基于深度學習的AI機器視覺技術在電池殼外觀檢測中的應用

摘要：本文對機器視覺技術基礎理論及基于深度學習的AI 機器視覺技術做介紹，通過對電池殼制造行業中電池殼品質AI 機器視覺檢測的典型案例，表明在該檢測領域的技術優越性，并對AI+ 機器視覺技術在汽車行業中的應用前景進行了展望。

關鍵詞：機器視覺；深度學習；卷積神經網絡；電池殼制造

一、基于深度學習的AI 機器視覺技術概述

（一）機器視覺技術概念

機器視覺（Machine Vision）的研究是從20 世紀60 年代中期美國學者L.R. 羅伯茲關于理解多面體組成的積木世界研究開始的[1]。根據美國自動成像協會（AIA）的定義，機器視覺是一種應用于工業和非工業領域的硬件和軟件組合，它基于捕獲并處理的圖像為設備執行其功能提供操作指導。它被稱為智能制造的“慧眼”[2]，為智能制造打開新“視”界，是實現工業自動化和智能化的必要手段。

從狹義上，機器視覺系統包括圖像采集部分（相機、鏡頭、光源、光源控制器），圖像傳輸部分（圖像采集卡、線纜、數據接口）以及圖像處理解析部分（預處理器、主處理器、應用軟件）。其中圖像采集部分負責成像，圖像處理解析部分負責對成像結果進行處理分析和輸出。從廣義角度，還包括后端相關的信息通訊及運動控制系統。

傳統機器視覺主要用于對檢測物品進行識別、測量、定位及檢測，通過機器代替人工進行測量與判斷，識別場景及效率相對標準化。識別是基于對目標物的形狀、顏色等特征進行甄別；測量是將獲取的圖像像素信息標定成常用度量衡單位，再在圖像中精確計算目標物的幾何尺寸；定位則是獲得目標物關于二維或三維的位置信息；檢測主要指外觀檢測，對產品裝配后的完整性檢測及外觀缺陷檢測等，其難度最高，因此迫切需要尋找一種有效的技術方式，提高檢測可靠性。

（二）基于深度學習的AI 機器視覺技術概念

人工智能（Artificial Intelligence， 縮寫為AI） 指由人制造出來的可以表現出智能的機器，通常是指通過普通計算機程序來呈現人類智能的技術。深度學習（deep learning）是人工智能的一個子領域，通過處理數據和創建用于決策制定的模式，來模仿人類大腦的工作方式，可通過人工神經網絡等架構完成[3]。卷積神經網絡（Convolutional NeuralNetworks， CNN）是人工神經網絡中的一種，是深度學習中頗受歡迎的代表算法之一。

機器視覺經常使用CNN 算法， 它的基本結構由輸入層、卷積層（convolutional layer）、池化層（poolinglayer，也成為取樣層）、全連接層及輸出層構成。圖像中不同數據窗口的數據和卷積核（一個濾波矩陣）作內積的操作就叫做卷積，它的本質是將小區域內的信息統計抽象出來，即提取圖像不同頻段的特征。CNN 的卷積層和池化層一般會取若干個，采用卷積層和池化層交替設置，即一個卷積層連接一個池化層池化層后再連接一個卷積層，依此類推[4]。卷積層的第一層通常用于捕捉邊緣、顏色、梯度方向和基本幾何形狀等基本特征。添加層后，此模型會填充高級特征。池化層會逐漸縮小表示空間的大小，可提高計算效率，并會單獨對每個特征圖進行運算，其常用的方法是最大池化，即捕捉數組的最大值，從而減少計算所需值的數量。標準化層會對數據進行正則化處理，以改善神經網絡的性能和穩定性。其通過將所有輸入都轉換為均值為 0 且方差為1，從而使每個層的輸入更便于管理。

（三）人工智能帶動機器視覺技術發展

在AI 的加持下，機器視覺行業將迎來空前發展機會。從算法、技術到應用，AI 技術極大程度賦能機器視覺在圖像模型上的智能化應用，優化了圖像識別的復雜度及精度，實現萬物識別。深度學習算法的加持為機器視覺應用場景的拓寬提供了技術支持，同時可以進一步提升機器視覺的效率及準確性。

