动力锂电池的全生产流程缺陷检测方案

动力锂电池的全生产流程缺陷检测方案

【挑战】

【解决方案】

一、“云 - 边 - 端” 协同，构建基于机器视觉的缺陷检测平台

为构建高性能的缺陷检测平台，双方首先从基础架构入手，根据总部云数据中心、各产线的生产管理系统、各类检测设备在缺陷检测流程中的不同作用，以及所处的不同场景带来的特定需求，设计出 “云 - 边 - 端” 协同的方案。

“云” 端的总部数据中心，可以利用强大的计算能力和来自各产线的丰富数据，根据生产场景需要进行集中化的模型训练，再将训练好的模型发布给 “边缘” 和 “端” 侧。

“端” 则位于工厂内每条生产线上，主要执行图像采集、预处理、预分类及轻量级推理工作。

工业视觉平台系统架构图

对于目标检测、图像分割等较 “重” 的工作负载，则通过边缘计算节点完成。这些节点由基于第二代英特尔 至强 可扩展处理器的服务器（集群）构建，可以从云数据中心调取合适的模型和参数，并通过英特尔提供的统一大数据分析及 AI 平台Analytics Zoo 来构建分布式的推理方案。而云端数据中心则主要承担高强度模型训练、推理以及管理职责。除了由基于第二代英特尔 至强 可扩展处理器的服务器构成高性能计算集群外，云端还配备了可扩展的中心存储数据库，存储各类中间过程数据以及最终模型和参数。

经过本地预处理的海量图像流汇集到云端后，方案采用Labelme 标注工具对数据集中的图像进行标注，并将标注后的特征类别及位置信息传输到计算集群中进行训练和推理。

最后，Analytics Zoo 的引入使 “云 - 边 - 端” 协同架构的运行变得更为顺畅。这一架构将 Spark、PyTorch、OpenVINO 工具套件以及其它软件和框架，无缝集成到同一管道中，有助于新方案将数据存储、数据处理以及训练推理的流水线整合到统一的基础设施，不仅大幅提升新方案的部署效率、资源利用率和可扩展性，也能减少硬件管理以及系统运维成本。

二、针对不同检测场景，采用适宜检测算法

在这家全球领先的锂电池生产制造企业的动力电池产线中，有三种主要的动力电池缺陷检测场景：绝缘膜间隙检测、正负极偏差检测以及绝缘膜异常问题检测。不同的场景对检测环境、检测速度、检测精度以及检测参数都有不同的要求。通过缜密的技术分析，英特尔帮助该企业针对不同检测场景部署了不同的目标检测模型。

■ 绝缘膜间隙检测

绝缘膜是电池充放电时锂离子传输的重要介质，其间隙过大或过小都会影响电池的性能，因此在生产中需要严格把控绝缘膜的间隙范围。但如图所示，绝缘膜的厚度仅为毫米级别，对检测精度要求高。

英特尔在方案中建议采用 Mask R-CNN 目标检测模型，来实现精细的绝缘膜间隙检测流程。Mask R-CNN 模型是 FasterRCNN 算法模型的一个分支，特点是可对检测目标实施逐像素的分类，进而确定图像中检测目标的类别和位置，并对其进行分割，尤其适合精密检测场景的使用。采用 Mask R-CNN 模型对图片进行像素级分类，分割出检测边缘，再通过 OpenCV测量实现产线所需的 0.3-3.9mm 的测量需求，超过该范围即可确定为缺陷电池。

■ 正负极偏差检测

在动力锂电池生产过程中，正极片、绝缘膜、负极片三层材料会叠压在一起进行卷绕，正常的电池正负极需交替出现，且个数一定。如图所示，图片中细长的为阴极，粗的为阳极。如果出现单个极连续出现或者个数不符情况，电池即可被视为存在缺陷，需及时进行自动纠偏调整来控制质量，这对实时性的要求非常高，处理延迟要求在数十毫秒内。

英特尔在方案中建议采用轻量级快速目标检测模型——YOLOv3来进行正负极偏差检测。如前文（第14页 “YOLO算法” 部分）所述，YOLO算法模型的主要特点就是检测速度高，而YOLO v3模型作为其轻量级进阶版本，在检测准确率和推理速度上有了进一步的提升，尤其适用于诸如动力电池产线正负极偏差检测所需的实时性和小型目标敏感检测。

■绝缘膜异常问题检测

ResNet 可有效解决这一问题。其由多个残差块和恒等映射块拼接而成，与一般深度神经网络相比，能有效避免深层网络的梯度消失和退化问题。因此，英特尔在方案中建议采用经典的ResNet50 残差网络实施训练。

三、混合学习方法和迁移学习训练，提升检测效率和准确率

经过产线检测实践发现，通过单一的深度学习方法获得更优的准确率与召回率，需要手工对 logits 进行适当的调整。这无疑给整个检测过程带来了一定的不确定性，并增加了使用难度。为此，英特尔在方案中推荐采用机器学习中的支持向量机（Support Vector Machine, SVM）分类器与 ResNet50 残差网络一起，组成混合模型来实施检测，同样也可以达到类似的优化效果。SVM 分类器能够依据支持向量与分类超平面间隔最大化的原则，通过多次训练迭代，寻求最优的分类超平面来实现数据分类。针对绝缘膜异常检测中的多分类（multiple-class）问题，SVM 能将其分解为多个二分类问题，再构造多个分类器来解决。ResNet50+SVM 的组合方案，不仅很好地解决了绝缘膜破损、丢失、褶皱等异常问题的检测难题，还大幅提升了检测效率和准确率。模型的检测效率和准确度除了与选择合适的模型相关外，还需要有充足的训练数据。一般情况下，要满足实用要求，数据集量级需达到百万级甚至千万级。但在实际产线中，如此高量级的数据集很难收集，且采用大数据集从头训练也需要耗费大量时间及资源。

【方案价值】

创新的架构以及适宜检测算法的运用，使该企业的电池生产全流程缺陷检测方案一上线，就获得了良好的效果。实际部署后，单条产线的检测速度和准确度都超过了预期指标。

在满足产线所需的检测精度和检测速度之外，新方案在目标检测模型的创新应用上也获得显著效果。以 ResNet50 残差网络和 SVM 分类器的混合模型在绝缘膜异常问题检测场景中的使用效果为例，在验证测试中，先以 1,000 张图片作为样本集，在 ResNet50 模型中进行模型微调得到基准值（97.85% 的准确率和 94% 的召回率），然后在此基础上分别进行参数调整，以及使用 ResNet50+SVM 的混合模型进行训练。验证结果如图 2-1-16 所示，在 ResNet50 模型中进行参数调整优化后，可将准确率提高至 99%，将召回率提高至 97.56%，而加入SVM 分类器后，更是将准确率提升至 99.12%，将召回率提升至 99.16%，检测精度提升显著。

原文标题：动力锂电池全生产流程缺陷检测方案

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。