本發(fā)明涉及鋰電池循環(huán)利用技術(shù)領(lǐng)域，特別是指一種鋰電池梯次利用篩選方法。

背景技術(shù)：

近年來，我國電動汽車行業(yè)發(fā)展速度，在未來兩三年內(nèi)，即會迎來動力鋰電池退役的高峰，而且這些鋰電池總量每年還會呈加速度增長；到2020年，電動車市場存量超過500萬輛，以一輛車平均配備20kwh的鋰電池來估算，約有1億kwh(1000gwh)的鋰離子鋰電池進(jìn)入汽車市場。眾所周知，鋰離子鋰電池中的化學(xué)物質(zhì)及重金屬元素會對環(huán)境造成污染和危害。如何最大限度地回收與梯次利用這些鋰電池的剩余價值，是亟待解決、非常重要的科學(xué)技術(shù)問題。

針對退役的動力鋰電池，有兩種可行的處理方法，一種是直接作為工業(yè)廢品，進(jìn)行報(bào)廢和拆解，提煉其中的原材料，實(shí)現(xiàn)原材料的循環(huán)利用，這方面已經(jīng)有一些國內(nèi)的企業(yè)在進(jìn)行商業(yè)化運(yùn)作；另一種方式，則考慮退役的動力鋰電池，雖然已經(jīng)不滿足汽車的使用條件，但仍然擁有一定的余能，其壽命并未完全終止，可以用在其他領(lǐng)域作為電能的載體使用，從而充分發(fā)揮其剩余價值。顯然后者的梯次利用更能夠發(fā)揮產(chǎn)品的最大價值，實(shí)現(xiàn)循環(huán)經(jīng)濟(jì)的利益最大化，是更為綠色和環(huán)保的途徑。

中國發(fā)明專利cn201310261893.0提出了一種廢舊動力鋰電池梯次利用篩選方法：(1)對廢舊動力鋰電池組進(jìn)行充電，使其荷電狀態(tài)soc為15％～80％；然后拆開鋰電池組，對動力鋰電池組及單體鋰電池外觀進(jìn)行檢查，并記錄；(2)檢測每一只單體鋰電池的開路電壓及內(nèi)阻并記錄，與標(biāo)準(zhǔn)單體鋰電池的開路電壓、內(nèi)阻對比；由測試的電壓、內(nèi)阻根據(jù)標(biāo)準(zhǔn)單體鋰電池充放電曲線，評估廢舊動力鋰電池組單體鋰電池容量；(3)將上述廢舊動力鋰電池單體并聯(lián)，直至其開路電壓基本相同，與并聯(lián)前單體鋰電池的開路電壓對比，并記錄電壓升降情況；然后將廢舊單體鋰電池及標(biāo)準(zhǔn)單體鋰電池在溫度為30℃～55℃條件下擱置3～7天或者室溫下擱置10～30天，檢測其開路電壓及內(nèi)阻，并記錄；標(biāo)準(zhǔn)單體鋰電池做放電循環(huán)測試，以標(biāo)準(zhǔn)單體鋰電池荷電狀態(tài)、容量-電壓曲線、內(nèi)阻作為參考，根據(jù)廢舊動力鋰電池單體開路電壓及內(nèi)阻大小，評估廢舊動力鋰電池單體健康狀態(tài)；(4)根據(jù)以上記錄情況，對比廢舊動力鋰電池單體外觀、開路電壓、內(nèi)阻、電壓降及健康狀態(tài)評估，對廢舊動力鋰電池單體進(jìn)行分級，同一級的鋰電池成組與儲能電網(wǎng)配合使用。

在專利號為cn103901350a的發(fā)明中涉及一種廢舊動力鋰電池二次使用的篩選方法：先通過對鋰電池包整體進(jìn)行充放電，通過測試時bms記錄的數(shù)據(jù)，在放電過程中，選取2-4個soc點(diǎn)，soc數(shù)值在20％-90％之間，讀取各個串聯(lián)單體的電壓；將偏離出大部分鋰電池的電壓值超過5％的鋰電池認(rèn)定為有問題的鋰電池，剩余鋰電池即初步認(rèn)定為健康狀態(tài)鋰電池；測量余下每只鋰電池的內(nèi)阻，通過內(nèi)阻值進(jìn)行第二次篩選，將偏離大部分電芯正常內(nèi)阻20％的電芯剔除，篩選結(jié)束；在剩余鋰電池中，隨機(jī)挑選出10只鋰電池進(jìn)行一次充放電，將10只鋰電池的平均容量，默認(rèn)為所有健康狀態(tài)的鋰電池的容量值。

