我們（men）可以做到什麽優勢：

• 提（tí）升檢測精度

  精確的檢測（cè）算法
  確保良（liáng）品（pǐn）率高於99.5%
  保（bǎo）障產線穩定
  穩定提升檢（jiǎn）測（cè）精度

• 提高（gāo）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（shēng）產效率
  
  

• 降低生產成本

  優（yōu）化作業流程
  提升生產（chǎn）效率
  縮短投資回報周期
  柔性應對生產需求（qiú）

• 行業定製化（huà）部署

  根據不同的生產（chǎn）環境及生產方式
  適配定製化解決方案
  打造自（zì）動化智慧工廠
  
  

隨著新能源車需求的（de）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（lǐ）電池（chí）包括硬殼和軟包電池，硬殼則可分（fèn）為圓柱電池和方形電池。其中方（fāng）形電池憑借（jiè）其充放電倍率、循環壽命、安全（quán）性等方麵的優勢，成為一種主流的電池封裝應用。

方形電池工藝鏈（liàn）

鋰電池工藝鏈分為前、中、後三段，以方形電池為例，其工藝（yì）鏈中存在（zài）大量的質檢需求，傳統視覺檢測可滿足（zú）各（gè）工藝環節的定位和糾偏應（yīng）用。

而在（zài）極片、焊縫、絕緣（yuán）隔膜等需要檢測表麵缺陷的工序中，傳統視覺檢測的精度（dù）受缺陷（xiàn）形態影響，通過針對性調（diào）參後，易消耗過（guò）多的內部資源，效果可能仍無法達到預期（qī）。因此（cǐ），對鋰電行業內的缺陷檢測引入深度學習算法，使用一定量（liàng）缺陷樣本來訓練生（shēng）成AI模型（xíng），讓AI來判斷缺陷（xiàn）和（hé）位置，可達到較好的檢測效果。

海康機（jī）器人VM算法開發平台

VM算（suàn）法（fǎ）開發平台作為海康機器人的核（hé）心智能產品，不僅包含了（le）定位、測量、處理（lǐ）等傳統視覺模塊（kuài），更集成圖像分割、字符訓（xùn）練、圖像分（fèn）類、目（mù）標檢（jiǎn）測、圖像檢索、實（shí）例分割以及異常檢測等AI算法（fǎ）模塊，可使用VisionTrain對需要用到的AI模塊進行學習訓練。此外，海（hǎi）康機器人與多家企業合作，基（jī）於VM算法開發平台，構建持續、高效、開放的生（shēng）態合作圈。今天我們就為大家分享四則合作夥伴（bàn）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（gōng）序（xù）中，會將寬度較（jiào）長的極片卷按需求（qiú）分切成多卷窄條（tiáo）極片，同時需（xū）要對極片正反（fǎn）麵（陰陽極）進行缺陷檢測，缺陷類型（xíng）包括掉（diào）料、破損、折（shé）痕、劃痕、凹坑等。

挑戰：部分劃痕與極片灰（huī）度值相近，輪廓不（bú）明顯；缺陷形（xíng）態豐富，同時需準確完成多分類任（rèn）務；耗時（shí）要求嚴格。

方案：對豐富缺陷形態的檢出是（shì）深度學習的應（yīng）用方向，而針對耗時與分類準確率，通（tōng）過VM內部算法性能上的（de）優（yōu）化，使多分類任（rèn）務的耗時大幅下降，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

在工藝中段（duàn）的頂蓋焊接（jiē）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（xū）焊、漏焊、斷焊、爆點（diǎn）等缺（quē）陷，以評估焊接（jiē）質量。

挑戰：不同的缺陷需要做（zuò）準確分類；同個物件有三個檢測區，背景會不斷變化；部分缺陷受大麵積的背景特征幹擾。例如下圖（tú）中的爆點特征，上半部分紅（hóng）色（sè）框內（nèi）為需（xū）要檢出的爆點（diǎn），與而下半部（bù）分的焊印與爆點（diǎn）極其（qí）相似，需準確區分。

方（fāng）案：采用麵陣相機配合步進的方式進行檢測，通過深（shēn）度學習算法，兼容了（le）不同背景的樣本，對於相似缺陷，在標注（zhù）上賦予忽略以加大采樣，最終能快速（sù）精準的獲得缺陷的位（wèi）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

在工藝後段的密封釘焊（hàn）接（jiē）環節中，會（huì）出現焊點、炸焊（hàn）、漏焊、焊偏的情況，人工（gōng）目檢效率（lǜ）不高，傳統調參難以滿足檢出（chū）需（xū）求。需要檢測的區域包（bāo）括：焊縫區，密封釘內（nèi）圈以及（jí）清洗區。

挑戰：缺陷形態豐富，難以界定其形態邊緣；檢測（cè）區（qū）移動頻繁，缺（quē）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，需準確識別。

方案：通過海康機器人深度學習算（suàn）法，不僅克（kè）服了難點，準確定位（wèi）缺陷的位置，且在做產線複製時，AI模型可（kě）快速兼容使用，促（cù）使項目落地。

VM界麵局（jú）部檢出效果

4.絕緣（yuán）藍膜缺陷檢測

鋰電池的藍膜表麵會出現不同程度的破損，因此在包裝過程（chéng）中（zhōng）需一道工序進行缺（quē）陷檢測，由（yóu）於藍膜整體較長（zhǎng），檢出精（jīng）度要求高，一般使用4K或8K線陣相機采（cǎi）圖，像素長度大於20000，屬於超大分（fèn）辨率樣本。

挑戰：需檢出個位（wèi）像素級別的極（jí）小缺（quē）陷；缺陷與正常的灰塵、凸起反光征基（jī）本一致；超大分辨率樣本，對（duì）耗（hào）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（tōng）過內部對深度學習網絡進（jìn）行性能優化；外部二次降采樣，或裁剪（jiǎn）外部背景區域的方法，在去除無效（xiào）背景區（qū）幹擾的同時，進一步（bù）提升檢測精度，降低顯存占用和預測耗時（shí）。

VM界麵局部（bù）檢出效果

通過深度學習算法讓機器擁有“辨別”能力，結（jié）合傳統（tǒng）算（suàn）法使預測結果更具交（jiāo）互性。海康機器（qì）人VM算法開發平台/SC智能相機係列，搭配（pèi）VisionTrain深度學習訓練平台，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。