動力鋰電池全生產(chǎn)流程缺陷檢測方案

動力鋰電池全生產(chǎn)流程缺陷檢測方案

【挑戰(zhàn)】

該方案來自某全球領(lǐng)先的鋰電池研發(fā)和制造企業(yè)。面對不斷增加的市場需求，該企業(yè)積極引入了智能制造技術(shù)，對多種鋰電池的各個生產(chǎn)環(huán)節(jié)進行調(diào)控與優(yōu)化，提高生產(chǎn)效率，在保持優(yōu)異品質(zhì)的同時突破產(chǎn)能瓶頸。以該企業(yè)的核心產(chǎn)品之一——動力鋰電池為例。動力鋰電池的基本單元是電芯。每一個完備電芯的生產(chǎn)都必須經(jīng)過極其嚴格的褶皺、暗斑、掉料以及絕緣膜異常等瑕疵的缺陷檢測，以保證最終產(chǎn)品的可靠性與安全性。但在大規(guī)模產(chǎn)線上，如果采用人工檢測等傳統(tǒng)方式來執(zhí)行毫米級的缺陷檢測，不僅速度慢、耗時巨大，精細和準確度更是無從談起。即便引入基于工業(yè)相機的計算機圖像輔助檢測等自動化方法，也存在缺乏擴展性和靈活性等問題，無法有效應對新產(chǎn)品導致的新瑕疵形式的檢測，限制了產(chǎn)能。

【解決方案】

為有效應對以上問題，這家企業(yè)在英特爾的支持下，利用AI 方法構(gòu)建全新的動力電池缺陷檢測方案。通過對產(chǎn)能需求的評估，該企業(yè)希望新方案能夠達到單條產(chǎn)線 423FPS（Frame Per Second，幀率）的檢測速度，同時檢測準確率達到 1DPPM（Defect Part Per Million，每百萬的缺陷數(shù)量）。

新方案一方面根據(jù)動力電池產(chǎn)線的實際部署情況，以基于英特爾 架構(gòu)的平臺為基礎(chǔ)，構(gòu)建云（總部云數(shù)據(jù)中心）-邊（邊緣計算節(jié)點）- 端（產(chǎn)線工控機、工業(yè)相機）的架構(gòu)，并引入英特爾 至強 可擴展處理器、Analytics Zoo 和 OpenVINO 工具套件，以及面向英特爾 架構(gòu)優(yōu)化的 PyTorch 等軟硬件，形成端到端的機器視覺缺陷檢測方案；另一方面，根據(jù)檢測場景的差異，方案中也部署了多種不同的深度學習和機器學習算法模型，讓檢測速度和準確率均獲得了顯著提升。

一、“云 - 邊 - 端” 協(xié)同，構(gòu)建基于機器視覺的缺陷檢測平臺

為構(gòu)建高性能的缺陷檢測平臺，雙方首先從基礎(chǔ)架構(gòu)入手，根據(jù)總部云數(shù)據(jù)中心、各產(chǎn)線的生產(chǎn)管理系統(tǒng)、各類檢測設(shè)備在缺陷檢測流程中的不同作用，以及所處的不同場景帶來的特定需求，設(shè)計出 “云 - 邊 - 端” 協(xié)同的方案。

“云” 端的總部數(shù)據(jù)中心，可以利用強大的計算能力和來自各產(chǎn)線的豐富數(shù)據(jù)，根據(jù)生產(chǎn)場景需要進行集中化的模型訓練，再將訓練好的模型發(fā)布給 “邊緣” 和 “端” 側(cè)。

“邊緣” 計算節(jié)點部署在分廠或產(chǎn)線服務器中，主要包括推理服務器、模型管理器以及模型倉庫等組件，用于較重模型的推理，并將推理結(jié)果推送至產(chǎn)線質(zhì)量控制系統(tǒng)中。

“端” 則位于工廠內(nèi)每條生產(chǎn)線上，主要執(zhí)行圖像采集、預處理、預分類及輕量級推理工作。

工業(yè)視覺平臺系統(tǒng)架構(gòu)圖

這一架構(gòu)經(jīng)部署后對提升缺陷檢測效率效果顯著。如上圖所示，首先，方案采用了分層推理的方案。從前文可知，無論哪種目標檢測算法，都會耗費龐大的算力和帶寬（用于數(shù)據(jù)傳輸）資源；且離產(chǎn)線越遠，檢測時延就越高。在新方案中，端側(cè)系統(tǒng)采用開源的 OpenCV 計算機視覺庫對采集的圖像流實施預處理，并將預分類等簡單工作負載部署在基于英特爾 酷睿 i5/i7 處理器的工業(yè) PC 上，且使用輕量級模型進行推理，將結(jié)果直接反饋回產(chǎn)線，應用效率極高。

