本发明属于电池测试方法领域，具体涉及一种电池测试系统和方法。
背景技术：
1、随着电池技术的不断发展，电池逐渐变成为现代生活中必不可少的能源供应方式，电池的性能程度对于设备的正常运行十分重要，将从电池中实时采集的多种数据后进行预处理，通过深度学习模型对数据进行训练和分析后对多种数据进行识别，综合多种数据得到电池性能评估值对电池性能进行分析，提高电池的安全性和可靠性。
2、现有的电池测试方法，虽然在一定程度上实现了电池测试，但传统的电池测试方法主要依赖于经验公式和简单计算，缺乏通过深度学习模型对多种电池瑕疵数据进行分析和识别，缺少综合多种计算数据得到的电池性能综合下降评价值进行电池性能划分。
技术实现思路
1、本发明旨在至少解决现有技术中存在的技术问题之一；为此，本发明提出了一种电池测试系统和方法，用于解决以下技术问题：
2、现有的电池测试方法，虽然在一定程度上实现了电池测试，但传统的电池测试方法主要依赖于经验公式和简单计算，缺乏通过机器学习模型对多种电池瑕疵数据进行分析和识别，缺少综合多种计算数据得到的电池性能综合下降评价值进行电池性能划分。
3、为解决上述问题，本发明的第一方面提供了一种电池测试方法，包括以下步骤：
4、s1：在恒定的温度条件下，从电池中实时获取电流、电压和内阻参数数据；
5、s2：设定一个初始恒定温度值，通过不断加热初始恒定温度数值，记录电池内部电阻值数值最高温度加热值、最低温度加热值；
6、s3：获取电池芯片上的起始内部电阻值、起始温度数值、最高温度加热值和最低温度加热值，将最高时的温度值记为第一电阻温度，最低时的温度值记为第二电阻温度，将第一电阻温度和第二电阻温度的差值、当前温度和初始温度的差值以及初始内阻值联立得到内部电阻校正计算值，在测量放电过程中，初始内阻值和内部电阻校正计算值得到电池内部电阻增加率；
7、s4：通过图像采集设备获取电池的图像数据，识别出电池在使用过程中表面出现的凸起和凹陷瑕疵数据，利用深度学习模型对历史凸起和凹陷瑕疵数据进行训练和分析，根据瑕疵面积和瑕疵深度构建瑕疵因子结合瑕疵数量因子得到电池综合瑕疵值；
8、s5：在相同的温度和时间下，在每次循环中，将电池在充满电的情况下，保持静置状态，检测电池在经过预设静置时间后剩余电量，通过电池初始电量和剩余电量值得到电池静置放电率，根据电池综合瑕疵计算值、电池内部电阻增加率和电池静置放电率结合得到电池性能综合下降评价值，并对电池的性能划分。
9、作为本发明进一步的方案：所述步骤s1，包括以下步骤：
10、从每个电池批次中随机选择总体的百分之六十，作为电池测试样品，在恒定的温度和时间下，通过测量设备测量实验样品的电流、电压和内阻参数数据进行记录；
11、其中，多种测量设备包括电压表、电流钳、内阻仪和温度传感器。
12、作为本发明进一步的方案：所述步骤s2，包括以下步骤：
13、设定一个已知的初始恒定温度作为初始温度值，以2摄氏度的温度间隔增加电池的温度，在每个温度点测量并记录电池的内部电阻值，获取电阻值最大的温度点作为最高温度加热值，电阻值最小的温度点作为最低温度加热值。
14、作为本发明进一步的方案：所述步骤s3中将第一电阻温度和第二电阻温度的差值、当前温度和初始温度的差值以及初始内阻值联立得到内部电阻校正计算值，包括以下步骤：
15、内部电阻校正计算值计算公式：
16、 ，
17、其中，为内部电阻校正计算值，为初始内阻值，为初始温度值，为当前温度值，为内阻值最高时的温度值，为内阻值最低时的温度值，和为电阻温度系数。
18、作为本发明进一步的方案：所述在测量放电过程中，初始内阻值和内部电阻校正计算值得到电池内部电阻增加率，包括以下步骤：
19、电池内部电阻增加率计算公式：
20、 ，
21、其中，为初始内阻值，为第次测量的内阻值，为内部电阻校正计算值,为循环次数，为电池内部电阻增加率。
22、作为本发明进一步的方案：所述步骤s4，包括以下步骤：
23、利用高分辨摄像头捕捉电池表面的图像，获取凸起和凹陷的瑕疵图像，通过人工标注工具划分瑕疵区域的边界，根据图像处理技术将瑕疵区域从电池背景中分离出来，进行图像增强和灰度化处理，将瑕疵区域与电池表面区域的灰度数据值通过设定的灰度值阈值进行分割，从分割后的瑕疵区域中提取面积特征作为训练深度学习模型的输入，使用带有瑕疵区域面积特征的训练数据集对模型进行训练，利用训练好的模型对电池中瑕疵面积占比进行预测，根据比值得到瑕疵面积因子值；
24、通过瑕疵面积和电池总面积比值得到瑕疵面积因子计算公式：
25、 ，
26、其中，为瑕疵面积因子计算值，为图像检测电池瑕疵的面积值，为图像检测电池总面积值；
