我们可以做到什么优势：

• 提升检测精度

  精确的检测算法
  确保良品率高于99.5%
  保障产线稳定
  稳定提升检测精度

• 提高生产效率

  助力工厂实现产线全自动化
  全天候不停机生产
  提高生产效率
  
  

• 降低生产成本

  优化作业流程
  提升生产效率
  缩短投资回报周期
  柔性应对生产需求

• 行业定制化部署

  根据不同的生产环境及生产方式
  适配定制化解决方案
  打造自动化智慧工厂
  
  

近年来，随着我国新能源汽车市场的爆发，动力电池需求不断增长。在电池预焊、周边焊、密封钉焊接、顶盖焊接等环节，焊缝容易出现炸焊、断焊、爆点、针孔、偏光等缺陷。这些缺陷严重影响动力电池的品质，产生安全隐患，焊接过程中缺陷的检测和预防变得越来越重要。锂电池性能和品质的提升，不仅需要在材料和设计上不断突破，也需要在生产制造的工艺及设备上持续创新和改进。

机器视觉作为自动化设备的“眼睛”和“大脑”，将视觉检测引入到检测设备中已经成为主流趋势。图像处理系统的引入，将推动自动化设备向智能化方向转型，推进动力电池向高容量、高安全性、高品质以及低成本方向发展。面对当前市场环境，果博在软件、硬件和算法方面不断进行技术研发和产品优化，以为锂电行业客户提供更好的产品和服务。

（一）算法创新

（1）异源数据融合的缺陷检测方案

3D相机在图像采集过程中，不仅可以获得2D灰度图像信息，也可以获得3D高度图像信息。如何将两者结合起来，解决焊接过程中的缺陷检测和分类，果博一直进行算法探索和测试。由于3D图像具有无效像素、不同产品和视角拍摄的高度范围差异很大等特点，将3D高度图像输入到深度学习检测网络中，训练过程很难收敛。果博采用自研的异源数据融合算法，将灰度图像和深度图像进行融合，有效地提升了焊缝检测漏检率和误检率。

（2）基于自由曲面的图像差分检测方案

电池表面并不是规则的平面，如果使用平面作为基准，很容易出现误检的现象。果博自研的自由曲面算法，将高度图像进行局部插值采样处理，可以获得电池表面的局部范围近似基准图像，然后基于图像差分方法，可以获得缺陷检测信息。

（3）基于深度学习的无效像素填充算法

深度学习在图像识别、目标分类等方面均有较好的应用，成为各个领域的一个研究热点，但是基于深度神经网络在深度图像中的应用和探索并不多。果博为了解决高度图像中的点云无效像素缺失的问题，基于卷积神经网络设计了无效像素填充算法，很好地修补了点云模型表面残缺的孔洞区域，算法基于CUDA进行并行算法优化，提升了焊缝检测的效率和准确率。

（二）软件平台创新

采用图形化编程，让用户在可视化的环境下，进行参数配置，快速实现项目部署，缩短项目部署的周期。融合图像采集、图像分析、通信等功能于一体，为客户提供端到端的视觉解决方案。图像分析模块涵盖测量、形位公差检测（平面度、高度差、轮廓度、粗糙度等）、表面质量分析、识别（二维码、条形码、字符）以及3D视觉引导等。

视觉在线检测系统作为可同时实现高度轮廓、三维点云数据采集和三维数据在线测量的3D应用系统，已经大批量应用于高精度、高速、在线3D定位、测量、缺陷检测场景。自研算法和傻瓜式的操作使得非常适合各种非接触式测量场景，功能、性能及稳定性已在苹果产线使用验证，得到客户的高度认同。 

将传统图像处理与深度学习处理相结合，为客户提供综合解决方案。利用卷积神经网络自动提取图像特征，从而实现产品瑕疵检测、分类等功能。深度学习工具操作简单，零代码开发，用户只需要手动标注目标，利用标注信息自动完成模型训练和学习，有效地解决了传统算法难以解决的复杂问题。在锂电行业应用中，深度学习结合传统图像处理算法缺陷的正确检出率可达99.9%以上，缺陷等级和缺陷类别分类由传统的40%提升到98%以上。

（三）3D视觉和深度学习在锂电行业中的创新案例

1、顶盖焊后检测

2、密封钉检测