動(dòng)力鋰電池全生產(chǎn)流程缺陷檢測(cè)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(duì)不斷增加的市場(chǎng)需求，該企業(yè)積極引入了智能制造技術(shù)，對(duì)多種鋰電池的各個(gè)生產(chǎn)環(huán)節(jié)進(jìn)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(shí)突破產(chǎn)能瓶頸。以該企業(yè)的核心產(chǎn)品之一——?jiǎng)恿︿囯姵貫槔?。?dòng)力鋰電池的基本單元是電芯。每一個(gè)完備電芯的生產(chǎn)都必須經(jīng)過極其嚴(yán)格的褶皺、暗斑、掉料以及絕緣膜異常等瑕疵的缺陷檢測(cè)，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(cè)等傳統(tǒng)方式來執(zhí)行毫米級(jí)的缺陷檢測(cè)，不僅速度慢、耗時(shí)巨大，精細(xì)和準(zhǔn)確度更是無從談起。即便引入基于工業(yè)相機(jī)的計(jì)算機(jī)圖像輔助檢測(cè)等自動(dòng)化方法，也存在缺乏擴(kuò)展性和靈活性等問題，無法有效應(yīng)對(duì)新產(chǎn)品導(dǎo)致的新瑕疵形式的檢測(cè)，限制了產(chǎn)能。

【解決方案】

為有效應(yīng)對(duì)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(dòng)力電池缺陷檢測(cè)方案。通過對(duì)產(chǎn)能需求的評(píng)估，該企業(yè)希望新方案能夠達(dá)到單條產(chǎn)線 423FPS（Frame Per Second，幀率）的檢測(cè)速度，同時(shí)檢測(cè)準(zhǔn)確率達(dá)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(dòng)力電池產(chǎn)線的實(shí)際部署情況，以基于英特爾 架構(gòu)的平臺(tái)為基礎(chǔ)，構(gòu)建云（總部云數(shù)據(jù)中心）-邊（邊緣計(jì)算節(jié)點(diǎn)）- 端（產(chǎn)線工控機(jī)、工業(yè)相機(jī)）的架構(gòu)，并引入英特爾 至強(qiáng) 可擴(kuò)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(jī)器視覺缺陷檢測(cè)方案；另一方面，根據(jù)檢測(cè)場(chǎng)景的差異，方案中也部署了多種不同的深度學(xué)習(xí)和機(jī)器學(xué)習(xí)算法模型，讓檢測(cè)速度和準(zhǔn)確率均獲得了顯著提升。

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

為構(gòu)建高性能的缺陷檢測(cè)平臺(tái)，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(cè)設(shè)備在缺陷檢測(cè)流程中的不同作用，以及所處的不同場(chǎng)景帶來的特定需求，設(shè)計(jì)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(qiáng)大的計(jì)算能力和來自各產(chǎn)線的豐富數(shù)據(jù)，根據(jù)生產(chǎn)場(chǎng)景需要進(jìn)行集中化的模型訓(xùn)練，再將訓(xùn)練好的模型發(fā)布給 “邊緣” 和 “端” 側(cè)。

“邊緣” 計(jì)算節(jié)點(diǎn)部署在分廠或產(chǎn)線服務(wù)器中，主要包括推理服務(wù)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(yù)處理、預(yù)分類及輕量級(jí)推理工作。

工業(yè)視覺平臺(tái)系統(tǒng)架構(gòu)圖

這一架構(gòu)經(jīng)部署后對(duì)提升缺陷檢測(cè)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(biāo)檢測(cè)算法，都會(huì)耗費(fèi)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(yuǎn)，檢測(cè)時(shí)延就越高。在新方案中，端側(cè)系統(tǒng)采用開源的 OpenCV 計(jì)算機(jī)視覺庫對(duì)采集的圖像流實(shí)施預(yù)處理，并將預(yù)分類等簡(jiǎn)單工作負(fù)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(jí)模型進(jìn)行推理，將結(jié)果直接反饋回產(chǎn)線，應(yīng)用效率極高。

