導(dǎo)讀

電池是電動汽車（EV）、儲能系統(tǒng)（ESS）等高價值行業(yè)至關(guān)重要的上游產(chǎn)業(yè)，其產(chǎn)品性能和安全性備受關(guān)注。我們將展示友思特自動深度學(xué)習(xí)平臺Neuro-T如何完成復(fù)雜的檢測任務(wù)，并將其應(yīng)用到了生產(chǎn)線上。

本篇文章將介紹案例二：

方形電池排氣閥焊接檢測。用深度學(xué)習(xí)檢測系統(tǒng)取代了方形電池排氣閥焊接區(qū)域基于規(guī)則的檢測系統(tǒng)，檢測出難以識別的圖案和非典型缺陷，并能一步快速完成復(fù)雜檢測。

電池制造過程

電池是電動汽車（EV）、儲能系統(tǒng)（ESS）等高價值行業(yè)至關(guān)重要的上游產(chǎn)業(yè)，其產(chǎn)品性能和安全性備受關(guān)注。這是因為消費(fèi)者通常會將電池的性能與使用該電池的產(chǎn)品性能聯(lián)系起來，即使是細(xì)微的質(zhì)量下降，也可能引發(fā)嚴(yán)重的火災(zāi)事故，對人們的安全構(gòu)成威脅。鑒于對性能和安全性的高度重視，在電池制造過程中進(jìn)行缺陷檢測至關(guān)重要。電池的生產(chǎn)需經(jīng)過多個步驟和復(fù)雜的流程，在這些階段中出現(xiàn)的微小缺陷，都可能對最終產(chǎn)品的性能和安全產(chǎn)生嚴(yán)重影響。

電池制造過程主要包括四個階段：電極制造、電芯組裝、化成以及模組封裝。每個主要階段又進(jìn)一步細(xì)分為若干子工序。根據(jù)形狀，電池可分為圓柱形、軟包和方形三種類型，它們在生產(chǎn)過程中的組裝方式有所不同。

（1）電極制造：這是制造電池核心部件——正負(fù)極電極的過程，包括攪拌、涂布、輥壓、分切和沖切等工序。

（2）電芯組裝：此為電池成型的過程。圓柱形電池是將正極、負(fù)極和隔膜像卷紙一樣卷繞成“果凍卷”結(jié)構(gòu)，然后放入電池殼中。而軟包或方形電池則是將材料堆疊后放入電池外殼。

（3）化成：這是激活電能并驗證電池穩(wěn)定性的過程，通過反復(fù)的老化以及充放電循環(huán)來實現(xiàn)。

（4）模組封裝：將制造好的電芯進(jìn)行模塊化處理，并裝入電池包的過程。

由于電池生產(chǎn)工序繁多且復(fù)雜，如果在生產(chǎn)過程中不能對缺陷進(jìn)行有效檢測，必然會導(dǎo)致一系列問題。因此，在每個工序前對零部件進(jìn)行質(zhì)量檢查、在工序中對半成品進(jìn)行檢查以及在工序完成后對成品進(jìn)行檢查是非常必要的。

電池質(zhì)量檢測對于確保最終生產(chǎn)出的電池的性能和安全性起著關(guān)鍵作用，通過提前發(fā)現(xiàn)并解決缺陷問題，還能提高整個生產(chǎn)過程的良品率。因此，電池行業(yè)的領(lǐng)先企業(yè)長期以來一直采用基于規(guī)則或基于深度學(xué)習(xí)算法的自動化視覺檢測技術(shù)。然而，受各種環(huán)境和技術(shù)限制，視覺檢測在速度和性能方面存在一定的局限性。所以，企業(yè)需要基于人工智能的視覺檢測解決方案，以最大程度地減少漏檢缺陷的情況。

案例二：方形電池排氣閥焊接檢測

方形電池排氣閥焊接檢測：用深度學(xué)習(xí)檢測系統(tǒng)取代了方形電池排氣閥焊接區(qū)域基于規(guī)則的檢測系統(tǒng)，檢測出難以識別的圖案和非典型缺陷，并能一步快速完成復(fù)雜檢測。

現(xiàn)場情況

排氣閥在方形電池中的重要性

在方形電池中，排氣閥是至關(guān)重要的安全部件，有助于防止安全事故發(fā)生。排氣閥位于電池頂蓋，當(dāng)電池內(nèi)部壓力異常升高時，排氣閥會打開釋放氣體。

排氣閥通常在電池組裝過程的最后階段進(jìn)行焊接，焊接不當(dāng)會導(dǎo)致如焊接不完全等缺陷。

焊接缺陷的具體風(fēng)險包括：

（1）性能失效：熱沖擊引發(fā)裂縫、內(nèi)部腐蝕，縮短電池壽命；

（2）安全隱患：氣體泄漏、誤開啟，甚至因無法排氣導(dǎo)致爆炸；

（3）污染風(fēng)險：水分/污染物侵入，損壞電極并可能引發(fā)火災(zāi)。

具體現(xiàn)場情況——某方形電池制造商（B公司）

方形電池制造商B公司認(rèn)識到排氣閥焊接檢測的重要性，希望在組裝過程完成后，為排氣閥焊接實施自動化視覺檢測。他們考慮采用的檢測方案是將基于規(guī)則的算法與3D掃描儀相結(jié)合，具體如下：

