chinese直男口爆体育生外卖, 99久久er热在这里只有精品99, 又色又爽又黄18禁美女裸身无遮挡, gogogo高清免费观看日本电视,私密按摩师高清版在线,人妻视频毛茸茸,91论坛 兴趣闲谈,欧美 亚洲 精品 8区,国产精品久久久久精品免费

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評(píng)論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫(xiě)文章/發(fā)帖/加入社區(qū)
會(huì)員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識(shí)你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

鋰電行業(yè)視覺(jué)檢測(cè)案例集錦(一)

Hophotonix ? 來(lái)源:Hophotonix ? 作者:Hophotonix ? 2025-08-06 16:06 ? 次閱讀
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

電池是電動(dòng)汽車(EV)、儲(chǔ)能系統(tǒng)(ESS)等高價(jià)值行業(yè)至關(guān)重要的上游產(chǎn)業(yè),其產(chǎn)品性能和安全性備受關(guān)注。我們將展示友思特自動(dòng)深度學(xué)習(xí)平臺(tái)Neuro-T,基于深度學(xué)習(xí)技術(shù),如何在整個(gè)生產(chǎn)過(guò)程中革新缺陷檢測(cè)和質(zhì)量保證工作。

本篇文章將介紹案例一:

軟包電池極耳檢測(cè)。采用深度學(xué)習(xí)模型生成合成缺陷,以解決軟包電池極耳斷裂缺陷檢測(cè)中缺陷數(shù)據(jù)不足的問(wèn)題。這種方法有助于獲取足夠的數(shù)據(jù),并建立高性能的自動(dòng)化系統(tǒng)。

電池制造過(guò)程

wKgZPGiTCsqANsJEAAKcb7FqFNk018.png ? ?

電池是電動(dòng)汽車(EV)、儲(chǔ)能系統(tǒng)(ESS)等高價(jià)值行業(yè)至關(guān)重要的上游產(chǎn)業(yè),其產(chǎn)品性能和安全性備受關(guān)注。這是因?yàn)橄M(fèi)者通常會(huì)將電池的性能與使用該電池的產(chǎn)品性能聯(lián)系起來(lái),即使是細(xì)微的質(zhì)量下降,也可能引發(fā)嚴(yán)重的火災(zāi)事故,對(duì)人們的安全構(gòu)成威脅。鑒于對(duì)性能和安全性的高度重視,在電池制造過(guò)程中進(jìn)行缺陷檢測(cè)至關(guān)重要。電池的生產(chǎn)需經(jīng)過(guò)多個(gè)步驟和復(fù)雜的流程,在這些階段中出現(xiàn)的微小缺陷,都可能對(duì)最終產(chǎn)品的性能和安全產(chǎn)生嚴(yán)重影響。


電池制造過(guò)程主要包括四個(gè)階段:電極制造、電芯組裝、化成以及模組封裝。每個(gè)主要階段又進(jìn)一步細(xì)分為若干子工序。根據(jù)形狀,電池可分為圓柱形、軟包和方形三種類型,它們?cè)谏a(chǎn)過(guò)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(fù)極電極的過(guò)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(guò)程。圓柱形電池是將正極、負(fù)極和隔膜像卷紙一樣卷繞成“果凍卷”結(jié)構(gòu),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(yàn)證電池穩(wěn)定性的過(guò)程,通過(guò)反復(fù)的老化以及充放電循環(huán)來(lái)實(shí)現(xiàn)。

(4)模組封裝:將制造好的電芯進(jìn)行模塊化處理,并裝入電池包的過(guò)程。

由于電池生產(chǎn)工序繁多且復(fù)雜,如果在生產(chǎn)過(guò)程中不能對(duì)缺陷進(jìn)行有效檢測(cè),必然會(huì)導(dǎo)致一系列問(wèn)題。因此,在每個(gè)工序前對(duì)零部件進(jìn)行質(zhì)量檢查、在工序中對(duì)半成品進(jìn)行檢查以及在工序完成后對(duì)成品進(jìn)行檢查是非常必要的。

