科亿科技在锂电、铝电解行业的创新应用，有效解决企业痛点收藏

当前，动力电池、车载电容视觉检测的新需求对传统算法提出巨大挑战，而基于深度学习的检测技术能够提升瑕疵检测的准确率，有效解决企业痛点，护航动力电池、车载电容安全 案例在极耳焊接环节，存在金属碎屑，可能出现于电池表面的任意位置，且金属碎屑颜色与极片料区背景色十分接近。

此外，极耳区域还会出现翻折，其存在任意形状、多种尺度，表面反光等不良情况，导致翻折特征提取困难这些都给传统视觉检测带来很大挑战 传统视觉检测的算法底层逻辑在于，在指定区域找亮度、颜色差异，并据此来判断异物的大小或形状等。

但是针对极耳焊接问题显然传统算法无法解决这一环节的检测痛点，不仅如此，传统算法也无法满足该领域的其他检测需求所以越来越多的工业质检技术用到了深度学习相比于传统算法，深度学习具有准确率高、避免繁琐特征设计等优势。

深度学习主要涉及算力、数据和算法三大维度，其底层逻辑是提供一个深度的神经网络，需要训练的参数多达百万、千万甚至上亿级别，需要大量数据和算力支撑。

科亿科技投入了大量的资源研究深度学习，目前已解决了样本数量、训练等问题，并将其在锂电、超电、铝电解行业全面推广应用，覆盖极片检测、铝塑膜包装检测、卷绕后的极耳翻折检测、电容器外观缺陷检测等科亿科技基于深度学习在锂电池、超电、铝电解视觉检测领域提出四大创新。

 基于小样本深度学习的数据模型，将缺陷样本数量降到十位数科亿科技基于小样本深度学习数据扩充，解决了缺陷数据收集困难，代价大导致缺陷样本少的痛点 简而言之，对于收集到的少量缺陷样本数据，基于GAN网络生成大量可用的样本，另外，结合科亿科技成像经验以及图像处理技术，生成更多的缺陷样本，降低深度学习模型对缺陷样本的依赖。

最终，科亿科技实现仅十位数的样本数量即可训练网络，模型依赖数据量减少至约50张

数据样本自适应扩充训练技术，准确率提升10%扩充训练样本能有效地提升模型检测性能但在电芯产线上，每天产生的产品以万级计量，若对每张产品图像进行数据标注、模型训练成本十分高因此，生产过程中存在大量未标注相关数据的信息未被挖掘，限制检测模型效果。

 科亿科技基于主动学习熵值装袋的采样策略，推荐最具代表性的样本进行人工标注，迅速建立模型，大大缩短了模型训练时间，检测准确率提升约10%。 

自适应迁移技术，大大缩短训练周期，甚至一键迁移当前大多AI独角兽暂时未实现盈利，主因系投入过大如某深度学习项目，需要大量高端人才于生产线上持续收集图片、训练模型、打标签、训练网络、提升网络性能，项目历时长且花费巨大。

而且下一个项目过程中，这种繁杂且投入成本巨大的工序又将重复上演 通过深度学习，科亿科技提出自适应迁移技术，即在训练A模型的过程中，提供足够的信息使得模型能学习到A型号、B型号间的区别和联系，进而将学过A型号的知识迁移至B型号中，实现训练周期的大幅缩短。

搭建AI云训练平台，解决算力痛点以及客户自主训练的问题为解决AI深度学习大量数据模型训练所需的算力问题，科亿科技斥巨资自主搭建AI云训练平台，解决了不同行业、不同客户、不同数据模型同时训练的难题科亿科技会为不同客户分配登录账号，登录账号后，客户根据检测需求，按照操作指引，在已搭建好的数据模型中自行填充数据训练模型。

大大提升了客户对于检测需求的便捷性和实效性

除深度学习以外，科亿科技在3D激光传感器领域也有深入布局。相对传统检测手段，在锂电顶盖及密封钉焊缝焊接效果检测，有质的飞跃。

如动力电池焊接环节，存在电池焊缝反光严重，且表面凹凸不平，反光方向各异等痛点，但相机成像及算法处理等常规视觉检测方案均无法满足需求 科亿科技从3D硬件出发，配合相机高动态反光抑制算法，能够轻松获取清晰的，且反光压制效果好的锂电焊缝图像，很好地解决上述焊接检测痛点。

此外，配合科亿科技锂电焊缝3D检测专用算法，可实现对顶盖及密封钉爆点、针孔、断焊等各种缺陷的稳定检测，解决了传统检测技术无法检测不良深度等痛点。

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。