我們（men）可以做到什麽優勢：

• 提（tí）升檢測精度

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

• 提高生產效率

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

• 降低（dī）生產成本

  優化作（zuò）業流程
  提升生產效率
  縮短投（tóu）資回報周期（qī）
  柔性應對生產需求

• 行業定製化部署

  根據不同的（de）生產環境及生產（chǎn）方式
  適配定（dìng）製化解決方案
  打造自動化智慧工廠
  
  

隨著新能源車需（xū）求的持續增長，鋰電池在（zài）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（bāo）電（diàn）池，硬殼則（zé）可分為圓柱電池和方（fāng）形電池。其中方形電池憑借（jiè）其充放（fàng）電倍率、循（xún）環壽命、安全性等（děng）方麵的優勢，成為一種主流的電（diàn）池封裝應用。

方形電（diàn）池工藝鏈

鋰電池工藝（yì）鏈（liàn）分為前、中、後三段，以方形電池為（wéi）例（lì），其工藝鏈中存在大量的質（zhì）檢需求，傳統視覺檢測可滿足各工藝（yì）環節的（de）定位和糾偏應用。

而在極片、焊縫、絕緣隔膜等需要檢測表麵缺陷的工序中，傳統視（shì）覺檢測的（de）精度受缺陷形態影響，通過針（zhēn）對性調參後，易消耗過多的內部資源，效果可能仍（réng）無法達到（dào）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（liàn）生成AI模型，讓AI來判斷缺陷和位（wèi）置（zhì），可（kě）達到較好的檢測效果。

海康機器（qì）人VM算法開發平台

VM算法開發平台作（zuò）為海康機器人的核心（xīn）智能產品，不僅包含了定位、測量、處理（lǐ）等傳統視覺模塊，更（gèng）集成圖像分（fèn）割、字符訓練、圖像分類、目標檢測、圖像檢索、實例分（fèn）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（xué）習訓（xùn）練。此外，海康機（jī）器人（rén）與多家企（qǐ）業合作，基（jī）於VM算法開發平台，構建持續、高（gāo）效、開放的生態合作圈。今天我們就為大家分享四（sì）則合作夥（huǒ）伴運用VM圖像分割完成（chéng）的缺陷檢測案例。

1.極片缺陷檢測（cè）

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（chéng）多卷窄條極（jí）片，同時需要對極片正反麵（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（bù）分劃痕與極（jí）片灰度值相近，輪廓不明顯；缺陷形（xíng）態豐富，同時需準確完成（chéng）多分類任務；耗時要求嚴（yán）格。

方案：對豐富缺（quē）陷形（xíng）態的檢出是深度學習（xí）的應用方向，而（ér）針對耗時與分類準確率（lǜ），通過VM內（nèi）部算法性能上的優化，使多分（fèn）類任務的耗時大（dà）幅下降，同時保證了檢出精度（dù）。

VM界麵局部檢出效果

2.頂蓋焊接（jiē）缺陷檢測

在工藝中（zhōng）段的頂蓋焊接環節（jiē）中（zhōng），需（xū）檢測方形電（diàn）池殼體周圍的激（jī）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（shòu）大麵積的背景特（tè）征幹擾。例如下（xià）圖中的爆點特征，上半部分紅色框內為需要檢出（chū）的爆點，與（yǔ）而下半部分的焊（hàn）印與爆點極其相似，需準（zhǔn）確區分。

方案：采用麵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，對於相似缺陷，在標注上賦予忽略以加大采樣，最（zuì）終能快速精準的獲得缺（quē）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

在工藝後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（diào）參難以滿足檢出需（xū）求。需（xū）要（yào）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（cè）區移動頻（pín）繁，缺陷位置具有（yǒu）隨機性；部分小（xiǎo）缺陷混雜於焊灰或（huò）清洗圈中，需準確（què）識別。

方案：通過海康機器（qì）人深（shēn）度學習算法，不僅克服了難點，準確定位缺陷的位置，且在（zài）做產線複製時，AI模型可快速兼（jiān）容使用，促使項目落地。

VM界麵局部（bù）檢出效果

4.絕緣藍膜缺陷檢測

鋰電池的藍膜（mó）表麵會出現不同程（chéng）度的破損，因此在包裝過程中（zhōng）需一道工序進行缺陷檢（jiǎn）測（cè），由於藍膜整體（tǐ）較長，檢出精度要求高（gāo），一般使用4K或8K線陣（zhèn）相機采圖，像素（sù）長度大於20000，屬於超大分（fèn）辨率樣本。

挑戰：需檢（jiǎn）出個位像素級（jí）別的極小缺陷；缺陷與正常（cháng）的（de）灰（huī）塵、凸起反光征基本一致；超（chāo）大分辨率樣本（běn），對耗時與顯存占用提出（chū）挑（tiāo）戰。

方案：針對超（chāo）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（huà）；外部二次降采樣，或裁剪外部背（bèi）景區域的方法，在去除無效（xiào）背（bèi）景區幹擾的同時，進（jìn）一步提升檢測精度，降低顯存占用和預測耗時。

VM界麵局（jú）部檢出效果

通過深度學習算法讓（ràng）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（kāi）發平台/SC智能相機係（xì）列，搭（dā）配VisionTrain深度學習訓練平台，多種深度學（xué）習訓練模（mó）式供您（nín）靈活使用，助您（nín）快速掌握AI能力。