【深度學習實踐】AI如何找到新能源汽車電池上的微米級缺陷

“我們的質檢要做的是在厚度僅十幾微米的電池隔膜上找出所有微小缺陷,如果沒有檢測出來,就很可能使新能源汽車的電池在使用過程中出現問題,甚至自燃。”

在大恆圖像的車間裡,一條設備流水線上正在檢測著新能源汽車電池的重要組成部分——隔膜,基於百度飛槳的AI算法能實時發現超30%以上傳統機器質檢不能發現的微小缺陷。

AI賦能,助力企業降本增效

作為新能源汽車電池的重要組成部分,隔膜的作用是隔離電池的正負極,其在生產時不可避免地會有一些缺陷,比如絕緣材料的漏塗、異物、孔洞等問題。電池隔膜如果存在缺陷,很可能會造成電池自燃,甚至會造成新能源汽車自燃,因此隔膜檢測十分必要。


【深度學習實踐】AI如何找到新能源汽車電池上的微米級缺陷

隔膜產品


大恆圖像隸屬於上市公司大恆科技,是一家老牌高科技企業。從印鈔檢測業務起步,大恆圖像一直致力於機器視覺在工業質檢方面的應用,已經在機器視覺行業深耕26年。目前,大恆圖像的很多視覺檢測設備都已經成為行業標準。

電池隔膜質量檢測作為大恆圖像眾多業務之一, 近年來隨著新能源汽車行業的快速發展而變得日益重要。

傳統算法主要根據缺陷特點設計特定算法來匹配缺陷特徵,對比較明顯的缺陷檢測效果較好,但是對一些對比度低的缺陷檢測能力較差。且傳統算法適應性較差,膜的工藝或者厚度變化,之前的算法就要重新設計。

一套傳統機檢設備需要經歷6到8周的安裝調試與人員培訓,才能在客戶廠房正常使用,且需要經歷嚴格的考驗,客戶會在使用中、甚至主動拿出已知缺陷產品,不斷測試設備的缺陷檢出率及精度。面對長達兩個月的安裝週期和極高的檢測精度要求,有什麼更科學的方法能讓大恆圖像提升效率及設備競爭力嗎?

大恆圖像擁有自己的研發團隊,在瞭解到百度飛槳(PaddlePaddle)在工業質檢領域的落地案例,以及面向工業級應用的端到端解決方案圖像分割庫(PaddleSeg)後,大恆圖像開始基於飛槳研發新能源汽車電池隔膜質檢模型。

PaddleSeg助力,提升30%缺陷檢出率

PaddleSeg是基於飛槳開發的語義分割庫,覆蓋了DeepLabv3+,U-Net, ICNet,PSPNet等主流的分割模型。通過統一的配置,幫助用戶更便捷地完成從訓練到部署的全流程圖像分割應用;基於百度視覺技術部的實際業務經驗,內置10+種數據增強策略,可結合實際業務場景進行定製組合,提升模型泛化能力和魯棒性。再通過模塊化的設計,開發者可以結合預訓練模型和可調節的骨幹網絡,訓練滿足不同性能和精度的要求的分割模型;最後通過不同的損失函數如Dice Loss, BCE Loss等組合方式可以強化小目標和不均衡樣本場景下的分割精度。


分割效果:

【深度學習實踐】AI如何找到新能源汽車電池上的微米級缺陷


在合作之初,有大恆圖像的客戶會質疑人工智能的效果,但經過驗證後,大家發現檢測設備的檢測效率的確得到提升——這套使用飛槳進行多種產品外觀質檢模型研發與部署的質檢一體機,對於傳統算法會漏檢的一些不明顯的缺陷,能提升30%的缺陷檢出率, 安裝調試周期更是由6到8周縮減到2周。除此之外,更在設備後續維護上完成突破,大幅減少外派工程師驗證設備的概率,真正實現了降本增效。


【深度學習實踐】AI如何找到新能源汽車電池上的微米級缺陷

隔膜檢測軟件界面


【深度學習實踐】AI如何找到新能源汽車電池上的微米級缺陷

檢測結果示例圖


作為一家中國智能製造出口企業,大恆圖像擁有大量的出口訂單,美國、加拿大、墨西哥、巴西、智利、澳大利亞、新加坡、新西蘭等國都有業務。如今,在AI的幫助下,大恆圖像能完成一些國際品牌無法檢測出的缺陷,再憑藉固有的成本優勢,其在國際競爭中佔據的優勢進一步擴大。

看到行業難題被團隊在飛槳的協助下輕鬆攻克,身為高精尖行業領導者的大恆圖像設想,飛槳能做的或許還有很多。

AI質檢,大有可為

大恆圖像計劃未來用飛槳慢慢替代之前傳統的算法,並將AI技術應用到更多的檢測設備當中。在沒有視覺檢測設備之前,無論是紙鈔生產,還是食品生產或醫藥生產,都要依靠人工檢測,不僅費時費力,更對工人要求很高,很難完成統一標準。

以醫藥行業為例,國家藥典規定注射液中不能含有50微米以上的可見異物。藥廠執行標準的方法是使用視力檢測1.2的工人。如果在工人目力所及30釐米內能夠發現,就說明有50微米以上的異物。這種方法雖然有一定道理,但仍屬於土法檢測,如果工人視力下降或者是精神狀態不好,都會影響檢測的準確率。

【深度學習實踐】AI如何找到新能源汽車電池上的微米級缺陷

除了檢測精度之外,企業還面臨嚴重的“招工荒”,需要在封閉狹小工位工作的質檢工作,越來越難招到人、留住人。

人工質檢很快在很多行業被機器視覺質檢替代,但是在接觸到深度學習之前,大恆圖像在工業檢測方面一直用的是“傳統算法”。所謂傳統,其實是先手動模擬產品可能會出現的缺陷情況,然後讓機器能夠識別流水線中有缺陷的產品並歸類。

傳統的機器算法如果需要檢驗對缺陷率檢測要求較高的產品,雖然也能實現不錯的檢出率,但需要極大的工作量來調整算法,並且需要6到8周的安裝和調試培訓週期。更加重要的是,很多場景並沒有合適的機器算法,比如現在的實心膠囊生產線,仍然在使用人工質檢,大恆圖像正是希望與百度飛槳展開合作,突破這一行業難點,打造廣闊的藍海市場。

新能源汽車電池薄膜檢測設備的改變只是一個開始,一個傳統行業的質變要加速了。

百度飛槳推動工業智能化升級

如今,以智能製造為核心的智能經濟時代已經來臨,以人工智能為核心驅動力的第四次工革命悄然而至。站在新的歷史起點上,中國製造企業正完成由“數字化”到“自動化”、“智能化“的演進。大恆圖像依靠AI獲得產業優勢,正是這場大潮中的一個縮影。

飛槳源於產業實踐,始終致力於與產業深入融合,並已廣泛應用於工業、農業、服務業等,服務 150 多萬開發者,未來,飛槳將與合作伙伴一起幫助越來越多的行業完成 AI 賦能。

如果您想像他們一樣擁抱 AI,歡迎點擊瞭解更多填寫表單諮詢相關事宜。


分享到:


相關文章: