電池是電動汽車（EV）、儲能系統（ESS）等高價值行業至關重要的上游產業，其產品性能和安全性備受關注。我們將展示友思特自動深度學習平臺Neuro-T，基于深度學習技術，如何在整個生產過程中革新缺陷檢測和質量保證工作。

本篇文章將介紹案例一：

軟包電池極耳檢測。采用深度學習模型生成合成缺陷，以解決軟包電池極耳斷裂缺陷檢測中缺陷數據不足的問題。這種方法有助于獲取足夠的數據，并建立高性能的自動化系統。

電池制造過程

? ?

電池是電動汽車（EV）、儲能系統（ESS）等高價值行業至關重要的上游產業，其產品性能和安全性備受關注。這是因為消費者通常會將電池的性能與使用該電池的產品性能聯系起來，即使是細微的質量下降，也可能引發嚴重的火災事故，對人們的安全構成威脅。鑒于對性能和安全性的高度重視，在電池制造過程中進行缺陷檢測至關重要。電池的生產需經過多個步驟和復雜的流程，在這些階段中出現的微小缺陷，都可能對最終產品的性能和安全產生嚴重影響。

電池制造過程主要包括四個階段：電極制造、電芯組裝、化成以及模組封裝。每個主要階段又進一步細分為若干子工序。根據形狀，電池可分為圓柱形、軟包和方形三種類型，它們在生產過程中的組裝方式有所不同。

（1）電極制造：這是制造電池核心部件——正負極電極的過程，包括攪拌、涂布、輥壓、分切和沖切等工序。

（2）電芯組裝：此為電池成型的過程。圓柱形電池是將正極、負極和隔膜像卷紙一樣卷繞成“果凍卷”結構，然后放入電池殼中。而軟包或方形電池則是將材料堆疊后放入電池外殼。

（3）化成：這是激活電能并驗證電池穩定性的過程，通過反復的老化以及充放電循環來實現。

（4）模組封裝：將制造好的電芯進行模塊化處理，并裝入電池包的過程。

由于電池生產工序繁多且復雜，如果在生產過程中不能對缺陷進行有效檢測，必然會導致一系列問題。因此，在每個工序前對零部件進行質量檢查、在工序中對半成品進行檢查以及在工序完成后對成品進行檢查是非常必要的。

電池質量檢測對于確保最終生產出的電池的性能和安全性起著關鍵作用，通過提前發現并解決缺陷問題，還能提高整個生產過程的良品率。因此，電池行業的領先企業長期以來一直采用基于規則或基于深度學習算法的自動化視覺檢測技術。然而，受各種環境和技術限制，視覺檢測在速度和性能方面存在一定的局限性。所以，企業需要基于人工智能的視覺檢測解決方案，以最大程度地減少漏檢缺陷的情況。

案例一：軟包電池極耳檢測

采用深度學習模型生成合成缺陷，以解決軟包電池極耳斷裂缺陷檢測中缺陷數據不足的問題。這種方法有助于獲取足夠的數據，并建立高性能的自動化系統。

現場情況

極耳缺陷檢測的重要性

在軟包電池中，極耳將內部電極與外部端子連接起來，對電池的電氣性能和安全性起著至關重要的作用。鑒于其重要性，極耳缺陷檢測會在多個工序中反復進行。以下是一些常見的極耳缺陷檢測示例：

（1）極耳焊接后：極耳外觀缺陷檢測

（2）注液后：極耳與內部電極接觸缺陷檢測

（3）化成和老化后：極耳電阻缺陷檢測

即使是看似微小的缺陷也可能引發嚴重問題，比如生產出次品電池或增加電阻，進而可能導致起火。這凸顯了全面質量檢測的必要性。如果影響性能和安全的極耳缺陷未被檢測出來，就會影響后續工序，最終降低整體生產良率。

具體現場情況——某軟包電池制造商（A公司）

A公司是一家軟包電池制造商，每年的產能達數十吉瓦時（GWh）。該公司進行多步驟檢測，以便盡早發現極耳缺陷并提高生產良率。

首次極耳缺陷檢測在用于電池電芯組裝的極耳焊接完成后立即進行。該公司認識到，焊接過程中的機械應力或受熱導致附近金屬變脆弱，都可能造成外觀缺陷。公司利用自主研發的人工智能解決方案，檢測焊接過程中出現的斷線、劃痕、凹痕、氣泡和污漬等外觀缺陷，具體步驟如下：

（1）將電極堆疊在軟包電池殼內后，極耳會焊接到電芯的頂部和底部。焊接好極耳的電芯隨后會沿著生產線輸送至封裝工序，在此過程中，安裝在生產線旁的攝像頭會捕捉極耳的圖像。

