随着新能源汽车市场的蓬勃发展，动力锂电池需求快速增长。

锂电全工序视觉应用

锂电池工艺链分为前、中、后三段，每一段工艺都有着大量的质检需求。针对锂电池瑕疵检测，除了较高的技术门槛外，还要求对工艺过程以及行业实战经验有更加深入的了解。

【OPT锂电各工序视觉应用】

OPT自2015年开始布局锂电新能源市场，如今已完成了锂电各工序环节的视觉应用全覆盖。

在前段工艺中覆盖涂布、分条、冲片（激光切）、叠片（卷绕）等环节的正负极片、隔膜瑕疵检测。在工艺中后段的焊接环节中，包括对锂电池的焊点质量、极耳翻折、金属碎屑、漏金属、缺焊、焊孔等进行检测。

OPT智能视觉软件

视觉软件是视觉应用的核心，OPT智能视觉软件不仅覆盖了传统的定位、测量、识别等常规应用，更涵盖了OPT自研的瑕疵检测、AI、3D等算法。

【软件界面】

通过AI进行缺陷特征的学习训练，运用可以更加准确稳定的识别缺陷，完成高要求的检测项目，3D检测技术配合AI及瑕疵算法能够有效的对瑕疵种类进行区分。

应用案例

机器视觉在锂电瑕疵检测的应用越来越广，提高动力电池检测水平，对电池良率提升至关重要。接下来为大家分享OPT在锂电行业的视觉应用。

涂布机

涂布工序通过涂布机将正负极浆料分别均匀地覆盖在金属箔表面。生产过程中实时在线检测涂膜区宽度、留白区宽度、陶瓷宽度、AB面涂膜区边缘对齐度、涂布表面缺陷，同时将A/B面对齐度输出给纠偏模块。

■ 检测难点

涂膜区与陶瓷区域交融造成的虚边，涂料时不稳定造成的波浪边。在高速生产时完成实时纠偏，需要极快的处理速度将数据与PLC进行同步并完成纠偏。

■ 解决方案

使用上下两组线扫相机分别对产品AB面尺寸进行测量监控，软件内通过数据缓存的方式确保AB面数据同步，根据测量的AB面涂膜区错位值计算出纠偏量。满足120m/min生产速度时测量精度±0.1mm，检测0漏判，误检率≤0.5%。

【软件界面】

激光分切一体机

激光分切工序采用激光切割出极片极耳。生产过程中实时在线检测缺陷（漏金属、破损、余料、mark孔、接带、气泡、脱碳、白点等）、尺寸（极片长度、极片宽度、极耳高度、分切宽度等）、喷码识别。根据分切尺寸、极耳高度等进行纠偏闭环，并对不良极片打标。

■ 检测难点

激光分切工序为前工序最后一道工艺，要求精度高、瑕疵检测严格，同时机台运行速度快，整个系统配置相机较多，视觉系统在快速处理庞大数据的同时还需保证算法的检出率和检测精度。

■ 解决方案

使用传统算法+ AI算法相结合的方式收集瑕疵图片，进行深度学习训练，通过深度学习匹配分数检出瑕疵。满足80m/min生产速度时瑕疵检测精度≥0.1mm²，尺寸测量精度±0.1mm，检测0漏判，误检率≤0.5%。

【软件界面】

卷绕机

卷绕工艺将正负极片和隔膜卷绕成电芯，生产过程中实时在线检测完成对齐度的纠偏以及电芯及极耳的一系列检测，包括测量对齐度、电芯宽度、电芯极耳错位、极耳左边距、抽芯、蓝标、极耳翻折等。

■ 检测难点

极耳翻折效果与正常极耳区分。检测超高速卷绕时的对齐度，需要同时完成实时的纠偏调整以确保卷绕对齐度在品质管控的范围内，同时还需完成极耳部分的检测。

■ 解决方案

以多线程并行处理、多缓存采集技术的视觉系统来完成纠偏以及检测功能。满足2500mm/s生产速度时瑕疵检测精度≥0.1mm²，对齐度测量精度±0.05mm，尺寸测量精度±0.1mm，可实现检测0漏判，误检率≤0.5%。

【软件界面】

【检测效果】

切叠一体机

切叠一体机由制片段、检测段、叠片段多个工段组成，涵盖来料缺陷检测、定位裁切、切后外观检测、切后尺寸检测、叠片前检测、叠片定位、叠片台对齐度检测等多个视觉功能。

■ 检测难点

涂覆区边缘留白、极耳带料、颗粒、凹坑、气泡、压痕、漏箔、极耳部位带料、粘料、边缘掉料、干裂、胶带等缺陷类型比较复杂，在检测和区分上难度较大。叠片段预防皮带运输造成的二次损伤检测系统和叠片台上叠片不齐检测。

■ 解决方案

使用自研极片瑕疵检测算法以及多种标定模式，配合高性能视觉控制器，实现瑕疵检测95%以上的分类准确性。对齐度工位独创的相机倾斜安装取图，在进行透视校正标定后测量精度可达±0.1mm，实现在线检测0漏判，误检率≤0.5%。

【各工位软件界面】/左右滑动查看更多

极耳焊接机

焊接工序包括料盒上料、电芯定位、焊前定位、焊印检测、胶纸定位、Sealant定位、下料检测等多个视觉工位。此工序在焊接Tab后，需对焊点个数、Tab缺失、极耳翻折、极耳侧翻、极耳破损、金属碎屑、Tab焊裂等缺陷进行检测。

■ 检测难点

金属碎屑在可视范围内灰度、长宽、面积形态多变，无法用统一固定的传统算法检测。Tab焊裂、极耳破损等缺陷没有固定的特征以供分析。极耳翻折检测，其中AL极耳灰度和电芯隔膜灰度相近，传统检测时易造成误判。

■ 解决方案

自研AI算法，深度学习检测，通过收集样本数据，训练模型，在来料差异较大及灰度对比不明显的情况下，可以稳定检测金属碎屑、极耳翻折、极耳破损、Tab焊裂等缺陷。应用深度学习+传统算法的检测模式可实现检测0漏判，误检率≤0.5%。

【检测区域】

【检测效果】

密封钉焊后缺陷检测

电池壳顶盖密封钉焊接后需要进行焊接缺陷（炸点、缺焊、焊孔、翘钉焊接、无钉焊接）检测，以保证锂电池的安全性能。

■ 检测难点

由于焊后图案的不可预测性，使用传统相机进行检测时，很难将所有瑕疵特征进行呈现。在实际使用过程中，出现未知瑕疵时，通常需要调整打光效果和检测算法。

■ 解决方案

焊接轨迹本身凹凸不平且高度变化平缓，但缺陷往往在高度上存在突变。利用缺陷的高度突变信息，通过3D传感器和特有焊接后瑕疵检测3D专用算法将存在高度突变的区域进行标记。

【检测效果】

如需了解更多信息，欢迎前往OPT官网（www.optmv.com）咨询。