锂电芯AI提取焊印&保护膜边缘抓取检测
锂电芯AI提取焊印&保护膜边缘抓取检测
由于制造工艺、环境条件和设备的差异,锂电芯焊印提取在视觉检测方面面临一些挑战。例如,焊印与电芯表面颜色相似,或者由于光照条件不佳,导致图像对比度降低,难以分辨焊印的边缘。光照条件变化可能引起阴影、反光等问题,影响焊印清晰度和可读性。在生产过程中,电池可能受到物理损伤或磨损,导致焊印形状变化,增加识别难度。
在高速生产线上实时进行焊印提取可能需要快速且鲁棒的算法,以适应大量电芯的检测和识别。传统检测算法已无法满足这些需求,深度学习的设计和适当的数据处理方法对于解决这些难题至关重要。
TridiAI是由大帧科技基于PyTorch开发的深度学习训练工具,专为解决视觉检测中的各种难点和缺陷而设计。该工具能够准确判断和分析各种检测难题,为视觉检测领域带来了显著的改进。通过使用一定量的检测样本进行训练,TridiAI生成高效的AI模型,提升检测精度,有效应对金属反光和光照条件引起的对比度问题。
推荐相机参数
Camera specification
相机型号: 小驰龙PC系列 PC-630M/C.U3
-
分辨率(H×V):3088×2064
-
帧率:18.45fps
-
传感器:1/1.8''Sony IMX178 行曝光 CMOS
-
像元尺寸:2.4μm×2.4μm
-
像元深度:8/12bits
-
光谱:黑白 / 彩色
产品图
检测和测量要求
Detection and measurement needs
检测缺陷类型:
-
保护膜上边缘与顶盖底面距离
-
焊印间距及面积(≥50%)
-
左右两端焊点到电芯边缘距离
(焊点位置与电芯边缘R角的距离>5mm)
-
CCD检测精度 ≤±0.05mm
成像展示
Imaging results
侧面效果图
检测原理:
AI算法结合传统算法,AI提取焊印轮廓区域,
再使用传统算法计算焊印面积、距离等;
大面效果图
便捷功能模块
Function modules
软件界面
TridiAI训练
TridiAI
-
包含分类、语义分割、目标识别、实例分割等模型的标注训练和部署。
-
支持16位深度图的语义分割。
了解更多TridiAI
点击下方链接跳转推文