我們可以（yǐ）做到什麽優勢：

• 提升檢測精度

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

• 提高生（shēng）產效率

  助力工廠實現產線全自動化
  全天（tiān）候不停機生產
  提（tí）高（gāo）生（shēng）產效率（lǜ）
  
  

• 降低生產成本

  優化作業流程
  提升生產效率
  縮短投（tóu）資回（huí）報周期
  柔性應對生（shēng）產需求

• 行業定製化部署

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

隨著新能源車需（xū）求的持（chí）續增長，鋰電池在新（xīn）能源汽車（chē）行業的應用（yòng）前景廣闊。目前鋰電池包括硬殼和（hé）軟包電池，硬殼（ké）則可分（fèn）為圓柱電池和方形電池。其中方形（xíng）電池憑借其充放（fàng）電倍（bèi）率、循環壽命（mìng）、安全性（xìng）等方麵的優勢，成為一種主（zhǔ）流的（de）電池（chí）封裝應用。

方形電池工（gōng）藝鏈

鋰電池（chí）工藝鏈分為前、中、後（hòu）三段，以方形電池為例，其工藝鏈中存在大量的質檢需求，傳（chuán）統視覺檢測可滿足各工藝環節的定（dìng）位和糾偏應用。

而在（zài）極片、焊縫（féng）、絕緣隔膜等需要檢測表（biǎo）麵缺陷的（de）工序中，傳統視覺檢測的精度受缺陷形態（tài）影（yǐng）響，通過針對性調參後，易消（xiāo）耗過多的內部資源，效（xiào）果可能仍無法達到預期。因此，對鋰電行（háng）業（yè）內的缺陷檢測引入深度學習（xí）算法，使（shǐ）用一定量缺陷（xiàn）樣本來訓（xùn）練生（shēng）成AI模型，讓AI來判斷缺陷和（hé）位置，可達到較好的檢（jiǎn）測效果。

海康機器人VM算法開（kāi）發平台

VM算法開發平台作（zuò）為海康機器人的（de）核心智能產品，不僅包含了定位、測量、處理等傳統視（shì）覺（jiào）模塊，更集成圖像分割、字符訓練、圖像分類、目標（biāo）檢測、圖像檢索、實例分割（gē）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，基於VM算法開發（fā）平台，構（gòu）建持續、高效、開放的（de）生態合作圈。今天我們（men）就為大家分享四則合作夥伴運（yùn）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（jí）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麵（陰陽極）進行缺陷（xiàn）檢測，缺陷類型包括掉（diào）料、破損、折痕、劃痕、凹坑等。

挑戰：部分劃痕與極片灰（huī）度值相（xiàng）近，輪廓不（bú）明顯；缺陷形態豐（fēng）富，同時需準確（què）完成多分類任務；耗時要求嚴格。

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

VM界麵局部檢出效果

2.頂蓋焊接缺陷檢測

在（zài）工藝（yì）中段的頂蓋（gài）焊接環（huán）節（jiē）中，需檢測方形電池（chí）殼（ké）體周圍的激（jī）光（guāng）焊印（yìn），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（quē）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（huà）；部分缺陷受大麵積的背景特征幹擾。例（lì）如下圖中的（de）爆點特征，上半部分紅色框（kuàng）內為需要檢出的爆點，與而下半部（bù）分的焊印與爆點（diǎn）極其相似，需準確區分。

方案（àn）：采用（yòng）麵（miàn）陣相機配合步進的方（fāng）式進行檢測（cè），通過深度學習算法，兼容了不同背景的樣本，對於（yú）相似缺（quē）陷，在（zài）標注上賦予忽略以加（jiā）大采樣，最終能快（kuài）速精準的獲得缺陷的位置及其類別標簽。

VM界（jiè）麵（miàn）局部檢出效果

3.密封釘焊接缺陷檢測

在工藝後段的密封釘焊接環節中，會出現焊（hàn）點、炸焊、漏焊、焊偏的情況，人工目檢效率不高，傳統調參難（nán）以滿足檢（jiǎn）出需求。需要檢測的區域包括（kuò）：焊縫區，密（mì）封釘內圈以及清洗區。

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

方案：通過海康機（jī）器人深度學習算（suàn）法，不僅克服了難點，準確定位缺（quē）陷的位置，且在做產線複製時，AI模型可快速兼容（róng）使用，促使項目（mù）落地。

VM界麵局部檢出效果

4.絕（jué）緣藍膜缺陷檢測

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

挑戰（zhàn）：需（xū）檢出個位像素級別的極小（xiǎo）缺陷；缺陷與正（zhèng）常（cháng）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（luò）進行性能優（yōu）化；外部二次降采樣，或裁剪外部背景區域的方法（fǎ），在（zài）去除無效背景區幹（gàn）擾的同時，進一步（bù）提升檢（jiǎn）測精度，降低顯存占用和預測（cè）耗（hào）時。

VM界麵（miàn）局部檢出效（xiào）果

通過深度學習（xí）算法讓機器擁有“辨別”能力（lì），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（kāi）發平台/SC智能相機係列，搭配VisionTrain深度學習訓練平台，多種深度學習訓練模（mó）式（shì）供您靈活使用，助（zhù）您快速掌握AI能力。