随着国家对新能源汽车行业扶植力度的加大，越来越多的新能源汽车走进大众的视野。除了传统汽车品牌，互联网巨头们也都纷纷强势进军新能源汽车领域，可供消费者选择的汽车品牌与车型也变多。越来越多的家庭和企业将新能源汽车作为买车、换车的第一选择。

　　在新能源汽车江湖有句话：

　　新能源汽车，得电池者得天下

　　动力电池技术成为了关乎一台新能源汽车性能的关键，而在电池生产过程中往往会遇到许多具有挑战性的复杂问题，影响生产质量与效率。今天就为大家介绍几个在汽车装配过程中，用于电池装备检测的智慧解决方案，能有效帮助企业工厂提高生产质量的同时，降低成本。

　　1、电池装配篇

　　封盖焊接检测——使用分类和缺陷检测工具评估低热电芯焊接质量

　　#问题

　　质量不佳的电池会降低效率，导致电池之间产生不均匀的负载(使电池管理变得更困难)，并缩短电池组的整体使用寿命。一旦将电芯组合到模块和电池组中，电芯制造中的错误将很难补救。

　　在将电极和隔膜装入圆柱形电芯的外壳并充满电解液之后，将使用封盖将壳体密封。为了避免损坏壳体中的精密电子元件，需要采用低热焊接方法，通常为激光焊接。此类焊接必须保持精确，以确保封盖周围密封的牢固性。在将电芯用于电池模块内部或者作为单个电芯使用之前，必须检查所产生的焊缝，并确保其通过检查。如果电解液通过有缺陷的焊缝发生任何泄漏，将会降低电芯效率，并可能导致电池内发生短路。

　　#解决方案

　　正确评估封盖焊接质量是确保整个电池的功能和使用寿命的关键。所有这些焊接在外观上可能会有显著区别，并可能显示出各种各样的缺陷，同时也会出现并不影响电池性能的广泛变化。由于外观重叠的原因，使用传统的视觉系统几乎不可能将外观变化与功能重大的变化进行区分。

　　康耐视深度学习解决方案提供缺陷检测和分类工具，并且用户可针对各种焊接变化对这些工具进行训练。即使物体和焊接外观存在变化，该系统也能够进行“学习”，以准确分类和区分不同类型的缺陷。

　　2、电池化成篇

　　电池光学字符识别——深度学习OCR工具读取电池上棘手难读的字母数字字符

　　#问题

　　制造商必须快速、准确地定位并读取电池底部印刷的字母数字代码。但是在实际生产环境中，尤其是在字符变形的情况下，镜面光和眩光会导致机器视觉系统难以定位和识别字符。

　　#解决方案

　　康耐视深度学习解决方案提供装配验证和OCR工具，能够轻松定位和读取变形字符。装配验证工具可以定位感兴趣区域(ROI)，在这种情况下，感兴趣区域为每个圆柱形电池的顶部，上面标有字母数字代码。即使被眩光遮盖或者对比度低下，OCR工具经过预先训练的全字体功能也能够识别字符。

　　为了对软件进行训练，工程师可在图像上定义感兴趣区域，该图像包含一组具有代表性的代码字符。在训练和验证过程中，技术人员仅需重新标记遗漏的字符，直到软件模型正确识别所有字符为止。这种基于深度学习的OCR方法可减少过多的标记，从而节省了训练和开发过程中所需的时间，并确保准确的读取。

　　3、模块和电池组(M&P)篇

　　热界面材料(TIM)检测——使用深度学习解决方案确保正确运用热界面材料

　　#问题

　　电池会产生大量热量，这些热量必需被清除，以防止电池损坏或性能过早下降。热界面材料(TIM)用于将热量从电池中传导出去。许多热界面材料同时还发挥着同样重要的电绝缘功能。热界面材料必须精确地运用，并且基板之间应当紧密接触。各种各样的缺陷(包括气泡、附着力差和夹杂物) 都可能会使得导热性和电绝缘性降低。视觉检测系统必须识别安装和运用中可能存在的各种缺陷，通常涉及颜色对比度差的材料。在电池装配件移至下一步后，热界面材料将被永久性隐藏起来，无法再进行进一步的检测。此阶段发生的错误可能导致生产线下游出现难以诊断的问题。

　　#解决方案

　　虽然基于规则的机器视觉可以准确地检测出预期的问题，比如：珠子、间隙、安装宽度及其他常见的特征，但康耐视深度学习解决方案可以进行学习，以检测各种类型的热界面材料中存在的更广泛的安装问题。如果电池在日后使用时发生故障，则可以基于所存储的热界面材料的特定图像来识别故障模式，并且您还可以进一步改进深度学习训练模型，以检测这些新的错误。