我們可以做到什么優勢：

• 提升檢測精度

  精確的檢測算法
  確保良品率高于99.5%
  保障產線穩定
  穩定提升檢測精度

• 提高生產效率

  助力工廠實現產線全自動化
  全天候不停機生產
  提高生產效率
  
  

• 降低生產成本

  優化作業流程
  提升生產效率
  縮短投資回報周期
  柔性應對生產需求

• 行業定制化部署

  根據不同的生產環境及生產方式
  適配定制化解決方案
  打造自動化智慧工廠
  
  

近年來，隨著我國新能源汽車市場的爆發，動力電池需求不斷增長。在電池預焊、周邊焊、密封釘焊接、頂蓋焊接等環節，焊縫容易出現炸焊、斷焊、爆點、針孔、偏光等缺陷。這些缺陷嚴重影響動力電池的品質，產生安全隱患，焊接過程中缺陷的檢測和預防變得越來越重要。鋰電池性能和品質的提升，不僅需要在材料和設計上不斷突破，也需要在生產制造的工藝及設備上持續創新和改進。

機器視覺作為自動化設備的“眼睛”和“大腦”，將視覺檢測引入到檢測設備中已經成為主流趨勢。圖像處理系統的引入，將推動自動化設備向智能化方向轉型，推進動力電池向高容量、高安全性、高品質以及低成本方向發展。面對當前市場環境，捷翔在軟件、硬件和算法方面不斷進行技術研發和產品優化，以為鋰電行業客戶提供更好的產品和服務。

（一）算法創新

（1）異源數據融合的缺陷檢測方案

3D相機在圖像采集過程中，不僅可以獲得2D灰度圖像信息，也可以獲得3D高度圖像信息。如何將兩者結合起來，解決焊接過程中的缺陷檢測和分類，捷翔一直進行算法探索和測試。由于3D圖像具有無效像素、不同產品和視角拍攝的高度范圍差異很大等特點，將3D高度圖像輸入到深度學習檢測網絡中，訓練過程很難收斂。捷翔采用自研的異源數據融合算法，將灰度圖像和深度圖像進行融合，有效地提升了焊縫檢測漏檢率和誤檢率。

（2）基于自由曲面的圖像差分檢測方案

電池表面并不是規則的平面，如果使用平面作為基準，很容易出現誤檢的現象。捷翔自研的自由曲面算法，將高度圖像進行局部插值采樣處理，可以獲得電池表面的局部范圍近似基準圖像，然后基于圖像差分方法，可以獲得缺陷檢測信息。

（3）基于深度學習的無效像素填充算法

深度學習在圖像識別、目標分類等方面均有較好的應用，成為各個領域的一個研究熱點，但是基于深度神經網絡在深度圖像中的應用和探索并不多。捷翔為了解決高度圖像中的點云無效像素缺失的問題，基于卷積神經網絡設計了無效像素填充算法，很好地修補了點云模型表面殘缺的孔洞區域，算法基于CUDA進行并行算法優化，提升了焊縫檢測的效率和準確率。

（二）軟件平臺創新

采用圖形化編程，讓用戶在可視化的環境下，進行參數配置，快速實現項目部署，縮短項目部署的周期。融合圖像采集、圖像分析、通信等功能于一體，為客戶提供端到端的視覺解決方案。圖像分析模塊涵蓋測量、形位公差檢測（平面度、高度差、輪廓度、粗糙度等）、表面質量分析、識別（二維碼、條形碼、字符）以及3D視覺引導等。

視覺在線檢測系統作為可同時實現高度輪廓、三維點云數據采集和三維數據在線測量的3D應用系統，已經大批量應用于高精度、高速、在線3D定位、測量、缺陷檢測場景。自研算法和傻瓜式的操作使得非常適合各種非接觸式測量場景，功能、性能及穩定性已在蘋果產線使用驗證，得到客戶的高度認同。 

將傳統圖像處理與深度學習處理相結合，為客戶提供綜合解決方案。利用卷積神經網絡自動提取圖像特征，從而實現產品瑕疵檢測、分類等功能。深度學習工具操作簡單，零代碼開發，用戶只需要手動標注目標，利用標注信息自動完成模型訓練和學習，有效地解決了傳統算法難以解決的復雜問題。在鋰電行業應用中，深度學習結合傳統圖像處理算法缺陷的正確檢出率可達99.9%以上，缺陷等級和缺陷類別分類由傳統的40%提升到98%以上。

（三）3D視覺和深度學習在鋰電行業中的創新案例

1、頂蓋焊后檢測

2、密封釘檢測