跟着新车需求的继续增长，锂电池在新能源汽车行业的运用远景宽广。现在锂电池包含硬壳和软包电池，硬壳则可分为圆柱电池和方形电池。其间方形电池凭仗其充放电倍率、循环寿数、安全性等方面的优势，成为一种干流的电池封装运用。

　　锂电池工艺链分为前、中、后三段，以方形电池为例，其工艺链中存在很多的质检需求，传统视觉检测可满意各工艺环节的定位和纠偏运用

　　而在极片、焊缝、绝缘隔阂等需求检测外表缺点的工序中，传统视觉检测的精度受缺点形状影响，经过针对性调参后，易耗费过多的内部资源，作用或许仍无法到达预期。因而，对锂电行业界的缺点检测引进深度学习算法，运用一定量缺点样原本练习生成AI模型，让AI来判别缺点和方位，可到达较好的检测作用。

　　VM算法开发渠道作为海康机器人的中心智能产品，不只包含了定位、丈量、处理等传统视觉模块，更集成图画切割、字符练习、图画分类、方针检测、图画检索、实例切割以及反常检测等AI算法模块，可运用VisionTrain对需求用到的AI模块进行学习练习。此外，海康机器人与多家企业协作，根据VM算法开发渠道，构建继续、高效、敞开的生态协作圈。今日咱们就为我们共享四则协作伙伴运用VM图画切割完结的缺点检测事例。

　　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，一起需求对极片正反面（阴阳极）进行缺点检测，缺点类型包含掉料、破损、折痕、划痕、凹坑等。

　　部分划痕与极片灰度值附近，概括不明显；缺点形状丰厚，一起需精确完结多分类使命；耗时要求严厉。

　　对丰厚缺点形状的检出是深度学习的运用方向，而针对耗时与分类精确率，经过VM内部算法功能上的优化，使多分类使命的耗时大幅下降，一起确保了检出精度。

　　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、爆点等缺点，以评价焊接质量。

　　不同的缺点需求做精确分类；同个物件有三个检测区，布景会不断改变；部分受大面积的布景特征搅扰。例如下图中的爆点特征，上半部分赤色框内为需求检出的爆点，而下半部分的焊印与爆点极端类似，需精确区别。

　　选用面阵相机合作步进的办法进行检测，经过深度学习算法，兼容了不同布景的样本，关于类似缺点，在标注上赋予疏忽以加大采样，最终能快速精准的取得缺点的方位及其类别标签。

　　在工艺后段的密封钉焊接环节中，会呈现焊点、炸焊、漏焊、焊偏的状况，人工目检功率不高，传统调参难以满意检出需求。需求检测的区域包含：焊缝区，密封钉内圈以及清洗区。

　　缺点形状丰厚，难以界定其形状边际；检测区移动频频，缺点方位具有随机性；部分小缺点稠浊于焊灰或清洗圈中，需精确辨认。

　　经过海康机器人深度学习算法，不只克服了难点，精确定位缺点的方位，且在做产线仿制时，AI模型可快速兼容运用，促进项目落地。

　　锂电池的蓝膜外表会呈现不同程度的破损，因而在包装过程中需一道工序进行缺点检测，由于蓝膜全体较长，检出精度要求高，一般运用4K或8K线阵相机采图，像素长度大于20000，归于超大分辨率样本。

　　需检出个位像素等级的极小缺点；缺点与正常的尘埃、反光征根本共同；超大分辨率样本，对耗时与显存占用提出应战。

　　针对超大分辨率下的小缺点样本，经过内部对深度学习网络进行功能优化；外部二次采样，或裁剪外部布景区域的办法，在去除无效布景区搅扰的一起，进一步提高检测精度，下降显存占用和猜测耗时。

　　经过深度学习算法让机器具有“区分”才能，结合传统算法使猜测成果更具交互性。海康机器人VM算法开发渠道/SC智能相机系列，调配VisionTrain深度学习练习渠道，多种深度学习练习形式供您灵敏运用，助您快速把握AI才能。