鋰電池作為現代能源領域的核心產品，其質量直接關係到眾多應用場景的安全性和可靠性。極片塗布作為鋰電池製造的起始工序，對後續電芯的效能起著決定性作用。DaoAI 的 3D AI-AOI 線上全檢方案為解決極片塗布質檢難題提供了有效途徑。
行業背景與使用者場景：在當今新能源汽車、儲能等領域蓬勃發展的大背景下，鋰電池的市場需求呈現出爆發式增長。鋰電池的效能和質量直接影響著這些應用的安全性和穩定性，因此其製造過程中的每一個環節都至關重要。極片塗布作為鋰電池製造的第一道關鍵工序，是將漿料以微米級厚度均勻塗覆於銅箔或鋁箔之上。塗層的均勻性不僅直接決定了後續電芯的容量，還對電池的安全性有著深遠的影響。對於鋰電池製造商來說，確保極片塗布的質量，是保障整個生產流程順利進行以及最終產品質量的基礎。
痛點深挖：為什麼難
從量化維度來看，傳統質檢方法面臨著諸多挑戰。在檢出精度方面，人工燈檢與傳統 2D 視覺僅能發現明顯的表觀異常，對於 50μm 級別的細微缺陷，如暗斑和掉料，幾乎無法察覺。在誤報率方面，塗布線車速高、幅寬大，且銅箔表面存在金屬反光，傳統 AOI 系統在此場景下誤報率可高達 30% -40%。在漏檢率方面，由於傳統方法難以檢測到厚度方向的微弱起伏與低對比度暗斑，漏檢率可達 10% -15%。
造成這些問題的根源在於傳統質檢方法自身的侷限性。人工燈檢受限於人的視力和疲勞程度，難以長時間保持高度集中的注意力，並且對於微小缺陷的判斷容易出現主觀誤差。傳統 2D 視覺只能獲取物體表面的二維影象資訊，無法準確量化塗層的厚度變化，對於隱藏在厚度方向的缺陷更是無能為力。而傳統 AOI 系統在高速、大幅寬且存在金屬反光的複雜場景下，容易受到環境因素的干擾，導致誤報和漏檢情況頻發。
技術原理
DaoAI 的 3D AI-AOI 線上全檢系統採用了先進的技術架構。其核心是自研的 3D 相機，透過該相機採集塗層表面的點雲資料。點雲資料能夠精確地反映出塗層表面的三維形狀和厚度資訊。同時，系統還配備了高解析度的 2D 相機，用於獲取塗層表面的二維影象。將點雲資料與 2D 影象進行融合，實現了對塗層的全方位檢測。
在演算法層面，系統採用了 APDT 正樣本學習演算法。該演算法僅需要以合格塗層樣本即可建立判據，無需海量的缺陷樣本。這使得系統能夠快速適應新批次漿料的色差與反光變化，縮短了換型與新批次上線的週期。與傳統方法相比，傳統方法需要大量的缺陷樣本進行訓練，且難以適應生產過程中的變化，而 DaoAI 的方案具有更強的適應性和靈活性。
典型應用場景
- 暗斑檢測：暗斑通常是由於漿料分佈不均勻或塗層中的雜質引起的。在檢測暗斑時，2D 高分辨成像發揮主要作用，它能夠清晰地捕捉到塗層表面顏色的細微變化，從而識別出暗斑缺陷。難點在於暗斑的對比度較低，容易被忽略，需要高精度的成像技術和先進的影象識別演算法。
- 劃痕檢測：劃痕可能是在塗布過程中由裝置或異物造成的。2D 成像可以直觀地檢測到劃痕的存在，透過分析影象中線條的特徵來確定劃痕的位置和長度。難點在於一些細微劃痕在表面反光的影響下難以清晰顯現，需要對影象進行增強處理。
- 漏箔檢測：漏箔是指塗層未能完全覆蓋銅箔或鋁箔表面的情況。2D 影象能夠清晰地顯示出箔材的裸露部分，從而判斷是否存在漏箔缺陷。難點在於準確區分正常的塗層邊緣和漏箔區域，需要精確的影象分割演算法。
