，在本技术的技术方案中，这里，在将所述温度分布时序输入张量通过包含第二卷积神经网络模型和第三卷积神经网络模型的双管线集成网络得到所述温度分布时序特征图时，由于排列为所述温度分布时序输入张量的所述多个温度分布特征矩阵由使用空间注意力的第一卷积神经网络模型在图像语义的空间维度上进行特征强化，因此所述温度分布时序输入张量的各个特征矩阵之间可能存在较大的特征分布差异。这样，就期望第二卷积神经网络模型和第三卷积神经网络模型得到的所述温度分布时序特征图能够提升整体流形几何连续性，从而提升其通过分类器进行分类回归的收敛效果。
59.基于此，在训练过程中，对于所述温度分布时序特征图，例如记为进行通道维度遍历流形式凸优化，具体表示为：以如下优化公式对所述训练温度分布时序特征图进行通道维度遍历流形式凸优化以得到所述优化训练温度分布时序特征图；
60.其中，所述优化公式为：
61.其中，表示所述训练温度分布时序特征图，表示对特征图进行全局均值池化，和分别为基于所述训练温度分布时序特征图的各个特征矩阵的全局均值组成的全局均值池化向量通过线性变换得到的列向量和行向量，表示矩阵的谱范数，即的最大本征值的平方根，表示所述训练温度分布时序特征图的第个特征矩阵，表示矩阵相乘，表示矩阵的按位置点乘，且为所述优化训练温度分布时序特征图的第个特征矩阵。
62.这里，所述温度分布时序特征图的通道维度遍历流形式凸优化通过结构化调制的特征矩阵的最大分布稠密性方向来确定所述温度分布时序特征图的各个特征矩阵的流形的基维度，并沿所述温度分布时序特征图的通道方向对特征矩阵流形进行遍历，以通过沿通道方向堆叠遍历流形的基维度来约束每个特征矩阵所表示的遍历流形的凸优化连续性，从而实现由优化后的特征矩阵的遍历流形组成的所述温度分布时序特征图的高维特征流形的几何连续性，从而改善所述温度分布时序特征图通过分类器进行分类回归的收敛效果。这样，能够基于电池包外壳和单体电芯之间的实际温度变化情况来实时准确地进行加
热控制，从而提高电池拆解的效率和安全性。
63.进一步地，图6为根据本技术实施例的新能源汽车电池的拆解系统中所述分类损失模块的框图，如图6所示，所述分类损失模块177，包括：训练分类单元1771，用于所述分类器以如下分类公式对所述优化训练温度分布时序特征图进行处理以生成分类结果，其中，所述分类公式为：，其中表示将所述优化训练温度分布时序特征图投影为向量，至为权重矩阵，至表示偏置矩阵；以及，计算单元1772，用于计算所述分类结果与真实值之间的交叉熵值作为所述多个分类损失函数值。
64.综上，基于本技术实施例的新能源汽车电池的拆解系统100被阐明，其获取由热红外摄像头采集的电池包外壳和单体电芯的热红外监控视频；采用基于深度学习的人工智能技术，挖掘所述电池包外壳和所述单体电芯之间的温度分布特征在空间维度和时间维度上的隐含关联特征分布信息，以基于电池包外壳和单体电芯之间的实际温度变化情况来实时准确地进行加热控制，从而提高电池拆解的效率和安全性。
65.如上所述，根据本技术实施例的新能源汽车电池的拆解系统100可以实现在各种终端设备中，例如用于新能源汽车电池的拆解的服务器等。在一个示例中，根据本技术实施例的新能源汽车电池的拆解系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该新能源汽车电池的拆解系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该新能源汽车电池的拆解系统100同样可以是该终端设备的众多硬件模块之一。
66.替换地，在另一示例中，该新能源汽车电池的拆解系统100与该终端设备也可以是分立的设备，并且该新能源汽车电池的拆解系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
67.在本技术的一个实施例中，图7为根据本技术实施例的新能源汽车电池的拆解方法的流程图。图8为根据本技术实施例的新能源汽车电池的拆解方法的系统架构的示意图。如图7和图8所示，根据本技术实施例的新能源汽车电池的拆解方法，其包括：210，获取由热红外摄像头采集的电池包外壳和单体电芯的热红外监控视频；220，从所述热红外监控视频提取多个热红外监控关键帧；230，将所述多个热红外监控关键帧分别通过使用空间注意力的第一卷积神经网络模型以得到多个温度分布特征矩阵；240，将所述多个温度分布特征矩阵沿着通道维度聚合为温度分布时序输入张量；250，将所述温度分布时序输入张量通过包含第二卷积神经网络模型和第三卷积神经网络模型的双管线集成网络以得到温度分布时序特征图；以及，260，将所述温度分布时序特征图通过分类器以得到分类结果，所述分类结果用于表示是否停止加热。
68.本领域技术人员可以理解，上述新能源汽车电池的拆解方法中的各个步骤的具体操作已经在上面图1到图6的新能源汽车电池的拆解系统的描述中得到了详细介绍，并因此，将省略其重复描述。