電池質(zhì)量檢測(cè)對(duì)于確保最終生產(chǎn)出的電池的性能和安全性起著關(guān)鍵作用,通過(guò)提前發(fā)現(xiàn)并解決缺陷問(wèn)題,還能提高整個(gè)生產(chǎn)過(guò)程的良品率。因此,電池行業(yè)的領(lǐng)先企業(yè)長(zhǎng)期以來(lái)一直采用基于規(guī)則或基于深度學(xué)習(xí)算法的自動(dòng)化視覺(jué)檢測(cè)技術(shù)。然而,受各種環(huán)境和技術(shù)限制,視覺(jué)檢測(cè)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(jué)檢測(cè)解決方案,以最大程度地減少漏檢缺陷的情況。

wKgZO2h17POACiUMAALJTzOcsWU646.png


案例一:軟包電池極耳檢測(cè)

采用深度學(xué)習(xí)模型生成合成缺陷,以解決軟包電池極耳斷裂缺陷檢測(cè)中缺陷數(shù)據(jù)不足的問(wèn)題。這種方法有助于獲取足夠的數(shù)據(jù),并建立高性能的自動(dòng)化系統(tǒng)。


現(xiàn)場(chǎng)情況

極耳缺陷檢測(cè)的重要性

在軟包電池中,極耳將內(nèi)部電極與外部端子連接起來(lái),對(duì)電池的電氣性能和安全性起著至關(guān)重要的作用。鑒于其重要性,極耳缺陷檢測(cè)會(huì)在多個(gè)工序中反復(fù)進(jìn)行。以下是一些常見(jiàn)的極耳缺陷檢測(cè)示例:

(1)極耳焊接后:極耳外觀缺陷檢測(cè)

(2)注液后:極耳與內(nèi)部電極接觸缺陷檢測(cè)

(3)化成和老化后:極耳電阻缺陷檢測(cè)

即使是看似微小的缺陷也可能引發(fā)嚴(yán)重問(wèn)題,比如生產(chǎn)出次品電池或增加電阻,進(jìn)而可能導(dǎo)致起火。這凸顯了全面質(zhì)量檢測(cè)的必要性。如果影響性能和安全的極耳缺陷未被檢測(cè)出來(lái),就會(huì)影響后續(xù)工序,最終降低整體生產(chǎn)良率。

具體現(xiàn)場(chǎng)情況——某軟包電池制造商(A公司)

A公司是一家軟包電池制造商,每年的產(chǎn)能達(dá)數(shù)十吉瓦時(shí)(GWh)。該公司進(jìn)行多步驟檢測(cè),以便盡早發(fā)現(xiàn)極耳缺陷并提高生產(chǎn)良率。

首次極耳缺陷檢測(cè)在用于電池電芯組裝的極耳焊接完成后立即進(jìn)行。該公司認(rèn)識(shí)到,焊接過(guò)程中的機(jī)械應(yīng)力或受熱導(dǎo)致附近金屬變脆弱,都可能造成外觀缺陷。公司利用自主研發(fā)的人工智能解決方案,檢測(cè)焊接過(guò)程中出現(xiàn)的斷線、劃痕、凹痕、氣泡和污漬等外觀缺陷,具體步驟如下:

(1)將電極堆疊在軟包電池殼內(nèi)后,極耳會(huì)焊接到電芯的頂部和底部。焊接好極耳的電芯隨后會(huì)沿著生產(chǎn)線輸送至封裝工序,在此過(guò)程中,安裝在生產(chǎn)線旁的攝像頭會(huì)捕捉極耳的圖像。

(2)捕捉到的圖像會(huì)被發(fā)送到裝有公司自研人工智能系統(tǒng)的電腦上,由系統(tǒng)分析圖像中的缺陷。由于從圖像捕捉到缺陷評(píng)估的檢測(cè)過(guò)程需要一定時(shí)間,所以每當(dāng)電芯到達(dá)攝像頭位置時(shí),生產(chǎn)線會(huì)短暫停頓。

(3)被判定為有缺陷的電芯會(huì)自動(dòng)從生產(chǎn)線上剔除。不過(guò),由于人工智能軟件的評(píng)估并非100%可靠,所以需要檢查員對(duì)結(jié)果進(jìn)行核實(shí)。

軟包電池極耳檢測(cè)存在的問(wèn)題

A公司的視覺(jué)檢測(cè)系統(tǒng)經(jīng)常漏檢缺陷,為提高電池質(zhì)量的可靠性,有必要進(jìn)一步改進(jìn)檢測(cè)性能。因此,該公司開(kāi)始采用新的檢測(cè)設(shè)備,并探索配套軟件,目標(biāo)是實(shí)施基于深度學(xué)習(xí)的視覺(jué)檢測(cè),而不僅僅是采用人工智能解決方案。

