高精度針孔檢測設備
More >>
您所在的位置：精質視覺 > 新聞中心>深度學習算法助力AI賦能鋰電缺陷檢測
2023-01-14 15:40:52 精質視覺
隨著新能源車需求的持續增長，鋰電池在新能源汽車行業的應用前景廣闊。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、循環壽命、安全性等方面的優勢，成為一種主流的電池封裝應用。
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檢需求，傳統視覺檢測可滿足各工藝環節的定位和糾偏應用。
而在極片、焊縫、絕緣隔膜等需要檢測表面缺陷的工序中，傳統視覺檢測的精度受缺陷形態影響，通過針對性調參后，易消耗過多的內部資源，效果可能仍無法達到預期。因此，對鋰電行業內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。
算法開發平臺
算法開發平臺作為的核心智能產品，不僅包含了定位、測量、處理等傳統視覺模塊，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，可使用對需要用到的AI模塊進行學習訓練。此外，與多家企業合作，基于算法開發平臺，構建持續、高效、開放的生態合作圈。今天我們就為大家分享四則合作伙伴運用圖像分割完成的缺陷檢測案例。
1.極片缺陷檢測
在工藝前段的極片預分切工序中，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。
挑戰：部分劃痕與極片灰度值相近，輪廓不明顯;缺陷形態豐富，同時需準確完成多分類任務;耗時要求嚴格。
方案：對豐富缺陷形態的檢出是深度學習的應用方向，而針對耗時與分類準確率，通過內部算法性能上的優化，使多分類任務的耗時大幅下降，同時保證了檢出精度。
界面局部檢出效果
2.頂蓋焊接缺陷檢測
在工藝中段的頂蓋焊接環節中，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，以評估焊接質量。
挑戰：不同的缺陷需要做準確分類;同個物件有三個檢測區，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，最終能快速精準的獲得缺陷的位置及其類別標簽。
界面局部檢出效果
3.密封釘焊接缺陷檢測
在工藝后段的密封釘焊接環節中，會出現焊點、炸焊、漏焊、焊偏的情況，人工目檢效率不高，傳統調參難以滿足檢出需求。需要檢測的區域包括：焊縫區，密封釘內圈以及清洗區。
挑戰：缺陷形態豐富，難以界定其形態邊緣;檢測區移動頻繁，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，且在做產線復制時，AI模型可快速兼容使用，促使項目落地。
界面局部檢出效果
4.絕緣藍膜缺陷檢測
鋰電池的藍膜表面會出現不同程度的破損，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：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。
方案：針對超大分辨率下的小缺陷樣本，通過內部對深度學習網絡進行性能優化;外部二次降采樣，或裁剪外部背景區域的方法，在去除無效背景區干擾的同時，進一步提升檢測精度，降低顯存占用和預測耗時。
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，結合傳統算法使預測結果更具交互性。算法開發平臺/SC智能相機系列，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。
