當(dāng)前位置: 首頁(yè) > 新聞資訊 > 行業(yè)資訊 > AI賦能鋰電缺陷檢測(cè)!??禉C(jī)器人深度學(xué)習(xí)算法展現(xiàn)超群智慧

AI賦能鋰電缺陷檢測(cè)!??禉C(jī)器人深度學(xué)習(xí)算法展現(xiàn)超群智慧

        隨著新能源車需求的持續(xù)增長(zhǎng),鋰電池在新能源汽車行業(yè)的應(yīng)用前景廣闊。目前鋰電池包括硬殼和軟包電池,硬殼則可分為圓柱電池和方形電池。其中方形電池憑借其充放電倍率、循環(huán)壽命、安全性等方面的優(yōu)勢(shì),成為一種主流的電池封裝應(yīng)用。

動(dòng)力電池單體封裝.png

方形電池工藝鏈

鋰電池工藝鏈分為前、中、后三段,以方形電池為例,其工藝鏈中存在大量的質(zhì)檢需求,傳統(tǒng)視覺(jué)檢測(cè)可滿足各工藝環(huán)節(jié)的定位和糾偏應(yīng)用。

方形電池工藝鏈.png

       而在極片、焊縫、絕緣隔膜等需要檢測(cè)表面缺陷的工序中,傳統(tǒng)視覺(jué)檢測(cè)的精度受缺陷形態(tài)影響,通過(guò)針對(duì)性調(diào)參后,易消耗過(guò)多的內(nèi)部資源,效果可能仍無(wú)法達(dá)到預(yù)期。因此,對(duì)鋰電行業(yè)內(nèi)的缺陷檢測(cè)引入深度學(xué)習(xí)算法,使用一定量缺陷樣本來(lái)訓(xùn)練生成AI模型,讓AI來(lái)判斷缺陷和位置,可達(dá)到較不不檢測(cè)效果。

??禉C(jī)器人VM算法開(kāi)發(fā)平臺(tái)

??禉C(jī)器人VM算法開(kāi)發(fā)平臺(tái).png

       VM算法開(kāi)發(fā)平臺(tái)作為極片缺陷檢測(cè).png

極片缺陷檢測(cè)

       在工藝前段的極片預(yù)分切工序中,會(huì)將寬度較長(zhǎng)的極片卷按需求分切成多卷窄條極片,同時(shí)需要對(duì)極片正反面(陰陽(yáng)極)進(jìn)行缺陷檢測(cè),缺陷類型包括掉料、破損、折痕、劃痕、凹坑等。

缺陷類型.png

挑戰(zhàn)

部分劃痕與極片灰度值相近,輪廓不明顯;缺陷形態(tài)豐富,同時(shí)需準(zhǔn)確完成多分類任務(wù);耗時(shí)要求嚴(yán)格。


方案

對(duì)豐富缺陷形態(tài)的檢出是深度學(xué)習(xí)的應(yīng)用方向,而針對(duì)耗時(shí)與分類準(zhǔn)確率,通過(guò)VM內(nèi)部算法性能上的優(yōu)化,使多分類任務(wù)的耗時(shí)大幅下降,同時(shí)保證了檢出精度。

VM界面局部檢出效果.png

VM界面局部檢出效果


頂蓋焊接缺陷檢測(cè).png

頂蓋焊接缺陷檢測(cè)

  

在工藝中段的頂蓋焊接環(huán)節(jié)中,需檢測(cè)方形電池殼體周圍的激光焊印,如是否存在虛焊、漏焊、斷焊、爆點(diǎn)等缺陷,以評(píng)估焊接質(zhì)量。

頂蓋焊接環(huán)節(jié).png

挑戰(zhàn)

       不同的缺陷需要做準(zhǔn)確分類;同個(gè)物件有三個(gè)檢測(cè)區(qū),背景會(huì)不斷變化;部分缺陷受大面積的背景特征干擾。例如下圖中的爆點(diǎn)特征,上半部分紅色框內(nèi)為需要檢出的爆點(diǎn),與而下半部分的焊印與爆點(diǎn)極其相似,需準(zhǔn)確區(qū)分。

