“我们的质检要做的是在厚度仅十几微米的电池隔膜上找出所有微小缺陷，如果没有检测出来，就很可能使新能源汽车的电池在使用过程中出现问题，甚至自燃。”
在大恒图像的车间里，一条设备流水线上正在检测着新能源汽车电池的重要组成部分——隔膜，基于百度飞桨的AI算法能实时发现超30%以上传统机器质检不能发现的微小缺陷。
AI赋能，助力企业降本增效
作为新能源汽车电池的重要组成部分，隔膜的作用是隔离电池的正负极，其在生产时不可避免地会有一些缺陷，比如绝缘材料的漏涂、异物、孔洞等问题。电池隔膜如果存在缺陷，很可能会造成电池自燃，甚至会造成新能源汽车自燃，因此隔膜检测十分必要。
隔膜产品
大恒图像隶属于上市公司大恒科技，是一家老牌高科技企业。从印钞检测业务起步，大恒图像一直致力于机器视觉在工业质检方面的应用，已经在机器视觉行业深耕26年。目前，大恒图像的很多视觉检测设备都已经成为行业标准。
电池隔膜质量检测作为大恒图像众多业务之一，近年来随着新能源汽车行业的快速发展而变得日益重要。
传统算法主要根据缺陷特点设计特定算法来匹配缺陷特征，对比较明显的缺陷检测效果较好，但是对一些对比度低的缺陷检测能力较差。且传统算法适应性较差，膜的工艺或者厚度变化，之前的算法就要重新设计。
一套传统机检设备需要经历6到8周的安装调试与人员培训，才能在客户厂房正常使用，且需要经历严格的考验，客户会在使用中、甚至主动拿出已知缺陷产品，不断测试设备的缺陷检出率及精度。面对长达两个月的安装周期和极高的检测精度要求，有什么更科学的方法能让大恒图像提升效率及设备竞争力吗？
大恒图像拥有自己的研发团队，在了解到百度飞桨（PaddlePaddle）在工业质检领域的落地案例，以及面向工业级应用的端到端解决方案图像分割库（PaddleSeg）后，大恒图像开始基于飞桨研发新能源汽车电池隔膜质检模型。
PaddleSeg助力，提升30%缺陷检出率
PaddleSeg是基于飞桨开发的语义分割库，覆盖了DeepLabv3+,U-Net,ICNet，PSPNet等主流的分割模型。通过统一的配置，帮助用户更便捷地完成从训练到部署的全流程图像分割应用；基于百度视觉技术部的实际业务经验，内置10+种数据增强策略，可结合实际业务场景进行定制组合，提升模型泛化能力和鲁棒性。再通过模块化的设计，开发者可以结合预训练模型和可调节的骨干网络，训练满足不同性能和精度的要求的分割模型；最后通过不同的损失函数如DiceLoss,BCELoss等组合方式可以强化小目标和不均衡样本场景下的分割精度。
分割效果:
在合作之初，有大恒图像的客户会质疑人工智能的效果，但经过验证后，大家发现检测设备的检测效率的确得到提升——这套使用飞桨进行多种产品外观质检模型研发与部署的质检一体机，对于传统算法会漏检的一些不明显的缺陷，能提升30%的缺陷检出率,安装调试周期更是由6到8周缩减到2周。除此之外，更在设备后续维护上完成突破，大幅减少外派工程师验证设备的概率，真正实现了降本增效。
隔膜检测软件界面
检测结果示例图
PaddleSeg项目
转载请注明地址:http://www.abmjc.com/zcmbzz/2345.html
