本申请涉及电动车辆换电，具体涉及一种电动车辆换电方法、系统及换电站。
背景技术：
1、电动车辆的换电技术由于可以在很短的时间完成动力电池的更换，是目前是各家车企主要发展方向之一。动力电池更换通常是在换电站完成，用户将亏电的电动车辆开到换电站，换电装置自动将亏电电池拆下，再装上充满电量的替换电池。由于动力电池一般安装在汽车底部，在行驶过程中偶尔会与道路上的小型障碍物发生剐蹭、碰撞等，造成动力电池破损，导致电池在充放电过程中发生自燃现象，危及人身安全的同时还造成巨大的经济损失。因此，换电过程中需要对电池外观进行检测，以保证流入换电站动力电池包的安全性。
2、目前换电站对电池的探伤检测方法有两种，一是人工检测，当动力电池从车辆拆下后，站务人员对电池包进行人工质检。二是利用深度学习算法训练的模型对电池进行检测，该方法通过收集电池包破损样本训练ai模型，利用算法判断电池包是否完好。但上述两种方法均存在不足之处，前者企业需要付出较高昂的报酬雇佣专业的站务人员，其虽能根据经验识别出动力电池是否存在缺陷，但不可避免地会由于视觉疲劳等因素导致漏检、错检的发生，并且人工检测耗时长，拉长了换电周期，影响车主的使用体验。后者的ai模型检测效果的好坏主要基于模型学习时的样本输入量，在现实中由于动力电池的表面损伤的发生频率较低，故缺陷样本的输入量不大，若仅通过现有的ai模型进行检测，得到的检测结果准确度低。
技术实现思路
1、针对上述技术问题，本发明提供一种电动车辆换电方法、系统及换电站，通过使用基于学习负样本获得的第一检测模型和基于学习正样本获得的第二检测模型对电池的外表面进行检测，相较于背景技术所述现有的两种检测方案，有效的提高了检测准确度，降低了成本，提升了车主的使用体验。
2、为实现上述目的，本发明提供了一种电动车辆换电方法，包括以下步骤：
3、在电动车辆的换电站获取所述电动车辆的电池的图像分析数据；
4、使用基于异常电池样本图像训练得到的第一检测模型对所述图像分析数据进行分析，以判断所述电池的外表面是否存在预设类型的表面缺陷；
5、若所述电池的外表面不存在所述表面缺陷，则使用基于正常电池样本图像训练得到的第二检测模型对所述图像分析数据进行分析，以判断所述图像分析数据是否存在预设类型的表面差异；
6、若所述图像分析数据不存在所述表面差异，则对所述电动车辆的电池进行更换。
7、可选地，所述获取所述电动车辆电池的图像分析数据，包括：
8、从预设的多个角度拍摄所述电池以获取所述电池的原始图像数据；
9、判断所述原始图像数据中预设类型的图像参数是否处于预设的图像参数阈值范围内，若是，则将所述原始图像数据直接确定为所述图像分析数据；若否，则使用配置有图像处理功能的图像优化模型对所述原始图像数据进行优化处理，将经过优化处理后的原始图像数据确定为所述图像分析数据。
10、可选地，所述使用基于异常电池样本图像训练得到的第一检测模型对所述图像分析数据进行分析，包括：
11、根据所述图像分析数据判断所述电池的外表面的破损程度所处的警戒级别为所述第一警戒级别、所述第二警戒级别或所述第三警戒级别，其中所述第一警戒级别、第二警戒级别及所述第三警戒级别对应的破损程度依次降低。
12、可选地，所述根据所述图像分析数据判断所述电池的外表面的破损程度所处的警戒级别为所述第一警戒级别、所述第二警戒级别或所述第三警戒级别，包括：
13、若所述图像分析数据对应的破损程度为所述第一警戒级别，则将所述电池转移到所述换电站的隔离区；
14、若所述图像分析数据对应的破损程度为所述第二警戒级别，则将所述电池转移到所述换电站的待检测区；
15、若所述图像分析数据对应的破损程度为所述第三警戒级别，则标记所述电池，并将标记的所述电池转移到所述换电站的待充电区。
