锂电池视觉 1秒检测产品缺陷，机器视觉成锂电生产线“天眼”|上海羊羽卓进出口贸易有限公司

1秒检测产品缺陷，机器视觉成锂电生产线“天眼”

让产线自己“长眼睛”，从而摆脱人工劳动的低效和不稳定，机器视觉正在越来越多地应用于生产制造过程。GGII 数据显示，3C 电子行业是机器视觉最多的应用领域，连续多年应用占比第一；其次是汽车、半导体、锂电池、医药等行业。其中锂电行业需求增长明显，预计未来5-10 年将会是机器视觉主要增长的拉动引擎之一。

均普智能动力电池模组装配线

“近两年，锂电行业高歌猛进，不仅产能快速扩张，对产线良率的要求也越来越高，这给机器视觉的广泛应用带来肥沃的土壤。”据科创板上市公司均普智能（股票代码:688306）总经理解时来表示，由于拥有大量新能源汽车行业的客户，公司正自主研发机器视觉智能检测与人机交互软件，与视觉检测模块进行数据通讯，应用在新能源、汽车等产线测试环节中，可实现采集并识别锂电、汽车电子零部件等智能化装配生产环节中的关键缺陷信息。自主研发机器视觉技术除了可以降本增效，最主要的是助力汽车等行业制造测量和缺陷检测精度和可靠性的提升，赋能产线数字化及智能化生产。

机器视觉的技术核心在于图像识别和信息处理，可以广泛应用在工业制造、农业、交通等多行业的智能化过程中。

相对于人眼，机器视觉在检测效率、精度、工作时间等方面均存在显著优势。均普智能机器视觉工程师何川博士介绍，仅以检测效率一项为例，其自主研发的机器视觉智能检测与人机交互技术，应用于新能源汽车、智能汽车等领域自动化生产线检测，相较传统检测方法，检测效率可提升2倍以上。

在产业链上，目前机器视觉的下游应用市场主要在汽车及其零部件、锂电池、消费电子等离散型制造业。尤其在锂电池领域的应用，高工锂电GGII信息显示，在涂覆、辊压等环节中，锂电产品表面容易产生露箔、暗斑、划痕等缺陷。这些缺陷严重影响锂电池的品质，产生安全隐患。此外，以方形卷绕电芯制造为例，在其顶盖预焊、密封钉焊接、外观检测等核心工艺流程上，必须由机器视觉来完成3D检测。在动力电池高品质、高安全性及降本增效的背景下，生产环节引入机器视觉设备已经成为主流趋势。

“相对于其他行业降本增效的需求，锂电下游应用事关安全，目前产业对缺陷率的追求从ppm(百万分之一)级别向ppb(十亿分之一)提升，这也是机器视觉最能发挥超常能力的环节。”何川博士介绍，要达到锂电生产设备高精确度的要求，必须相机、传动、环境光抑制、算法降噪等多技术的相互配合。

何川博士还透露，均普智能基于独立视觉处理软硬件平台集成的复杂图像处理与分析算法库，通过图像预处理、特征提取、特征匹配等多种算法，可检测不低于5种锂电表面典型缺陷类型，同时单种缺陷检测时间不到1秒，与工控单元的通讯信号延迟小于60毫秒，解决工艺、工序复杂繁多的锂离子电池制造高难度检测问题，进而实现产线节拍的协调及优化。

此外，锂电行业大规模扩产伴随着多元化。当前电池整体标准化程度并不高，不同电池厂甚至统一电池厂内部就有多条技术路线和不同的细分规格。这也给机器视觉的应用提出更高的要求。

根据机器视觉产业联盟预测，国内机器视觉市场规模自2021年起将保持28%左右的CAGR（五年复合增长率）增长。GGII数据统计表明，随着机器视觉在锂电池制造测量和缺陷检测的大规模应用，2022年中国锂电机器视觉检测系统市场规模预计达20亿元。

”随着锂电池自动化产线的提升、无人车间的投入，未来依靠机器视觉的完全在线检测将会替代目前的离线取样检测和半自动人工抽检方式。“解时来表示。（柯岩）

来源：光明网

锂电视觉专栏

奥普特|机器视觉文章来源自：高工锂电网

2022-05-17 09:09:44 阅读：40

前言：

机器视觉在锂电领域价值涌现，开启成长“新周期”。高工锂电特别开设“锂电视觉专栏”，持续跟踪国内外机器视觉产业链企业在锂电领域的市场动态、技术跃迁、应用案例及战略打法。

机器视觉装备作为智能装备的“眼睛”和视觉“大脑”，已经成为电芯、模组工序段的标配产品。（延伸阅读：锂电机器视觉“火了”）

机器视觉的导入可有效提升生产品质、产能、效率，并大大提高缺陷的检出率和降低缺陷的漏检率。动力电池规模化制造下，生产制造自动化、智能化需求迫切，加速了机器视觉在电池生产各环节导入及规模应用。