現(xiàn)有技術(shù)中使用的篩選方法，都或多或少地涉及對鋰電池電參數(shù)即接觸式的測量，比如開路電壓和內(nèi)阻的檢測，需要對電池有充放電的過程；一方面這些參數(shù)的測量可能會引起鋰電池內(nèi)部結(jié)構(gòu)發(fā)生變化和破損，另一方面鋰電池充電和放電過程，更是需要幾個小時才能完成，導(dǎo)致耗費(fèi)的時間、人工成本都比較高，導(dǎo)致商業(yè)化鋰電池的回收與梯次利用的經(jīng)濟(jì)效益受到限制。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題是提供一種鋰電池梯次利用篩選方法，以解決現(xiàn)有技術(shù)所存在的傳統(tǒng)接觸式測量鋰電池容量和內(nèi)阻參數(shù)會對鋰電池造成二次損耗及篩選效率低的問題。

為解決上述技術(shù)問題，本發(fā)明實(shí)施例提供一種鋰電池梯次利用篩選方法，包括：

獲取訓(xùn)練樣本數(shù)據(jù)和訓(xùn)練樣本標(biāo)簽；其中，所述訓(xùn)練樣本數(shù)據(jù)為用于訓(xùn)練的樣本鋰電池的ct圖像，所述訓(xùn)練樣本標(biāo)簽包括：ct圖像對應(yīng)的標(biāo)簽信息，所述標(biāo)簽信息用于標(biāo)識相應(yīng)的用于訓(xùn)練的樣本鋰電池是否能夠梯次利用；

根據(jù)獲取的訓(xùn)練樣本數(shù)據(jù)和訓(xùn)練樣本標(biāo)簽對待訓(xùn)練的分類模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的分類模型；

獲取待測鋰電池的ct圖像，將獲取的待測鋰電池的ct圖像輸入到訓(xùn)練后的分類模型中，由訓(xùn)練后的分類模型輸出所述待測鋰電池是否能夠梯次利用。

進(jìn)一步地，所述獲取訓(xùn)練樣本標(biāo)簽包括：

測量用于訓(xùn)練的樣本鋰電池的容量和內(nèi)阻；

將容量低于第一預(yù)設(shè)閾值和內(nèi)阻高于第二預(yù)設(shè)閾值的樣本鋰電池歸類于不能梯次利用的鋰電池，其他的樣本鋰電池歸類于可梯次利用的鋰電池。

進(jìn)一步地，在根據(jù)獲取的訓(xùn)練樣本數(shù)據(jù)和訓(xùn)練樣本標(biāo)簽對待訓(xùn)練的分類模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的分類模型之前，所述方法還包括：

對獲取的訓(xùn)練樣本數(shù)據(jù)進(jìn)行圖像處理，計(jì)算訓(xùn)練樣本數(shù)據(jù)的對比度值作為特征值；

將計(jì)算得到的訓(xùn)練樣本數(shù)據(jù)的特征值作為待確定的分類模型的輸入。

進(jìn)一步地，所述對比度值包括：每像素對比度、韋伯對比度、均方根對比度、邁克爾遜對比度。

進(jìn)一步地，所述根據(jù)獲取的訓(xùn)練樣本數(shù)據(jù)和訓(xùn)練樣本標(biāo)簽對待訓(xùn)練的分類模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的分類模型包括：

將計(jì)算得到的訓(xùn)練樣本數(shù)據(jù)的特征值作為待確定的分類模型的輸入、獲取的訓(xùn)練樣本標(biāo)簽作為待訓(xùn)練的分類模型的輸出；

利用監(jiān)督學(xué)習(xí)中的神經(jīng)網(wǎng)絡(luò)訓(xùn)練技術(shù)對待訓(xùn)練的分類模型進(jìn)行訓(xùn)練，構(gòu)建基于支持向量機(jī)算法的分類模型。

進(jìn)一步地，所述訓(xùn)練后的分類模型為分類決策平面；

所述將獲取的待測鋰電池的ct圖像輸入到訓(xùn)練后的分類模型中，由訓(xùn)練后的分類模型輸出所述待測鋰電池的類別包括：

將獲取的待測鋰電池的ct圖像輸入到訓(xùn)練后的分類模型中，根據(jù)輸入的待測鋰電池的特征值位于分類決策平面的哪一側(cè)，確定待測鋰電池是否能夠梯次利用。

進(jìn)一步地，在根據(jù)獲取的訓(xùn)練樣本數(shù)據(jù)和訓(xùn)練樣本標(biāo)簽對待訓(xùn)練的分類模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的分類模型之后，所述方法還包括：

