我們可以做到什（shí）麽優（yōu）勢：

• 提（tí）升檢測精度

  精確的檢測算法
  確保良品率高於99.5%
  保障產線穩定
  穩定提升檢測精度

• 提高生產效率

  助（zhù）力工廠實現（xiàn）產線全（quán）自（zì）動化
  全天候不停機（jī）生產
  提高生產效率（lǜ）
  
  

• 降低生產成本

  優化作業流程（chéng）
  提（tí）升生產效率
  縮短（duǎn）投資回報周（zhōu）期
  柔性應對生產（chǎn）需求

• 行業定製化（huà）部署

  根據不同的（de）生產環境及生產方式
  適（shì）配定（dìng）製化解決方案
  打造自動化（huà）智慧工廠
  
  

近年（nián）來，隨著我國新能源汽車市場的爆發，動力電（diàn）池需求不斷增長。在電池預焊（hàn）、周邊焊、密封釘焊接、頂蓋焊接等環節，焊縫容易出（chū）現炸焊、斷焊、爆點、針孔、偏光等缺陷。這些缺陷嚴重影響動力電池的品質（zhì），產生安全隱患，焊接過程中缺陷的（de）檢測和預防變得越（yuè）來（lái）越重要。鋰電池性能和品質的提升，不僅需要在材料和設計上不斷（duàn）突破，也需要在生產製造的工藝及設備上（shàng）持續創新和改進。

機器視覺（jiào）作（zuò）為自動化設（shè）備的“眼睛”和“大腦”，將視（shì）覺檢測引入到（dào）檢測設備中已經（jīng）成為主（zhǔ）流趨勢（shì）。圖像處理係統的（de）引入，將推動自動化設備向智（zhì）能化方向轉型（xíng），推（tuī）進（jìn）動力電（diàn）池向高容量、高安全性、高品質以及低（dī）成本方向發展。麵對當前市場環境，99在线精品国产不卡在线观看在軟件、硬件和算法方麵不斷進行技術研（yán）發和（hé）產品優（yōu）化，以為鋰電行業客（kè）戶提供（gòng）更好的產（chǎn）品（pǐn）和服務。

（一）算法（fǎ）創新（xīn）

（1）異源數據融合的缺陷檢測方（fāng）案

3D相機在圖像采（cǎi）集（jí）過（guò）程中，不僅可以獲得2D灰度圖像信息，也（yě）可以獲得3D高度圖像信息。如何將兩者結合起來，解決焊接（jiē）過程（chéng）中的缺陷檢測和分類，99在线精品国产不卡在线观看一（yī）直進行算法探索和測試。由於3D圖像具有無（wú）效像素、不同產品和視角拍攝的高度範圍差異很大等特點，將（jiāng）3D高度圖像輸入到深度學習檢測網絡中，訓練過程很難收斂。99在线精品国产不卡在线观看采用自研的異（yì）源數據融合算法，將灰（huī）度圖像和深度圖像進行融合，有效地提升了焊縫檢測漏檢率和（hé）誤檢率（lǜ）。

（2）基於自由（yóu）曲麵的圖像（xiàng）差分（fèn）檢測方案

電池表麵並不是（shì）規則的平麵，如果使用平麵作為基準（zhǔn），很容易出現誤檢的現象（xiàng）。99在线精品国产不卡在线观看自研（yán）的自由曲麵算法，將高度圖像進行局部插值采樣處理，可以獲（huò）得電池表麵的局部範圍近似基準圖像，然後基於圖像（xiàng）差分方法，可（kě）以獲得缺陷檢測信息。

（3）基於深度學習的無效像（xiàng）素填充算法

深度學習在圖（tú）像識別、目標分類等方麵均有較好的應用，成為各個領域的一個研究熱點，但是基於深度（dù）神經網絡在（zài）深度圖像中的（de）應用和探索並不多（duō）。99在线精品国产不卡在线观看為了解決高度圖像中的點（diǎn）雲無效像素缺失的問題，基於卷積神經網絡設計了無效像素填充算法，很好地修補了點雲模型表麵殘缺的孔（kǒng）洞（dòng）區域，算法基於CUDA進行並行（háng）算法優化，提升了（le）焊縫檢測的效率和準確（què）率。

（二（èr））軟件平台創新

采用圖形化編程，讓（ràng）用戶（hù）在（zài）可視化的環（huán）境下，進行參數（shù）配置，快速實現項目部署，縮短項目部署的周期（qī）。融合圖像采集、圖像分析、通信等功能於一（yī）體（tǐ），為客戶提供（gòng）端到端的視覺解決方案。圖像分析模塊涵蓋測量（liàng）、形位公差檢測（平麵度、高度（dù）差、輪廓度、粗糙度等）、表麵質量分析（xī）、識別（二（èr）維碼、條形碼、字符）以及3D視覺引（yǐn）導等。

視覺在線檢測係統作為可（kě）同時實現高度輪（lún）廓、三維點雲數據采集和三維數據在線測量的3D應用係統，已經大批（pī）量（liàng）應用於高精度、高速、在線（xiàn）3D定位、測量、缺（quē）陷檢測場景。自研算法和傻（shǎ）瓜式的操作使得非常適合各種（zhǒng）非接觸式測量場景，功能、性能及穩定性已在蘋（píng）果產線使用（yòng）驗證，得到客戶的高度認同。 

將傳（chuán）統圖像處理與深度學習處理相結（jié）合，為客戶提供綜合解決（jué）方案。利用卷積（jī）神經網絡自動提取圖（tú）像特征（zhēng），從而實現產品瑕疵檢測、分類等功能。深度學習（xí）工具操作簡單，零代碼開發，用戶隻需要（yào）手動標注目（mù）標，利用標注信息自動完成模型訓練和學習，有效地解決了（le）傳統算法（fǎ）難以解決的複雜問題。在鋰電行業應用中，深度學習結合傳統（tǒng）圖像（xiàng）處理算法缺陷的（de）正確檢出率可達99.9%以上，缺陷等級和缺陷類（lèi）別分類由傳（chuán）統的40%提升到98%以上（shàng）。

（三）3D視覺和深度學習在鋰電行業中的創新案例

1、頂蓋焊後檢測

2、密封釘檢測