然而,A公司在尋找新的深度學(xué)習(xí)解決方案時(shí)面臨著一些挑戰(zhàn)。

缺陷圖像不足

由于電池制造過(guò)程中嚴(yán)格的缺陷管理以及A公司先進(jìn)的技術(shù),缺陷率極低,這導(dǎo)致缺陷圖像嚴(yán)重短缺。這種短缺帶來(lái)了兩大主要挑戰(zhàn):

(1)深度學(xué)習(xí)模型訓(xùn)練數(shù)據(jù)不足:由于連基本數(shù)量的缺陷數(shù)據(jù)都難以獲取,模型的訓(xùn)練和開(kāi)發(fā)變得困難重重。雖然可以用有限的數(shù)據(jù)集創(chuàng)建一個(gè)模型,但它檢測(cè)新的、未見(jiàn)過(guò)的缺陷的能力會(huì)大幅受損。

(2)無(wú)法測(cè)試新設(shè)備和軟件的性能:在采用新解決方案時(shí),企業(yè)通常會(huì)讓不同供應(yīng)商的各種解決方案完成相同的任務(wù),并進(jìn)行性能測(cè)試。然而,由于可用數(shù)據(jù)匱乏,很難在眾多選項(xiàng)中確立明確的標(biāo)準(zhǔn)來(lái)挑選最合適的解決方案。

多模型應(yīng)用導(dǎo)致檢測(cè)速度受限

一個(gè)軟包電池電芯的頂部和底部都有正負(fù)極,每個(gè)電芯需要檢測(cè)四個(gè)極耳。由于每個(gè)區(qū)域的形狀和缺陷類型略有不同,最有效的方法是為每種極耳類型開(kāi)發(fā)一個(gè)單獨(dú)的模型,這樣總共就有四個(gè)模型,分別用于頂部正極、頂部負(fù)極、底部正極和底部負(fù)極。

然而,使用多個(gè)模型增加了現(xiàn)場(chǎng)應(yīng)用過(guò)程中需要調(diào)用的模型數(shù)量,從而降低了處理速度。這導(dǎo)致在線檢測(cè)速度下降,因此有必要開(kāi)發(fā)一個(gè)單一的集成模型,以確保實(shí)時(shí)檢測(cè)更快、更高效。

解決方案

用于生成合成缺陷數(shù)據(jù)的生成對(duì)抗網(wǎng)絡(luò)(GAN)模型

友思特Neuro-T自動(dòng)深度學(xué)習(xí)平臺(tái)的解決方案為A公司提供了一個(gè)生成合成缺陷的模型,解決了該公司數(shù)據(jù)短缺的問(wèn)題。通過(guò)使用生成對(duì)抗網(wǎng)絡(luò)(GAN)模型,該模型能在無(wú)缺陷圖像上合成與實(shí)際缺陷極為相似的缺陷,A公司得以創(chuàng)建開(kāi)發(fā)高性能模型所需的大量缺陷數(shù)據(jù)。這項(xiàng)技術(shù)使深度學(xué)習(xí)模型能夠有效地學(xué)習(xí)識(shí)別各種類型的缺陷,如斷線、凹痕、劃痕、污漬和氣泡等。

wKgZPGiTCzuALh0zAACQl8oKRuw387.pngwKgZPGiTC2SAbsxtAACHlgIGqbY071.pngwKgZPGiTC0WAW_HuAACK5ZFTf5Q249.png

部署集成模型以加快檢測(cè)速度

借助友思特Neuro-T自動(dòng)深度學(xué)習(xí)平臺(tái)的流程圖,A公司將四個(gè)獨(dú)立的模型——分別用于檢測(cè)頂部正極、頂部負(fù)極、底部正極和底部負(fù)極極耳的模型——集成到一個(gè)單一的流程圖模型中,并將其應(yīng)用于檢測(cè)設(shè)備。這減少了運(yùn)行時(shí)庫(kù)調(diào)用的模型數(shù)量,從而實(shí)現(xiàn)了與生產(chǎn)線速度相匹配的更快檢測(cè)。

(1)生成分類模型:分別生成用于檢測(cè)頂部正極、頂部負(fù)極、底部正極和底部負(fù)極極耳缺陷的分類模型,每個(gè)模型單獨(dú)評(píng)估缺陷。