獲取測試樣本數(shù)據(jù)和測試樣本標(biāo)簽；其中，所述測試樣本數(shù)據(jù)為用于測試的樣本鋰電池的ct圖像，所述測試樣本標(biāo)簽包括：ct圖像對應(yīng)的標(biāo)簽信息，所述標(biāo)簽信息用于標(biāo)識相應(yīng)的用于測試的樣本鋰電池是否能夠梯次利用；

計(jì)算測試樣本數(shù)據(jù)的對比度值作為特征值；

將計(jì)算得到的測試樣本數(shù)據(jù)的特征值作為訓(xùn)練后的分類模型的輸入；

將訓(xùn)練后的分類模型輸出的預(yù)測標(biāo)簽與獲取的相應(yīng)的測試樣本標(biāo)簽進(jìn)行匹配驗(yàn)證。

進(jìn)一步地，在用機(jī)器學(xué)習(xí)中的神經(jīng)網(wǎng)絡(luò)訓(xùn)練技術(shù)對待訓(xùn)練的分類模型進(jìn)行訓(xùn)練，構(gòu)建基于支持向量機(jī)算法的分類模型之后，所述方法還包括：

采用遺傳算法，對支持向量機(jī)算法中的參數(shù)進(jìn)行優(yōu)化，其中，優(yōu)化的參數(shù)包括：核函數(shù)參數(shù)和誤差懲罰系數(shù)。

本發(fā)明的上述技術(shù)方案的有益效果如下：

上述方案中，獲取訓(xùn)練樣本數(shù)據(jù)和訓(xùn)練樣本標(biāo)簽；其中，所述訓(xùn)練樣本數(shù)據(jù)為用于訓(xùn)練的樣本鋰電池的ct圖像，所述訓(xùn)練樣本標(biāo)簽包括：ct圖像對應(yīng)的標(biāo)簽信息，所述標(biāo)簽信息用于標(biāo)識相應(yīng)的用于訓(xùn)練的樣本鋰電池是否能夠梯次利用；根據(jù)獲取的訓(xùn)練樣本數(shù)據(jù)和訓(xùn)練樣本標(biāo)簽對待訓(xùn)練的分類模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的分類模型；獲取待測鋰電池的ct圖像，將獲取的待測鋰電池的ct圖像輸入到訓(xùn)練后的分類模型中，由訓(xùn)練后的分類模型輸出所述待測鋰電池是否能夠梯次利用。這樣，在確定鋰電池是否可以被梯次利用時，只需要獲取相應(yīng)鋰電池的ct圖像，不需要獲取鋰電池電參數(shù)，從而克服了傳統(tǒng)接觸式測量鋰電池電參數(shù)的不足，屬于無損非接觸式篩選方法，且這種篩選方法無需對鋰電池進(jìn)行充放電過程，縮短了篩選時間，也無需逐個檢測鋰電池的內(nèi)阻，降低了人工成本、從而能夠提高篩選效率。

附圖說明

圖1為本發(fā)明實(shí)施例提供的鋰電池梯次利用篩選方法的流程示意圖；

圖2為本發(fā)明實(shí)施例提供的鋰電池梯次利用篩選方法的詳細(xì)流程示意圖；

圖3為本發(fā)明實(shí)施例提供的機(jī)器學(xué)習(xí)篩選方法的流程示意圖；

具體實(shí)施方式

為使本發(fā)明要解決的技術(shù)問題、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合附圖及具體實(shí)施例進(jìn)行詳細(xì)描述。

本發(fā)明針對現(xiàn)有的傳統(tǒng)接觸式測量鋰電池容量和內(nèi)阻參數(shù)會對鋰電池造成二次損耗及篩選效率低的問題，提供一種鋰電池梯次利用篩選方法。

如圖1所示，本發(fā)明實(shí)施例提供的鋰電池梯次利用篩選方法，包括：

s101，獲取訓(xùn)練樣本數(shù)據(jù)和訓(xùn)練樣本標(biāo)簽；其中，所述訓(xùn)練樣本數(shù)據(jù)為用于訓(xùn)練的樣本鋰電池的計(jì)算機(jī)斷層掃描(computedtomography，ct)圖像，所述訓(xùn)練樣本標(biāo)簽包括：ct圖像對應(yīng)的標(biāo)簽信息，所述標(biāo)簽信息用于標(biāo)識相應(yīng)的用于訓(xùn)練的樣本鋰電池是否能夠梯次利用；

s102，根據(jù)獲取的訓(xùn)練樣本數(shù)據(jù)和訓(xùn)練樣本標(biāo)簽對待訓(xùn)練的分類模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的分類模型；

s103，獲取待測鋰電池的ct圖像，將獲取的待測鋰電池的ct圖像輸入到訓(xùn)練后的分類模型中，由訓(xùn)練后的分類模型輸出所述待測鋰電池是否能夠梯次利用。