69.本技术还提供了一种计算机程序产品，所述计算机程序产品包括指令，当所述指令被执行时，以使得装置执行对应于上述方法中的操作。
70.在本技术的一个实施例中，还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述所述方法的计算机程序。
71.应可以理解，本技术的实施例可提供为方法、系统或计算机程序产品。因此，可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
72.本技术实施例的方法、系统和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的装置。
73.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能。
74.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的步骤。
75.以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
76.本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。
77.还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
78.提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
79.最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
80.为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和组合。

技术特征：
1.一种新能源汽车电池的拆解系统，其特征在于，包括：视频采集模块，用于获取由热红外摄像头采集的电池包外壳和单体电芯的热红外监控视频；关键帧提取模块，用于从所述热红外监控视频提取多个热红外监控关键帧；空间特征增强模块，用于将所述多个热红外监控关键帧分别通过使用空间注意力的第一卷积神经网络模型以得到多个温度分布特征矩阵；温度分布特征聚合模块，用于将所述多个温度分布特征矩阵沿着通道维度聚合为温度分布时序输入张量；温度时序变化特征提取模块，用于将所述温度分布时序输入张量通过包含第二卷积神经网络模型和第三卷积神经网络模型的双管线集成网络以得到温度分布时序特征图；加热控制模块，用于将所述温度分布时序特征图通过分类器以得到分类结果，所述分类结果用于表示是否停止加热。2.根据权利要求1所述的新能源汽车电池的拆解系统，其特征在于，所述空间特征增强模块，用于使用空间注意力的第一卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：对输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行非线性激活以生成激活特征图；计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵；计算所述空间特征矩阵中各个位置的类softmax函数值以获得空间得分矩阵；计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得多个特征矩阵；其中，所述使用空间注意力的第一卷积神经网络模型的最后一层输出的所述多个特征矩阵为所述多个温度分布特征矩阵。3.根据权利要求2所述的新能源汽车电池的拆解系统，其特征在于，所述温度时序变化特征提取模块，包括：第一尺度特征提取单元，用于使用所述双管线集成网络的第二卷积神经网络模型的各层在层的正向传递中对所述温度分布时序输入张量进行基于三维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述第二卷积神经网络模型的最后一层的输出为第一尺度温度分布特征图，其中，所述第二卷积神经网络模型具有第一尺度的三维卷积核；第二尺度特征提取单元，用于使用所述双管线集成网络的第三卷积神经网络模型的各层在层的正向传递中对所述温度分布时序输入张量进行基于三维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述第三卷积神经网络模型的最后一层的输出为第二尺度温度分布特征图，其中，所述第三卷积神经网络模型具有第一尺度的三维卷积核；级联单元，用于将所述第一尺度温度分布特征图和第二尺度温度分布特征图进行级联以得到所述温度分布时序特征图。4.根据权利要求3所述的新能源汽车电池的拆解系统，其特征在于，所述加热控制模块，包括：
