典型文献
基于气液逸出物图像识别的锂离子电池火灾早期预警
文献摘要：
锂离子电池在事故条件(过充、短路等)下会在安全阀处喷出气液逸出物,其中包含大量可见的白色汽化电解液以及部分无色气体,有效识别白色汽化电解液并发出预警可大大降低储能电站火灾甚至爆炸的风险.为此,提出了一种基于气液逸出物图像识别的锂离子电池火灾早期预警方法.以YOLOv3算法为基础,同时考虑到锂离子电池储能舱快速、精确识别的安全性需求,将算法中的原始Darknet53特征提取网络替换成轻量级ReXNet特征提取网络;此外,利用K-means聚类算法得到适宜的初始化锚框,加快模型的收敛速度,并结合路径聚合网络进行多尺度特征融合提升模型的检测精度,使模型对大目标和小目标均能达到良好的识别效果.实验结果显示:该方法在对实际锂离子电池储能舱汽化电解液进行识别时表现出了良好的效果,在GTX1650显卡上测试的模型预测速度可以达到每秒65帧,平均精确度均值达到83.65％,基本满足实际应用需要.研究结果对于进一步提升锂离子电池储能电站的安全性及推动电化学储能的健康发展具有一定的参考价值.
文献关键词：
锂离子电池;目标检测;多尺度特征融合;ReXNet;汽化电解液;储能电站;火灾
中图分类号：
作者姓名：
唐文杰;姜欣;刘昊琰;金阳
作者机构：
郑州大学电气工程学院,郑州450001
文献出处：
引用格式：
[1]唐文杰;姜欣;刘昊琰;金阳-.基于气液逸出物图像识别的锂离子电池火灾早期预警)[J].高电压技术,2022(08):3295-3304
A类：
ReXNet,GTX1650
B类：
气液,逸出物,图像识别,池火灾,早期预警,过充,短路,安全阀,喷出,出气,汽化电解液,无色,大大降低,预警方法,YOLOv3,锂离子电池储能,储能舱,精确识别,性需求,Darknet53,特征提取网络,替换成,轻量级,means,聚类算法,初始化,锚框,收敛速度,结合路径,路径聚合网络,多尺度特征融合,融合提升,检测精度,大目标,小目标,显卡,测速,每秒,电池储能电站,电化学储能,目标检测
AB值：
0.272187
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