本發(fā)明實(shí)施例所述的鋰電池梯次利用篩選方法，獲取訓(xùn)練樣本數(shù)據(jù)和訓(xùn)練樣本標(biāo)簽；其中，所述訓(xùn)練樣本數(shù)據(jù)為用于訓(xùn)練的樣本鋰電池的ct圖像，所述訓(xùn)練樣本標(biāo)簽包括：ct圖像對應(yīng)的標(biāo)簽信息，所述標(biāo)簽信息用于標(biāo)識相應(yīng)的用于訓(xùn)練的樣本鋰電池是否能夠梯次利用；根據(jù)獲取的訓(xùn)練樣本數(shù)據(jù)和訓(xùn)練樣本標(biāo)簽對待訓(xùn)練的分類模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的分類模型；獲取待測鋰電池的ct圖像，將獲取的待測鋰電池的ct圖像輸入到訓(xùn)練后的分類模型中，由訓(xùn)練后的分類模型輸出所述待測鋰電池是否能夠梯次利用。這樣，在確定鋰電池是否可以被梯次利用時，只需要獲取相應(yīng)鋰電池的ct圖像，不需要獲取鋰電池電參數(shù)，從而克服了傳統(tǒng)接觸式測量鋰電池電參數(shù)的不足，屬于無損非接觸式篩選方法，且這種篩選方法無需對鋰電池進(jìn)行充放電過程，縮短了篩選時間，也無需逐個檢測鋰電池的內(nèi)阻，降低了人工成本、從而能夠提高篩選效率。

本實(shí)施例所述的鋰電池梯次利用篩選方法作為一種快速高效、無損非接觸式的新型篩選技術(shù)，具有潛在的商業(yè)化優(yōu)勢，適合企業(yè)的專業(yè)化回收與處理。

本實(shí)施例中，結(jié)合鋰電池失效原因分析，可梯次利用的鋰電池通常比廢棄(不能梯次利用)的鋰電池具有更清晰的內(nèi)部結(jié)構(gòu)，這種清晰的結(jié)構(gòu)信息可以反映在鋰電池的ct圖像中。

本實(shí)施例中，為了得到分類模型，首先需獲取訓(xùn)練樣本數(shù)據(jù)和訓(xùn)練樣本標(biāo)簽，其中，所述訓(xùn)練樣本數(shù)據(jù)為用于訓(xùn)練的樣本鋰電池的ct圖像，所述訓(xùn)練樣本標(biāo)簽包括：ct圖像對應(yīng)的標(biāo)簽信息，所述標(biāo)簽信息用于標(biāo)識相應(yīng)的用于訓(xùn)練的樣本鋰電池是否能夠梯次利用，用于標(biāo)識樣本鋰電池是否能夠梯次利用的標(biāo)簽信息，可以根據(jù)測量得到的樣本鋰電池的容量和內(nèi)阻確定。

本實(shí)施例中，用于訓(xùn)練的樣本鋰電池包括但不限于：廢舊鋰電池，例如，也可是新的鋰電池；本實(shí)施例中，以廢舊鋰電池為例對獲取用于訓(xùn)練的樣本鋰電池的ct圖像和獲取用于訓(xùn)練的樣本鋰電池的標(biāo)簽信息的具體步驟進(jìn)行說明：

收集一定數(shù)量廢舊鋰電池作為用于訓(xùn)練的樣本鋰電池，對這些鋰電池采用光學(xué)掃描得到ct圖像，得到的ct圖像作為訓(xùn)練樣本數(shù)據(jù)；同時測量出這些鋰電池的內(nèi)阻、容量等電參數(shù)，評價出每一個鋰電池是否能夠梯次利用作為機(jī)器學(xué)習(xí)時的訓(xùn)練樣本標(biāo)簽。