展开单元，用于将所述温度分布时序特征图按照行向量或列向量展开为分类特征向量；全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；分类单元，用于将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。5.根据权利要求4所述的新能源汽车电池的拆解系统，其特征在于，还包括用于对所述使用空间注意力的第一卷积神经网络模型、所述包含第二卷积神经网络模型和第三卷积神经网络模型的双管线集成网络和所述分类器进行训练的训练模块。6.根据权利要求5所述的新能源汽车电池的拆解系统，其特征在于，所述训练模块，包括：训练数据采集模块，用于获取训练数据，所述训练数据包括电池包外壳和单体电芯的训练热红外监控视频，以及，所述是否停止加热的真实值；训练关键帧提取模块，用于从所述训练热红外监控视频提取多个训练热红外监控关键帧；训练空间特征增强模块，用于将所述多个训练热红外监控关键帧分别通过所述使用空间注意力的第一卷积神经网络模型以得到多个训练温度分布特征矩阵；训练温度分布特征聚合模块，用于将所述多个训练温度分布特征矩阵沿着通道维度聚合为训练温度分布时序输入张量；训练温度时序变化特征提取模块，用于将所述训练温度分布时序输入张量通过所述包含第二卷积神经网络模型和第三卷积神经网络模型的双管线集成网络以得到训练温度分布时序特征图；特征优化模块，用于对所述训练温度分布时序特征图进行通道维度遍历流形式凸优化以得到优化训练温度分布时序特征图；分类损失模块，用于将所述优化训练温度分布时序特征图通过所述分类器以得到分类损失函数值；模型训练模块，用于基于所述分类损失函数值并通过梯度下降的反向传播来对所述使用空间注意力的第一卷积神经网络模型、所述包含第二卷积神经网络模型和第三卷积神经网络模型的双管线集成网络和所述分类器进行训练。7.根据权利要求6所述的新能源汽车电池的拆解系统，其特征在于，所述特征优化模块，用于：以如下优化公式对所述训练温度分布时序特征图进行通道维度遍历流形式凸优化以得到所述优化训练温度分布时序特征图；其中，所述优化公式为：其中，表示所述训练温度分布时序特征图，表示对特征图进行全局均值池化，和分别为基于所述训练温度分布时序特征图的各个特征矩阵的全局均值组成的全局均值池化向量通过线性变换得到的列向量和行向量，表示矩阵的谱范数，表示所述训练温度分布时序特征图的第个特征矩阵，表示矩阵相乘，表示矩阵的按位置点乘，且为所述优化训练温度分布时序特征图的第个特征矩阵。
8.根据权利要求7所述的新能源汽车电池的拆解系统，其特征在于，所述分类损失模块，包括：训练分类单元，用于所述分类器以如下分类公式对所述优化训练温度分布时序特征图进行处理以生成分类结果，其中，所述分类公式为：，其中表示将所述优化训练温度分布时序特征图投影为向量，至为权重矩阵，至表示偏置矩阵；以及计算单元，用于计算所述分类结果与真实值之间的交叉熵值作为所述多个分类损失函数值。9.一种新能源汽车电池的拆解方法，其特征在于，包括：获取由热红外摄像头采集的电池包外壳和单体电芯的热红外监控视频；从所述热红外监控视频提取多个热红外监控关键帧；将所述多个热红外监控关键帧分别通过使用空间注意力的第一卷积神经网络模型以得到多个温度分布特征矩阵；将所述多个温度分布特征矩阵沿着通道维度聚合为温度分布时序输入张量；将所述温度分布时序输入张量通过包含第二卷积神经网络模型和第三卷积神经网络模型的双管线集成网络以得到温度分布时序特征图；将所述温度分布时序特征图通过分类器以得到分类结果，所述分类结果用于表示是否停止加热。10.根据权利要求9所述的新能源汽车电池的拆解方法，其特征在于，将所述多个热红外监控关键帧分别通过使用空间注意力的第一卷积神经网络模型以得到多个温度分布特征矩阵，包括：使用空间注意力的第一卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：对输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行非线性激活以生成激活特征图；计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵；计算所述空间特征矩阵中各个位置的类softmax函数值以获得空间得分矩阵；计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得多个特征矩阵；其中，所述使用空间注意力的第一卷积神经网络模型的最后一层输出的所述多个特征矩阵为所述多个温度分布特征矩阵。

技术总结
一种新能源汽车电池的拆解系统及其方法，其获取由热红外摄像头采集的电池包外壳和单体电芯的热红外监控视频；采用基于深度学习的人工智能技术，挖掘所述电池包外壳和所述单体电芯之间的温度分布特征在空间维度和时间维度上的隐含关联特征分布信息，以基于电池包外壳和单体电芯之间的实际温度变化情况来实时准确地进行加热控制，从而提高电池拆解的效率和安全性。和安全性。和安全性。


技术研发人员：廖志刚 司马忠志 李宏 李斌 谢万程
受保护的技术使用者：赣州吉锐新能源科技股份有限公司
技术研发日：2023.07.28
技术公布日：2023/9/6