随着新能源车需求的持续增长，锂电池在新能源汽车行业的应用前景广阔。目前锂电池包括硬壳和软包电池，硬壳则可分为圆柱电池和方形电池。其中方形电池凭借其充放电倍率、循环寿命、安全性等方面的优势，成为一种主流的电池封装应用。

方形电池工艺链

　　锂电池工艺链分为前、中、后三段，以方形电池为例，其工艺链中存在大量的质检需求，传统视觉检测可满足各工艺环节的定位和纠偏应用。

　　而在极片、焊缝、绝缘隔膜等需要检测表面缺陷的工序中，传统视觉检测的精度受缺陷形态影响，通过针对性调参后，易消耗过多的内部资源，效果可能仍无法达到预期。因此，对锂电行业内的缺陷检测引入深度学习算法，使用一定量缺陷样本来训练生成AI模型，让AI来判断缺陷和位置，可达到较好的检测效果。

海康机器人VM算法开发平台

　　VM算法开发平台作为海康机器人的核心智能产品，不仅包含了定位、测量、处理等传统视觉模块，更集成图像分割、字符训练、图像分类、目标检测、图像检索、实例分割以及异常检测等AI算法模块，可使用VisionTrain对需要用到的AI模块进行学习训练。此外，海康机器人与多家企业合作，基于VM算法开发平台，构建持续、高效、开放的生态合作圈。今天我们就为大家分享四则合作伙伴运用VM图像分割完成的缺陷检测案例。

01 极片缺陷检测

　　在工艺前段的极片预分切工序中，会将宽度较长的极片卷按需求分切成多卷窄条极片，同时需要对极片正反面(阴阳极)进行缺陷检测，缺陷类型包括掉料、破损、折痕、划痕、凹坑等。

　　挑战

　　部分划痕与极片灰度值相近，轮廓不明显;缺陷形态丰富，同时需准确完成多分类任务;耗时要求严格。

　　方案

　　对丰富缺陷形态的检出是深度学习的应用方向，而针对耗时与分类准确率，通过VM内部算法性能上的优化，使多分类任务的耗时大幅下降，同时保证了检出精度。

　　VM界面局部检出效果

02 顶盖焊接 缺陷检测

　　在工艺中段的顶盖焊接环节中，需检测方形电池壳体周围的激光焊印，如是否存在虚焊、漏焊、断焊、爆点等缺陷，以评估焊接质量。

　　挑战

　　不同的缺陷需要做准确分类;同个物件有三个检测区，背景会不断变化;部分缺陷受大面积的背景特征干扰。例如下图中的爆点特征，上半部分红色框内为需要检出的爆点，与而下半部分的焊印与爆点极其相似，需准确区分。

　　方案

　　采用面阵相机配合步进的方式进行检测，通过深度学习算法，兼容了不同背景的样本，对于相似缺陷，在标注上赋予忽略以加大采样，最终能快速精准的获得缺陷的位置及其类别标签。

　　VM界面局部检出效果

03 密封钉焊接 缺陷检测

　　在工艺后段的密封钉焊接环节中，会出现焊点、炸焊、漏焊、焊偏的情况，人工目检效率不高，传统调参难以满足检出需求。需要检测的区域包括：焊缝区，密封钉内圈以及清洗区。

　　挑战

　　缺陷形态丰富，难以界定其形态边缘;检测区移动频繁，缺陷位置具有随机性;部分小缺陷混杂于焊灰或清洗圈中，需准确识别。

　　方案

　　通过海康机器人深度学习算法，不仅克服了难点，准确定位缺陷的位置，且在做产线复制时，AI模型可快速兼容使用，促使项目落地。

　　VM界面局部检出效果

04 绝缘蓝膜 缺陷检测

　　锂电池的蓝膜表面会出现不同程度的破损，因此在包装过程中需一道工序进行缺陷检测，由于蓝膜整体较长，检出精度要求高，一般使用4K或8K线阵相机采图，像素长度大于20000，属于超大分辨率样本。

　　挑战

　　需检出个位像素级别的极小缺陷;缺陷与正常的灰尘、凸起反光征基本一致;超大分辨率样本，对耗时与显存占用提出挑战。

　　方案

　　针对超大分辨率下的小缺陷样本，通过内部对深度学习网络进行性能优化;外部二次降采样，或裁剪外部背景区域的方法，在去除无效背景区干扰的同时，进一步提升检测精度，降低显存占用和预测耗时。

　　VM界面局部检出效果

　　通过深度学习算法让机器拥有“辨别”能力，结合传统算法使预测结果更具交互性。海康机器人VM算法开发平台/SC智能相机系列，搭配VisionTrain深度学习训练平台，多种深度学习训练模式供您灵活使用，助您快速掌握AI能力。

（来源：海康机器人）