（2）捕捉到的圖像會被發送到裝有公司自研人工智能系統的電腦上，由系統分析圖像中的缺陷。由于從圖像捕捉到缺陷評估的檢測過程需要一定時間，所以每當電芯到達攝像頭位置時，生產線會短暫停頓。

（3）被判定為有缺陷的電芯會自動從生產線上剔除。不過，由于人工智能軟件的評估并非100%可靠，所以需要檢查員對結果進行核實。

軟包電池極耳檢測存在的問題

A公司的視覺檢測系統經常漏檢缺陷，為提高電池質量的可靠性，有必要進一步改進檢測性能。因此，該公司開始采用新的檢測設備，并探索配套軟件，目標是實施基于深度學習的視覺檢測，而不僅僅是采用人工智能解決方案。

然而，A公司在尋找新的深度學習解決方案時面臨著一些挑戰。

缺陷圖像不足

由于電池制造過程中嚴格的缺陷管理以及A公司先進的技術，缺陷率極低，這導致缺陷圖像嚴重短缺。這種短缺帶來了兩大主要挑戰：

（1）深度學習模型訓練數據不足：由于連基本數量的缺陷數據都難以獲取，模型的訓練和開發變得困難重重。雖然可以用有限的數據集創建一個模型，但它檢測新的、未見過的缺陷的能力會大幅受損。

（2）無法測試新設備和軟件的性能：在采用新解決方案時，企業通常會讓不同供應商的各種解決方案完成相同的任務，并進行性能測試。然而，由于可用數據匱乏，很難在眾多選項中確立明確的標準來挑選最合適的解決方案。

多模型應用導致檢測速度受限

一個軟包電池電芯的頂部和底部都有正負極，每個電芯需要檢測四個極耳。由于每個區域的形狀和缺陷類型略有不同，最有效的方法是為每種極耳類型開發一個單獨的模型，這樣總共就有四個模型，分別用于頂部正極、頂部負極、底部正極和底部負極。

然而，使用多個模型增加了現場應用過程中需要調用的模型數量，從而降低了處理速度。這導致在線檢測速度下降，因此有必要開發一個單一的集成模型，以確保實時檢測更快、更高效。

解決方案

用于生成合成缺陷數據的生成對抗網絡（GAN）模型

友思特Neuro-T自動深度學習平臺的解決方案為A公司提供了一個生成合成缺陷的模型，解決了該公司數據短缺的問題。通過使用生成對抗網絡（GAN）模型，該模型能在無缺陷圖像上合成與實際缺陷極為相似的缺陷，A公司得以創建開發高性能模型所需的大量缺陷數據。這項技術使深度學習模型能夠有效地學習識別各種類型的缺陷，如斷線、凹痕、劃痕、污漬和氣泡等。

部署集成模型以加快檢測速度

借助友思特Neuro-T自動深度學習平臺的流程圖，A公司將四個獨立的模型——分別用于檢測頂部正極、頂部負極、底部正極和底部負極極耳的模型——集成到一個單一的流程圖模型中，并將其應用于檢測設備。這減少了運行時庫調用的模型數量，從而實現了與生產線速度相匹配的更快檢測。

（1）生成分類模型：分別生成用于檢測頂部正極、頂部負極、底部正極和底部負極極耳缺陷的分類模型，每個模型單獨評估缺陷。

（2）連接四個分類模型：在流程圖中鏈接這四個分類模型。

（3）整合為單一模型并應用：將連接好的模型整合為一個單一模型，并迅速應用到當前正在使用的檢測設備中。

成果與效益

友思特Neuro-T的解決方案讓A公司通過生成合成缺陷圖像，成功克服了缺陷數據短缺的難題，進而開發出了高性能的檢測模型。該模型能夠精準檢測缺陷，漏檢率為0%，誤檢率僅為0.03%，有效避免了缺陷產品流出，確保了電池具備較高的質量和安全性。

此外，A公司將原本用于檢測每個電芯極耳的四個獨立模型通過Neuro-T的流程圖功能整合為一個單一模型，并應用到檢測設備中，從而簡化了檢測流程，使其能與生產線的快節奏相匹配。這一改進顯著提高了生產效率，使得電池產量得以提升。

項目主要圖片

使用GAN模型合成的缺陷圖像

使用Neuro-T深度學習模型檢測極耳缺陷結果

無缺陷極耳原圖

Neuro-T：零代碼自動深度學習訓練平臺

友思特 Neuro-T 是一個用于深度學習視覺檢測項目的一體化平臺，可用于 項目規劃→圖像預處理→圖像標注→模型訓練→模型評估 一系列任務。Neuro-T提供了便捷的工具和友好的圖形化界面，只需四個步驟即可創建一個深度學習模型。

審核編輯 黃宇