买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉上海谦煜光电科技有限公司申请的专利基于电池返修的电池串缺陷图像处理方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN118657723B 。

龙图腾网通过国家知识产权局官网在2025-06-06发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202410702654.2，技术领域涉及：G06T7/00；该发明授权基于电池返修的电池串缺陷图像处理方法及系统是由温英光设计研发完成，并于2024-05-31向国家知识产权局提交的专利申请。

本基于电池返修的电池串缺陷图像处理方法及系统在说明书摘要公布了：本发明属于图像处理领域，尤其涉及一种基于电池返修的电池串缺陷图像处理方法及系统，该方法首先收集电池串历史检测图像，经增强预处理和阈值分割，构建缺陷检测训练集；其次，基于YOLOv7轻型网络构建轻量型缺陷检测模型，训练后用于实时检测电池串缺陷，包括缺陷位置、类型及损坏程度；第三，构建电池串综合评估模型，结合缺陷信息与物理数据，评估电池串整体损坏程度；最后，通过自然语言模型生成检修策略报告，并实时展示于交互界面，辅助技术员精准检修；本发明实现了电池串缺陷的快速识别与综合评估，提高了检修效率和准确性，对电池返修领域具有显著应用价值。

本发明授权基于电池返修的电池串缺陷图像处理方法及系统在权利要求书中公布了：1.基于电池返修的电池串缺陷图像处理方法，其特征在于，包括：步骤S1：收集电池串历史检测图像数据，并对采集的图像数据进行增强预处理，获得预处理后的缺陷检测数据集，引入阈值分割算法，对预处理后的缺陷检测数据集中每个图像的检测目标和背景进行分割，并对分割后的检测目标和背景进行标注，获得缺陷检测训练集；步骤S2：基于YOLOv7轻型网络构建轻量型缺陷检测模型，将分割并标注后的缺陷检测训练集输入到构建的轻量型缺陷检测模型进行训练，获得训练完成的轻量型缺陷检测模型；步骤S3：实时采集电池串图像数据，将采集的数据集输入到训练完成的轻量型缺陷检测模型，获取每一个电池串的缺陷锚框、缺陷类型、缺陷位置和每个锚框缺陷损坏程度得分；步骤S4：构建电池串综合评估模型，将输出的缺陷类型、每个锚框缺陷损坏程度得分和收集的每个电池串物理数据输入到电池串综合评估模型，计算得到每个电池串损坏程度综合评估得分；步骤S5：根据获取的缺陷类型，缺陷位置和电池串损坏程度综合评估得分，通过自然语言模型生成对应电池串检修策略报告，并将生成的检修策略报告通过交互界面显示；所述步骤S2中轻量型缺陷检测模型的构建与训练过程包括：S201、将标注后的缺陷检测训练集进行切片处理得到大小为640×640×3的输入图像序列，将切片后的输入图像序列依次输入到骨干层的CBS-k3s1c64子层1、CBS-k3s1c64子层2和CBS-k3s2c128子层3，进行初步的特征提取，获取初级图像提取特征，将获取的初级特征依次输入到骨干层内的ELAN子层1、ELAN-CA子层2、MPConv子层2、ELAN子层3、MPConv子层3和SPPCSPC_A子层中进行深度特征提取，获取高维图像输出特征3；S202、将SPPCSPC_A子层输出的高维特征3输入到瓶颈层中的GSConv子层1进行降维处理，将降维后的高维特征3依次输入到瓶颈层1中的CBS-k3s1c64子层1和上采样子层1中，获取高维特征4，并将高维特征4与经过GSConv子层2降维后ELAN子层3输出的高维特征2，同时输入到瓶颈层1中的级联子层2中进行级联操作，获取高维融合特征1；S203、将获取的高维融合特征1依次输入到瓶颈层1中的ELAN-CA子层2、GSConv子层4、上采样子层2，获得高维特征5，并将获得的高维特征5与经过GSConv子层3降维后的ELAN-CA子层2输出的高维特征1，同时输入到级联子层1中进行级联操作，获取高维融合特征2；S204、将获取高维融合特征2依次输入到瓶颈层2中的ELAN-CA子层1，获取高维特征6，将获取的高维特征6先输入到预测层中的CBS-k3s1c64子层1获得CBS-k3s1c64子层1的输出，再将CBS-k3s1c64子层1的输出输入到Yolo预测头1内，获取对应电池串图像中的缺陷锚框和锚框回归误差，同时将高维特征6输入到GSConv子层5内，获取高维特征7，并将获取的高维特征7与瓶颈层1中ELAN-CA子层2输出的高维特征8，同时输入到瓶颈层2中的级联子层3，获取高维融合特征3；所述步骤S2中轻量型缺陷检测模型的构建与训练过程还包括：S205、将获取的高维融合特征3输入到瓶颈层2中的ELAN-CA子层3，获取高维特征9，将获取的高维特征9先输入到预测层中的CBS-k3s1c64子层2，获得CBS-k3s1c64子层2的输出，再将CBS-k3s1c64子层2的输出输入到Yolo预测头2内计算得到对应缺陷框的缺陷类型和分类误差，并将预测层中的CBS-k3s1c64子层1和CBS-k3s1c64子层2输出的高维特征级联后输入到Yolo预测头4，计算得到对应缺陷锚框的缺陷位置和位置误差；S206、将高维特征9输入到瓶颈层2中的GSConv子层6进行降维，并将降维后的高维特征9与降维后的高维特征3同时输入到级联子层4，获取高维融合特征4，将获取的高维融合特征4先输入到预测层中的CBS-k3s2c128子层3，获得CBS-k3s2c128子层3的输出，再将CBS-k3s2c128子层3的输出输入到Yolo预测头3，计算得到每个锚框缺陷损坏程度得分和得分误差；S207、设置训练周期，并利用锚框回归误差、分类误差、位置误差和得分误差计算得综合损失误差，利用设置的周期和综合损失误差进行训练，获取训练完成的轻量型缺陷检测模型。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人上海谦煜光电科技有限公司，其通讯地址为：201100 上海市闵行区剑川路940号B幢3层；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。