机器视觉深度学习实现高水平质量控制
电池生产 | 电子元件 | 机械 | 异常值检测 | 深度学习 | 检测电池生产中的安全焊接
Manz AG 成立于 1987 年,总部位于德国罗伊特林根,是一家业务遍及全球的高科技机器制造商。 凭借在自动化、激光加工、机器视觉、计量学、湿化学和卷对卷工艺方面的多年专业知识,该公司在光伏和电子领域提供创新的生产解决方案。 此外,Manz 以其用于制造锂离子电池的现代激光系统而闻名。
面临的挑战
电池块自动化生产的最大挑战之一是在不损坏电池外壳的情况下生产安全稳定的焊接接头。 为了满足汽车行业对焊接的严格质量要求,同时为客户降低成本,Manz 正在开发在线检测系统,以确保对焊接过程的完全控制。
但是,检查电池的质量并不容易。 到目前为止,已使用 Manz 的横截面抛光或拉断测试等破坏性测试对单个组件进行了统计测试。 该程序复杂、昂贵,并且不能保证每个焊缝的完美质量。 因此,必须开发一种新工艺。
解决方案
现在 Manz 使用工业图像处理(机器视觉)来检查 BLS 500 激光系统的焊接过程,并实现了整个过程的自动化,其使用的 MVTec 的标准软件 HALCON,能借助 AI 深度学习算法显着改善错误检测并提供更多价值。例如,
- 通过自学习算法改进缺陷检测,
- 显著减少编程工作
- 可以应对尚未精确定义的错误
此外,HALCON 还解决了另一个问题。 通常,AI 训练过程需要六位数的图像数据才能达到可接受的缺陷检测率,但如此庞大的训练图像集通常在机械和工厂工程中不可用。 此外,通常不知道所有表现形式中可能存在的缺陷。 一开始,Manz 只有 10 到 100 张样本图像可用于开始训练模型。 MVTec HALCON 的技术“异常值检测” 可以很好地解决问题:
- 该功能需要很少的图像数据
- 训练只需要显示无缺陷对象的图像或“好图像”
客户利益
Manz 可以使用 MVTec HALCON 中的深度学习技术对模块化激光系统中的激光支持生产过程进行全面质量控制。 可靠的缺陷检测还有助于将电池生产长期保持在高质量水平。 由于加快了培训流程,公司还节省了大量时间和成本。
此外,由于使用了 MVTec HALCON,Manz 的客户可以优化他们的生产流程:他们受益于更少的废品、更低的成本、更快的流程以及更高的质量和可靠性。
文字和图片由 Manz AG 友情提供
您可以在这里读完整的故事。