AI賦能鋰電缺陷檢測！海康機器人深度學習算法展現(xiàn)超群智慧
隨著新能源車需求的持續(xù)增長，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，成為一種主流的電池封裝應(yīng)用。
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)視覺檢測可滿足各工藝環(huán)節(jié)的定位和糾偏應(yīng)用。
而在極片、焊縫、絕緣隔膜等需要檢測表面缺陷的工序中，傳統(tǒng)視覺檢測的精度受缺陷形態(tài)影響，通過針對性調(diào)參后，易消耗過多的內(nèi)部資源，效果可能仍無法達到預(yù)期。因此，對鋰電行業(yè)內(nèi)的缺陷檢測引入深度學習算法，使用一定量缺陷樣本來訓練生成AI模型，讓AI來判斷缺陷和位置，可達到較好的檢測效果。
?？禉C器人VM算法開發(fā)平臺
VM算法開發(fā)平臺作為?？禉C器人的核心智能產(chǎn)品，不僅包含了定位、測量、處理等傳統(tǒng)視覺模塊，更集成圖像分割、字符訓練、圖像分類、目標檢測、圖像檢索、實例分割以及異常檢測等AI算法模塊，可使用VisionTrain對需要用到的AI模塊進行學習訓練。此外，海康機器人與多家企業(yè)合作，基于VM算法開發(fā)平臺，構(gòu)建持續(xù)、高效、開放的生態(tài)合作圈。今天我們就為大家分享四則合作伙伴運用VM圖像分割完成的缺陷檢測案例。
在工藝前段的極片預(yù)分切工序中，會將寬度較長的極片卷按需求分切成多卷窄條極片，同時需要對極片正反面（陰陽極）進行缺陷檢測，缺陷類型包括掉料、破損、折痕、劃痕、凹坑等。極片缺陷檢測
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，同時需準確完成多分類任務(wù)；耗時要求嚴格。 方案 對豐富缺陷形態(tài)的檢出是深度學習的應(yīng)用方向，而針對耗時與分類準確率，通過VM內(nèi)部算法性能上的優(yōu)化，使多分類任務(wù)的耗時大幅下降，同時保證了檢出精度。 VM界面局部檢出效果 在工藝中段的頂蓋焊接環(huán)節(jié)中，需檢測方形電池殼體周圍的激光焊印，如是否存在虛焊、漏焊、斷焊、爆點等缺陷，以評估焊接質(zhì)量。 挑戰(zhàn) 不同的缺陷需要做準確分類；同個物件有三個檢測區(qū)，背景會不斷變化；部分缺陷受大面積的背景特征干擾。例如下圖中的爆點特征，上半部分紅色框內(nèi)為需要檢出的爆點，與而下半部分的焊印與爆點極其相似，需準確區(qū)分。 方案 采用面陣相機配合步進的方式進行檢測，通過深度學習算法，兼容了不同背景的樣本，對于相似缺陷，在標注上賦予忽略以加大采樣，很終能快速準確的獲得缺陷的位置及其類別標簽。 VM界面局部檢出效果 在工藝后段的密封釘焊接環(huán)節(jié)中，會出現(xiàn)焊點、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。需要檢測的區(qū)域包括：焊縫區(qū)，密封釘內(nèi)圈以及清洗區(qū)。 挑戰(zhàn) 缺陷形態(tài)豐富，難以界定其形態(tài)邊緣；檢測區(qū)移動頻繁，缺陷位置具有隨機性；部分小缺陷混雜于焊灰或清洗圈中，需準確識別。 方案 通過?？禉C器人深度學習算法，不僅克服了難點，準確定位缺陷的位置，且在做產(chǎn)線復(fù)制時，AI模型可快速兼容使用，促使項目落地。 VM界面局部檢出效果 鋰電池的藍膜表面會出現(xiàn)不同程度的破損，因此在包裝過程中需一道工序進行缺陷檢測，由于藍膜整體較長，檢出精度要求高，一般使用4K或8K線陣相機采圖，像素長度大于20000，屬于超大分辨率樣本。 挑戰(zhàn) 需檢出個位像素級別的極小缺陷；缺陷與正常的灰塵、凸起反光征基本一致；超大分辨率樣本，對耗時與顯存占用提出挑戰(zhàn)。 方案 針對超大分辨率下的小缺陷樣本，通過內(nèi)部對深度學習網(wǎng)絡(luò)進行性能優(yōu)化；外部二次降采樣，或裁剪外部背景區(qū)域的方法，在去除無效背景區(qū)干擾的同時，進一步提升檢測精度，降低顯存占用和預(yù)測耗時。 VM界面局部檢出效果 通過深度學習算法讓機器擁有“辨別”能力，結(jié)合傳統(tǒng)算法使預(yù)測結(jié)果更具交互性。海康機器人VM算法開發(fā)平臺/SC智能相機系列，搭配VisionTrain深度學習訓練平臺，多種深度學習訓練模式供您靈活使用，助您快速掌握AI能力。
頂蓋焊接缺陷檢測
密封釘焊接 缺陷檢測
絕緣藍膜缺陷檢測
