數控機械設備 抗干擾能力強

數控機械設備 抗干擾能力強

疊片機作為動力電池制程中的核心工段之一，其高生產效率和高精度等優(yōu)點，對于提高動力電池的性能和降低成本具有重要意義。

在精益高效生產的推動下，高速疊片機市場規(guī)模持續(xù)增長。據統計，2021年全球疊片機市場銷售額達到了數億美元，預計2028年將達到近10億美元，年復合增長率(CAGR)為8.9%。其中，疊片機用視覺系統市場規(guī)模在2024年預計達到42億，視覺系統行業(yè)年度增長40%。

在熱復合高速疊片機負極隔膜外觀缺陷視覺檢測環(huán)節(jié)，也存在一些具有挑戰(zhàn)性的問題。傳統機器視覺無法有效將極片褶皺，隔膜褶皺，隔膜膠印，隔膜劃痕和復合氣泡等目標區(qū)分開，導致大量合格品被過殺而造成的非必要浪費。當前國內高速疊片機視覺檢測系統普遍需要較長的部署周期，并且仍然需要大量人工復檢，過殺率大于2%。

針對當前行業(yè)痛點，章魚博士自主研發(fā)了高速疊片機AI視覺檢測系統，該系統基于基礎模型、行業(yè)模型、場景大模型，運用深度學習算法，整合智能硬件、數據預算、圖像處理于一體，著重于解決目前高速疊片機極片缺陷檢測準確率低、算法兼容性差、模型迭代難、軟件SOP不統一等痛點。通過系統部署，不僅可以對高速疊片機的9個工位進行檢測，也可以用于常規(guī)疊片機的視覺檢測，大大降低了產線過殺率和漏殺率，提高了尺寸、定位、對齊度的檢測精度，檢測速度也取得了突破性的提升，目前已在頭部鋰電廠商多地域廠區(qū)部署。

該系統在硬件和軟件算法上都具備差異化的技術優(yōu)勢。在硬件方面高質量圖片獲取的也在軟件方面系統建立鋰電數據集，開發(fā)鋰電大模型，基于鋰電數據集訓練模型，加之對特定極片進行AI模型訓練，從而縮短部署時間和提升檢測精度，尤其是降低漏檢率。

終憑借小尺寸缺陷檢測算法，及多尺度的訓練策略，在大數據的加持下，實現高準確率的小尺寸缺陷檢測，在部署時間上節(jié)省約60%，過殺率降低為0.3%。

其中，企業(yè)自主研發(fā)的熱復合疊片負極隔膜外觀缺陷檢AI應用技術，基于PYTORCH主流深度學習框架訓練深度卷積神經網絡的AI隔膜缺陷分類算法，用AI分類算法區(qū)分“氣泡”和“褶皺”缺陷，通過現場收集真實樣品圖片數據，訓練AI模型，終端結合GPU硬件加速推理部署，提高分類速度。

相關案例：

某鋰電動力電池生產商，在熱復合切疊一體負極隔膜質量檢測工位，出現熱復合氣泡良品和極片褶皺不良品CCD視覺無法分檢問題，現場導致大量的良品氣泡極片被錯誤排片，造成極大的成本浪費。

針對以上問題，章魚博士技術人員部署了一套自主研發(fā)基于Resnet殘差基礎網絡修改的AI算法，高效快速解決傳統機器視覺算法無法辨別的氣泡和褶皺問題，利用線體控制器結合GPU和加速推理軟件架構,軟件和硬相結合，實現快速部署加推理方案。經過產線長久驗證，AI算法將原有過殺率降低至少2%，單臺設備每個班次（12H）可有效減少良品排片500-1000pics,每月降低生產成本損失約1.5W。

數控機械設備 抗干擾能力強