我们可以做到什么优势：
提升检测精度
准确的检测算法
确保良品率高于99.5%
包管产线稳固
稳固提升检测精度提高生产效率
助力工厂实现产线全自动化
全天候不 ；
提高生产效率降低生产本钱
优化作业流程
提升生产效率
缩短投资回报周期
柔性应对生产需求行业定制化安排
凭证差别的生产情形及生产方法
适配定制化解决计划
打造自动化智慧工厂
随着新能源车需求的一连增添，锂电池在新能源汽车行业的应用远景辽阔。现在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。其中方形电池依附其充放电倍率、循环寿命、清静性等方面的优势，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，其工艺链中保存大宗的质检需求，古板视觉检测可知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外貌缺陷的工序中，古板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，效果可能仍无法抵达预期。因此，对锂电行业内的缺陷检测引入深度学习算法，使用一定量缺陷样原来训练天生AI模子，让AI来判断缺陷和位置，可抵达较好的检测效果。
？祷等薞M算法开发平台
VM算法开发平台作为？祷等说慕沟阒悄懿，不但包括了定位、丈量、处置惩罚等古板视觉？，更集成图像支解、字符训练、图像分类、目的检测、图像检索、实例支解以及异常检测等AI算法？，可使用VisionTrain对需要用到的AI？榫傩醒把盗。别的，？祷等擞攵嗉移笠迪嘀，基于VM算法开发平台，构建一连、高效、开放的生态相助圈。今天我们就为各人分享四则相助同伴运用VM图像支解完成的缺陷检测案例。
1.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，同时需要对极片正背面（阴阳极）举行缺陷检测，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，轮廓不显着 ；缺陷形态富厚，同时需准确完成多分类使命 ；耗时要求严酷。
计划：对富厚缺陷形态的检出是深度学习的应用偏向，而针对耗时与分类准确率，通过VM内部算法性能上的优化，使多分类使命的耗时大幅下降，同时包管了检出精度。
VM界面局部检出效果
2.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，如是否保存虚焊、漏焊、断焊、爆点等缺陷，以评估焊接质量。
挑战：差别的缺陷需要做准确分类 ；同个物件有三个检测区，配景会一直转变 ；部分缺陷受大面积的配景特征滋扰。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。
计划：接纳面阵相机配合步进的方法举行检测，通过深度学习算法，兼容了差别配景的样本，关于相似缺陷，在标注上付与忽略以加大采样，最终能快速精准的获得缺陷的位置及其种别标签。
VM界面局部检出效果
3.密封钉焊接缺陷检测
在工艺后段的密封钉焊接环节中，会泛起焊点、炸焊、漏焊、焊偏的情形，人工目检效率不高，古板调参难以知足检出需求。需要检测的区域包括：焊缝区，密封钉内圈以及洗濯区。
挑战：缺陷形态富厚，难以界定其形态边沿 ；检测区移动频仍，缺陷位置具有随机性 ；部分小缺陷混杂于焊灰或洗濯圈中，需准确识别。
计划：通过？祷等松疃妊八惴，不但战胜了难点，准确定位缺陷的位置，且在做产线复制时，AI模子可快速兼容使用，促使项目落地。
VM界面局部检出效果
4.绝缘蓝膜缺陷检测
锂电池的蓝膜外貌会泛起差别水平的破损，因此在包装历程中需一道工序举行缺陷检测，由于蓝膜整体较长，检出精度要求高，一样平常使用4K或8K线阵相机采图，像素长度大于20000，属于超大区分率样本。
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 ；超大区分率样本，对耗时与显存占用提出挑战。
计划：针对超大区分率下的小缺陷样本，通过内部对深度学习网络举行性能优化 ；外部二次降采样，或裁剪外部配景区域的要领，在去除无效配景区滋扰的同时，进一步提升检测精度，降低显存占用和展望耗时。
VM界面局部检出效果
通过深度学习算法让机械拥有“区分”能力，团结古板算法使展望效果更具交互性。？祷等薞M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无邪使用，助您快速掌握AI能力。