對于目標檢測、圖像分割等較 “重” 的工作負載，則通過邊緣計算節(jié)點完成。這些節(jié)點由基于第二代英特爾 至強 可擴展處理器的服務器（集群）構(gòu)建，可以從云數(shù)據(jù)中心調(diào)取合適的模型和參數(shù)，并通過英特爾提供的統(tǒng)一大數(shù)據(jù)分析及 AI 平臺Analytics Zoo 來構(gòu)建分布式的推理方案。而云端數(shù)據(jù)中心則主要承擔高強度模型訓練、推理以及管理職責。除了由基于第二代英特爾 至強 可擴展處理器的服務器構(gòu)成高性能計算集群外，云端還配備了可擴展的中心存儲數(shù)據(jù)庫，存儲各類中間過程數(shù)據(jù)以及最終模型和參數(shù)。

經(jīng)過本地預處理的海量圖像流匯集到云端后，方案采用Labelme 標注工具對數(shù)據(jù)集中的圖像進行標注，并將標注后的特征類別及位置信息傳輸?shù)接嬎慵褐羞M行訓練和推理。

Labelme 工具不僅可以標注各種形狀，還具備圖像分類、目標檢測、場景分割、實例分割、視頻標注等功能，可以很好覆蓋動力電池缺陷檢測的范圍。更重要的是，該工具支持像素級的細粒度標注，有助于提升標注效率與準確度。

值得一提的是，云端的算力雖然充沛，但其遠離產(chǎn)線，實時性會受到一定影響。新方案在云端引入了面向英特爾 架構(gòu)優(yōu)化的 PyTorch 框架，以及 OpenVINO 工具套件來進一步加速推理過程。原生 PyTorch 深度學習框架內(nèi)置了強大的視覺工具包 torchvision，包含目前流行的數(shù)據(jù)集、模型結(jié)構(gòu)和常用的圖片轉(zhuǎn)換工具，可輕松應對各種圖像檢測場景。新框架不僅繼承了原生 PyTorch 簡潔、靈活的特點，還引入面向深度神經(jīng)網(wǎng)絡(luò)的英特爾 數(shù)學核心函數(shù)庫（Intel Math Kernel Library forDeep Neural Networks, 英特爾 MKL-DNN），其包含的高度矢量化、線程化的構(gòu)建模塊，能有效提高框架在基于英特爾 架構(gòu)的處理器上的運行速度，配合 OpenVINO 工具套件所提供的模型優(yōu)化器、指令集優(yōu)化等功能，令新方案獲得了非常好的推理性能。

最后，Analytics Zoo 的引入使 “云 - 邊 - 端” 協(xié)同架構(gòu)的運行變得更為順暢。這一架構(gòu)將 Spark、PyTorch、OpenVINO 工具套件以及其它軟件和框架，無縫集成到同一管道中，有助于新方案將數(shù)據(jù)存儲、數(shù)據(jù)處理以及訓練推理的流水線整合到統(tǒng)一的基礎(chǔ)設(shè)施，不僅大幅提升新方案的部署效率、資源利用率和可擴展性，也能減少硬件管理以及系統(tǒng)運維成本。

二、針對不同檢測場景，采用適宜檢測算法

在這家全球領(lǐng)先的鋰電池生產(chǎn)制造企業(yè)的動力電池產(chǎn)線中，有三種主要的動力電池缺陷檢測場景：絕緣膜間隙檢測、正負極偏差檢測以及絕緣膜異常問題檢測。不同的場景對檢測環(huán)境、檢測速度、檢測精度以及檢測參數(shù)都有不同的要求。通過縝密的技術(shù)分析，英特爾幫助該企業(yè)針對不同檢測場景部署了不同的目標檢測模型。

■ 絕緣膜間隙檢測

絕緣膜是電池充放電時鋰離子傳輸?shù)闹匾橘|(zhì)，其間隙過大或過小都會影響電池的性能，因此在生產(chǎn)中需要嚴格把控絕緣膜的間隙范圍。但如圖所示，絕緣膜的厚度僅為毫米級別，對檢測精度要求高。

絕緣膜間隙檢測圖

英特爾在方案中建議采用 Mask R-CNN 目標檢測模型，來實現(xiàn)精細的絕緣膜間隙檢測流程。Mask R-CNN 模型是 FasterRCNN 算法模型的一個分支，特點是可對檢測目標實施逐像素的分類，進而確定圖像中檢測目標的類別和位置，并對其進行分割，尤其適合精密檢測場景的使用。采用 Mask R-CNN 模型對圖片進行像素級分類，分割出檢測邊緣，再通過 OpenCV測量實現(xiàn)產(chǎn)線所需的 0.3-3.9mm 的測量需求，超過該范圍即可確定為缺陷電池。

