海康机器人深度学习算法助力AI赋能锂电缺陷检测收藏

随着新能源车需求的持续增长，锂电池在新能源汽车行业的应用前景广阔目前锂电池包括硬壳和软包电池，硬壳则可分为圆柱电池和方形电池其中方形电池凭借其充放电倍率、循环寿命、安全性等方面的优势，成为一种主流的电池封装应用。

方形电池工艺链锂电池工艺链分为前、中、后三段，以方形电池为例，其工艺链中存在大量的质检需求，传统视觉检测可满足各工艺环节的定位和纠偏应用。

而在极片、焊缝、绝缘隔膜等需要检测表面缺陷的工序中，传统视觉检测的精度受缺陷形态影响，通过针对性调参后，易消耗过多的内部资源，效果可能仍无法达到预期因此，对锂电行业内的缺陷检测引入深度学习算法，使用一定量缺陷样本来训练生成AI模型，让AI来判断缺陷和位置，可达到较好的检测效果。

海康机器人VM算法开发平台VM算法开发平台作为海康机器人的核心智能产品，不仅包含了定位、测量、处理等传统视觉模块，更集成图像分割、字符训练、图像分类、目标检测、图像检索、实例分割以及异常检测等AI算法模块，可使用VisionTrain对需要用到的AI模块进行学习训练。

此外，海康机器人与多家企业合作，基于VM算法开发平台，构建持续、高效、开放的生态合作圈今天我们就为大家分享四则合作伙伴运用VM图像分割完成的缺陷检测案例1.极片缺陷检测

在工艺前段的极片预分切工序中，会将宽度较长的极片卷按需求分切成多卷窄条极片，同时需要对极片正反面（阴阳极）进行缺陷检测，缺陷类型包括掉料、破损、折痕、划痕、凹坑等。

挑战：部分划痕与极片灰度值相近，轮廓不明显；缺陷形态丰富，同时需准确完成多分类任务；耗时要求严格方案：对丰富缺陷形态的检出是深度学习的应用方向，而针对耗时与分类准确率，通过VM内部算法性能上的优化，使多分类任务的耗时大幅下降，同时保证了检出精度。

VM界面局部检出效果2.顶盖焊接缺陷检测在工艺中段的顶盖焊接环节中，需检测方形电池壳体周围的激光焊印，如是否存在虚焊、漏焊、断焊、爆点等缺陷，以评估焊接质量挑战：不同的缺陷需要做准确分类；同个物件有三个检测区，背景会不断变化；部分缺陷受大面积的背景特征干扰。

例如下图中的爆点特征，上半部分红色框内为需要检出的爆点，与而下半部分的焊印与爆点极其相似，需准确区分

方案：采用面阵相机配合步进的方式进行检测，通过深度学习算法，兼容了不同背景的样本，对于相似缺陷，在标注上赋予忽略以加大采样，最终能快速精准的获得缺陷的位置及其类别标签。

VM界面局部检出效果3.密封钉焊接缺陷检测在工艺后段的密封钉焊接环节中，会出现焊点、炸焊、漏焊、焊偏的情况，人工目检效率不高，传统调参难以满足检出需求需要检测的区域包括：焊缝区，密封钉内圈以及清洗区

挑战：缺陷形态丰富，难以界定其形态边缘；检测区移动频繁，缺陷位置具有随机性；部分小缺陷混杂于焊灰或清洗圈中，需准确识别方案：通过海康机器人深度学习算法，不仅克服了难点，准确定位缺陷的位置，且在做产线复制时，AI模型可快速兼容使用，促使项目落地。

VM界面局部检出效果4.绝缘蓝膜缺陷检测锂电池的蓝膜表面会出现不同程度的破损，因此在包装过程中需一道工序进行缺陷检测，由于蓝膜整体较长，检出精度要求高，一般使用4K或8K线阵相机采图，像素长度大于20000，属于超大分辨率样本。

挑战：需检出个位像素级别的极小缺陷；缺陷与正常的灰尘、凸起反光征基本一致；超大分辨率样本，对耗时与显存占用提出挑战方案：针对超大分辨率下的小缺陷样本，通过内部对深度学习网络进行性能优化；外部二次降采样，或裁剪外部背景区域的方法，在去除无效背景区干扰的同时，进一步提升检测精度，降低显存占用和预测耗时。

VM界面局部检出效果通过深度学习算法让机器拥有“辨别”能力，结合传统算法使预测结果更具交互性海康机器人VM算法开发平台/SC智能相机系列，搭配VisionTrain深度学习训练平台，多种深度学习训练模式供您灵活使用，助您快速掌握AI能力。

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。