機(jī)器學(xué)習(xí)分為監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)兩大類，本實(shí)施例中采用的是監(jiān)督學(xué)習(xí)，監(jiān)督學(xué)習(xí)需要訓(xùn)練樣本數(shù)據(jù)和訓(xùn)練樣本標(biāo)簽，使用的訓(xùn)練樣本數(shù)據(jù)就是掃描廢舊鋰電池獲得的ct圖像；訓(xùn)練樣本標(biāo)簽是指需要事先知道這些用于訓(xùn)練的樣本鋰電池是否能夠梯次利用，這些是否能夠梯次利用的信息被稱為標(biāo)簽，在具體實(shí)施過程中，可以用-1表示鋰電池不能梯次利用，1表示鋰電池可梯次利用。這也是為何叫做監(jiān)督學(xué)習(xí)，意思就是事先已經(jīng)知道鋰電池是否能夠梯次利用，將訓(xùn)練樣本數(shù)據(jù)作為待訓(xùn)練的分類模型的輸入，訓(xùn)練樣本標(biāo)簽作為待訓(xùn)練的分類模型的輸出，用訓(xùn)練樣本數(shù)據(jù)訓(xùn)練待訓(xùn)練的分類模型，然后再用訓(xùn)練好的分類模型，對不知道是否能夠梯次利用的廢舊鋰電池進(jìn)行分類。

在前述鋰電池梯次利用篩選方法的具體實(shí)施方式中，進(jìn)一步地，所述獲取訓(xùn)練樣本標(biāo)簽包括：

測量用于訓(xùn)練的樣本鋰電池的容量和內(nèi)阻；

將容量低于第一預(yù)設(shè)閾值和內(nèi)阻高于第二預(yù)設(shè)閾值的樣本鋰電池歸類于不能梯次利用的鋰電池，其他的樣本鋰電池歸類于可梯次利用的鋰電池。

本實(shí)施例中，傳統(tǒng)的鋰電池分類是對鋰電池逐個進(jìn)行測量內(nèi)阻和容量，內(nèi)阻和容量的測量都需要測量設(shè)備和鋰電池直接接觸，本實(shí)施例所述的鋰電池梯次利用篩選方法只需要一定數(shù)量的訓(xùn)練樣本數(shù)據(jù)(不需測量鋰電池的容量和內(nèi)阻信息)和訓(xùn)練樣本標(biāo)簽(需測量鋰電池的容量和內(nèi)阻信息)來建立分類模型。

分類模型建立好后，不需要測量鋰電池的容量和內(nèi)阻信息就可以將廢舊鋰電池分類，從而克服了傳統(tǒng)接觸式測量鋰電池電參數(shù)的不足，本實(shí)施例所述的鋰電池梯次利用篩選方法屬于無損非接觸式篩選方法。

本實(shí)施例中，測量鋰電池的容量和內(nèi)阻信息，是為了得到用于訓(xùn)練的樣本鋰電池的標(biāo)簽信息，即:每幅ct圖像對應(yīng)的鋰電池是否能夠梯次利用。

本實(shí)施例中，例如，可以將容量低于10％和內(nèi)阻高于200mω歸類于不能梯次利用的鋰電池，其他歸類于可梯次利用的鋰電池。

在前述鋰電池梯次利用篩選方法的具體實(shí)施方式中，進(jìn)一步地，在根據(jù)獲取的訓(xùn)練樣本數(shù)據(jù)和訓(xùn)練樣本標(biāo)簽對待訓(xùn)練的分類模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的分類模型之前，所述方法還包括：

對獲取的訓(xùn)練樣本數(shù)據(jù)進(jìn)行圖像處理，計(jì)算訓(xùn)練樣本數(shù)據(jù)的對比度值作為特征值；

將計(jì)算得到的訓(xùn)練樣本數(shù)據(jù)的特征值作為待確定的分類模型的輸入。

本實(shí)施例中，根據(jù)可梯次利用的和不能梯次利用的鋰電池的ct圖像的明顯差別，可以對獲取的用于訓(xùn)練的樣本鋰電池的ct圖像進(jìn)行處理，計(jì)算訓(xùn)練樣本數(shù)據(jù)的對比度值作為特征值；將計(jì)算得到的訓(xùn)練樣本數(shù)據(jù)的特征值作為待確定的分類模型的輸入。

在前述鋰電池梯次利用篩選方法的具體實(shí)施方式中，進(jìn)一步地，所述對比度值包括：每像素對比度、韋伯對比度、均方根對比度、邁克爾遜對比度。

本實(shí)施例中，所述對比度值可以包括：每像素對比度、韋伯對比度、均方根對比度、邁克爾遜對比度，這些對比度值可以作為智能分類識別的特征向量。

在前述鋰電池梯次利用篩選方法的具體實(shí)施方式中，進(jìn)一步地，所述根據(jù)獲取的訓(xùn)練樣本數(shù)據(jù)和訓(xùn)練樣本標(biāo)簽對待訓(xùn)練的分類模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的分類模型包括：

將計(jì)算得到的訓(xùn)練樣本數(shù)據(jù)的特征值作為待確定的分類模型的輸入、獲取的訓(xùn)練樣本標(biāo)簽作為待訓(xùn)練的分類模型的輸出；