對(duì)于目標(biāo)檢測(cè)、圖像分割等較 “重” 的工作負(fù)載，則通過邊緣計(jì)算節(jié)點(diǎn)完成。這些節(jié)點(diǎn)由基于第二代英特爾 至強(qiáng) 可擴(kuò)展處理器的服務(wù)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(tái)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(dān)高強(qiáng)度模型訓(xùn)練、推理以及管理職責(zé)。除了由基于第二代英特爾 至強(qiáng) 可擴(kuò)展處理器的服務(wù)器構(gòu)成高性能計(jì)算集群外，云端還配備了可擴(kuò)展的中心存儲(chǔ)數(shù)據(jù)庫，存儲(chǔ)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(yù)處理的海量圖像流匯集到云端后，方案采用Labelme 標(biāo)注工具對(duì)數(shù)據(jù)集中的圖像進(jìn)行標(biāo)注，并將標(biāo)注后的特征類別及位置信息傳輸?shù)接?jì)算集群中進(jìn)行訓(xùn)練和推理。

Labelme 工具不僅可以標(biāo)注各種形狀，還具備圖像分類、目標(biāo)檢測(cè)、場(chǎng)景分割、實(shí)例分割、視頻標(biāo)注等功能，可以很好覆蓋動(dòng)力電池缺陷檢測(cè)的范圍。更重要的是，該工具支持像素級(jí)的細(xì)粒度標(biāo)注，有助于提升標(biāo)注效率與準(zhǔn)確度。

值得一提的是，云端的算力雖然充沛，但其遠(yuǎn)離產(chǎn)線，實(shí)時(shí)性會(huì)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(jìn)一步加速推理過程。原生 PyTorch 深度學(xué)習(xí)框架內(nèi)置了強(qiáng)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(yīng)對(duì)各種圖像檢測(cè)場(chǎng)景。新框架不僅繼承了原生 PyTorch 簡(jiǎn)潔、靈活的特點(diǎn)，還引入面向深度神經(jīng)網(wǎng)絡(luò)的英特爾 數(shù)學(xué)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(yùn)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(yùn)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(chǔ)、數(shù)據(jù)處理以及訓(xùn)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(kuò)展性，也能減少硬件管理以及系統(tǒng)運(yùn)維成本。

二、針對(duì)不同檢測(cè)場(chǎng)景，采用適宜檢測(cè)算法

在這家全球領(lǐng)先的鋰電池生產(chǎn)制造企業(yè)的動(dòng)力電池產(chǎn)線中，有三種主要的動(dòng)力電池缺陷檢測(cè)場(chǎng)景：絕緣膜間隙檢測(cè)、正負(fù)極偏差檢測(cè)以及絕緣膜異常問題檢測(cè)。不同的場(chǎng)景對(duì)檢測(cè)環(huán)境、檢測(cè)速度、檢測(cè)精度以及檢測(cè)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(duì)不同檢測(cè)場(chǎng)景部署了不同的目標(biāo)檢測(cè)模型。

■ 絕緣膜間隙檢測(cè)

絕緣膜是電池充放電時(shí)鋰離子傳輸?shù)闹匾橘|(zhì)，其間隙過大或過小都會(huì)影響電池的性能，因此在生產(chǎn)中需要嚴(yán)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(jí)別，對(duì)檢測(cè)精度要求高。

絕緣膜間隙檢測(cè)圖

英特爾在方案中建議采用 Mask R-CNN 目標(biāo)檢測(cè)模型，來實(shí)現(xiàn)精細(xì)的絕緣膜間隙檢測(cè)流程。Mask R-CNN 模型是 FasterRCNN 算法模型的一個(gè)分支，特點(diǎn)是可對(duì)檢測(cè)目標(biāo)實(shí)施逐像素的分類，進(jìn)而確定圖像中檢測(cè)目標(biāo)的類別和位置，并對(duì)其進(jìn)行分割，尤其適合精密檢測(cè)場(chǎng)景的使用。采用 Mask R-CNN 模型對(duì)圖片進(jìn)行像素級(jí)分類，分割出檢測(cè)邊緣，再通過 OpenCV測(cè)量實(shí)現(xiàn)產(chǎn)線所需的 0.3-3.9mm 的測(cè)量需求，超過該范圍即可確定為缺陷電池。

■ 正負(fù)極偏差檢測(cè)

在動(dòng)力鋰電池生產(chǎn)過程中，正極片、絕緣膜、負(fù)極片三層材料會(huì)疊壓在一起進(jìn)行卷繞，正常的電池正負(fù)極需交替出現(xiàn)，且個(gè)數(shù)一定。如圖所示，圖片中細(xì)長(zhǎng)的為陰極，粗的為陽極。如果出現(xiàn)單個(gè)極連續(xù)出現(xiàn)或者個(gè)數(shù)不符情況，電池即可被視為存在缺陷，需及時(shí)進(jìn)行自動(dòng)糾偏調(diào)整來控制質(zhì)量，這對(duì)實(shí)時(shí)性的要求非常高，處理延遲要求在數(shù)十毫秒內(nèi)。