紧抓细分赛道机遇，奥普特发力征战锂电市场。

作为机器视觉检测的领军企业，奥普特建立了成像和视觉分析两大技术平台，产品线覆盖视觉系统、光源、工业相机、镜头、3D激光传感器、工业读码器等，并通过下游客户提供专业的机器视觉解决方案带动产品销售。

目前，奥普特已在电芯段各工序拥有成熟的视觉应用案例，并在软件与硬件两大维度不断技术创新与产品优化。

奥普特董事长卢盛林博士指出，当前动力电池视觉检测的新需求对传统算法提出巨大挑战，而基于深度学习的检测技术能够提升瑕疵检测的准确率和鲁棒性，能够有效解决上述痛点，护航电池安全。

在极耳焊接环节，存在金属碎屑，可能出现于电池表面的任易位置，且金属碎屑颜色与极片料区背景色十分接近。此外，极耳区域出现的翻折存在任意形状、多种尺度，表面反光等不良情况，导致翻折特征提取困难。上述因素给视觉检测带来很大挑战。

而传统检测算法的底层逻辑在于，在指定区域找亮度、颜色差异，并据此来判断异物的大小或形状等。显然传统算法无法解决焊接环节的检测痛点，无法满足该领域的检测需求。越来越多的工业质检技术应用到深度学习。相比于传统算法，深度学习具有准确率高、鲁棒性强、避免繁琐特征设计等优势。

2020年，奥普特已经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。

深度学习主要涉及算力、数据和算法三大维度，其底层逻辑是提供一个深度的神经网络，需要训练的参数多达百万、千万甚至上亿级别，需要大量数据和算力支撑。

对部分低频率缺陷，其成千上万的样本收集可能需要耗时数月甚至数十个月，代价十分高昂。为此，工业界、学术界均在积极研究，将样本数量降至数百级，即便这样对于部分缺陷而言，该数量依然过大。

卢盛林博士表示，奥普特投入了大量的资源研究深度学习，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，将缺陷样本数量降到个位数。

奥普特基于小样本深度学习数据扩充，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。

具体而言，对于收集到的少量缺陷样本数据，基于GAN网络生成大量可用的样本，另外，结合奥普特丰富的成像经验以及成熟的图像处理技术，生成更多的缺陷样本，降低深度学习模型对缺陷样本的依赖。最终，奥普特实现仅个位数的样本数量即可训练网络，也就是说模型依赖数据量减少至约5张。

二是数据样本自适应扩充训练技术，准确率提升10%。

扩充训练样本能有效的提升模型检测性能。但在电芯产线上，每天产生的产品以万级计量，若对每张产品图像进行数据标注、模型训练开销十分庞大。因此，生产过程中存在大量未标注相关数据的信息未被挖掘，限制检测模型效果。

奥普特基于主动学习熵值装袋的采样策略，推荐最具代表性的样本进行人工标注，不仅能有效的缩短模型的训练时间，而且每次花费较小代价不断地提升模型准确率。最终检测准确率提升约10%。

三是自适应迁移技术，大大缩短训练周期，甚至一键迁移。

通过深度学习，解决锂电产品换型频繁与深度学习模型训练周期过长的矛盾，提升企业投入产出比。

当前大都AI独角兽暂时未实现盈利，主因系投入过大。如某深度学习项目，需要大量高端人才于生产线上持续收集图片、训练模型、打标签、训练网络、提升网络性能，项目历时长且花费巨大。而且下一个项目过程中，这种繁杂且开销巨大的工序又将重复上演。

通过深度学习，奥普特提出自适应迁移技术，即在训练A模型的过程中，提供足够的信息使得模型能学习到A型号、B型号间的区别和联系，进而将学过A型号的知识迁移至B型号中，实现训练周期的大幅缩短。

奥普特深度学习模型能够将小电芯A型号一键迁移至小电芯B型号，同步支持中型电芯C型号的一键迁移，甚至对大电芯也适用，仅需迁移后补充少量训练数据对模型参数微调。

卢盛林博士介绍，除深度学习以外，奥普特在3D激光传感器领域也有深入布局。相对传统检测手段，奥普特在锂电顶盖及密封钉焊缝焊接效果检测，有质的飞跃。

如动力电池焊接环节，存在电池焊缝反光严重，且表面凹凸不平，反光方向各异等痛点，但相机成像及算法处理等常规视觉检测方案均无法满足需求。

奥普特从3D硬件出发，自主研发出线激光3D传感器，配合相机高动态反光抑制算法，能够轻松获取清晰的，且反光压制效果好的锂电焊缝图像，很好的解决上述焊接检测痛点。

此外，配合奥普特锂电焊缝3D检测专用算法，可实现对顶盖及密封钉爆点、针孔、断焊等各种缺陷的稳定检测，解决了传统检测技术无法检测不良深度等痛点。

锂电池视觉 1秒检测产品缺陷，机器视觉成锂电生产线“天眼”

1秒检测产品缺陷，机器视觉成锂电生产线“天眼”

锂电视觉专栏