我們可以做到什（shí）麽優勢：

• 提升（shēng）檢測精度（dù）

  精確的檢測算法
  確保良品率高於99.5%
  保障產線穩定（dìng）
  穩定（dìng）提升檢測精度

• 提高生產效率

  助力（lì）工廠實（shí）現產線全自動化
  全天候（hòu）不（bú）停機生產
  提高生產效率
  
  

• 降低生產成本

  優化作業流程
  提升（shēng）生產效率
  縮短投資回報（bào）周期
  柔性應對生產需求

• 行業定製（zhì）化部署

  根據不同的生產環境及生產方（fāng）式
  適配定製化解決方案
  打造自動化智慧工廠
  
  

隨著新能源（yuán）車（chē）需求的持續增長，鋰電池在（zài）新能（néng）源（yuán）汽（qì）車行業（yè）的應用前景廣闊。目前鋰電（diàn）池包括硬殼和軟包電池，硬殼則可分為圓柱（zhù）電池和（hé）方形電（diàn）池。其（qí）中方形電池憑借其充放電倍率、循環壽命、安全性等方麵的優勢，成為一（yī）種主流的電池封裝應用。

方（fāng）形電池工藝鏈

鋰電池工藝鏈分為前、中、後三段，以方形電池為例，其工藝鏈中存在大量的（de）質檢需求，傳統視覺檢測可滿足（zú）各工藝環節（jiē）的定位和糾偏應用。

而在極片、焊縫、絕緣（yuán）隔膜等需要（yào）檢測（cè）表麵（miàn）缺陷的工序中，傳統視覺檢測的精（jīng）度受缺（quē）陷形態影響，通過針對性調參後，易消耗過多（duō）的內部資源，效果可（kě）能仍（réng）無法達到預期。因此，對鋰電行業內（nèi）的缺陷檢測引入深度學習算法，使用一定量缺陷樣本來（lái）訓（xùn）練生成AI模（mó）型，讓AI來判斷（duàn）缺陷和位置，可達到較好的檢測效果。

海（hǎi）康機器人VM算法開發平台

VM算法開發（fā）平台（tái）作為海康機（jī）器人的核心（xīn）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（jiǎn）索、實例分割以及異常檢（jiǎn）測等AI算法模塊，可使用（yòng）VisionTrain對需要（yào）用到的AI模塊進行學習訓練。此外（wài），海康機器人與（yǔ）多家企業合作，基於VM算法開發平台，構（gòu）建持續、高效、開放的生態合作（zuò）圈。今天我們就為大家分享四則合（hé）作夥伴運用（yòng）VM圖像分割完成的缺陷（xiàn）檢測案（àn）例（lì）。

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（juàn）窄條極片，同時需要對極片正反麵（陰陽（yáng）極）進行缺陷檢測，缺陷類型包括掉料、破損、折痕、劃痕、凹坑等（děng）。

挑戰：部分劃痕與極片灰（huī）度值相近，輪（lún）廓不明（míng）顯；缺陷形態豐富，同時需準確完（wán）成多分類任務；耗時要求嚴格。

方案：對豐富缺（quē）陷形態的（de）檢出（chū）是深度學習的（de）應用方（fāng）向，而針對耗時與（yǔ）分類準確率，通過VM內部算法（fǎ）性能上的優化，使多分類任務的耗時大幅下降，同時（shí）保證了檢出精度。

VM界麵局部檢出（chū）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（cún）在虛焊、漏焊、斷焊、爆點等（děng）缺陷，以（yǐ）評估焊接質（zhì）量。

挑戰（zhàn）：不同的缺陷需要做準確（què）分類；同個物（wù）件有三個檢測區，背景會不斷變化；部分缺陷受大麵積（jī）的背景特征幹擾。例（lì）如下圖中的爆（bào）點特征，上半部（bù）分紅色框內為需要檢出的（de）爆（bào）點，與而下半部分（fèn）的焊印與爆點（diǎn）極其（qí）相似（sì），需準確區（qū）分。

方案（àn）：采用（yòng）麵（miàn）陣相機（jī）配合步進的（de）方式（shì）進行檢測，通過深度學習算法，兼容（róng）了不同背景的（de）樣（yàng）本，對於相似缺陷，在標注上賦予忽略以加大采（cǎi）樣，最終能（néng）快速精（jīng）準的獲（huò）得缺陷的位置及其類別標簽。

VM界麵局部檢出效果

3.密封釘焊接缺陷檢測

在（zài）工（gōng）藝後段的密封釘焊接環節中（zhōng），會出現焊點、炸焊、漏焊（hàn）、焊（hàn）偏的情況（kuàng），人工目檢效率不高，傳統調參難（nán）以滿足（zú）檢出（chū）需（xū）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（qū）移動頻繁，缺陷位置具有隨機性；部分小缺陷混雜於焊灰（huī）或清洗圈（quān）中（zhōng），需準確識別。

方案：通過海康機器（qì）人深度學習（xí）算（suàn）法，不僅克服了難點，準確定位缺陷的（de）位置，且在做產線複製時，AI模（mó）型可快速（sù）兼容（róng）使（shǐ）用，促（cù）使項目落地。

VM界麵局部檢（jiǎn）出效果

4.絕緣藍（lán）膜缺陷檢（jiǎn）測

鋰電池的藍膜表（biǎo）麵會出現不同程度的破損，因此在包裝過程中需一道（dào）工序進行缺（quē）陷檢測，由於藍膜整體較長，檢出精度要求高，一般使用4K或8K線陣相機采圖，像素長度（dù）大於20000，屬於超大分辨率樣本（běn）。

挑戰：需檢出個位像（xiàng）素級別的極小缺陷；缺陷（xiàn）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（biàn）率下的小缺陷樣本，通過內部對深度學習網絡進行性能（néng）優化；外部二次降采（cǎi）樣，或（huò）裁剪外部背景區域（yù）的方法，在去除（chú）無效背景區幹擾的同時，進一步提升檢測精度，降低顯存占用和預測耗時。

VM界麵局部（bù）檢出效果

通過深度學習算法讓機器擁有“辨（biàn）別”能力，結合傳統算（suàn）法使預測結果更具交互性（xìng）。海（hǎi）康機器人VM算法開發（fā）平台/SC智（zhì）能相（xiàng）機係（xì）列，搭配VisionTrain深度學習訓練平台，多種深度學習訓練（liàn）模式供您靈活使用，助您快速（sù）掌（zhǎng）握AI能力。