- 區域性掉料檢測：區域性掉料會導致塗層厚度不均勻。3D 通道透過點雲重建塗層厚度起伏，能夠準確地量化區域性掉料的程度。難點在於要從複雜的點雲資料中準確提取掉料區域的特徵，需要強大的資料分析和處理能力。
- 邊緣掉料檢測：邊緣掉料通常發生在塗層的邊緣部位。3D 通道利用點雲資料可以清晰地識別邊緣處的厚度變化，從而檢測出邊緣掉料缺陷。難點在於邊緣區域的點雲資料容易受到干擾，需要對資料進行濾波和校正處理。
落地案例
一家國內知名的動力電池龍頭企業，生產規模大，對極片塗布質量要求極高。此前，該企業依賴人工燈檢與傳統 2D 視覺進行質檢，面臨著誤報率高、漏檢率高的問題，嚴重影響了生產效率和產品質量。在引入 DaoAI 的 3D AI-AOI 線上全檢系統時，DaoAI 的技術團隊首先對企業的生產環境和工藝進行了詳細的調研和分析，根據實際情況進行系統的定製化部署。在上線過程中，對企業員工進行了專業的培訓，確保員工能夠熟練操作和維護系統。
DaoAI 的方案為企業帶來了顯著的改變，極大地提升了極片塗布的質量和生產效率。
微鏈道愛解決方案與產品
微鏈道愛（DaoAI）的 3D AI-AOI 線上全檢系統是一套綜合性的解決方案。該系統以自研 3D 相機為核心，結合高解析度 2D 相機，實現了點雲與 2D 影象的融合。在軟體方面，採用 APDT 正樣本學習演算法，能夠快速準確地檢測出各種缺陷。系統具有高度的自動化和智慧化，能夠實時線上全檢，節拍完全匹配高速塗布產線。並且可以根據不同企業的生產需求和工藝特點進行定製化配置，為企業提供個性化的質檢解決方案。
量化成效
方案落地後，取得了顯著的量化成效。在缺陷檢出方面，微鏈道愛在塗布工序最小可穩定檢出優於 50μm 的暗斑與掉料缺陷，綜合準確率保持在 97% 以上。在誤報率方面，相比傳統方法，微鏈道愛的誤報率降低了 30% -40%。在漏檢率方面，微鏈道愛的漏檢率從原來的 10% -15% 降低到了 3% 以下。線上全檢替代了原有抽檢與人工燈檢，缺陷流出大幅下降，為後續卷繞與化成提供了一致性更高的極片來源，有效提升了整個鋰電池生產過程的質量和效率。
常見問題
DaoAI 的 3D AI-AOI 線上全檢方案能解決鋰電池極片塗布的哪些問題？
DaoAI 的方案可在源頭攔截厚度異常與表面缺陷，解決傳統方法難以發現微弱起伏、暗斑等問題。有效壓制誤報，將誤報率降低 30% -40%，漏檢率降至 3% 以下，大幅降低缺陷流出率，為後續工序提供高一致性極片。
DaoAI 的 3D AI-AOI 線上全檢系統有什麼特點？
該系統採用自研 3D 相機，將點雲與 2D 影象融合，2D 查表觀缺陷，3D 量化厚度。用 APDT 正樣本學習，無需海量缺陷樣本，適應新批次漿料，全檢節拍匹配高速產線，可根據企業需求定製。
DaoAI 的方案落地後效果如何？
方案落地後，塗布工序最小可穩定檢出優於 50μm 的暗斑與掉料缺陷，綜合準確率超 97%。替代原有抽檢和人工燈檢，缺陷流出大幅下降，提升了後續工序極片的一致性和生產效率。
本文由人工智慧生成。文中客戶案例為基於產品真實能力的模擬場景，成效數字為示例性質；官方標定口徑以產品頁為準。