利用監(jiān)督學(xué)習(xí)中的神經(jīng)網(wǎng)絡(luò)訓(xùn)練技術(shù)對待訓(xùn)練的分類模型進(jìn)行訓(xùn)練，構(gòu)建基于支持向量機(jī)算法的分類模型。

本實(shí)施例中，監(jiān)督學(xué)習(xí)就是用已知是否能夠梯次利用的訓(xùn)練樣本數(shù)據(jù)去訓(xùn)練神經(jīng)網(wǎng)絡(luò)以此獲得分類模型，具體的：依據(jù)支持向量機(jī)算法，將計(jì)算得到的訓(xùn)練樣本數(shù)據(jù)的特征值作為待確定的分類模型的輸入、獲取的訓(xùn)練樣本標(biāo)簽作為待訓(xùn)練的分類模型的輸出，利用監(jiān)督學(xué)習(xí)中的神經(jīng)網(wǎng)絡(luò)訓(xùn)練技術(shù)對待訓(xùn)練的分類模型進(jìn)行訓(xùn)練，訓(xùn)練結(jié)束所得到的分類模型即為要求的分類模型。

本實(shí)施例中，采用監(jiān)督學(xué)習(xí)的方法，利用計(jì)算機(jī)處理海量數(shù)據(jù)的學(xué)習(xí)能力和快速準(zhǔn)確的計(jì)算能力，達(dá)到對廢舊鋰電池快速準(zhǔn)確的篩選目的。

在前述鋰電池梯次利用篩選方法的具體實(shí)施方式中，進(jìn)一步地，所述訓(xùn)練后的分類模型為分類決策平面；

所述將獲取的待測鋰電池的ct圖像輸入到訓(xùn)練后的分類模型中，由訓(xùn)練后的分類模型輸出所述待測鋰電池的類別包括：

將獲取的待測鋰電池的ct圖像輸入到訓(xùn)練后的分類模型中，根據(jù)輸入的待測鋰電池的特征值位于分類決策平面的哪一側(cè)，確定待測鋰電池是否能夠梯次利用。

本實(shí)施例中，所述訓(xùn)練后得到的分類模型本質(zhì)上是一個分類決策平面，可以將待測鋰電池按照否能夠梯次利用分離開來，具體的：將獲取的待測鋰電池的ct圖像輸入到訓(xùn)練后的分類模型中，根據(jù)輸入的待測鋰電池的特征值位于分類決策平面的哪一側(cè)，確定待測鋰電池是否能夠梯次利用。

在前述鋰電池梯次利用篩選方法的具體實(shí)施方式中，進(jìn)一步地，在根據(jù)獲取的訓(xùn)練樣本數(shù)據(jù)和訓(xùn)練樣本標(biāo)簽對待訓(xùn)練的分類模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的分類模型之后，所述方法還包括：

獲取測試樣本數(shù)據(jù)和測試樣本標(biāo)簽；其中，所述測試樣本數(shù)據(jù)為用于測試的樣本鋰電池的ct圖像，所述測試樣本標(biāo)簽包括：ct圖像對應(yīng)的標(biāo)簽信息，所述標(biāo)簽信息用于標(biāo)識相應(yīng)的用于測試的樣本鋰電池是否能夠梯次利用；

計(jì)算測試樣本數(shù)據(jù)的對比度值作為特征值；

將計(jì)算得到的測試樣本數(shù)據(jù)的特征值作為訓(xùn)練后的分類模型的輸入；

將訓(xùn)練后的分類模型輸出的預(yù)測標(biāo)簽與獲取的相應(yīng)的測試樣本標(biāo)簽進(jìn)行匹配驗(yàn)證。

本實(shí)施例中，用于測試的樣本鋰電池包括但不限于：廢舊鋰電池，例如，也可是新的鋰電池。

在前述鋰電池梯次利用篩選方法的具體實(shí)施方式中，進(jìn)一步地，在用機(jī)器學(xué)習(xí)中的神經(jīng)網(wǎng)絡(luò)訓(xùn)練技術(shù)對待訓(xùn)練的分類模型進(jìn)行訓(xùn)練，構(gòu)建基于支持向量機(jī)算法的分類模型之后，所述方法還包括：

采用遺傳算法，對支持向量機(jī)算法中的參數(shù)進(jìn)行優(yōu)化，其中，優(yōu)化的參數(shù)包括：核函數(shù)參數(shù)和誤差懲罰系數(shù)。

