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
  
  

隨著新能源車需求的持續增長，鋰電池在新能源汽車行業的應用前景廣闊。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、循環壽命、安全性等方面的優勢，成為一種主流的電池封裝應用。

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檢需求，傳統視覺檢測可滿足各工藝環節的定位和糾偏應用。

而在極片、焊縫、絕緣隔膜等需要檢測表面缺陷的工序中，傳統視覺檢測的精度受缺陷形態影響，通過針對性調參后，易消耗過多的內部資源，效果可能仍無法達到預期。因此，對鋰電行業內的缺陷檢測引入深度學習算法，使用一定量缺陷樣本來訓練生成AI模型，讓AI來判斷缺陷和位置，可達到較好的檢測效果。

海康機器人VM算法開發平臺

VM算法開發平臺作為海康機器人的核心智能產品，不僅包含了定位、測量、處理等傳統視覺模塊，更集成圖像分割、字符訓練、圖像分類、目標檢測、圖像檢索、實例分割以及異常檢測等AI算法模塊，可使用VisionTrain對需要用到的AI模塊進行學習訓練。此外，海康機器人與多家企業合作，基于VM算法開發平臺，構建持續、高效、開放的生態合作圈。今天我們就為大家分享四則合作伙伴運用VM圖像分割完成的缺陷檢測案例。

1.極片缺陷檢測

在工藝前段的極片預分切工序中，會將寬度較長的極片卷按需求分切成多卷窄條極片，同時需要對極片正反面（陰陽極）進行缺陷檢測，缺陷類型包括掉料、破損、折痕、劃痕、凹坑等。

挑戰：部分劃痕與極片灰度值相近，輪廓不明顯；缺陷形態豐富，同時需準確完成多分類任務；耗時要求嚴格。

方案：對豐富缺陷形態的檢出是深度學習的應用方向，而針對耗時與分類準確率，通過VM內部算法性能上的優化，使多分類任務的耗時大幅下降，同時保證了檢出精度。

VM界面局部檢出效果

2.頂蓋焊接缺陷檢測

在工藝中段的頂蓋焊接環節中，需檢測方形電池殼體周圍的激光焊印，如是否存在虛焊、漏焊、斷焊、爆點等缺陷，以評估焊接質量。

挑戰：不同的缺陷需要做準確分類；同個物件有三個檢測區，背景會不斷變化；部分缺陷受大面積的背景特征干擾。例如下圖中的爆點特征，上半部分紅色框內為需要檢出的爆點，與而下半部分的焊印與爆點極其相似，需準確區分。

方案：采用面陣相機配合步進的方式進行檢測，通過深度學習算法，兼容了不同背景的樣本，對于相似缺陷，在標注上賦予忽略以加大采樣，最終能快速精準的獲得缺陷的位置及其類別標簽。

VM界面局部檢出效果

3.密封釘焊接缺陷檢測

在工藝后段的密封釘焊接環節中，會出現焊點、炸焊、漏焊、焊偏的情況，人工目檢效率不高，傳統調參難以滿足檢出需求。需要檢測的區域包括：焊縫區，密封釘內圈以及清洗區。

挑戰：缺陷形態豐富，難以界定其形態邊緣；檢測區移動頻繁，缺陷位置具有隨機性；部分小缺陷混雜于焊灰或清洗圈中，需準確識別。

方案：通過海康機器人深度學習算法，不僅克服了難點，準確定位缺陷的位置，且在做產線復制時，AI模型可快速兼容使用，促使項目落地。

VM界面局部檢出效果

4.絕緣藍膜缺陷檢測

鋰電池的藍膜表面會出現不同程度的破損，因此在包裝過程中需一道工序進行缺陷檢測，由于藍膜整體較長，檢出精度要求高，一般使用4K或8K線陣相機采圖，像素長度大于20000，屬于超大分辨率樣本。

挑戰：需檢出個位像素級別的極小缺陷；缺陷與正常的灰塵、凸起反光征基本一致；超大分辨率樣本，對耗時與顯存占用提出挑戰。

方案：針對超大分辨率下的小缺陷樣本，通過內部對深度學習網絡進行性能優化；外部二次降采樣，或裁剪外部背景區域的方法，在去除無效背景區干擾的同時，進一步提升檢測精度，降低顯存占用和預測耗時。

VM界面局部檢出效果

通過深度學習算法讓機器擁有“辨別”能力，結合傳統算法使預測結果更具交互性。海康機器人VM算法開發平臺/SC智能相機系列，搭配VisionTrain深度學習訓練平臺，多種深度學習訓練模式供您靈活使用，助您快速掌握AI能力。