• <td id="4cc62"><u id="4cc62"></u></td>
  • <xmp id="4cc62"><noscript id="4cc62"></noscript>
  • <td id="4cc62"><option id="4cc62"></option></td>
    <td id="4cc62"></td>
    20240703
    關注中國自動化產業發展的先行者!
    2024
    2024中國自動化產業年會
    2023年工業安全大會
    OICT公益講堂
    當前位置:首頁 >> 案例 >> 案例首頁

    案例頻道

    VisionProDeepLearning助力軟包鋰電池實現外觀檢測自動化

    ★康耐視視覺檢測系統(上海)有限公司

    速博達(深圳)自動化有限公司(以下簡稱速博達)成立于2018年,是專注于電池相關設備研發和設計的智能解決方案供應商,產品涵蓋消費類電子鋰電池、汽車動力電池產線及相關激光、視覺檢測設備,具有強大的全廠自動化設計開發、集成、實施能力。速博達本著“專業、快速、勇于創新”的服務宗旨,踐行工匠精神,專注技術提升,深耕非標自動化設備領域,為引領鋰電池行業智能裝備技術潮流,成為制造業轉型升級的典范和實現中國“制造強國”戰略目標而不懈努力。

    軟包鋰電池外觀檢測亟需實現自動化

    軟包鋰電池作為新一代儲能電源,性能優越、應用廣泛,其產能快速增長。軟包鋰電池的生產設備和檢測設備是速博達著力開拓的重要市場。

    而軟包鋰電池使用的鋁塑膜外殼材料質地較軟,易受損傷。在生產過程中會產生一些外觀缺陷,對電池的安全性構成了嚴重的威脅,可能會引起電池內部電解質外泄,甚至引發火災等安全事故。因此,相應的外觀檢測技術水平直接決定著電池產品的品質。目前軟包鋰電池廠家大多采用人工觀察的方式檢測其表面缺陷,檢測結果受主觀因素影響很大、無法較長時間持續檢測,檢測效率和準確率均低。

    “軟包電池外觀檢查的項目超過40多個,涵蓋了產品的所有外觀面和以及邊角,”速博達研發工程師指出,“而且檢測指標模糊,按照當前各企業使用的人工檢查標準文件要求,無法直接進行指標化數字化,更多的是需要依靠配套供應商的經驗,來配合客戶來優化指標和更改檢測標準。”

    當前,行業的主流檢測方式仍是人工目檢,而少數基于傳統視覺方案的樣機也由于調試周期長、可靠性差而達不到驗收標準,更難以落地量產,軟包鋰電池外觀自動檢測存在巨大的技術空白。

    VisionPro Deep Learning解決行業痛點

    作為一家致力于綠色能源智能化設備解決方案的提供商,速博達決心找到高效的檢測方法來解決這一技術瓶頸。在得知速博達的需求后,康耐視的技術工程師向速博達研發工程師分享了康耐視的深度學習視覺軟件VisionPro Deep Learning。

    度學習視覺軟件VisionPro Deep Learning。VisionPro Deep Learning是以優秀的機器學習算法套件制成的經過現場測試、優化且可靠的軟件解決方案。它將深度學習技術與VisionPro軟件相結合,能夠解決復雜的應用問題,簡化了高可變性視覺應用的開發流程。

    在現場測試中,速博達的工程師們驚喜地發現VisionPro Deep Learning順利解決了復雜的軟包鋰電池表面缺陷檢測問題,而且比傳統的機器視覺系統更簡單高效,完全可以滿足其技術需求。

    VisionPro Deep Learning的出色表現,讓速博達的研發工程師們稱贊,“對康耐視深度學習產品的卓越性能我們確實感到意外,傳統視覺技術在缺陷檢測上完全無法跟深度學習相比,并且康耐視的深度學習產品的功能和性能都符合自動化工程軟件的要求。”

    image.png

    AI外觀檢測機

    于是,速博達決定邀請康耐視作為合作伙伴,在經過一系列培訓、內測后,速博達成功部署了VisionPro Deep Learning。

    技術領先的檢測設備為企業發展開拓新空間

    目前,VisionPro Deep Learning在速博達已經成功應用超過2年。量產的軟包電池Pack檢測設備已經有40多臺設備在運行中,主要技術指標行業領先:如設備單片檢測時間小于4s、檢測準確率大于96%、人工替代率超過70%、漏檢率小于0.05%、過檢率小于5%。

    “VisionPro Deep Learning基于大量圖片建立了高精度的神經網絡模型,大大縮短了同類型產品新項目的實施周期。它不但編程界面靈活,集成簡單,還可以幫助傳統的視覺用戶使用范例型深度學習工具。”速博達研發工程師表示,“而VisionPro Deep Learning用戶友好的GUI也為管理和開發應用提供了簡單的環境。選擇Blue-Locate、RedAnalyze、Green-Classify和Blue-Read工具,更是可以幫助用戶解決傳統規則式機器視覺無法解決的復雜應用。”

    在康耐視強大的深度學習軟件VisionPro Deep Learning幫助下,速博達成功實現了軟包鋰電池外觀檢測自動化,成為全球首家實現智能手機軟包鋰電池自動化缺陷檢測的公司。而且,填補行業空白的創新設備也為速博達提供了新的市場機會,在投項目性能效率大幅改善,給企業帶來了豐厚的投資回報。

    精彩觀點

    記者:康耐視能夠為用戶提供哪些機器視覺解決方案及服務?具有怎樣的優勢?