(2)連接四個(gè)分類模型:在流程圖中鏈接這四個(gè)分類模型。

(3)整合為單一模型并應(yīng)用:將連接好的模型整合為一個(gè)單一模型,并迅速應(yīng)用到當(dāng)前正在使用的檢測(cè)設(shè)備中。

wKgZPGiTC3WASz7gAACmZnlDiSU041.png


wKgZO2iTC4eAVTmQAACsA8MP1Hk001.pngwKgZPGiTC5WADsStAACPP3JCNto059.png


成果與效益

友思特Neuro-T的解決方案讓A公司通過(guò)生成合成缺陷圖像,成功克服了缺陷數(shù)據(jù)短缺的難題,進(jìn)而開(kāi)發(fā)出了高性能的檢測(cè)模型。該模型能夠精準(zhǔn)檢測(cè)缺陷,漏檢率為0%,誤檢率僅為0.03%,有效避免了缺陷產(chǎn)品流出,確保了電池具備較高的質(zhì)量和安全性。

此外,A公司將原本用于檢測(cè)每個(gè)電芯極耳的四個(gè)獨(dú)立模型通過(guò)Neuro-T的流程圖功能整合為一個(gè)單一模型,并應(yīng)用到檢測(cè)設(shè)備中,從而簡(jiǎn)化了檢測(cè)流程,使其能與生產(chǎn)線的快節(jié)奏相匹配。這一改進(jìn)顯著提高了生產(chǎn)效率,使得電池產(chǎn)量得以提升。

項(xiàng)目主要圖片

使用GAN模型合成的缺陷圖像

wKgZO2iTC7SAEeI8AAJaevJoUrU081.png

使用Neuro-T深度學(xué)習(xí)模型檢測(cè)極耳缺陷結(jié)果

無(wú)缺陷極耳原圖

wKgZO2iTDD-AGtw-AAZFd4MuGI0511.png

Neuro-T:零代碼自動(dòng)深度學(xué)習(xí)訓(xùn)練平臺(tái)

友思特 Neuro-T 是一個(gè)用于深度學(xué)習(xí)視覺(jué)檢測(cè)項(xiàng)目的一體化平臺(tái),可用于 項(xiàng)目規(guī)劃→圖像預(yù)處理→圖像標(biāo)注→模型訓(xùn)練→模型評(píng)估 一系列任務(wù)。Neuro-T提供了便捷的工具和友好的圖形化界面,只需四個(gè)步驟即可創(chuàng)建一個(gè)深度學(xué)習(xí)模型。

審核編輯 黃宇

聲明:本文內(nèi)容及配圖由入駐作者撰寫(xiě)或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場(chǎng)。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問(wèn)題,請(qǐng)聯(lián)系本站處理。 舉報(bào)投訴
  • 視覺(jué)檢測(cè)
    +關(guān)注

    關(guān)注

    2

    文章

    411

    瀏覽量

    20176
  • 深度學(xué)習(xí)
    +關(guān)注

    關(guān)注

    73

    文章

    5586

    瀏覽量

    123612
  • 鋰電
    +關(guān)注

    關(guān)注

    4

    文章

    484

    瀏覽量

    17641
收藏 人收藏
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

    評(píng)論

    相關(guān)推薦
    熱點(diǎn)推薦

    機(jī)器視覺(jué)檢測(cè)PIN針

    物理?yè)p傷)必須進(jìn)行極其精密的測(cè)量與核查。以往依賴人眼的檢測(cè)方式存在明顯短板:不僅作業(yè)速度慢、受人員狀態(tài)影響大(易疲勞導(dǎo)致誤判),而且在面對(duì)日益嚴(yán)苛的微米級(jí)精度標(biāo)準(zhǔn)時(shí)顯得力不從心。相比之下,基于機(jī)器視覺(jué)
    發(fā)表于 09-26 15:09

    鋰電行業(yè)視覺(jué)檢測(cè)案例集錦(二)

    本文主要介紹了友思特自動(dòng)深度學(xué)習(xí)平臺(tái)Neuro-T在電池制造過(guò)程中的應(yīng)用,主要涉及方形電池排氣閥焊接檢測(cè)。文章展示了用深度學(xué)習(xí)檢測(cè)系統(tǒng)取代傳統(tǒng)規(guī)則檢測(cè)系統(tǒng)的優(yōu)點(diǎn),使電池制造過(guò)程更高效、安全。
    的頭像 發(fā)表于 08-13 15:32 ?357次閱讀
    <b class='flag-5'>鋰電</b><b class='flag-5'>行業(yè)</b><b class='flag-5'>視覺(jué)</b><b class='flag-5'>檢測(cè)</b>案例<b class='flag-5'>集錦</b>(二)

