我們可以做到什麽優勢：

• 提升檢測精度

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

• 提高生產效率

  助力工廠實現產線全自動化
  全天候不停機（jī）生產
  提高生產效率
  
  

• 降低生產成本

  優化（huà）作業（yè）流程（chéng）
  提升生產效（xiào）率
  縮短投資回（huí）報周期（qī）
  柔性應對生產需求

• 行業定製化部署

  根據不同的生（shēng）產（chǎn）環境及生產方式（shì）
  適配定製化解決方案
  打造（zào）自動化智慧工廠
  
  

近年來，隨著我國新能源汽（qì）車市場的爆發，動力電池需求不斷增長。在電池預（yù）焊、周邊焊、密封釘焊接、頂蓋焊接等環節，焊縫容易出現（xiàn）炸焊、斷焊、爆點、針孔、偏光等缺陷。這些缺陷嚴（yán）重影響動力（lì）電（diàn）池的品質（zhì），產生安全隱患（huàn），焊接過程中缺陷的檢測和預防變得越來越重要。鋰電池（chí）性能和品質的提升（shēng），不僅需要在材料和設（shè）計上不斷突破，也（yě）需要在生產製造（zào）的工藝（yì）及設備上持續創新和改進。

機器視覺作為自動（dòng）化設備（bèi）的“眼睛”和“大腦”，將視覺檢測引（yǐn）入到檢測設備中（zhōng）已經成為主流趨勢。圖像處理係統的引（yǐn）入，將推動自動化設備向智能化方向轉型，推進動力電池向高容量、高安全性、高品質以及低成本方（fāng）向（xiàng）發（fā）展。麵對（duì）當前市場環境，糖心VLOG官网入口地址在軟件、硬件和算法方麵不斷進行技術研發和產品優化，以為鋰電行業客戶提供更好的產品和服務。

（一）算法創（chuàng）新

（1）異源數據融合的缺陷檢測方案

3D相機在圖像采集過（guò）程中，不僅（jǐn）可以獲得2D灰（huī）度圖像信（xìn）息，也可以獲得3D高度圖像信息。如何將兩者結合起來，解（jiě）決焊接過程中的缺陷檢測和分類，糖心VLOG官网入口地址一直（zhí）進行算法探索（suǒ）和測試（shì）。由於3D圖像具有無效像（xiàng）素、不同產品和視角拍攝的（de）高度範圍差異很大等特點，將3D高度圖像輸入到深度學習檢測網（wǎng）絡中，訓練過程很難收斂。糖心VLOG官网入口地址采用自研的異源數據融合算法，將灰度圖像和深度圖像（xiàng）進行融合，有效地提升（shēng）了焊縫檢測漏檢率和誤檢率。

（2）基於自由曲麵（miàn）的圖像差分（fèn）檢測方案

電（diàn）池表麵並不是規則的平麵（miàn），如（rú）果使用平（píng）麵作為基準，很容易出現誤檢的現象。捷（jié）翔自研的自由曲麵算（suàn）法，將高度圖像進（jìn）行局部插值采樣處理（lǐ），可以獲得電（diàn）池表麵的局部範圍近似基準圖像，然後基於圖像差分方法，可以獲得缺陷檢測信（xìn）息。

（3）基（jī）於深度學習（xí）的無（wú）效像素填充算法

深度學習（xí）在圖像識別、目標分（fèn）類等方麵均有較好的應用，成為各個領域的一個研究熱點，但是基於深度神經網絡在（zài）深度圖（tú）像中的應用和探索並（bìng）不多。糖心VLOG官网入口地址為了解決高（gāo）度圖像中的點雲無效像素缺失的問題，基於（yú）卷（juàn）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（xíng）表麵殘缺的孔洞區域，算法基於（yú）CUDA進行並行算法優化，提升了焊縫檢測的效率和準（zhǔn）確率。

（二）軟件平台創（chuàng）新

采（cǎi）用圖形化（huà）編程，讓用戶在可視化的環境下（xià），進行參數配置，快速實（shí）現（xiàn）項目部署，縮短項目（mù）部署的周期（qī）。融（róng）合圖像采集、圖像分析、通信等功能（néng）於一體，為客戶（hù）提（tí）供端到端的（de）視覺解決方案。圖（tú）像分析模塊涵蓋測量、形位公差檢（jiǎn）測（平麵度、高度差、輪（lún）廓度、粗糙（cāo）度等（děng））、表（biǎo）麵質量分析、識別（二維碼（mǎ）、條形碼、字符）以及3D視覺引導等。

視覺（jiào）在線檢測（cè）係統作為可同（tóng）時實現高度（dù）輪（lún）廓、三維（wéi）點雲數據采集和三維數據在線測量的3D應用係統，已經（jīng）大批量應用於高精度、高速、在線3D定位、測量、缺陷檢測場景。自研算法和傻瓜（guā）式（shì）的操作使得非常適合（hé）各種非接觸式測（cè）量場景，功能、性能及穩定性已在蘋果產線使用驗（yàn）證，得到客戶（hù）的高（gāo）度認同。 

將傳統圖像處理與深度學習處理相結合，為客戶提供綜合解決方案。利用（yòng）卷積神經網絡自動提取圖像特征，從而實現產品瑕疵檢測、分類等功能。深度學習工具操作簡（jiǎn）單，零代碼開發，用戶隻需要手動（dòng）標注目標，利用標注信息自動完成模型訓練和學習，有效地（dì）解（jiě）決了傳統算法難以解決的複雜問題。在（zài）鋰電行業應用中，深度學習結合傳統圖像處理算法缺陷的正確檢（jiǎn）出率可達99.9%以上，缺陷等級和缺陷（xiàn）類別分類（lèi）由傳統的40%提升到98%以（yǐ）上。

（三）3D視（shì）覺和深（shēn）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