缺陷區(qū)干擾區(qū).png

方案

     采用面陣相機(jī)配合步進(jìn)的方式進(jìn)行檢測(cè),通過(guò)深度學(xué)習(xí)算法,兼容了不同背景的樣本,對(duì)于相似缺陷,在標(biāo)注上賦予忽略以加大采樣,最終能快速精準(zhǔn)的獲得缺陷的位置及其類別標(biāo)簽。

VM界面局部檢出效果.png

VM界面局部檢出效果


密封釘焊接 缺陷檢測(cè).png

密封釘焊接 缺陷檢測(cè)

在工藝后段的密封釘焊接環(huán)節(jié)中,會(huì)出現(xiàn)焊點(diǎn)、炸焊、漏焊、焊偏的情況,人工目檢效率不高,傳統(tǒng)調(diào)參難以滿足檢出需求。需要檢測(cè)的區(qū)域包括:焊縫區(qū),密封釘內(nèi)圈以及清洗區(qū)。

密封釘焊接環(huán)節(jié).png

挑戰(zhàn)

缺陷形態(tài)豐富,難以界定其形態(tài)邊緣;檢測(cè)區(qū)移動(dòng)頻繁,缺陷位置具有隨機(jī)性;部分小缺陷混雜于焊灰或清洗圈中,需準(zhǔn)確識(shí)別。

方案

通過(guò)??禉C(jī)器人深度學(xué)習(xí)算法,不僅克服了難點(diǎn),準(zhǔn)確定位缺陷的位置,且在做產(chǎn)線復(fù)制時(shí),AI模型可快速兼容使用,促使項(xiàng)目落地。

VM界面局部檢出效果.png

VM界面局部檢出效果

絕緣藍(lán)膜缺陷檢測(cè).png

絕緣藍(lán)膜缺陷檢測(cè)

鋰電池的藍(lán)膜表面會(huì)出現(xiàn)不同程度的破損,因此在包裝過(guò)程中需一道工序進(jìn)行缺陷檢測(cè),由于藍(lán)膜整體較長(zhǎng),檢出精度要求高,一般使用4K或8K線陣相機(jī)采圖,像素長(zhǎng)度大于20000,屬于超大分辨率樣本。

挑戰(zhàn)

需檢出個(gè)位像素級(jí)別的小缺陷;缺陷與正常的灰塵、凸起反光征基本一致;超大分辨率樣本,對(duì)耗時(shí)與顯存占用提出挑戰(zhàn)。

方案

針對(duì)超大分辨率下的小缺陷樣本,通過(guò)內(nèi)部對(duì)深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行性能優(yōu)化;外部二次降采樣,或裁剪外部背景區(qū)域的方法,在去除無(wú)效背景區(qū)干擾的同時(shí),進(jìn)一步提升檢測(cè)精度,降低顯存占用和預(yù)測(cè)耗時(shí)。

VM界面局部檢出效果.png

VM界面局部檢出效果

      通過(guò)深度學(xué)習(xí)算法讓機(jī)器擁有“辨別”能力,結(jié)合傳統(tǒng)算法使預(yù)測(cè)結(jié)果更具交互性。??禉C(jī)器人VM算法開(kāi)發(fā)平臺(tái)/SC智能相機(jī)系列,搭配VisionTrain深度學(xué)習(xí)訓(xùn)練平臺(tái),多種深度學(xué)習(xí)訓(xùn)練模式供您靈活使用,助您快速掌握AI能力。

??禉C(jī)器人VM算法開(kāi)發(fā)平臺(tái)/SC智能相機(jī)系列.png

       廣州艾韋迅科技是??低暺煜碌?a href="http://m.20eng.com/HIKROBOT/" target="_blank" title="??禉C(jī)器人HikRobot??抵悄茏x碼器/工業(yè)相機(jī)">??禉C(jī)器人HikRobot??抵悄茏x碼器/工業(yè)相機(jī)經(jīng)銷商,供應(yīng)??祾呙铇孖D2000、ID3000、ID5000、ID6000等系列全部型號(hào),??低曌x碼器同時(shí)為 為電子、物流、FPD顯示屏、半導(dǎo)體、汽車制造等領(lǐng)域提供專業(yè)機(jī)器視覺(jué)解決方案,???a href="http://m.20eng.com/tiaoma_dutou/" target="_blank" >工業(yè)讀碼器助力用戶快速準(zhǔn)確實(shí)現(xiàn)工業(yè)自動(dòng)化。