康耐视 | 深度学习为汽车制造应用提供全面解决方案

展商新闻

康耐视 | 深度学习为汽车制造应用提供全面解决方案

2020年09月21日

康耐视基于深度学习的视觉软件和智能相机提供了专门解决复杂和具有挑战性的检测应用的解决方案。它将人工智能与机器视觉的强大功能相结合，非常适用于解决变形元件定位、复杂外观检测、缺陷检测、装配验证、分类和具有挑战性的OCR应用。并且可以在易于部署的用户界面中自动执行和解决以前难以编程的检测应用。

因此深度学习解决方案被适用于汽车制造行业的各个环节，可以有效减少生产误差，进而能够降低生产成本，以确保所生产的产品满足汽车行业严苛的质量要求。今天我们就先来了解几组在汽车电池装配过程中的常见问题，以及深度学习所能提供的专业解决方案

[01] 封盖焊接检测——使用分类和缺陷检测工具评估低热电芯焊接质量

▉ 常见问题

制造质量不佳的电池会降低效率，导致电池之间产生不均匀的负载（这会使电池管理变得更困难），并缩短电池组的整体使用寿命。一旦将电芯组合到模块和电池组中，电芯制造中的错误将很难补救。

在将电极和隔膜装入圆柱形电芯的外壳并充满电解液之后，会使用封盖将壳体密封。为了避免损坏壳体中的精密电子元件，需采用低热焊接方法，通常为激光焊接。此类焊接必须保持精确，以确保封盖周围密封的牢固性。而在将电芯用于电池模块内部或者作为单个电芯使用之前，必须检查所产生的焊缝，确保其通过检查。如果电解液通过有缺陷的焊缝发生任何泄漏，将会降低电芯效率，并可能导致电池内发生短路。

▉ 解决方案

正确评估封盖焊接质量是确保整个电池的功能和使用寿命的关键。所有这些焊接在外观上可能会有显著区别，并可能显示出各种各样的缺陷，同时也会出现并不影响电池性能的广泛变化。由于外观重叠的原因，使用传统的视觉系统几乎不可能将外观变化与功能重大的变化进行区分。

康耐视深度学习解决方案提供缺陷检测和分类工具，并且用户可针对各种焊接变化对这些工具进行训练。即使物体和焊接外观存在变化，该系统也能够进行“学习”，以准确地分类和区分不同类型的缺陷。

[02] 注液密封检测——使用缺陷检测和分类工具检查电芯注入密封焊接质量

▉ 常见问题

在对电芯的顶盖进行焊接和测试之后，制造商将在电芯内充满可在电池内传导电子的液体电解质。充填完成之后，充填孔将被焊接闭合。由于高热量可能会损坏阳极、阴极和电解液，因此该步骤将采用低热量的激光焊接工艺来完成。

任何导致电解液泄漏的电解液污染或焊接缺陷都会使得电芯效率降低。虽然在继续将电芯安装到模块中之前，对充填和密封完成的电芯进行电气测试可以揭示出是否存在问题，但这种方法并不完全可靠。正确评估注入密封焊接质量是确保整个电池的功能和寿命的关键。

▉ 解决方案

所有这些焊缝在外观上可能存在显著的变化，并且可能显示出各种缺陷。此外，焊缝还包含大量并不影响电池性能的可接受变化。康耐视深度学习解决方案提供缺陷检测和分类工具，用户可对这些工具进行有关此类广泛焊接变化方面的训练，以学习准确地将功能性缺陷与可接受的外观变化进行分类和区分。

[03] 电芯表面检测——使用缺陷检测工具检查电芯涂层质量

▉ 常见问题

在对电芯进行焊接后，电芯将被包裹在耐久性保护涂层中。该涂层可能存在缺陷，包括涂层下方的气泡和夹杂物、涂层划伤以及涂层涂覆不当。当将这些电芯紧密地包装到电池模块中时，有多种因素可能会导致电气短路或过热，包括电芯紧密靠近、每个电芯必须携带的电荷、电芯产生的热量、与热界面材料(TIM)接触不充分等。

此外，电芯涂层可能存在并不损害功能的各种轻微瑕疵，同时也存在虽然看上去微小但可能导致电芯变得不安全或无法使用的划伤。非常重要的一点是必须对这些缺陷进行检测，同时尽可能减少剔除虽然有瑕疵但并不影响功能的电芯涂层。

▉ 解决方案

使用具有嵌入深度学习检测功能的视觉系统可有效检测电芯表面。康耐视深度学习解决方案可基于合格表面和缺陷表面图像集进行训练。康耐视深度学习解决方案的缺陷检测工具可学习识别和通过可接受变化范围内的表面，并标记存在不可接受缺陷的表面，确保充分考虑到图像中的自然变化，比如光线反射。

[04] 软包表面检测——使用深度学习工具检测软包电池外观

▉ 常见问题

在抽真空过程中，软包式电芯形状可能会有些不规则。在进行夹具成型后，电芯软包将被挤压以熨平表面，并使表面变得平滑。至关重要的一点是，软包必须保持平整、无褶皱并且不弯曲。电池制造商通常会在这些阶段之间采用自动化检测系统来捕捉任何表面缺陷。电芯软包的复杂表面纹理会产生容易混淆的噪音背景，导致将褶皱、气泡及其他缺陷掩盖。此外，各个电芯软包在视觉外观上也可能存在巨大的差异，这导致明确搜索所有缺陷的过程变得过于复杂并且十分耗时。

▉ 解决方案

VIDI深度学习方案使用基于深度学习技术的视觉算法，通过从带注释的图像中进行学习来识别气泡、褶皱等缺陷。该模型可学习电芯软包表面的正常外观，包括并不构成缺陷的自然变化。偏离模型正常外观的所有特征将被表征为异常。通过这种方式，VIDI深度学习方案能够可靠且一致地检测所有异常，无需大量缺陷库。

[05] 侧板和顶板焊接检测——使用深度学习解决方案评估方形电芯面板焊接

▉ 常见问题

在方形电芯中，制造商会在电极片的周围焊接矩形壳体，然后将顶板进行焊接。由于电芯在使用过程中可能会加热和冷却，因此盖子必须允许电芯发生一定程度的膨胀和收缩。这是一个特别重要的考虑因素，因为方形电芯的形状意味着它们能够以节省空间的方式紧密层叠。在将电芯安装到电池模块中之前，制造商必须检测侧板和顶板上的焊缝质量，以确认是否存在任何缺陷。

▉ 解决方案

相比仅使用一种技术，将2D和3D视觉系统与深度学习技术相结合可以检测出更多类型的潜在缺陷。康耐视深度学习解决方案提供缺陷检测和分类工具，用户可对这些工具进行有关各种合格焊缝和缺陷焊缝变化方面的训练，以学习准确地将功能性缺陷与可接受的外观变化进行分类和区分。