典型文献
结合高光谱和机器学习的无线充电金属异物检测
文献摘要：
金属异物侵入会造成无线充电系统效率和稳定性降低,并且可能引发安全事故,因此必须进行金属异物检测.针对现有技术存在检测盲区以及无法检测微小异物的问题,提出一种深度学习目标分割与机器学习目标分类相结合的金属异物检测方法.首先采用YOLO v3网络对充电区域RGB图像进行异物目标分割,然后通过支持向量机对各个目标区域对应的高光谱图像进行分类,最后搭建实验平台验证方法的有效性.结果表明,该方法不仅能够检测螺母和回形针等微小金属异物,而且具有检测包裹金属异物的潜能;与仅采用支持向量机进行逐像素检测相比,该方法的检测速度提升了约38.9％.
文献关键词：
无线充电;金属异物检测;电动汽车;高光谱成像;机器学习
中图分类号：
作者姓名：
田勇;周曾鹏;田劲东;胡超
作者机构：
深圳大学物理与光电工程学院 深圳 518060;人工智能与数字经济广东省实验室(深圳)深圳 518060;中兴新能源科技有限公司 深圳 518050
文献出处：
引用格式：
[1]田勇;周曾鹏;田劲东;胡超-.结合高光谱和机器学习的无线充电金属异物检测)[J].电子测量与仪器学报,2022(08):238-247
A类：
B类：
金属异物检测,入会,无线充电系统,系统效率,安全事故,现有技术,技术存在,检测盲区,小异,学习目标,目标分割,目标分类,YOLO,v3,RGB,目标区域,高光谱图像,实验平台,验证方法,螺母,回形针,小金,包裹金,像素,检测速度,电动汽车,高光谱成像
AB值：
0.294888
相似文献
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。
