AI视觉检测在锂电行业中的应用-600学习网

600学习网终身会员188，所有资源无秘无压缩-购买会员

基于人工智能的视觉检测不是科学幻想。

这是一项已经应用于我们日常生活中的技术。例如，为了应对新冠肺炎，在许多场合安装了人脸识别系统。筛查肺炎时，有必要快速诊断肺部的CT图像。例如，在道路上违章驾驶将被电子眼捕捉并罚款。这些都适用于人工智能视觉检测。

除了上述民用领域的应用场景外，近年来随着5G通信技术.计算能力和数据存储技术的发展，人工智能视觉检测技术已逐渐广泛应用于锂电池行业。

▲ 电池制造工艺

如上图所示，我们知道电池的生产过程分为三个过程：前部.中部和后部。

特别是对于前段的电极涂层.中间段的绕组和激光焊接过程中的缺陷检测方法，如果使用基于图像采集和特征提取的传统机器视觉检测方法，因为它们主要依赖于手动定义的特征，泛化能力较差，需要调整每台机器的参数，缺陷检测的准确姓和完整姓无法满足日益严格的动力电池质量要求。

因此，在这样的背景下，人工智能视觉检测手段应运而生，并有其使用的场所。

场景1：识别凸耳褶皱缺陷

▲ 缠绕工艺和打褶凸耳

在缠绕过程中，很容易产生耳纹等缺陷，但耳纹会给电池的后续应用带来严重的安全风险，因此生产过程中的缺陷检测环节至关重要。

目前，主流的方法是在缺陷检测过程中使用数字X射线摄影技术生成极耳结构图像，然后对图像中的缺陷进行筛选。基于机器学习算法的人工智能视觉检测技术可以大大提高皱纹缺陷筛选的准确姓和泛化能力。

主要步骤如下：

1.极耳图像的预处理

通过调整图像中的耳朵位置.倾斜校正和耳朵图像分割，耳朵的有效位置是相同的。通过倾斜校正，可以减少电池姿态成像的图像。通过简单的图像分割，可以获得极耳有效区域的图像。

2.扩展数据集的大小，生成数据集，以预处理图像的中心为中心，随机旋转，扩展极坐标图像的数量；通过重叠分割将极耳图像裁剪成大量小尺寸子图像数据集。为了减小后续卷积神经网络的规模，减少计算量和时间消耗。

▲ 子图剪裁结果

3.基于卷积神经网络(CNN)的特征提取通过卷积神经网算法，可以提取上述数据集中的特征。可以获得一定大小的置信度结果图。

4.SVM(支持向量机)图像分类

最后，利用卷积神经网络预测的置信度结果图作为特征对SVM进行训练，并将SVM的图像分类作为耳朵缺陷的最终检测结果。

基于CNN和SVM相结合的机器学习算法，皱纹检测的准确率可以达到99%以上。

场景2：除上述质量缺陷识别外，人工智能视觉检测用于锂电池火灾早期检测的应用场景也可应用于锂电池厂运营和维护领域，如电池存储区火灾早期检测。

据不完全统计，2016年至2020年，中国锂离子电池储存区共发生14起火灾事故。锂电池储存区火灾具有蔓延迅速.燃烧剧烈.扑救难度大的特点。一旦发生火灾，往往会带来巨大的经济损失，并对人员安全构成威胁。

T