{{{sourceTextContent.title}}}

¿Cómo puede utilizarse la alimentación visual flexible basada en IA para distinguir las láminas de electrodos de baterías de automoción?

{{{sourceTextContent.subTitle}}}

Alimentación visual flexible basada en IA

{{{sourceTextContent.description}}}

En el proceso de producción automatizada de baterías de automoción, la alimentación precisa de las placas de electrodos es un factor clave que determina el rendimiento y la vida útil de la batería. Sin embargo, las estructuras delantera y trasera de las placas de electrodos de las baterías de automoción son muy similares, lo que plantea un reto importante a la hora de distinguir entre ambas durante la alimentación automatizada. Una vez que los errores de identificación conducen a la instalación inversa de las placas de electrodos, no sólo puede causar confusión en el circuito interno y una fuerte disminución de la eficiencia de carga y descarga, sino que también puede desencadenar riesgos de seguridad tales como fugas y abultamientos, afectando directamente a la calidad del producto y la seguridad de la batería. Los sistemas de reconocimiento por visión flexible ordinarios tienen dificultades para captar eficazmente los rasgos distintivos esenciales entre la parte delantera y la trasera cuando se trata de diferencias tan sutiles, y se ven muy afectados por la iluminación ambiental, lo que aumenta la tasa de error. Danikor mejora la precisión del reconocimiento mediante la optimización óptica + el análisis inteligente de IA.
1. Añadir fuente de luz superior para una iluminación uniforme del producto

En el nivel de optimización del entorno óptico, la tarea principal es construir un entorno de iluminación de adquisición de imágenes estable y uniforme. Mediante el uso de un sistema personalizado de fuente de luz superior, se puede lograr una proyección de luz uniforme vertical sobre la superficie de la placa de electrodos. La luz cubre uniformemente todas las áreas de la placa de electrodos, eliminando eficazmente los ángulos muertos de sombra causados por las fuentes de luz puntuales tradicionales o las fuentes de luz laterales, y "amplificando visualmente" las diferencias estructurales originalmente indistinguibles entre la parte delantera y trasera de la placa de electrodos, sentando las bases para un juicio preciso.
2. Aplique un paño absorbente de luz en la superficie de la bandeja para eliminar las interferencias de luz parásita

Confiar únicamente en el sistema de fuente de luz superior no puede aislar completamente las interferencias externas. La luz parásita ambiental y el reflejo de la superficie inferior siguen siendo factores importantes que afectan a la calidad de la imagen. Por lo tanto, el uso de un paño absorbente de luz profesional se convierte en otra parte importante de la optimización óptica.

Por un lado, puede absorber la luz parásita ambiental en el taller como un "agujero negro", incluida la luz residual de la iluminación de las tuberías, los reflejos metálicos de los equipos mecánicos y los cambios de luz y sombra causados por el movimiento del personal, evitando que estas luces parásitas formen puntos de luz parásitos o puntos brillantes en la superficie de la placa de electrodos. Por otro lado, puede bloquear completamente la trayectoria de reflexión de la superficie inferior de la bandeja, evitando que la superposición de la luz reflejada y la fuente de luz superior provoque una "sobreexposición" local en la imagen de la placa de electrodos, garantizando que el brillo de la imagen de la placa de electrodos recogida sea consistente desde el borde hasta el centro, con texturas de detalles completas y claras, proporcionando datos de imagen de alta calidad para el reconocimiento de IA.
3. Muestras de aprendizaje profundo de IA para mejorar la precisión del reconocimiento

En el nivel de análisis inteligente de imágenes, basado en los datos de imágenes de alta definición recopilados después de la optimización, se introducen algoritmos de aprendizaje profundo para construir un modelo de reconocimiento de características de la placa de electrodo. Mediante la recopilación de un gran número de imágenes de muestra frontales y posteriores de placas de electrodos con cámaras industriales, que cubren las características de las placas de electrodos de diferentes lotes y posiciones, se construye una base de datos de muestras rica y completa. Mediante el uso de la IA para entrenar en profundidad los datos de muestra, el algoritmo puede aprender y extraer automáticamente los puntos de las características principales de la parte delantera y trasera de las placas de electrodos en diferentes posiciones y ángulos. A diferencia del reconocimiento visual tradicional que se basa en umbrales de características establecidos manualmente, los algoritmos de IA pueden optimizar continuamente la lógica de juicio de características mediante el autoaprendizaje, identificando así con precisión sus atributos delanteros y traseros.
A través de la solución de optimización óptica + análisis inteligente de IA, la precisión del reconocimiento de la parte delantera y trasera de la placa de electrodo puede mejorarse considerablemente, eliminando eficazmente los fallos de producción causados por errores de reconocimiento. Esto no sólo reduce el coste de la reinspección manual, sino que también mejora la eficiencia de la producción y la estabilidad de la calidad del producto, proporcionando un soporte técnico fiable para la producción a gran escala y de alta calidad de baterías de automoción.