官方微信
【原创】AI+全工序检测 OPT“破解”极耳翻折视觉检测难题
机器视觉| OPT 文章来源自:高工锂电网
2022-06-17 08:49:22 阅读:18871
摘要贺珍真介绍,OPT 2020年已将深度学习用于极耳检测,并取得不错的效果,实现对极耳检测的零漏报,且误报率保持在0.5%以内。

动力电池大规模扩产新周期,电池企业对生产高品质管控及安全需求愈发严苛。作为电池安全的一道重要关卡,极耳翻折对电池品质有严重影响甚至引发安全隐患,其视觉检测也是行业的难点之一。

OPT技术副总贺珍真认为,极耳翻折检测需要在极耳各工序严防死守,类似一支足球队,从前场的激光切检测极耳缺陷开始防守,卷绕机检测极耳作为后卫解决绝大部分问题,最后到焊接段极耳检测守门,全方位降低极耳缺陷的发生。

6月14-17日,第十五届高工锂电产业峰会在常州茅山国际会议中心盛大开幕。本届峰会由大族激光总冠名,高工锂电、高工机器人、高工产业研究院(GGII)主办,海目星激光、思客琦协办,江苏省金坛华罗庚高新技术产业开发区承办,蜂巢能源特别赞助。

15日下午“专场二:工艺创新与设备变革”上,OPT技术副总贺珍真发表“锂电全工序极耳翻折视觉检测方案”主题演讲,详细阐述了OPT全工序极耳检测方案及深度学习优化路径。

图片

 

作为国内机器视觉龙头企业,OPT充分利用在锂电行业累积的深厚视觉检测经验,综合前后工序,运用2D、3D、深度学习等多维视觉技术,针对性配置成像方案,最终突破这一行业难题,形成了完整的极耳翻折视觉检测方案。

贺珍真指出,激光切环节,采用背光与前光同时进行高速极耳切割过程中造成的毛刺或极耳翻折、形态的缺陷检测。该环节极耳检测相对容易,奥普特高速CCD检测解决方案已经在测试200米/分高速激光切,效果非常好。

卷绕机环节,需要应用机器视觉检测的环节非常多。首先,极耳入卷芯前,OPT采用前光和背光对极片进行检测,并通过高速面阵和线阵相机对在卷芯上的每一片极耳做瑕疵检测,速度达到3米/秒,保证入卷芯极耳未翻折且无缺陷。

其次,下料环节通过正面工位检测与侧面检测查看多层极耳的内层是否翻折,双向检测解决方案更稳妥也更安全。

焊接段极耳检测,焊接机主要完成截切、焊接,并进入包装环节,要求必须做到零漏检。而传统算法对部分细微缺陷很难精准处理,误判或漏检情况严重,无法满足动力电池高需求。

而传统算法与深度学习结合的方式成为主流解决方案。先定位电池主体、极耳,添加ROI框提取不同形态特征、颜色特征、灰度特征,并将其组合检测。同时,极耳两侧区域使用Blob分析算法检测极耳有无翻折。

贺珍真介绍,OPT 2020年已将深度学习用于极耳检测,并取得不错的效果,实现对极耳检测的零漏报,且误报率保持在0.5%以内。

OPT投入了大量资源研究深度学习,目前已经将其在锂电行业全面推广应用,覆盖极片检测、铝塑膜包装检测、卷绕后的极耳翻折检测等,并基于深度学习的锂电池觉检测提出三大创新。

一是,基于小样本深度学习的检测框架,依赖缺陷样本数量降至个位数;二是,数据样本自适应扩充训练技术,在小开销前提下,检测准确率提升约10%;三是,自适应迁移技术,大大缩短训练周期,甚至一键迁移。 

如OPT基于小样本深度学习创新框架,实现仅个位数的样本数量即可训练网络,模型依赖数据量减少至约5张,解决了缺陷数据收集困难、代价大导致缺陷样本少的痛点,提高了缺陷检测精度及鲁棒性。

贺珍真强调,针对极耳翻折瑕疵检测,应立足激光切、卷绕或模组,并同时在焊接工位每一个视觉检测工位把好关,从前至后整体解决极耳翻折,而非仅要求最后一环解决所有问题。

深度学习效果确实给了锂电极耳翻折检测更多信息,但要探索保障检测精度的同时改善稳定性路径,还需视觉企业从技术、产品、方案全范围提升。

作为国内首家上市的机器视觉企业,OPT坚持以技术为驱动,以解决方案为核心,建立软硬件一体协同发展模式,产品涵盖光源、光源控制器、镜头、相机、智能读码器、3D激光轮廓扫描仪、视觉开发包、深度学习和智能视觉软件产品等。

2015年前瞻性入局新能源赛道,OPT现已完成锂电从前到后各工序的视觉应用全覆盖,实现视觉全产业链软硬件一体化协同及纵深布局,产品服务多家头部电池企业,已获客户高度认可与规模应用。

640 (1).png

此文章有价值
手机扫一扫,分享给朋友
返回顶部