正負(fù)極片偏差檢測(cè)圖

英特爾在方案中建議采用輕量級(jí)快速目標(biāo)檢測(cè)模型——YOLOv3來進(jìn)行正負(fù)極偏差檢測(cè)。如前文（第14頁 “YOLO算法” 部分）所述，YOLO算法模型的主要特點(diǎn)就是檢測(cè)速度高，而YOLO v3模型作為其輕量級(jí)進(jìn)階版本，在檢測(cè)準(zhǔn)確率和推理速度上有了進(jìn)一步的提升，尤其適用于諸如動(dòng)力電池產(chǎn)線正負(fù)極偏差檢測(cè)所需的實(shí)時(shí)性和小型目標(biāo)敏感檢測(cè)。

■絕緣膜異常問題檢測(cè)

絕緣膜異常問題檢測(cè)主要用于避免動(dòng)力電池中的絕緣膜異常，導(dǎo)致正負(fù)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(cè)對(duì)精細(xì)度和準(zhǔn)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(cè)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(zhǔn)確率會(huì)先上升直至飽和，如果繼續(xù)增加深度，準(zhǔn)確率反而會(huì)下降。

絕緣膜破損、丟失、褶皺問題檢測(cè)實(shí)例

ResNet 可有效解決這一問題。其由多個(gè)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(shí)施訓(xùn)練。

三、混合學(xué)習(xí)方法和遷移學(xué)習(xí)訓(xùn)練，提升檢測(cè)效率和準(zhǔn)確率

經(jīng)過產(chǎn)線檢測(cè)實(shí)踐發(fā)現(xiàn)，通過單一的深度學(xué)習(xí)方法獲得更優(yōu)的準(zhǔn)確率與召回率，需要手工對(duì) logits 進(jìn)行適當(dāng)?shù)恼{(diào)整。這無疑給整個(gè)檢測(cè)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(jī)器學(xué)習(xí)中的支持向量機(jī)（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(shí)施檢測(cè)，同樣也可以達(dá)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(xùn)練迭代，尋求最優(yōu)的分類超平面來實(shí)現(xiàn)數(shù)據(jù)分類。針對(duì)絕緣膜異常檢測(cè)中的多分類（multiple-class）問題，SVM 能將其分解為多個(gè)二分類問題，再構(gòu)造多個(gè)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(cè)難題，還大幅提升了檢測(cè)效率和準(zhǔn)確率。模型的檢測(cè)效率和準(zhǔn)確度除了與選擇合適的模型相關(guān)外，還需要有充足的訓(xùn)練數(shù)據(jù)。一般情況下，要滿足實(shí)用要求，數(shù)據(jù)集量級(jí)需達(dá)到百萬級(jí)甚至千萬級(jí)。但在實(shí)際產(chǎn)線中，如此高量級(jí)的數(shù)據(jù)集很難收集，且采用大數(shù)據(jù)集從頭訓(xùn)練也需要耗費(fèi)大量時(shí)間及資源。

【方案價(jià)值】

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

在滿足產(chǎn)線所需的檢測(cè)精度和檢測(cè)速度之外，新方案在目標(biāo)檢測(cè)模型的創(chuàng)新應(yīng)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(cè)場(chǎng)景中的使用效果為例，在驗(yàn)證測(cè)試中，先以 1,000 張圖片作為樣本集，在 ResNet50 模型中進(jìn)行模型微調(diào)得到基準(zhǔn)值（97.85% 的準(zhǔn)確率和 94% 的召回率），然后在此基礎(chǔ)上分別進(jìn)行參數(shù)調(diào)整，以及使用 ResNet50+SVM 的混合模型進(jìn)行訓(xùn)練。驗(yàn)證結(jié)果如圖 2-1-16 所示，在 ResNet50 模型中進(jìn)行參數(shù)調(diào)整優(yōu)化后，可將準(zhǔn)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(zhǔn)確率提升至 99.12%，將召回率提升至 99.16%，檢測(cè)精度提升顯著。

審核編輯 ：李倩