    康耐視:如今康耐視的機器視覺解決方案已涉及制造業的方方面面,見證了整個機器視覺行業的發展壯大,也擁有眾多經過市場驗證的成功應用案例。客戶的需要就是我們要關注的。在GIGI的四個應用方面,客戶需要標準產品、自行開發的,或者整體交付的解決方案,康耐視在每個方面都有投入。當前,康耐視主要為客戶提供三種類型的服務:

    (1)基于PC的平臺和軟件平臺,滿足客戶深度開發的靈活性;

    (2)幫助客戶在軟件平臺上做自由化的編程,并和客戶已有的系統集成在一起;

    (3)為客戶提供機器視覺整體解決方案,乃至整個項目全生命周期工程服務。

    針對這三大服務板塊,康耐視始終堅持為客戶提供全面的,從底層技術到標準產品再到最優解決方案的服務體驗,這同時也幫助康耐視捕捉到各垂直行業的多種應用商機。也正是這種堅持客戶至上,專注了解客戶深切難題,提供最全面解決方案的服務理念,使得康耐視受到各行業領域客戶的青睞。

    記者:康耐視機器視覺產品的應用方向主要有哪些?

    康耐視:從解決問題的角度,康耐視將機器視覺技術分類為G-I-G-I四大方向,即引導Guide、識別Identify、測量Gauge、檢測Inspect。

    Guide是基于視覺的引導,可用于上下料\組裝領域。康耐視有PatMax以及PatMax Readline工具,使我們在面對復雜的背景、環境、光線變化下,無論是在VGR還是Motion Stage Based Alignment的應用中,都可以為客戶提供一個抗環境干擾、穩定可靠的產品以及解決方案,包括定位、校準(對位、手眼校準)。無論是部署一臺機還是多臺機,通過機器視覺的引導裝配,經過簡單配置、組態,即可在一定范圍內,保證機器運行性能的一致性與穩定性。

    Inspect基于傳統視覺領域,康耐視在AOI(自動光學檢測系統)市場具有較高占有率。但是康耐視也注意到基于傳統視覺去做檢測有一定的局限性,深度學習可以為我們帶來突破,因此將深度學習與機器視覺創造性結合起來,可以為客戶提供更容易實施,且實時內容更廣泛的產品平臺和解決方案,幫助客戶取代產品外觀檢測的人工目檢。目前在生產制造中,在裝配環節自動化技術已經大量應用,但在檢測環節,人工仍大量使用,機器視覺技術具有廣泛市場空間。

    Gauge測量,目前包括2D、3D測量。康耐視極具創新的多種3D測量方案(測量傳感器或測量硬件設備),可輕松實現包括二維和三維的測量,并開放地支持市面上各類3D硬件廠商,而其軟件則在2D、3D混合處理過程中具有強大的靈活性,且更容易實現復雜的綜合測量系統搭建,為客戶提供更全面的視覺成像。

    在Identify方面,康耐視具有非常多的專利算法,除了檢測領域小視野里的讀碼算法,條碼讀取、二維碼、QR碼等常見碼讀取外,還具有OCR、OCV的讀取和字符驗證,以及大范圍多種碼混合讀取。提供給客戶一鍵式設定的讀碼器方案,易使用且易維護。更值得一提的是,所有從視覺取向到讀碼過程,都是在非常小巧的設備里完成快速、高效、穩定的讀取,為客戶輕松實現質量管控和追蹤追溯。OCR有傳統的讀識,也有深度學習的解決方案,可通過簡單的圖片讀取即可以進行處理,而無需復雜操作,可以處理變形、干擾的字符識別。

    康耐視基于“GIGI”準則創新研發的產品,可適用于電子、半導體、汽車、物流等各種行業所有涉及機器視覺的應用場景,從而成為了客戶提高生產效率和自動化程度的堅實推進力量。

    摘自《自動化博覽》2023年12月刊

    熱點新聞

    推薦產品

    x
    • 在線反饋
    1.我有以下需求:



    2.詳細的需求:
    姓名:
    單位:
    電話:
    郵件:
  • <td id="4cc62"><u id="4cc62"></u></td>
  • <xmp id="4cc62"><noscript id="4cc62"></noscript>
  • <td id="4cc62"><option id="4cc62"></option></td>
    <td id="4cc62"></td>
    熟女风间由美