基于机器学习的电动汽车无线充电异物目标检测方法

摘要：

生物体和金属异物存在于发射线圈附近时,影响电动汽车无线充电系统的传输功率、传输效率,造成安全事故,线圈电路检测、超声波/雷达检测、图像特征检测等目前常见检测方法存在不足.文中研究并设计了一套基于机器学习的异物目标检测算法,并应用在电动汽车无线充电安全运行中,可及时对事故做出预警和处理.该系统由图像采集模块、无线传输模块、云平台和服务器四大部分组成,通过摄像头对充电过程中可能混入的猫、狗生物体,以及易拉罐、螺丝钉、硬币金属异物进行图像采集,无线传输到云平台服务器上,利用深度学习的YOLOv5训练模型检测区域内是否存在异物,检测结果发送给充电控制器和用户.实验结果表明:YOLOv5在测试集上经过1000次迭代训练后,检测精度达到0.8559,召回率达到0.9981,速度达到62 FPS;在实际复杂的充电环境下,对不同光照条件、不同停车位地面、不同尺寸的5个类别异物进行推理测试,具有较高的检测精度和适应性,满足目标检测的高效性要求,为实现车辆充电安全提供了重要保障.

关键词：电动汽车、无线充电、充电安全、异物检测、目标检测、机器学习、YOLOv5模型

所属期刊栏目：46

分类号：TN02-34(一般性问题)

资助基金：广东省教育厅科研项目;广东省教育厅科研项目

在线出版日期：2023-07-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：43-48