■ 正負極偏差檢測

在動力鋰電池生產(chǎn)過程中，正極片、絕緣膜、負極片三層材料會疊壓在一起進行卷繞，正常的電池正負極需交替出現(xiàn)，且個數(shù)一定。如圖所示，圖片中細長的為陰極，粗的為陽極。如果出現(xiàn)單個極連續(xù)出現(xiàn)或者個數(shù)不符情況，電池即可被視為存在缺陷，需及時進行自動糾偏調(diào)整來控制質(zhì)量，這對實時性的要求非常高，處理延遲要求在數(shù)十毫秒內(nèi)。

正負極片偏差檢測圖

英特爾在方案中建議采用輕量級快速目標檢測模型——YOLOv3來進行正負極偏差檢測。如前文（第14頁 “YOLO算法” 部分）所述，YOLO算法模型的主要特點就是檢測速度高，而YOLO v3模型作為其輕量級進階版本，在檢測準確率和推理速度上有了進一步的提升，尤其適用于諸如動力電池產(chǎn)線正負極偏差檢測所需的實時性和小型目標敏感檢測。

■絕緣膜異常問題檢測

絕緣膜異常問題檢測主要用于避免動力電池中的絕緣膜異常，導致正負極接觸而引發(fā)短路事故。如圖所示，絕緣膜非常薄，因此該檢測對精細度和準確率要求非常高。在經(jīng)典的深度神經(jīng)網(wǎng)絡(luò)中，網(wǎng)絡(luò)層數(shù)越多，能夠提取到的圖像特征越豐富，也更符合該類檢測的需求。但隨著網(wǎng)絡(luò)深度的增加，退化（Degradation）問題也隨之產(chǎn)生，即準確率會先上升直至飽和，如果繼續(xù)增加深度，準確率反而會下降。

絕緣膜破損、丟失、褶皺問題檢測實例

ResNet 可有效解決這一問題。其由多個殘差塊和恒等映射塊拼接而成，與一般深度神經(jīng)網(wǎng)絡(luò)相比，能有效避免深層網(wǎng)絡(luò)的梯度消失和退化問題。因此，英特爾在方案中建議采用經(jīng)典的ResNet50 殘差網(wǎng)絡(luò)實施訓練。

三、混合學習方法和遷移學習訓練，提升檢測效率和準確率

經(jīng)過產(chǎn)線檢測實踐發(fā)現(xiàn)，通過單一的深度學習方法獲得更優(yōu)的準確率與召回率，需要手工對 logits 進行適當?shù)恼{(diào)整。這無疑給整個檢測過程帶來了一定的不確定性，并增加了使用難度。為此，英特爾在方案中推薦采用機器學習中的支持向量機（Support Vector Machine, SVM）分類器與 ResNet50 殘差網(wǎng)絡(luò)一起，組成混合模型來實施檢測，同樣也可以達到類似的優(yōu)化效果。SVM 分類器能夠依據(jù)支持向量與分類超平面間隔最大化的原則，通過多次訓練迭代，尋求最優(yōu)的分類超平面來實現(xiàn)數(shù)據(jù)分類。針對絕緣膜異常檢測中的多分類（multiple-class）問題，SVM 能將其分解為多個二分類問題，再構(gòu)造多個分類器來解決。ResNet50+SVM 的組合方案，不僅很好地解決了絕緣膜破損、丟失、褶皺等異常問題的檢測難題，還大幅提升了檢測效率和準確率。模型的檢測效率和準確度除了與選擇合適的模型相關(guān)外，還需要有充足的訓練數(shù)據(jù)。一般情況下，要滿足實用要求，數(shù)據(jù)集量級需達到百萬級甚至千萬級。但在實際產(chǎn)線中，如此高量級的數(shù)據(jù)集很難收集，且采用大數(shù)據(jù)集從頭訓練也需要耗費大量時間及資源。

【方案價值】

創(chuàng)新的架構(gòu)以及適宜檢測算法的運用，使該企業(yè)的電池生產(chǎn)全流程缺陷檢測方案一上線，就獲得了良好的效果。實際部署后，單條產(chǎn)線的檢測速度和準確度都超過了預期指標。

在滿足產(chǎn)線所需的檢測精度和檢測速度之外，新方案在目標檢測模型的創(chuàng)新應用上也獲得顯著效果。以 ResNet50 殘差網(wǎng)絡(luò)和 SVM 分類器的混合模型在絕緣膜異常問題檢測場景中的使用效果為例，在驗證測試中，先以 1,000 張圖片作為樣本集，在 ResNet50 模型中進行模型微調(diào)得到基準值（97.85% 的準確率和 94% 的召回率），然后在此基礎(chǔ)上分別進行參數(shù)調(diào)整，以及使用 ResNet50+SVM 的混合模型進行訓練。驗證結(jié)果如圖 2-1-16 所示，在 ResNet50 模型中進行參數(shù)調(diào)整優(yōu)化后，可將準確率提高至 99%，將召回率提高至 97.56%，而加入SVM 分類器后，更是將準確率提升至 99.12%，將召回率提升至 99.16%，檢測精度提升顯著。

審核編輯 ：李倩