低成本更高效丨深度学习在电动车电池检测中的指南
伴随着环境保护意识的提高和低碳经济的兴起，加之政府出台的扶持政策，电动汽车(EV)如今已进入了高速普及阶段。据《全球电动汽车展望报告》(Global EV Outlook Report)预测，到2030年，电动汽车数量将从当前约1100万辆增加到多达2.3亿辆。
面对如此高幅度的增长率，制造商该如何把握住这次机遇，在保证电动汽车安全的前提下，同时降低电动汽车的生产成本，牢牢抢占住市场呢？一套具有成本效益和流程效率的视觉检测方案，绝对能让你事半功倍。
为使电动汽车更具成本竞争力，经济实惠的电池组至关重要。制造商需要改进生产工艺和电池化学并降低电池组价格，包括实现自动化生产以及实施新的技术和流程，以实现更佳的规模经济效益。本次，我们将从电动汽车最昂贵的组件——电池组举例分析，如何依靠康耐视深度学习解决方案 ，简化电动汽车电池检测，使得电动汽车更具成本竞争力。
挑战
01
外观和功能缺陷挑战
电动汽车电池组件极易出现变化性，比如焊点的外观、包裹电芯的密封膜、电极片的表面等。这种变化性可能会在电池装配过程的不同阶段表现出来，若使得基于规则的传统视觉系统，其设置和维护非常耗时，并且无法作为确保产品质量的可靠手段。必须要使用功能足够强大，能够处理所有不同组件出现的显著变化，并且仅剔除具有真正缺陷的元件的视觉系统。这种能力对于区分可接受的元件变化与超出公差范围的外观或功能缺陷至关重要。
此外，制造商还必须能够检测功能缺陷。电池阳极应力或分解等严重缺陷会导致电池在一种称为热失控的过程中释放大量热量。过多的热量会导致电流增加，并可能损害电池组件的完整性，进而导致更高的报废率和相关成本。较小的缺陷则可能导致电池组的效率降低或使用寿命缩短，在这种情况下，电池组可能不适合用作电动汽车电源，但可以作为网格存储设备。
*软包电池表面检测
同样，制造商需要采取快速且经济实惠的方法准确分类外观缺陷。如果不具备这种能力，则难以降低报废率和返工率并降低总体成本。
02
解决组件可变性挑战
电动汽车电池架构存在固有的高度可变性。制造商需要使用检测系统识别并消除可能降低电池质量的问题。而表面检测主要识别波纹、凹坑、气泡、孔洞等缺陷。一方面，带纹理的表面(比如:软包电池表面)特别难以成像；另一方面，准确识别这些缺陷至关重要，因为褶皱或气泡可能表明电芯内部存在功能问题。制造商还需在电芯组装过程中进行检测，以确保隔膜和电极正确连接。
装配检测系统必须能够测量电极片之间的距离、读取不同类型的二维码(以实现可追溯性)、检查对位情况、检测网格和表面缺陷、测量封盖与电池盒之间的距离以及检测焊缝。每一步均有助于确保电芯在其使用寿命期内始终满足相关规范要求。
*最终装配验证
同时，电池化成检测可确保电池组或电池模块中的单个电芯已充电并正常运行。这些测试将验证电压、电流和电池化成的外观，对装配完成的电芯进行分级，并采集额外的代码信息，以实现可追溯性。而当电池模块组合到一起后，需要进行额外的检测，以验证电池模块是否正确定位、接触牢固并且适当焊接，并再次采集代码信息，以确保电池模块的可追溯性。
深度学习解决方案
基于上述的挑战分析可得知，电动汽车的电池组件存在高度的可变性，传统的视觉解决方案，在应用于电动汽车电池检测时，系统设置和管理往往非常耗时。为了克服这些问题，康耐视将机器视觉与深度学习技术结合使用。
深度学习技术可以和人工检测员一样进行训练，并作出准确的预测。深度学习系统教导机器通过示例进行学习。然后，由模拟人脑神经网络的多层神经网络完成处理。这种高性能系统使软件能够识别图像、区分趋势并作出智能预测和决策。
神经网络是深度学习系统的重要组成部分。该软件处理大量样本数据，并快速测试潜在检测系统的准确性。良好的解决方案可以处理多种棘手的工作，包括分析缺陷、定位和分类元件、读取标识以实现可追溯性等。
*康耐视基于深度学习的机器视觉产品
康耐视专为制造环境设计的基于深度学习的机器视觉解决方案包含经过现场广泛测试的算法，其中容纳大量异常示例和大型缺陷库，还包含直观的图形用户界面，以简化神经网络训练。这些有用的功能使深度学习系统能够提供其他类型的自动化检测策略无法提供的一致性和速度。
结论
电动汽车制造行业目前正处于十字路口。如果制造商能够进一步降低昂贵组件(比如电池组)的成本，则可以率先抢占市场。而基于深度学习的机器视觉解决方案可以帮助制造商实现包括自动化生产以及实施新的技术流程，并在最终装配之前及时检测出缺陷，降低报废率和返工率，并缩短复杂检测所需的时间，从而进一步提高产品质量和生产效率，以成功应对这一挑战。
来源：康耐视
1.图片、音视和视频文件，版权均为菁特智能独家所有。如需转载请与021-65558696/ www.kingtic.cn联系。任何媒体、网站或个人转载使用时须注明来源“菁特智能”，违反者本网将追究其法律责任。
2.本网转载并注明其他来源的稿件，除原创内容及特别说明之外，推送稿件文字及图片均来自网络及各大主流媒体。版权归原作者所有。如认为内容侵权，请联系我们删除。
