友思特案例

锂电行业视觉检测案例集锦(五)

前言导读

电池是电动汽车(EV)、储能系统(ESS)等高价值行业至关重要的上游产业,其产品性能和安全性备受关注。我们将展示友思特自动深度学习平台Neuro-T如何完成复杂的检测任务,并将其应用到了生产线上。

本篇文章将介绍案例五:

电池内部污染X射线检测。采用基于深度学习的检测方法,对软包电池电芯的内部X射线图像进行污染物检测。这种方法克服了此前所使用深度学习软件的性能局限,实现了高重复性精度。

纯logo

电池制造过程

电池是电动汽车(EV)、储能系统(ESS)等高价值行业至关重要的上游产业,其产品性能和安全性备受关注。这是因为消费者通常会将电池的性能与使用该电池的产品性能联系起来,即使是细微的质量下降,也可能引发严重的火灾事故,对人们的安全构成威胁。鉴于对性能和安全性的高度重视,在电池制造过程中进行缺陷检测至关重要。电池的生产需经过多个步骤和复杂的流程,在这些阶段中出现的微小缺陷,都可能对最终产品的性能和安全产生严重影响。

电池制造过程主要包括四个阶段:电极制造、电芯组装、化成以及模组封装。每个主要阶段又进一步细分为若干子工序。根据形状,电池可分为圆柱形、软包和方形三种类型,它们在生产过程中的组装方式有所不同。

(1)电极制造:这是制造电池核心部件——正负极电极的过程,包括搅拌、涂布、辊压、分切和冲切等工序。

(2)电芯组装:此为电池成型的过程。圆柱形电池是将正极、负极和隔膜像卷纸一样卷绕成“果冻卷”结构,然后放入电池壳中。而软包或方形电池则是将材料堆叠后放入电池外壳。

(3)化成:这是激活电能并验证电池稳定性的过程,通过反复的老化以及充放电循环来实现。

(4)模组封装:将制造好的电芯进行模块化处理,并装入电池包的过程。

由于电池生产工序繁多且复杂,如果在生产过程中不能对缺陷进行有效检测,必然会导致一系列问题。因此,在每个工序前对零部件进行质量检查、在工序中对半成品进行检查以及在工序完成后对成品进行检查是非常必要的。

电池质量检测对于确保最终生产出的电池的性能和安全性起着关键作用,通过提前发现并解决缺陷问题,还能提高整个生产过程的良品率。因此,电池行业的领先企业长期以来一直采用基于规则或基于深度学习算法的自动化视觉检测技术。然而,受各种环境和技术限制,视觉检测在速度和性能方面存在一定的局限性。所以,企业需要基于人工智能的视觉检测解决方案,以最大程度地减少漏检缺陷的情况。

纯logo

案例五:电池内部污染X射线检测

采用基于深度学习的检测方法,对软包电池电芯的内部X射线图像进行污染物检测。这种方法克服了此前所使用深度学习软件的性能局限,实现了高重复性精度。

现场情况 电芯内部检测的重要性

软包电池的组装过程是将多层电极和隔膜(即双电池)堆叠在软包壳内,然后注入电解液。尽管生产是在受控环境中进行,以尽量减少污染物,但在将双电池堆叠到电极袋中或向气袋中注入电解液等过程中,污染物仍可能进入软包壳。

(1)极耳污染:电极或引出极耳切割过程中产生的小金属碎片或电极箔片可能会混入其中。

(2)线状污染:电池内部隔膜或电极上的涂层可能会剥落,或者在生产过程中,空气中的纤维尘埃可能会进入电池。

(3)丝状污染:卷对卷工艺中被挤压的污染物可能未被检测到,而残留在电池内部。

(4)空气污染物:涂层工艺中产生的金属粉末或灰尘颗粒可能会积聚并进入电池。

电池电芯内的正负极由隔膜隔开。如果金属污染物进入,会在电极之间形成直接的电气短路,使大电流瞬间通过,这可能会导致发热、爆炸或起火等风险。即使是非金属细小污染物也会增加电池内阻,降低电池容量。这会导致电池出现充电/放电速度变慢、电池寿命缩短等性能问题,最终降低电池的整体质量。因此,在组装过程完成后、激活过程开始前,对电芯内部进行污染物检测至关重要。

