该方案来自某全球领先的锂电池研发和制造企业。面对不断增加的市场需求，该企业积极引入了智能制造技术，对多种锂电池的各个生产环节进行调控与优化，提高生产效率，在保持优异品质的同时突破产能瓶颈。以该企业的核心产品之一——动力锂电池为例。动力锂电池的基本单元是电芯。每一个完备电芯的生产都必须经过极其严格的褶皱、暗斑、掉料以及绝缘膜异常等瑕疵的缺陷检测，以保证最终产品的可靠性与安全性。但在大规模产线上，如果采用人工检测等传统方式来执行毫米级的缺陷检测，不仅速度慢、耗时巨大，精细和准确度更是无从谈起。即便引入基于工业相机的计算机图像辅助检测等自动化方法，也存在缺乏扩展性和灵活性等问题，无法有效应对新产品导致的新瑕疵形式的检测，限制了产能。

　　为有效应对以上问题，这家企业利用AI 方法构建全新的动力电池缺陷检测方案。

　　在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。

绝缘膜间隙检测图

　　方案中采用 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。

正负极片偏差检测图

　　采用轻量级快速目标检测模型——YOLOv3来进行正负极偏差检测。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

　　绝缘膜异常问题检测主要用于避免动力电池中的绝缘膜异常，导致正负极接触而引发短路事故。如图所示，绝缘膜非常薄，因此该检测对精细度和准确率要求非常高。在经典的深度神经网络中，网络层数越多，能够提取到的图像特征越丰富，也更符合该类检测的需求。但随着网络深度的增加，退化（Degradation）问题也随之产生，即准确率会先上升直至饱和，如果继续增加深度，准确率反而会下降。

绝缘膜破损、丢失、褶皱问题检测实例