導讀

電池是電動汽車（EV）、儲能系統(tǒng)（ESS）等高價值行業(yè)至關重要的上游產業(yè)，其產品性能和安全性備受關注。我們將展示友思特自動深度學習平臺Neuro-T如何完成復雜的檢測任務，并將其應用到了生產線上。

本篇文章將介紹案例二：

方形電池排氣閥焊接檢測。用深度學習檢測系統(tǒng)取代了方形電池排氣閥焊接區(qū)域基于規(guī)則的檢測系統(tǒng)，檢測出難以識別的圖案和非典型缺陷，并能一步快速完成復雜檢測。

電池制造過程

電池是電動汽車（EV）、儲能系統(tǒng)（ESS）等高價值行業(yè)至關重要的上游產業(yè)，其產品性能和安全性備受關注。這是因為消費者通常會將電池的性能與使用該電池的產品性能聯(lián)系起來，即使是細微的質量下降，也可能引發(fā)嚴重的火災事故，對人們的安全構成威脅。鑒于對性能和安全性的高度重視，在電池制造過程中進行缺陷檢測至關重要。電池的生產需經過多個步驟和復雜的流程，在這些階段中出現(xiàn)的微小缺陷，都可能對最終產品的性能和安全產生嚴重影響。

電池制造過程主要包括四個階段：電極制造、電芯組裝、化成以及模組封裝。每個主要階段又進一步細分為若干子工序。根據形狀，電池可分為圓柱形、軟包和方形三種類型，它們在生產過程中的組裝方式有所不同。

（1）電極制造：這是制造電池核心部件——正負極電極的過程，包括攪拌、涂布、輥壓、分切和沖切等工序。

（2）電芯組裝：此為電池成型的過程。圓柱形電池是將正極、負極和隔膜像卷紙一樣卷繞成“果凍卷”結構，然后放入電池殼中。而軟包或方形電池則是將材料堆疊后放入電池外殼。

（3）化成：這是激活電能并驗證電池穩(wěn)定性的過程，通過反復的老化以及充放電循環(huán)來實現(xiàn)。

（4）模組封裝：將制造好的電芯進行模塊化處理，并裝入電池包的過程。

由于電池生產工序繁多且復雜，如果在生產過程中不能對缺陷進行有效檢測，必然會導致一系列問題。因此，在每個工序前對零部件進行質量檢查、在工序中對半成品進行檢查以及在工序完成后對成品進行檢查是非常必要的。

電池質量檢測對于確保最終生產出的電池的性能和安全性起著關鍵作用，通過提前發(fā)現(xiàn)并解決缺陷問題，還能提高整個生產過程的良品率。因此，電池行業(yè)的領先企業(yè)長期以來一直采用基于規(guī)則或基于深度學習算法的自動化視覺檢測技術。然而，受各種環(huán)境和技術限制，視覺檢測在速度和性能方面存在一定的局限性。所以，企業(yè)需要基于人工智能的視覺檢測解決方案，以最大程度地減少漏檢缺陷的情況。

案例二：方形電池排氣閥焊接檢測

方形電池排氣閥焊接檢測：用深度學習檢測系統(tǒng)取代了方形電池排氣閥焊接區(qū)域基于規(guī)則的檢測系統(tǒng)，檢測出難以識別的圖案和非典型缺陷，并能一步快速完成復雜檢測。

現(xiàn)場情況

排氣閥在方形電池中的重要性

在方形電池中，排氣閥是至關重要的安全部件，有助于防止安全事故發(fā)生。排氣閥位于電池頂蓋，當電池內部壓力異常升高時，排氣閥會打開釋放氣體。

排氣閥通常在電池組裝過程的最后階段進行焊接，焊接不當會導致如焊接不完全等缺陷。

焊接缺陷的具體風險包括：

（1）性能失效：熱沖擊引發(fā)裂縫、內部腐蝕，縮短電池壽命；

（2）安全隱患：氣體泄漏、誤開啟，甚至因無法排氣導致爆炸；

（3）污染風險：水分/污染物侵入，損壞電極并可能引發(fā)火災。

具體現(xiàn)場情況——某方形電池制造商（B公司）

方形電池制造商B公司認識到排氣閥焊接檢測的重要性，希望在組裝過程完成后，為排氣閥焊接實施自動化視覺檢測。他們考慮采用的檢測方案是將基于規(guī)則的算法與3D掃描儀相結合，具體如下：