具体现场情况——某电池制造商(E公司)

E公司在软包电池组装完成后,使用深度学习软件对其内部污染物进行检测。由于无法直接打开电芯,因此需拍摄X射线图像,并通过以下步骤来检测缺陷:

(1)组装好的电池电芯在生产线上通过X射线成像仪,拍摄其内部结构图像。

(2)将图像传输到软件中,软件使用深度学习算法进行合格/不合格评估。

(3)一旦检测出有缺陷的电芯,将立即予以报废,因为一旦确定有缺陷,这些电芯就无法修复。

纯logo

电池内部污染X射线检测存在的问题

E公司最初实施了深度学习视觉检测系统,但对所使用软件的性能并不满意。

因标注差异导致的模型精度不稳定

电芯内部X射线检测在组装过程之后进行,因此必须尽量减少漏检情况,并确保检测性能的一致性。要实现这一点,在整个模型训练过程中需要进行精确且统一的标注。

然而,在E公司,成千上万甚至数百万张图像由多名员工手动标注,这不可避免地导致标注标准和准确性不一致。此前的检测方法因工作时间过长而给资源带来了沉重负担,但生成的模型检测精度仍然不稳定。

因此,E公司不得不自行解决因标注差异导致的模型性能不稳定问题。

高分辨率图像中的缺陷丢失问题

E公司的生产线拍摄的是高分辨率X射线图像,但使用第三方深度学习软件训练的分类模型在加载训练数据时会对图像进行尺寸调整。在此过程中,缺陷尺寸也会缩小,导致一些微小缺陷丢失。

结果,出现了漏检小缺陷的问题,尽管使用了高分辨率图像,但提高检测精度却变得越来越困难。

纯logo

解决方案

E公司利用友思特Neuro-T自动深度学习平台替换了现有的深度学习视觉检测系统,其余部分保持不变。

利用自动标注确保数据一致性

E公司通过利用Neuro-T软件中的自动标注功能提高了数据一致性。该功能允许用户手动标注几张图像后,由人工智能自动为其余图像建议标注区域。

通过对所有图像应用相同的标注标准,该公司不仅保证了数据的一致性,还显著减少了标注所需的资源。此前,多名员工同时进行标注会导致标注不一致,但通过调整流程,即由一名员工进行标注,另一名员工进行审核,公司提高了模型训练的准确性。

不调整图像大小,使用图像分块进行模型训练

E公司利用Neuro-T软件的分块分类模型,基于高分辨率图像开发了一个高精度的检测模型。之前的分类模型由于分辨率限制需要调整图像大小,而分块分类模型则将高分辨率图像分割成图像块,无需调整大小即可进行训练。

这种方法确保了即使是最小的缺陷也不会被遗漏,从而得到了更准确的检测模型。因此,该公司实现了零漏检和误检率低于1%的目标性能,大大提高了检测过程的可靠性。

分块分类模型是友思特Neuro-T自动深度学习平台独有的模型,通过保持高图像分辨率,能够检测到极其微小的缺陷。有缺陷的图像块会被彩色高亮显示,缺陷判断的热力图有助于操作员直观地了解缺陷的分布和位置。

原始图像尺寸:8704*12288像素

每个块大小:512*512像素

图像中的实际缺陷尺寸:(极耳)43*37μm / (条状)20*49μm

纯logo

成果与效益

通过更换深度学习软件,E公司实现了超越其最初目标的检测性能。漏检率为0%,误检率仅为0.72%,这有效地防止了有缺陷的电池电芯进入激活流程。这使得成品电池产品的性能和安全性得到了显著提升。

此外,此前使用其他深度学习软件时精度不足的重复性检测精度也有了极大提高,达到了E公司检测技术团队设定的高标准。友思特Neuro-T软件在E公司的软包电池生产线上持续表现良好,为该公司作为全球领先电池制造商的发展和创新提供了有力支持。

纯logo

友思特 方案产品套装介绍

Neuro-T:零代码自动深度学习训练平台

友思特 Neuro-T 是一个用于深度学习视觉检测项目的一体化平台,可用于 项目规划→图像预处理→图像标注→模型训练→模型评估 一系列任务。Neuro-T提供了便捷的工具和友好的图形化界面,只需四个步骤即可创建一个深度学习模型