在新能源電池生產中，極柱/頂蓋外觀檢測至關重要。微鏈道愛憑借先進的 AI 視覺技術，為行業提供了高效、精準的檢測方案。
用戶場景：某頭部新能源電池廠商在電池生產的極柱/頂蓋組裝工序中，需要對極柱和頂蓋的外觀進行嚴格檢測。極柱和頂蓋作為電池的關鍵部件，其外觀質量直接影響電池的安全性和性能。檢測對象包括極柱的表面劃痕、裂紋、變形，以及頂蓋的平整度、密封性等。
痛點：傳統的檢測方法主要依賴人工目檢和傳統的 CNN 算法。人工目檢存在效率低下、漏檢率高的問題，平均每小時只能檢測約 100 個極柱/頂蓋，漏檢率高達 3%。傳統 CNN 算法虽然在一定程度上提高了檢測效率，但面對不同型號、不同批次的極柱/頂蓋時，需要重新編寫代碼和調整參數，換型時間長達 30 分鐘，且誤報率較高，達到 8%。此外，傳統 CNN 算法難以實現跨場景泛化，對於新出現的缺陷類型，需要大量的樣本重新訓練模型，無法滿足快速變化的生產需求。
技術原理
微鏈道愛采用基於視覺基礎模型的算法，結合自研的 3D 相機成像技術和高精度硬件設備來解決上述問題。視覺基礎模型具有強大的語義理解和跨場景泛化能力。它通過對大量的圖像數據進行學習和分析，能夠提取出通用的特征模式，而不僅僅局限於特定的缺陷類型。例如，在極柱/頂蓋外觀檢測中，模型可以學習到表面紋理、形狀、邊緣等通用特征，從而能夠快速識別不同類型的缺陷。自研的 3D 相機能夠獲取極柱和頂蓋的三維形貌信息，通過三維形貌重建技術，可以更準確地檢測出隱藏的焊點、共面度以及微米級的形貌缺陷。高精度硬件設備則保證了圖像采集的穩定性和準確性，為後續的算法分析提供了可靠的數據基礎。
- 視覺基礎模型的特征認知能力使得它能夠在少量正樣本的情況下進行學習和訓練。只需要 1-20 張良品，就可以通過 APDT 正樣本/少樣本學習方法快速建立準確的檢測模型。
- 語義誤報過濾功能可以根據缺陷的語義信息對誤報進行過濾，大大降低了誤報率。
- 3D 相機的三維形貌重建技術能夠提供更全面的檢測信息，弥補了傳統 2D 檢測的不足。
- 硬件設備的高精度和穩定性保證了檢測的可靠性和一致性。
微鏈道愛解決方案與產品介紹
微鏈道愛提供了 DaoAI AI AOI 軟件系統、DaoAI 2D / 3D AI AOI 設備和 DaoAI World 世界模型。DaoAI AI AOI 軟件系統具有強大的特征認知能力，一塊良品僅需 5 分鐘即可完成 0 代碼自動編程，大大縮短了換型時間。同時，其 APDT 正樣本/少樣本學習方法只需要 1-20 張良品就可以進行模型訓練，並且能夠通過語義誤報過濾功能降低誤報率。DaoAI 2D / 3D AI AOI 設備集成了自研的 3D 相機，能夠進行三維形貌重建，準確檢測隱藏焊點、共面度和微米級形貌缺陷。DaoAI World 世界模型作為統一底座，具有語義理解和跨場景泛化能力，能夠從產線反饋中持續學習，不斷優化檢測模型。該模型支持 SDK / API / Docker 部署方式，並且可以實現 100% 本地私有化部署，保證數據不出廠。
微鏈道愛的解決方案以其高效、精準和靈活的特點，為新能源電池極柱/頂蓋外觀檢測提供了可靠保障。
量化成效：采用微鏈道愛的解決方案後，極柱/頂蓋外觀檢測的檢出率達到了 98%，漏檢率降低至 <2%。誤報率降低了 -65%，大大減少了後續的複檢工作量。換型時間從原來的 30 分鐘縮短至 5 分鐘，提高了生產效率，能夠快速響應不同型號產品的生產需求。