MVTec HALCONs Deep Learning bringt Batterieproduktion bei Panasonic Energy voran

Panasonic Energy produziert an mehreren Standorten in Japan und Nordamerika Autobatterien, deren weltweite Nachfrage stetig steigt. Um die Ergebnisse und Qualität im Produktionsprozess zylindrischer Lithium-Ionen-Batterien zu verbessern, hat das Unternehmen am Standort Kansas (USA) in großem Umfang Deep-Learning-Technologien von MVTec HALCON implementiert.

HALCONs Deep Learning für fortschrittliche Batterieinspektion

Die Herstellung zylindrischer Lithium-Ionen-Batterien erfolgt in mehreren Prozessschritten, vgl. die Abbildung unten. Im ersten Schritt wird die Metallfolie mit einem Slurry beschichtet (coating), gefolgt vom Pressen (compression) der beschichteten Elektrodenplatten, dem Schneiden (cutting / slitting), Wickeln (winding), der Zellmontage (assembly) und schließlich der Sichtprüfung und Verpackung (appearance check / packing).

Am Standort in Kansas wurde Deep-Learning-basierte Bildverarbeitung für die Inspektion in jedem Schritt nach dem Schneidevorgang eingeführt. In Kombination mit regelbasierten Bildverarbeitungsmethoden verhindert dies mit hoher Genauigkeit, dass fehlerhafte Produkte in den Vertrieb gelangen.

Keine fehlerhaften Produkte im Vertrieb und Halbierung der Fehlalarmquote

Die Inspektion umfasst eine Vielzahl von Anwendungen, darunter beispielsweise die Prüfung der Laserschweißnähte der Elektrodenlaschen im Montageprozess (siehe Abbildung).

Auf der linken Seite sind Beispiele für einwandfreie Produkte dargestellt: „feine vertikale Kratzer” (fine vertical scratch) und „seitliche Kratzer durch Spannvorrichtung” (lateral scratch caused by jig). Auf der rechten Seite hingegen finden sich fehlerhafte Produkte, etwa „Anhaftungen von Faserabfällen” (fiber waste adhesion) und „Schweißspritzer” (welding spattering). Während solche Fehler von Menschen bei einer visuellen Kontrolle erkannt werden können, stoßen herkömmliche regelbasierte Inspektionen hier an ihre Grenzen und liefern häufig falsch-positive Ergebnisse.

Die Lösung für dieses Problem lieferte MVTec

Mit seiner Bildverarbeitungssoftware HALCON wurde ein Verifizierungssystem entwickelt, das die bisherige regelbasierte Inspektion um eine Deep-Learning-basierte Bewertungsfunktion ergänzt. Dies wurde in einem bestehenden Werk getestet und führte zu einer Reduzierung der falsch positiven Ergebnisse um 57,3 %. Die Verifizierungsergebnisse bewiesen die hohe Zuverlässigkeit der Deep-Learning-basierten Prüfung mit HALCON. Daher fiel die Entscheidung, das System im Werk in Kansas vollständig zu implementieren.
 

Diese Success Story wurde freundlicherweise von Panasonic Energy Co. zur Verfügung gestellt. Alle Bilder mit freundlicher Genehmigung von Panasonic Energy Co.