（1）安裝在生產線上的3D掃描儀會測量焊縫的高度和顏色，并將數(shù)據傳輸?shù)杰浖小?/p>

（2）軟件應用基于規(guī)則的算法來判斷焊縫是否存在缺陷：

a. 如果焊縫高度低于特定值；

b. 或者焊縫的部分區(qū)域顏色與周圍區(qū)域不同，就會被標記為有缺陷。

（3）被標記為有缺陷的電池會從生產線上移除，只有確認無缺陷的電池才會進入下一道工序。

方形電池排氣閥焊接檢測存在的問題

無法識別焊接區(qū)域

排氣閥焊接區(qū)域周圍呈現(xiàn)出復雜的褶皺狀線性圖案?；谝?guī)則的算法難以將這些圖案與實際的焊接邊界區(qū)分開來，導致識別準確率大幅波動。因此，有時根本無法識別出焊接區(qū)域，更談不上對其進行合格與否的評估了。

無法檢測焊接邊界處的不規(guī)則缺陷

焊接缺陷通常表現(xiàn)為焊接邊界處不規(guī)則、無規(guī)律的瑕疵?；谝?guī)則的算法難以有效識別這些差異，導致頻繁出現(xiàn)漏檢和誤檢的情況。

最終，事實證明基于規(guī)則的系統(tǒng)不可靠，于是被棄用。因此，B公司開始尋找一種能夠準確檢測不規(guī)則缺陷的新型視覺檢測解決方案。

解決方案

B公司利用友思特Neuro-T自動深度學習平臺開發(fā)了一個集成模型，該模型能夠一步完成復雜的檢測任務，并將其應用到了生產線。

用于排氣閥焊接區(qū)域檢測的目標檢測模型

雖然焊接缺陷非常微小，但檢測設備拍攝的圖像覆蓋了方形電池的整個頂蓋。為了提高檢測精度，首先應用目標檢測模型作為感興趣區(qū)域（ROI）識別方法，起動態(tài)ROI的作用，僅識別排氣閥上的焊接區(qū)域，將檢測范圍限定在這一特定區(qū)域。

用于評估焊接區(qū)域合格與否的分類模型

分類模型用于評估所檢測到的排氣閥焊接區(qū)域是否完全均勻。該模型能夠最大限度地減少漏檢情況，即使是不規(guī)則的缺陷也能高精度地檢測出來，從而實現(xiàn)穩(wěn)定的質量管理。

集成模型的現(xiàn)場應用

為了實現(xiàn)焊接區(qū)域檢測和合格與否評估的同步進行，將目標檢測模型和分類模型，使用Neuro-T流程圖功能，鏈接而成的集成模型提取為單一模型，并部署到了生產線上。這簡化了模型加載過程，提高了檢測速度。

成果與效益

通過從之前基于規(guī)則的檢測系統(tǒng)過渡到友思特Neuro-T的深度學習視覺檢測系統(tǒng)，B公司成功實現(xiàn)了排氣閥檢測過程的自動化，提高了檢測的準確性和效率。基于規(guī)則的系統(tǒng)檢測準確率約為95%，而采用新系統(tǒng)后，檢測準確率提高到了99.7%，有效避免了缺陷產品流出。

此外，通過Neuro-T流程圖功能，使用能夠一步完成復雜檢測的集成模型，單個產品的檢測時間縮短至1.5秒以內，便于順利進行在線檢測。該模型已可靠地部署在生產線上，使公司能夠始終保持較高的電池生產良品率。

該案例證明，對于復雜圖案、非典型缺陷的檢測場景，友思特Neuro-T的深度學習視覺檢測系統(tǒng)能通過‘動態(tài)區(qū)域聚焦 + 多模型集成’的方案，同時解決準確性與效率問題，為動力電池等高精度制造領域的視覺檢測升級提供了可復用的技術路徑。

Viewsitec

Neuro-T：零代碼自動深度學習訓練平臺

友思特 Neuro-T 是一個用于深度學習視覺檢測項目的一體化平臺，可用于 項目規(guī)劃→圖像預處理→圖像標注→模型訓練→模型評估 一系列任務。Neuro-T提供了便捷的工具和友好的圖形化界面，只需四個步驟即可創(chuàng)建一個深度學習模型

審核編輯 黃宇