本實(shí)施例中，還可以對得到的分類模型的參數(shù)進(jìn)行優(yōu)化，具體的：采用遺傳算法，對支持向量機(jī)算法中的核函數(shù)參數(shù)和誤差懲罰系數(shù)進(jìn)行優(yōu)化，提高篩選分類的準(zhǔn)確率，使得分類模型的識別率可以接近90％。

為了更好地理解本發(fā)明實(shí)施例所述的鋰電池梯次利用篩選方法，對本發(fā)明實(shí)施例所述的鋰電池梯次利用篩選方法進(jìn)行詳細(xì)說明，如圖2和圖3所示，本發(fā)明實(shí)施例所述的鋰電池梯次利用篩選方法具體可以包括以下步驟：

步驟1、獲取樣本數(shù)據(jù)(訓(xùn)練樣本數(shù)據(jù)和測試樣本數(shù)據(jù))和樣本標(biāo)簽(訓(xùn)練樣本標(biāo)簽和測試樣本標(biāo)簽)：

1.收集200個不同廠家的18650型號廢舊鋰電池作為樣本鋰電池，用光學(xué)掃描設(shè)備獲取每一個鋰電池的ct圖像，得到200個鋰電池的ct圖像作為樣本數(shù)據(jù)。

2.逐個測量這200個鋰電池的容量、內(nèi)阻參數(shù)，將容量低于10％和內(nèi)阻高于200mω的鋰電池記錄為不能梯次利用的鋰電池，用-1表示，其他記錄為可梯次利用的鋰電池，用1表示，得到樣本標(biāo)簽。

步驟2、對得到的ct圖像進(jìn)行處理，提取特征值信息：

1.ct圖像預(yù)處理：

由于機(jī)器只能對數(shù)據(jù)進(jìn)行操作，因此，掃描得到的ct圖像是無法直接作為機(jī)器識別的內(nèi)容，只能選取ct圖像的某些特征信息，被稱為特征值。由于特征值的計(jì)算需要對圖像像素矩陣進(jìn)行計(jì)算，而獲得的ct圖像可能具有不同程度的白色背景，會對計(jì)算造成很大干擾。因此在使用過程中首先需要去除干擾，即去除大片的白色背景，也就是說，要將ct圖像的白色背景裁切掉，以便于計(jì)算特征值的進(jìn)行。

裁剪白色背景的程序流程如下：

ct圖像是按照矩陣形式存放的，矩陣中的每一個數(shù)據(jù)記錄圖像中該點(diǎn)的像素，可以通過matlab軟件獲取ct圖像的灰度值矩陣即讀取圖像，在matlab軟件中尋找ct圖像的邊界，記錄邊界處像素點(diǎn)位置信息，確定裁剪邊界，使用裁剪函數(shù)完成。

2.計(jì)算特征值：

可梯次利用的鋰電池通常比不能梯次利用的鋰電池具有更清晰的內(nèi)部結(jié)構(gòu)，而對比度是衡量灰度圖像清晰度的主要參數(shù)。目前對于灰度圖像對比度的定義存在不同方法，可以選用多種不同方法定義下的對比度作為特征值，如圖3所示，本實(shí)施例中采用的對比度包括：每像素對比度、韋伯對比度、均方根對比度、邁克爾遜對比度。

接著，對不同方法定義下的對比度進(jìn)行說明：

(1)每像素對比度cpp

每像素對比度定義為當(dāng)前像素和一個相鄰像素環(huán)之間的累計(jì)強(qiáng)度差異：

其中，i＝1:m，j＝1:n；m、n為ct圖像灰度圖像矩陣大??；i(i，j)為第i行第j列像素的灰度值。

在或的邊界情況下，跳過i(x，y)的計(jì)算。

整個圖像的平均cpp是

(2)韋伯對比度cw

韋伯對比度被定義為：

其中，ib是背景的強(qiáng)度值，在本實(shí)施例中背景為白色，故ib等于255。由于ib總是大于或等于i(i，j)，因此|i(i,j)-ib|可以由ib-i(i,j)替代。

整幅圖像的韋伯對比度為：

(3)邁克爾遜對比度cm

將邁克爾遜對比度定義為:

其中，imax(i,j)＝argmaxx∈[i-1,i+1],y∈[j-1,j+1]i(x,y)

imin(x,y)＝argminx∈[i-1,i+1],y∈[j-1,j+1]i(x,y)

整個圖像的平均邁克爾遜對比度為：

(4)均方根對比度定義為：

其中，

計(jì)算特征值的程序流程如下：

讀取ct灰度圖像矩陣，按照不同對比度定義編寫對比度計(jì)算程序，對樣本鋰電池的每一幅圖像按照上面4個對比度定義求取出4個特征值，存放在excel表格中；并用1、-1表示樣本標(biāo)簽，其中，1表示可梯次利用的鋰電池，-1表示不能梯次利用的鋰電池，將樣本數(shù)據(jù)的樣本標(biāo)簽信息存放在excel表格中；這樣，一個鋰電池就得到一組對應(yīng)的記錄：4個對比度參數(shù)和標(biāo)簽信息。

