我們可以做到什么優(yōu)勢(shì)：

• 提升檢測(cè)精度

  精確的檢測(cè)算法
  確保良品率高于99.5%
  保障產(chǎn)線穩(wěn)定
  穩(wěn)定提升檢測(cè)精度

• 提高生產(chǎn)效率

  助力工廠實(shí)現(xiàn)產(chǎn)線全自動(dòng)化
  全天候不停機(jī)生產(chǎn)
  提高生產(chǎn)效率
  
  

• 降低生產(chǎn)成本

  優(yōu)化作業(yè)流程
  提升生產(chǎn)效率
  縮短投資回報(bào)周期
  柔性應(yīng)對(duì)生產(chǎn)需求

• 行業(yè)定制化部署

  根據(jù)不同的生產(chǎn)環(huán)境及生產(chǎn)方式
  適配定制化解決方案
  打造自動(dòng)化智慧工廠
  
  

隨著新能源車(chē)需求的持續(xù)增長(zhǎng)，鋰電池在新能源汽車(chē)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。

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。

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)到較好的檢測(cè)效果。

?？禉C(jī)器人VM算法開(kāi)發(fā)平臺(tái)

VM算法開(kāi)發(fā)平臺(tái)作為?？禉C(jī)器人的核心智能產(chǎn)品，不僅包含了定位、測(cè)量、處理等傳統(tǒng)視覺(jué)模塊，更集成圖像分割、字符訓(xùn)練、圖像分類、目標(biāo)檢測(cè)、圖像檢索、實(shí)例分割以及異常檢測(cè)等AI算法模塊，可使用VisionTrain對(duì)需要用到的AI模塊進(jìn)行學(xué)習(xí)訓(xùn)練。此外，?？禉C(jī)器人與多家企業(yè)合作，基于VM算法開(kāi)發(fā)平臺(tái)，構(gòu)建持續(xù)、高效、開(kāi)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(yùn)用VM圖像分割完成的缺陷檢測(cè)案例。

1.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。

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

2.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?chē)募す夂赣?，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。

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。

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

3.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)。

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

4.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(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

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。