（1）安裝在生產(chǎn)線上的3D掃描儀會測量焊縫的高度和顏色，并將數(shù)據(jù)傳輸?shù)杰浖小?/p>

（2）軟件應(yīng)用基于規(guī)則的算法來判斷焊縫是否存在缺陷：

a. 如果焊縫高度低于特定值；

b. 或者焊縫的部分區(qū)域顏色與周圍區(qū)域不同，就會被標(biāo)記為有缺陷。

（3）被標(biāo)記為有缺陷的電池會從生產(chǎn)線上移除，只有確認(rèn)無缺陷的電池才會進(jìn)入下一道工序。

方形電池排氣閥焊接檢測存在的問題

無法識別焊接區(qū)域

排氣閥焊接區(qū)域周圍呈現(xiàn)出復(fù)雜的褶皺狀線性圖案?；谝?guī)則的算法難以將這些圖案與實際的焊接邊界區(qū)分開來，導(dǎo)致識別準(zhǔn)確率大幅波動。因此，有時根本無法識別出焊接區(qū)域，更談不上對其進(jìn)行合格與否的評估了。

無法檢測焊接邊界處的不規(guī)則缺陷

焊接缺陷通常表現(xiàn)為焊接邊界處不規(guī)則、無規(guī)律的瑕疵?；谝?guī)則的算法難以有效識別這些差異，導(dǎo)致頻繁出現(xiàn)漏檢和誤檢的情況。

最終，事實證明基于規(guī)則的系統(tǒng)不可靠，于是被棄用。因此，B公司開始尋找一種能夠準(zhǔn)確檢測不規(guī)則缺陷的新型視覺檢測解決方案。

解決方案

B公司利用友思特Neuro-T自動深度學(xué)習(xí)平臺開發(fā)了一個集成模型，該模型能夠一步完成復(fù)雜的檢測任務(wù)，并將其應(yīng)用到了生產(chǎn)線。

用于排氣閥焊接區(qū)域檢測的目標(biāo)檢測模型

雖然焊接缺陷非常微小，但檢測設(shè)備拍攝的圖像覆蓋了方形電池的整個頂蓋。為了提高檢測精度，首先應(yīng)用目標(biāo)檢測模型作為感興趣區(qū)域（ROI）識別方法，起動態(tài)ROI的作用，僅識別排氣閥上的焊接區(qū)域，將檢測范圍限定在這一特定區(qū)域。

用于評估焊接區(qū)域合格與否的分類模型

分類模型用于評估所檢測到的排氣閥焊接區(qū)域是否完全均勻。該模型能夠最大限度地減少漏檢情況，即使是不規(guī)則的缺陷也能高精度地檢測出來，從而實現(xiàn)穩(wěn)定的質(zhì)量管理。

集成模型的現(xiàn)場應(yīng)用

為了實現(xiàn)焊接區(qū)域檢測和合格與否評估的同步進(jìn)行，將目標(biāo)檢測模型和分類模型，使用Neuro-T流程圖功能，鏈接而成的集成模型提取為單一模型，并部署到了生產(chǎn)線上。這簡化了模型加載過程，提高了檢測速度。

成果與效益

通過從之前基于規(guī)則的檢測系統(tǒng)過渡到友思特Neuro-T的深度學(xué)習(xí)視覺檢測系統(tǒng)，B公司成功實現(xiàn)了排氣閥檢測過程的自動化，提高了檢測的準(zhǔn)確性和效率。基于規(guī)則的系統(tǒng)檢測準(zhǔn)確率約為95%，而采用新系統(tǒng)后，檢測準(zhǔn)確率提高到了99.7%，有效避免了缺陷產(chǎn)品流出。

此外，通過Neuro-T流程圖功能，使用能夠一步完成復(fù)雜檢測的集成模型，單個產(chǎn)品的檢測時間縮短至1.5秒以內(nèi)，便于順利進(jìn)行在線檢測。該模型已可靠地部署在生產(chǎn)線上，使公司能夠始終保持較高的電池生產(chǎn)良品率。

該案例證明，對于復(fù)雜圖案、非典型缺陷的檢測場景，友思特Neuro-T的深度學(xué)習(xí)視覺檢測系統(tǒng)能通過‘動態(tài)區(qū)域聚焦 + 多模型集成’的方案，同時解決準(zhǔn)確性與效率問題，為動力電池等高精度制造領(lǐng)域的視覺檢測升級提供了可復(fù)用的技術(shù)路徑。

Viewsitec

Neuro-T：零代碼自動深度學(xué)習(xí)訓(xùn)練平臺

友思特 Neuro-T 是一個用于深度學(xué)習(xí)視覺檢測項目的一體化平臺，可用于 項目規(guī)劃→圖像預(yù)處理→圖像標(biāo)注→模型訓(xùn)練→模型評估 一系列任務(wù)。Neuro-T提供了便捷的工具和友好的圖形化界面，只需四個步驟即可創(chuàng)建一個深度學(xué)習(xí)模型

審核編輯 黃宇