伴隨著環(huán)境保護意識的提高和低碳經(jīng)濟的興起，加之政府出臺的扶持政策，電動汽車(EV)如今已進入了高速普及階段。據(jù)《全球電動汽車展望報告》(Global EV Outlook Report)預測，到2030年，電動汽車數(shù)量將從當前約1100萬輛增加到多達2.3億輛。
面對如此高幅度的增長率，制造商該如何把握住這次機遇，在保證電動汽車安全的前提下，同時降低電動汽車的生產(chǎn)成本，牢牢搶占住市場呢？一套具有成本效益和流程效率的視覺檢測方案，絕對能讓你事半功倍。
為使電動汽車更具成本競爭力，經(jīng)濟實惠的電池組至關重要。制造商需要改進生產(chǎn)工藝和電池化學并降低電池組價格，包括實現(xiàn)自動化生產(chǎn)以及實施新的技術和流程，以實現(xiàn)更佳的規(guī)模經(jīng)濟效益。本次，我們將從電動汽車最昂貴的組件——電池組舉例分析，如何依靠康耐視深度學習解決方案 ，簡化電動汽車電池檢測，使得電動汽車更具成本競爭力。
挑戰(zhàn)
01.外觀和功能缺陷挑戰(zhàn)
電動汽車電池組件極易出現(xiàn)變化性，比如焊點的外觀、包裹電芯的密封膜、電極片的表面等。這種變化性可能會在電池裝配過程的不同階段表現(xiàn)出來，若使得基于規(guī)則的傳統(tǒng)視覺系統(tǒng)，其設置和維護非常耗時，并且無法作為確保產(chǎn)品質量的可靠手段。必須要使用功能足夠強大，能夠處理所有不同組件出現(xiàn)的顯著變化，并且僅剔除具有真正缺陷的元件的視覺系統(tǒng)。這種能力對于區(qū)分可接受的元件變化與超出公差范圍的外觀或功能缺陷至關重要。
此外，制造商還必須能夠檢測功能缺陷。電池陽極應力或分解等嚴重缺陷會導致電池在一種稱為熱失控的過程中釋放大量熱量。過多的熱量會導致電流增加，并可能損害電池組件的完整性，進而導致更高的報廢率和相關成本。較小的缺陷則可能導致電池組的效率降低或使用壽命縮短，在這種情況下，電池組可能不適合用作電動汽車電源，但可以作為網(wǎng)格存儲設備。
*軟包電池表面檢測
同樣，制造商需要采取快速且經(jīng)濟實惠的方法準確分類外觀缺陷。如果不具備這種能力，則難以降低報廢率和返工率并降低總體成本。
02.解決組件可變性挑戰(zhàn)
電動汽車電池架構存在固有的高度可變性。制造商需要使用檢測系統(tǒng)識別并消除可能降低電池質量的問題。而表面檢測主要識別波紋、凹坑、氣泡、孔洞等缺陷。一方面，帶紋理的表面(比如:軟包電池表面)特別難以成像；另一方面，準確識別這些缺陷至關重要，因為褶皺或氣泡可能表明電芯內部存在功能問題。制造商還需在電芯組裝過程中進行檢測，以確保隔膜和電極正確連接。
裝配檢測系統(tǒng)必須能夠測量電極片之間的距離、讀取不同類型的二維碼(以實現(xiàn)可追溯性)、檢查對位情況、檢測網(wǎng)格和表面缺陷、測量封蓋與電池盒之間的距離以及檢測焊縫。每一步均有助于確保電芯在其使用壽命期內始終滿足相關規(guī)范要求。
*最終裝配驗證
同時，電池化成檢測可確保電池組或電池模塊中的單個電芯已充電并正常運行。這些測試將驗證電壓、電流和電池化成的外觀，對裝配完成的電芯進行分級，并采集額外的代碼信息，以實現(xiàn)可追溯性。而當電池模塊組合到一起后，需要進行額外的檢測，以驗證電池模塊是否正確定位、接觸牢固并且適當焊接，并再次采集代碼信息，以確保電池模塊的可追溯性。
深度學習解決方案
基于上述的挑戰(zhàn)分析可得知，電動汽車的電池組件存在高度的可變性，傳統(tǒng)的視覺解決方案，在應用于電動汽車電池檢測時，系統(tǒng)設置和管理往往非常耗時。為了克服這些問題，康耐視將機器視覺與深度學習技術結合使用。
深度學習技術可以和人工檢測員一樣進行訓練，并作出準確的預測。深度學習系統(tǒng)教導機器通過示例進行學習。然后，由模擬人腦神經(jīng)網(wǎng)絡的多層神經(jīng)網(wǎng)絡完成處理。這種高性能系統(tǒng)使軟件能夠識別圖像、區(qū)分趨勢并作出智能預測和決策。
神經(jīng)網(wǎng)絡是深度學習系統(tǒng)的重要組成部分。該軟件處理大量樣本數(shù)據(jù)，并快速測試潛在檢測系統(tǒng)的準確性。良好的解決方案可以處理多種棘手的工作，包括分析缺陷、定位和分類元件、讀取標識以實現(xiàn)可追溯性等。
*康耐視基于深度學習的機器視覺產(chǎn)品
康耐視專為制造環(huán)境設計的基于深度學習的機器視覺解決方案包含經(jīng)過現(xiàn)場廣泛測試的算法，其中容納大量異常示例和大型缺陷庫，還包含直觀的圖形用戶界面，以簡化神經(jīng)網(wǎng)絡訓練。這些有用的功能使深度學習系統(tǒng)能夠提供其他類型的自動化檢測策略無法提供的一致性和速度。
結論
電動汽車制造行業(yè)目前正處于十字路口。如果制造商能夠進一步降低昂貴組件(比如電池組)的成本，則可以率先搶占市場。而基于深度學習的機器視覺解決方案可以幫助制造商實現(xiàn)包括自動化生產(chǎn)以及實施新的技術流程，并在最終裝配之前及時檢測出缺陷，降低報廢率和返工率，并縮短復雜檢測所需的時間，從而進一步提高產(chǎn)品質量和生產(chǎn)效率，以成功應對這一挑戰(zhàn)。
（轉載）