二、電池殼制造行業中AI 機器視覺技術的典型應用

在我國新能源汽車快速發展的引領下，電動化已成為全球汽車發展的主要趨勢。新能源動力汽車由電池包提供電源，是電動汽車產業鏈的核心。其中汽車電池殼制造行業的自動化程度較高，機器視覺作為先進技術的典型已成功運用到該行業中，基于深度學習的AI 機器視覺技術在此過程中發揮了巨大的作用。

汽車電池殼生產線上，殼體需經過焊接、機加工、壓鉚、拉鉚等工藝加工，生產過程中可能存在螺母、螺栓、螺柱、蓋板、線束、鋼絲牙套等的安裝錯漏，以及工件孔位、套筒、閥門、封堵片等零件的缺失。任何一個零件的安裝異常都會導致電池包存在安全隱患。因此，在電池殼生產過程中，增加AI機器視覺檢測品質缺陷十分必要。且由于很多電池殼為鋁合金材質，存在一定程度的反光且結構復雜，因此，使用傳統機器視覺技術很多時候無法滿足客戶的高檢測標準。由于基于深度學習的AI 機器視覺檢測算法可規避傳統算法對圖像中目標特征的高成像要求，因此該技術在識別電池殼的上述缺陷是非常行之有效的檢測手段。

電池殼體在生產后，通常會預留一個全面質檢工位，采用機器人帶視覺的方式進行全面檢測。電池殼品質視覺檢測工作站主要由機器人系統、視覺系統、變位機夾具系統、電控系統四大部分組成。待檢電池殼由上工序放入變位機夾具內夾緊，機器人負責在末端安裝視覺設備采集電池殼各待檢部位圖像。變位機在機器人視覺檢測的過程中配合機器人動作進行翻轉，確保所有待檢部位能夠清晰拍攝。電控系統作為設備總控，負責協調機器人、視覺系統及變位機夾具系統協同工作，設備如圖1 所示。

具體識別步驟如下：

步驟1 ：采集大量螺母、螺栓、螺柱等目標物的圖片，使用深度學習算法構建并訓練深度神經網絡模型；

步驟2 ：對所構建的深度神經網絡模型進行打包，生成可執行文件；

步驟3 ：構建傳統機器視覺框架作為主軟件運行，并單獨建立新線程調用可執行文件啟動運行；

步驟4 ：在可執行文件啟動時創建服務端，將主軟件作為客戶端與服務端進行連接，以實現傳統機器視覺框架與服務端可執行文件間的數據通信；

步驟5 ：在進行電池盒外觀檢測時，作為主軟件的傳統機器視覺框架采集并獲取電池盒外觀的圖像將其發送至服務端，于服務端執行可執行文件獲得識別結果，將識別結果返回至傳統機器視覺框架予以輸出。

應用結果表明，與傳統的機器視覺算法相比，AI+ 機器視覺技術對于有反光、結構復雜的零件檢測更具有優勢，可克服反光等不良檢測因素，具有檢出率高、計算速度快、檢測節拍高等特點。

三、結語

基于深度學習的機器視覺技術在現代先進汽車制造產業的各個環節中都起到了至關重要的作用。在工業4.0 時代背景下，隨著人工智能技術的進步，以及相關軟硬件技術及云技術的發展，AI+ 機器視覺的技術在未來將會有更加廣闊的應用空間，能促使汽車制造行業向模塊化、數字化、自動化、智能化方向發展。

參考文獻：

[1] 朱陽芬，銀冬平，鄒舜章等. 機器視覺在汽車行業中的發展與應用[J]. 汽車實用技術，2017，22 ：8-11.

[2] 尹仕斌，任永杰，劉濤等. 機器視覺技術在現代汽車制造中的應用綜述[J]. 光學學報，2017，38（8）：1-12.

[3] 黃樺，騰海渤，劉義法等. 機器視覺技術在汽車制造行業中的應用研究[J]. 汽車工藝與材料，2022（6）：8-15.

[4] 周飛燕，金林鵬，董軍. 卷積神經網絡研究綜述[J]. 計算機學報，2017，40（6）：1229-1251.