结合高光谱和机器学习的无线充电金属异物检测

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%。