{{{sourceTextContent.title}}}

Wie kann KI-gestützte visuelle flexible Zuführung zur Unterscheidung von Elektrodenblechen für Autobatterien eingesetzt werden?

{{{sourceTextContent.subTitle}}}

KI-gestützte visuelle flexible Fütterung

{{{sourceTextContent.description}}}

Im automatisierten Produktionsprozess von Autobatterien ist die präzise Zuführung der Elektrodenplatten ein Schlüsselfaktor, der die Leistung und Lebensdauer der Batterie bestimmt. Die Vorder- und Rückseitenstrukturen der Elektrodenplatten von Autobatterien sind jedoch sehr ähnlich, was die Unterscheidung zwischen den beiden bei der automatischen Zuführung zu einer großen Herausforderung macht. Sobald Erkennungsfehler zu einer verkehrten Installation der Elektrodenplatten führen, kann dies nicht nur zu einer Verwechslung der internen Schaltkreise und einem starken Rückgang der Lade- und Entladeleistung führen, sondern auch Sicherheitsrisiken wie Auslaufen und Ausbeulen auslösen, was sich direkt auf die Produktqualität und Sicherheit der Batterie auswirkt. Herkömmliche flexible Bilderkennungssysteme haben Schwierigkeiten, die wichtigsten Unterscheidungsmerkmale zwischen Vorder- und Rückseite effektiv zu erfassen, wenn es um solch subtile Unterschiede geht, und werden stark von der Umgebungsbeleuchtung beeinflusst, was die Fehlerquote erhöht. Danikor verbessert die Erkennungsgenauigkeit durch optische Optimierung und intelligente KI-Analyse.
1. Obere Lichtquelle für gleichmäßige Ausleuchtung des Produkts hinzufügen

Bei der Optimierung der optischen Umgebung besteht die Hauptaufgabe darin, eine stabile und gleichmäßige Beleuchtungsumgebung für die Bilderfassung zu schaffen. Durch den Einsatz eines kundenspezifischen oberen Lichtquellensystems kann eine gleichmäßige vertikale Lichtprojektion auf die Oberfläche der Elektrodenplatte erreicht werden. Das Licht deckt jeden Bereich der Elektrodenplatte gleichmäßig ab, wodurch tote Ecken, die durch herkömmliche Punktlichtquellen oder seitliche Lichtquellen verursacht werden, effektiv eliminiert werden und die ursprünglich nicht unterscheidbaren strukturellen Unterschiede zwischen der Vorder- und Rückseite der Elektrodenplatte "visuell verstärkt" werden, wodurch die Grundlage für eine genaue Beurteilung geschaffen wird.
2. Anbringen eines lichtabsorbierenden Tuchs auf der Oberfläche des Tabletts zur Eliminierung von Streulichtinterferenzen

Wenn man sich nur auf das obere Lichtquellensystem verlässt, können externe Störungen nicht vollständig isoliert werden. Streulicht aus der Umgebung und Reflexionen auf der Unterseite sind immer noch wichtige Faktoren, die die Bildqualität beeinflussen. Daher ist die unterstützende Verwendung eines professionellen lichtabsorbierenden Tuchs ein weiterer wichtiger Bestandteil der optischen Optimierung.

Einerseits kann es das Umgebungslicht in der Werkstatt wie ein "schwarzes Loch" absorbieren, einschließlich des Restlichts der Rohrleitungsbeleuchtung, der Metallreflexionen von mechanischen Geräten und der Licht- und Schattenveränderungen, die durch die Bewegungen des Personals verursacht werden, und so verhindern, dass diese Streulichter störende Lichtflecken oder helle Flecken auf der Oberfläche der Elektrodenplatte bilden. Andererseits kann es den Reflexionspfad von der Bodenfläche des Tabletts vollständig blockieren und so verhindern, dass die Überlagerung von reflektiertem Licht und oberer Lichtquelle zu einer lokalen "Überbelichtung" im Bild der Elektrodenplatte führt. So wird sichergestellt, dass die Helligkeit des gesammelten Bildes der Elektrodenplatte vom Rand bis zur Mitte gleichmäßig ist und vollständige und klare Detailstrukturen aufweist, die hochwertige Bilddaten für die KI-Erkennung liefern.
3. AI-Deep-Learning-Beispiele zur Verbesserung der Erkennungsgenauigkeit

Auf der Ebene der intelligenten Bildanalyse werden auf der Grundlage der nach der Optimierung erfassten hochauflösenden Bilddaten Deep-Learning-Algorithmen eingesetzt, um ein Modell zur Erkennung von Elektrodenplattenmerkmalen zu erstellen. Durch das Sammeln einer großen Anzahl von Beispielbildern der Vorder- und Rückseite von Elektrodenplatten mit Industriekameras, die Elektrodenplattenmerkmale aus verschiedenen Chargen und Positionen abdecken, wird eine reichhaltige und umfassende Beispieldatenbank erstellt. Mithilfe von KI, die die Beispieldaten gründlich trainiert, kann der Algorithmus automatisch die wichtigsten Merkmale der Vorder- und Rückseite von Elektrodenplatten in verschiedenen Positionen und Winkeln lernen und extrahieren. Im Gegensatz zur herkömmlichen Bilderkennung, die sich auf manuell festgelegte Merkmalsschwellenwerte stützt, können KI-Algorithmen die Logik der Merkmalsbeurteilung durch selbständiges Lernen kontinuierlich optimieren und so die Merkmale der Vorder- und Rückseite genau identifizieren.
Durch die Lösung aus optischer Optimierung und intelligenter KI-Analyse kann die Genauigkeit der Erkennung von Elektrodenvorder- und -rückseiten erheblich verbessert werden, so dass durch Erkennungsfehler verursachte Produktionsausfälle effektiv vermieden werden. Dies reduziert nicht nur die Kosten für die manuelle Nachprüfung, sondern verbessert auch die Produktionseffizienz und die Stabilität der Produktqualität und bietet eine zuverlässige technische Unterstützung für die groß angelegte, qualitativ hochwertige Produktion von Autobatterien.