• 果博

    解决方案
    Solution

    锂电缺陷检测检测方案

    获取方案

    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

    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。

    微信截图_20220322110454.png

    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。

    微信截图_20220322110501.png

    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

    微信截图_20220322105127.png

    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。

    微信截图_20220322110208.png

    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。

    微信截图_20220322110706.png

    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。

    微信截图_20220322110740.png

    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。

    微信截图_20220322110805.png

    微信截图_20220322111629.png

    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。

    微信截图_20220322110937.png

    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。

    微信截图_20220322110852.png

    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。

    微信截图_20220322110827.png

    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。


    相关标签:
    果博