    ??禉C(jī)器人如何站穩(wěn)機(jī)器視覺(jué)行業(yè)梯隊(duì)

    與機(jī)器視覺(jué)行業(yè)同成長(zhǎng)起來(lái)的??禉C(jī)器人,在近兩年下游行業(yè)需求整體承壓、市場(chǎng)競(jìng)爭(zhēng)白熱化加劇、洗牌加速的背景下,仍以出色的“答卷”,站穩(wěn)機(jī)器視覺(jué)
    的頭像 發(fā)表于 05-26 09:39 ?1107次閱讀

    機(jī)器視覺(jué)助力軌道缺陷檢測(cè)

    機(jī)器視覺(jué)檢測(cè)助力軌道檢測(cè)
    的頭像 發(fā)表于 05-21 16:55 ?479次閱讀
    機(jī)器<b class='flag-5'>視覺(jué)</b>助力軌道缺陷<b class='flag-5'>檢測(cè)</b>

    個(gè)鋰電池高側(cè)電流檢測(cè)電路

    這個(gè)電路是群友私信的個(gè)鋰電池高側(cè)電流采樣的電路, 原本使用的是電量計(jì)作為高側(cè)采樣,以計(jì)算鋰電池剩余電量,后考慮降本,所以想在高側(cè)采集鋰電池電流加擬合去計(jì)算電池電量。要求是雙向電流
    的頭像 發(fā)表于 05-19 10:25 ?701次閱讀
    <b class='flag-5'>一</b>個(gè)<b class='flag-5'>鋰電</b>池高側(cè)電流<b class='flag-5'>檢測(cè)</b>電路

    鋰電池?zé)崾Э卦砑鞍踩?b class='flag-5'>檢測(cè)技術(shù)解析

    #鋰電池?zé)崾Э卦砑鞍踩?b class='flag-5'>檢測(cè)技術(shù)解析 大規(guī)模儲(chǔ)能場(chǎng)站的出現(xiàn),是新能源應(yīng)用發(fā)展的必然結(jié)果。與此同時(shí),其基礎(chǔ)元件——鋰電池的熱失控,往往會(huì)蔓延導(dǎo)致大規(guī)?;馂?zāi)災(zāi)難,嚴(yán)重時(shí)甚至累及人員生命安全和重大
    發(fā)表于 05-12 16:51

    鋰電池外殼氣密性檢測(cè)儀的檢測(cè)精度可以達(dá)到多少

    鋰電池外殼氣密性檢測(cè)儀的檢測(cè)精度因品牌和型號(hào)的不同而有所差異。些先進(jìn)的檢測(cè)儀能夠達(dá)到非常高的檢測(cè)
    的頭像 發(fā)表于 04-17 11:55 ?542次閱讀
    <b class='flag-5'>鋰電</b>池外殼氣密性<b class='flag-5'>檢測(cè)</b>儀的<b class='flag-5'>檢測(cè)</b>精度可以達(dá)到多少

    尋跡智行無(wú)人叉車鋰電行業(yè)應(yīng)用案例

    尋跡智行憑借深厚的技術(shù)積累和行業(yè)洞察,為鋰電新能源企業(yè)打造站式智能倉(cāng)儲(chǔ)搬運(yùn)整體解決方案。
    的頭像 發(fā)表于 04-11 14:43 ?405次閱讀

    行業(yè)首創(chuàng):基于深度學(xué)習(xí)視覺(jué)平臺(tái)的AI驅(qū)動(dòng)輪胎檢測(cè)自動(dòng)化

    全球領(lǐng)先的輪胎制造商 NEXEN TIRE 在其輪胎生產(chǎn)檢測(cè)過(guò)程中使用了基于友思特伙伴Neurocle開(kāi)發(fā)的AI深度學(xué)習(xí)視覺(jué)平臺(tái),實(shí)現(xiàn)缺陷檢測(cè)率高達(dá)99.96%,是該行業(yè)首個(gè)使用AI平
    的頭像 發(fā)表于 03-19 16:51 ?655次閱讀
    <b class='flag-5'>行業(yè)</b>首創(chuàng):基于深度學(xué)習(xí)<b class='flag-5'>視覺(jué)</b>平臺(tái)的AI驅(qū)動(dòng)輪胎<b class='flag-5'>檢測(cè)</b>自動(dòng)化

