我（wǒ）們可以做到（dào）什麽優勢：

• 提升檢測精度

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

• 提高生產效率（lǜ）

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

• 降低生產（chǎn）成本

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

• 行業定製（zhì）化（huà）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
  打造自動化智慧工（gōng）廠
  
  

近年來，隨著我國新能源汽車市場的爆發（fā），動力電（diàn）池需求不斷增長。在電池預焊、周邊（biān）焊、密封釘焊接、頂蓋焊（hàn）接等環節，焊縫容易出現炸焊、斷焊、爆點（diǎn）、針孔、偏（piān）光等缺陷（xiàn）。這些缺陷嚴重影響動力電池的品質（zhì），產生安全隱（yǐn）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（shè）計上不（bú）斷突破，也需要在生產製（zhì）造的（de）工藝及設備上持續創新和改進。

機（jī）器視覺作為自動化設備（bèi）的“眼睛”和“大腦（nǎo）”，將視覺檢測引入到檢測設備中已經成為主流趨（qū）勢。圖像處理係統的引（yǐn）入，將推動自動化（huà）設備向智能化方向（xiàng）轉型，推（tuī）進動力電池（chí）向高容量、高安全（quán）性、高品質以及低（dī）成（chéng）本方向發展。麵對當前市場環境，花季传媒网站在軟件、硬件和算法方麵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（fǎ）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（zhōng），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（de）缺陷檢測和分類，捷（jié）翔一直進行（háng）算法探索（suǒ）和測試。由於（yú）3D圖像具有無效像素、不同產品和視角拍攝的高度範圍差異很大等特點，將3D高度圖像輸入到（dào）深度學習檢測網絡中（zhōng），訓（xùn）練過程很難收斂。花季传媒网站采用自研的異源數據融合算法（fǎ），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）基於自由曲麵的（de）圖像差分（fèn）檢測方（fāng）案

電池（chí）表麵並不是規則的平（píng）麵，如果使用平麵作為基準，很容易出現誤檢（jiǎn）的現象。花季传媒网站自研的自由曲麵（miàn）算（suàn）法，將（jiāng）高（gāo）度圖像進行局部插值采樣處理，可以獲得電池表麵的局部範圍近（jìn）似基準圖像，然後基於圖（tú）像差分方法，可以獲得（dé）缺陷（xiàn）檢測信息。

（3）基於深（shēn）度學習的無效像素填充（chōng）算法

深（shēn）度學習在（zài）圖像識別、目標分類等方麵（miàn）均有較好的應（yīng）用（yòng），成為各個領域的一個研究熱點，但是基於深度神經網絡在深度圖像中（zhōng）的應用和探索並不多。花季传媒网站為了解（jiě）決高度圖像中的點雲無效像素缺失的問題，基於卷積（jī）神經網絡設計了無效（xiào）像素（sù）填充算法，很好地修補了點雲模型表麵殘缺的孔洞區域，算法基於CUDA進行並行算法優化，提（tí）升了焊縫檢測的效率和準確率（lǜ）。

（二）軟件平台創新

采用圖形（xíng）化編程，讓（ràng）用戶在（zài）可視化的（de）環境下，進行參數配置，快速實現項目部署，縮（suō）短項目部署的周（zhōu）期。融合圖像采集、圖像（xiàng）分析、通信等功能於一體，為客戶提（tí）供端（duān）到端的視覺解決（jué）方案。圖像分析模塊涵蓋測量（liàng）、形位公差檢測（平麵（miàn）度、高度差、輪廓度、粗糙（cāo）度等）、表麵質量分析、識別（二維碼、條形碼、字符）以及3D視（shì）覺引導等。

視覺在線檢測係（xì）統（tǒng）作為可同時實（shí）現高度輪廓、三維點雲數據采集和三維數據在線測量的（de）3D應用係統（tǒng），已經大批量應（yīng）用於高精（jīng）度、高速、在線3D定位、測量、缺陷檢測（cè）場景（jǐng）。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（liàng）場景，功能、性（xìng）能及穩定性已在蘋（píng）果產線使用（yòng）驗證，得到客戶的高度認同。 

將（jiāng）傳統圖像處理與深度學習處理相結合，為客戶提（tí）供（gòng）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（fèn）類等功能。深度學習工具操作簡單，零代碼開發，用戶隻（zhī）需（xū）要手動標注目標（biāo），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複雜問題。在鋰電行業應用中，深（shēn）度學習結合傳統圖像處理（lǐ）算法缺陷的正確檢出（chū）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（dào）98%以上。

（三）3D視覺和深度學習在鋰電（diàn）行業中的創新案例

1、頂蓋（gài）焊後檢測

2、密（mì）封釘檢測（cè）