16、可选地，所述使用基于异常电池样本图像训练得到的第一检测模型对所述图像分析数据进行分析，还包括：
17、将预设类型的电池鼓包图像、电池损伤图像及电池穿孔图像作为所述异常电池样本图像对所述第一检测模型进行训练，以将所述第一检测模型配置为用于在所述电池对应的图像分析数据中识别出预设类型的表面缺陷；
18、若所述电池的外表面存在所述表面缺陷，则使用用于标记所述表面缺陷的第一目标框框选所述图像分析数据中的所述电池的表面缺陷及其所在的位置。
19、可选地，所述使用基于正常电池样本图像训练得到的第二检测模型对所述图像分析数据进行分析，包括：
20、将原厂电池图像作为所述正常电池样本图像对所述第二检测模型进行训练，以将所述第二检测模型配置为用于在所述电池对应的图像分析数据中识别出预设类型的表面差异；
21、若所述图像分析数据存在所述表面差异，则使用用于标记所述表面缺陷的第二目标框框选所述图像分析数据中的所述电池的表面差异及其所在的位置。
22、可选地，所述对所述电动车辆的电池进行更换之前，包括：
23、将标记有所述第一目标框或所述第二目标框的所述图像分析数据上传至服务端。
24、可选地，所述在电动车辆的换电站获取所述电动车辆的电池的图像分析数据之前，包括：
25、使用预设的深度学习框架分别基于所述异常电池样本图像及所述正常电池样本图像进行训练，以分别获得第一格式的所述第一检测模型和所述第二检测模型；
26、将所述第一格式的所述第一检测模型及所述第二检测模型转换为演算速度大于所述第一格式的第二格式。
27、一种电动车辆换电系统，所述系统包括：
28、摄像装置，用于在电动车辆的换电站获取所述电动车辆的电池的图像分析数据；
29、电池检测装置，用于使用基于异常电池样本图像训练得到的第一检测模型对所述图像分析数据进行分析，以判断所述电池的外表面是否存在预设类型的表面缺陷，若所述电池的外表面不存在所述表面缺陷，则使用基于正常电池样本图像训练得到的第二检测模型对所述图像分析数据进行分析，以判断所述图像分析数据是否存在预设类型的表面差异；
30、换电装置，用于在所述图像分析数据不存在所述表面差异时，对所述电动车辆的电池进行更换。
31、本发明还提供了一种换电站，包括如上所述的电动车辆换电系统。
32、本发明相较于使用传统的人工检测，提高了工作效率，减少了人工费用的支出，避免了人工检测可能造成错检、漏检的现象，提升了车主的使用体验。此外，通过第一检测模型与第二检测模型的协作配合，相较于现有的ai模型检测，有效提高了检测准确度。
1.一种电动车辆换电方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述获取所述电动车辆电池的图像分析数据，包括：
3.根据权利要求1所述的方法，其特征在于，所述使用基于异常电池样本图像训练得到的第一检测模型对所述图像分析数据进行分析，包括：
4.根据权利要求3所述的方法，其特征在于，所述根据所述图像分析数据判断所述电池的外表面的破损程度所处的警戒级别为所述第一警戒级别、所述第二警戒级别或所述第三警戒级别，包括：
5.根据权利要求1所述的方法，其特征在于，所述使用基于异常电池样本图像训练得到的第一检测模型对所述图像分析数据进行分析，还包括：
6.根据权利要求5所述的方法，其特征在于，所述使用基于正常电池样本图像训练得到的第二检测模型对所述图像分析数据进行分析，包括：
7.根据权利要求6所述的方法，其特征在于，所述对所述电动车辆的电池进行更换之前，包括：
8.根据权利要求1所述的方法，其特征在于，所述在电动车辆的换电站获取所述电动车辆的电池的图像分析数据之前，包括：
9.一种电动车辆换电系统，其特征在于，所述系统包括：
10.一种换电站，其特征在于，包括如权利要求9所述的电动车辆换电系统。