    明治案例 | PCB視覺(jué)檢測(cè)利器,精準(zhǔn)捕捉【線序顏色】【元件缺失】與【焊點(diǎn)細(xì)節(jié)】

    在當(dāng)今的3C行業(yè)中,視覺(jué)檢測(cè)PCB已經(jīng)成為種常見(jiàn)的解決方案,它極大地提升了生產(chǎn)效率和產(chǎn)品質(zhì)量。然而,隨著電子產(chǎn)品設(shè)計(jì)的日益復(fù)雜和多樣化,特別是對(duì)于
    的頭像 發(fā)表于 02-25 07:34 ?786次閱讀
    明治案例 | PCB<b class='flag-5'>視覺(jué)</b><b class='flag-5'>檢測(cè)</b>利器,精準(zhǔn)捕捉【線序顏色】【元件缺失】與【焊點(diǎn)細(xì)節(jié)】

    康耐視VisionPro智能視覺(jué)軟件助力孚能科技突破鋰電檢測(cè)瓶頸

    鋰電池制造領(lǐng)域,精度與效率的平衡始終是行業(yè)難題。面對(duì)鋰電缺陷檢測(cè)復(fù)雜度高、質(zhì)量要求嚴(yán)苛等挑戰(zhàn),孚能科技通過(guò)部署康耐視VisionPro智能視覺(jué)
    的頭像 發(fā)表于 02-21 15:32 ?793次閱讀

    友思特方案 瞬時(shí)糾錯(cuò)的智慧算法:鋰電與半導(dǎo)體多類型視覺(jué)檢測(cè)助力高效高質(zhì)生產(chǎn)

    為新能源鋰電行業(yè)賦能第三站:豐富智慧的多類型視覺(jué)檢測(cè)系統(tǒng)!鋰電行業(yè)產(chǎn)線
    的頭像 發(fā)表于 12-05 13:41 ?962次閱讀
    友思特方案 瞬時(shí)糾錯(cuò)的智慧算法:<b class='flag-5'>鋰電</b>與半導(dǎo)體多類型<b class='flag-5'>視覺(jué)</b><b class='flag-5'>檢測(cè)</b>助力高效高質(zhì)生產(chǎn)

    汽車行業(yè)AI視覺(jué)檢測(cè)(下):創(chuàng)新驅(qū)動(dòng)品質(zhì)提升

    )》。本文作為汽車行業(yè)AI視覺(jué)檢測(cè)的下篇內(nèi)容,將圍繞發(fā)動(dòng)機(jī)缸體外觀檢測(cè)、電機(jī)定子外觀檢測(cè)兩個(gè)典型案例展開(kāi)。01發(fā)動(dòng)機(jī)缸體外觀
    的頭像 發(fā)表于 11-30 01:04 ?1434次閱讀
    汽車<b class='flag-5'>行業(yè)</b>AI<b class='flag-5'>視覺(jué)</b><b class='flag-5'>檢測(cè)</b>(下):創(chuàng)新驅(qū)動(dòng)品質(zhì)提升

    友思特方案 外觀實(shí)時(shí)深度解析:新能源鋰電行業(yè)的OCT技術(shù)新突破

    為新能源鋰電行業(yè)賦能第站:OCT光學(xué)相干斷層掃描技術(shù)!無(wú)論是鋰電池板、電池極片,還是氫能電池膜的電極,微米級(jí)分辨率和毫米級(jí)深度的OCT系統(tǒng)都能輕松
    的頭像 發(fā)表于 11-21 17:15 ?1037次閱讀
    友思特方案  外觀實(shí)時(shí)深度解析:新能源<b class='flag-5'>鋰電</b><b class='flag-5'>行業(yè)</b>的OCT技術(shù)新突破

    如何制定套優(yōu)質(zhì)的工業(yè)視覺(jué)檢測(cè)算法方案?

    很難與當(dāng)下主流的AI平臺(tái)工具配型,或者是通過(guò)單算法模型進(jìn)行訓(xùn)練,通常情況下,工業(yè)視覺(jué)檢測(cè)項(xiàng)目面臨著系列獨(dú)特的難點(diǎn)與挑戰(zhàn)。比如:算法實(shí)現(xiàn)難。工業(yè)環(huán)境中的背景往往非
    的頭像 發(fā)表于 11-14 01:05 ?2901次閱讀
    如何制定<b class='flag-5'>一</b>套優(yōu)質(zhì)的工業(yè)<b class='flag-5'>視覺(jué)</b><b class='flag-5'>檢測(cè)</b>算法方案?