步驟3、使用matlab根據(jù)支持向量機(jī)理論編寫支持向量機(jī)算法程序，用其中150個作為訓(xùn)練分類模型的訓(xùn)練樣本數(shù)據(jù)和訓(xùn)練樣本標(biāo)簽，從excel表格數(shù)據(jù)中讀取這150個所對應(yīng)的對比度參數(shù)和標(biāo)簽信息，對分類模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的分類模型。

步驟4、用剩下的50個作為測試分類模型的測試樣本數(shù)據(jù)和測試樣本標(biāo)簽，測試訓(xùn)練后得到的分類模型，通過訓(xùn)練后得到的分類模型輸出這50個鋰電池的預(yù)測標(biāo)簽；由于事先知道這50個鋰電池的真實(shí)標(biāo)簽(即：測試樣本標(biāo)簽)，將預(yù)測標(biāo)簽和真實(shí)標(biāo)簽進(jìn)行匹配，根據(jù)匹配程度得到分類識別率；如果，此時正確預(yù)測40幅圖像的標(biāo)簽，則此分類模型的分類識別率為80％。

步驟5、對支持向量機(jī)算法中的參數(shù)進(jìn)行優(yōu)化，提高分類識別效果。

支持向量機(jī)算法分類效果主要取決于核函數(shù)參數(shù)gama即γ和誤差懲罰系數(shù)cost即c，尋找最優(yōu)參數(shù)可以大幅提高分類模型效果。采用遺傳算法對支持向量機(jī)中的gama和cost參數(shù)進(jìn)行優(yōu)化。程序流程如下：

1)初始化支持向量機(jī)(supportvectormachine，svm)的參數(shù)，影響支持向量機(jī)分類效果的參數(shù)主要有兩個，即核函數(shù)參數(shù)gamma簡稱γ，以及誤差懲罰系數(shù)cost，簡稱c，確定遺傳算法的初始群體，群體數(shù)量可以選取100，對支持向量機(jī)需要優(yōu)化的兩個參數(shù)(γ和c)進(jìn)行二進(jìn)制編碼得到初始的100個群體，其中，二進(jìn)制編碼碼串的長度根據(jù)要搜索的svm參數(shù)的范圍與精度來確定；

2)設(shè)定遺傳算法的參數(shù)，初始代數(shù)，初始交叉概率，初始變異概率，最大遺傳代數(shù)等；

3)將初始群體解碼后送入svm進(jìn)行訓(xùn)練并計(jì)算個體的適應(yīng)度，適應(yīng)度函數(shù)采用svm分類的正確率；

4)應(yīng)用最優(yōu)保存策略，在進(jìn)行遺傳操作之前先把適應(yīng)度(正確率)最高的個體保存下來，以防止優(yōu)秀基因因遺傳算子操作而丟失，記錄最差個體的序號index；

5)對上述的初始群體進(jìn)行遺傳操作，具體的：選擇算子采用賭輪選擇法，交叉算子采用單點(diǎn)交叉，經(jīng)過遺傳算子操作產(chǎn)生新群體，并用4)保存的適應(yīng)度(正確率)最高的個體替換序號為index的新個體，并最終產(chǎn)生新的群體，然后返回3)進(jìn)行訓(xùn)練；

6)檢查是否滿足算法終止條件：由于分類正確率(適應(yīng)度)本身就是要搜索的結(jié)果，很難作為終止條件，但是當(dāng)連續(xù)幾代最優(yōu)個體的適應(yīng)度接近相等時則認(rèn)為種群不能再進(jìn)化，算法終止；或者把設(shè)定的最大遺傳代數(shù)作為算法的終止條件，當(dāng)滿足上述兩個條件中的任何一個時，則自動終止算法。優(yōu)化以后的分類模型識別率可以接近90％。

需要說明的是，在本文中，諸如第一和第二等之類的關(guān)系術(shù)語僅僅用來將一個實(shí)體或者操作與另一個實(shí)體或操作區(qū)分開來，而不一定要求或者暗示這些實(shí)體或操作之間存在任何這種實(shí)際的關(guān)系或者順序。

以上所述是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明所述原理的前提下，還可以做出若干改進(jìn)和潤飾，這些改進(jìn)和潤飾也應(yīng)視為本發(fā)明的保護(hù)范圍。