27、采集图像中瑕疵区域每个像素点与摄像机之间的距离，通过两个摄像机从不同角度拍摄同一位置上的图像，利用视觉差原理计算瑕疵区域深度数据，将经过去噪处理后的瑕疵区域的深度值通过归一化转换到统一的范围进行深度特征提取，对提取的数据进行标注，使用带有标注信息的训练数据集对模型进行训练，通过训练好的深度学习模型预测电池中瑕疵深度占比，通过瑕疵深度和电池总深度比值计算得到瑕疵深度因子值：
28、通过瑕疵深度和电池总深度比值得到瑕疵深度因子计算公式：
29、 ，
30、其中，为瑕疵深度因子计算值，为图像检测电池瑕疵的深度值，为图像检测电池总的深度值；
31、通过瑕疵面积因子和瑕疵深度因子得到瑕疵因子计算公式：
32、 ，
33、其中，为瑕疵因子计算值，为瑕疵面积因子计算值，为瑕疵深度因子计算值，和为相应的权重系数；
34、利用高分辨率相机对电池表面进行拍摄，将图像转换为数字信号后进行去噪和增强对比度处理，通过深度学习模型对处理后图像进行特征提取，对提取的特征进行分类和标注后作为深度学习模型的输入进行训练，通过训练好的深度学习模型计算出各类瑕疵区域的数量，得到瑕疵数量因子值；
35、根据瑕疵因子和瑕疵数量因子得到电池综合瑕疵值计算公式：
36、，
37、其中，为电池综合瑕疵计算值，为瑕疵因子计算值，为瑕疵数量因子值，和为相应的权重系数。
38、作为本发明进一步的方案：步骤s5中通过电池初始电量和剩余电量值得到电池静置放电率，包括以下步骤：
39、电池静置放电率计算公式：
40、 ，
41、其中，为电池静置放电率计算值，为初始电量值，为剩余电量值。
42、作为本发明进一步的方案：所述根据电池综合瑕疵计算值、电池内部电阻增加率和电池静置放电率结合得到电池性能综合下降评价值，并对电池的性能划分，包括以下步骤：
43、电池性能综合下降评价值计算公式：
44、 ，
45、其中，为电池性能综合下降评价值,为电池静置放电率计算值,为电池内部电阻增加率计算值，为电池综合瑕疵计算值,，，分别为数据对应的权重，为0.2，为0.3，为0.5；
46、根据电池性能综合下降评价值对电池的性能进行划分：
47、若0%＜＜20%，则电池的性能为优秀；
48、若20%≤＜40%，则电池的性能为良好；
49、若40%≤＜60%，则电池的性能为一般；
50、若60%≤＜80%，则电池的性能为较差；
51、若80%≤，则电池的性能为很差。
52、本发明的有益效果：
53、本发明通过电池的放电过程中，收集第一电阻温度和第二电阻温度的差值、当前温度和初始温度的差值以及初始电阻值，构建内部电阻校正计算值，实现了提高结果的准确性，结合初始电阻值和内部电阻校正计算值可以得到电池内部电阻增加率，对电池性能的评估具有重要意义；
54、本发明通过图像采集设备获取电池瑕疵区域与电池表面区域的数据，通过构建瑕疵区域的面积、深度结合数量因子与电池表面区域的面积、深度结合数量因子比值根据不同权重得到的电池综合瑕疵值计算值，能够实现评估判断电池的性能；
55、本发明通过电池综合瑕疵计算值、电池内部电阻增加率和电池静置放电率，分别根据在电池中的作用赋予相应的权重，综合得到电池性能综合下降评价值对电池的性能进行分析，实现了多种计算数据结合对电池性能进行全面评估，对于电池的使用具有重要意义。
1.一种电池测试方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种电池测试方法，其特征在于，所述步骤s1，包括以下步骤：
3.根据权利要求1所述的一种电池测试方法，其特征在于，所述步骤s2，包括以下步骤：
4.根据权利要求1所述的一种电池测试方法，其特征在于，所述步骤s3中将第一电阻温度和第二电阻温度的差值、当前温度和初始温度的差值以及初始内阻值联立得到内部电阻校正计算值，包括以下步骤：
5.根据权利要求4所述的一种电池测试方法，其特征在于，所述在测量放电过程中，初始内阻值和内部电阻校正计算值得到电池内部电阻增加率，包括以下步骤：
6.根据权利要求1所述的一种电池测试方法，其特征在于，所述步骤s4，包括以下步骤：
7.根据权利要求1所述的一种电池测试方法，其特征在于，所述步骤s5中通过电池初始电量和剩余电量值得到电池静置放电率，包括以下步骤：
8.根据权利要求1所述的一种电池测试方法，其特征在于，所述根据电池综合瑕疵计算值、电池内部电阻增加率和电池静置放电率结合得到电池性能综合下降评价值，并对电池的性能划分，包括以下步骤：
9.一种电池测试系统，使用如权利要求1-8的任一项所述一种电池测试方法，其特征在于，包括以下模块：
