本类定位
面向方形锂离子电芯产线的外观检测一体机：多表面、多缺陷类型在线自动检测
方形锂电池电芯外观检测一体机是面向方形电芯生产过程的外观质量检测设备。针对铝壳、蓝膜、极柱、防爆阀及 PP 膜等不同材质和结构，配置专用视觉检测模组；系统融合 2.5D 视觉检测、3D 视觉检测、光度立体成像、AI 缺陷检测、机器视觉算法及视觉软件平台，实现多表面、多类型缺陷的在线自动检测。整机支持 40 PPM 产线处理节拍，覆盖防爆阀、PP 膜、极柱、铝壳及蓝膜等关键检测区域，累计可识别 78 项缺陷。
方形电芯具有多种不同材质和复杂表面结构。电芯不同区域在颜色、纹理、反光特性、表面形貌及缺陷表现上存在明显差异，单一视觉成像方式难以覆盖全部检测需求。
因此本系统针对不同检测区域设计专用视觉检测模组，并结合不同成像方式与 AI 视觉算法，实现从二维外观到三维形貌的多维检测。整机根据实际检测需求实现多工位协同检测，对方形电芯多个关键表面进行自动化视觉检查。
这台设备解决的是什么问题？
把方形电芯的外观质量判定从人工目检搬到产线上：多个关键表面由专用视觉模组在线拍摄，2.5D 与 3D 成像负责把低对比度表面异常和三维形貌特征拍出来，AI 算法负责缺陷定位、分类与判级，最终由设备自动完成 OK / NG 判定与分流下料。
检测痛点
方形电芯为什么不能靠一种成像方式解决
同一只电芯上并存多种材质
铝壳、蓝膜、极柱、防爆阀与 PP 膜在颜色、纹理与反光特性上差异明显，同一种打光方式在不同区域的表现完全不同。
低对比度表面缺陷难以突出
凹坑、气泡、局部异常等缺陷与背景的灰度差很小，传统二维图像难以把微弱表面异常显示出来。
高速产线的节拍压力
产线处理节拍达 40 PPM，其中蓝膜检测数据量较大、共 5 个检测工位，极限工况下需同时处理多路高分辨率图像，单路最高 8192 × 4096。
缺陷种类多、等级要求不同
现场需要区分的缺陷累计达 78 项，且致命、一般、轻微三个等级的处理方式并不相同，判级规则必须可配置、可验证。
核心技术方案
六项技术组合，而不是单一成像手段
系统融合 2.5D 视觉检测、3D 视觉检测、光度立体成像、AI 缺陷检测、机器视觉算法及视觉软件平台，实现方形锂电池电芯多表面、多类型缺陷的在线自动检测。
2.5D 视觉检测
强化蓝膜、铝壳等表面的微弱异常，辅助识别凹坑、凸点、划伤、表面异物、气泡等低对比度缺陷。
3D 视觉检测
获取表面三维形貌信息，用于顶面 3D 及防爆阀检测、大面 3D 检测等环节。
光度立体成像
按不同方向光照获取多维图像，输出红外、白光、融合、差分、RGBA、高度图像并支持频闪采集。
AI 缺陷检测
按产品材质 → 光学成像 → 图像特征 → 缺陷类型 → 检测需求建立对应流程，采用定制化 AI 视觉算法。
机器视觉算法
配合专用模组完成定位、量测与判定，与深度学习算法按任务组合使用。
视觉软件平台
边缘推理管控平台负责检测流程、设备控制、算法通信与生产数据管理，支持零代码流程编排。
检测范围
四个核心检测区域及其主要检测内容
| 检测区域 | 主要检测内容 |
|---|---|
| 防爆阀及 PP 膜 | 表面缺陷、异物、异常区域等 |
| 圆形 / 方形极柱 | 外观缺陷及表面异常 |
| 侧面铝壳 | 表面瑕疵、划伤、凹坑等 |
| 蓝膜 | 划伤、凸点、白点及其他表面缺陷 |
整机根据实际检测需求，可实现多工位协同检测，对方形电芯多个关键表面进行自动化视觉检查。
检测对象
缺陷分级与可识别的检测对象
针对方形锂电池电芯生产过程中不同等级的质量问题，系统可根据客户质量标准建立缺陷分类及判级规则。
具体缺陷类别及判定标准可根据产品型号、客户检测规范及实际缺陷样本进行配置和验证。
可覆盖的检测对象
典型缺陷
缺陷类型、判定阈值与 AI 类别定义
典型缺陷判定规则
针对不同缺陷类型，可以根据产品质量标准设置检测阈值。例如：
| 缺陷类型 | 判定条件 | 对应像素 | 判定结果 |
|---|---|---|---|
| 凸点、白点 | 缺陷长度或宽度 > 0.07 mm | 约 5 像素 | NG |
| 划伤 | 划伤宽度 > 0.07 mm | 约 5 像素 | NG |
可检测的表面缺陷类型
AI 模型类别定义
通过「分割 + 分类」两阶段识别方式，可以先定位缺陷区域，再对缺陷进行精细分类。
| 阶段 | 类别编号 | 类别 |
|---|---|---|
| AI 分割类别 | 0 | 背景 |
| AI 分割类别 | 1 | 缺陷 |
| AI 分割类别 | 2 | 塑胶区 |
| AI 分类类别 | 0 | 划痕 |
| AI 分类类别 | 1 | 凸点 |
| AI 分类类别 | 2 | 白点 |
检测能力
方案中给出的核心检测性能指标
40 PPM 和 0 漏检应该怎么理解？
40 PPM 是本方案给出的整机产线处理节拍，用于匹配高速方形电芯生产线的在线检测需求；0 漏检针对的是关键（CR）缺陷，非关键缺陷的漏检率为 0.3%、过检率为 2%。这些数字来自项目方案中的检测条件与测试结果，实际项目需结合产品、样本与现场条件复测确认。
AI 视觉算法
面向高速产线的光融混合算法网络与 CNN + 注意力架构
针对方形锂电池电芯不同材质表面的检测需求，系统采用定制化 AI 视觉算法。算法设计不是单纯依赖单一模型，而是根据「产品材质 → 光学成像 → 图像特征 → 缺陷类型 → 检测需求」建立对应的视觉检测流程。
对于蓝膜等大视野、高分辨率检测区域，需要在保证检测精度的同时控制模型推理时间，因此系统采用融合局部特征和全局特征的算法架构。
一、面向高速产线的算法设计
- 整机产线处理节拍达到 40 PPM；
- 蓝膜检测数据量较大，共包含 5 个检测工位，极限工况下需同时处理多路高分辨率图像；
- 单路图像最高可达到 8192 × 4096；
- 总处理时间上限约为 1.5 秒，其中 AI 模型推理时间约分配 1 秒。
因此算法需要同时解决三个问题：全局信息（理解较大范围内的图像结构和缺陷上下文）、局部细节（有效提取微小划伤、凸点、白点等局部缺陷）、推理效率（在有限算力条件下控制模型计算量，满足高速产线实时检测需求）。
二、CNN + 注意力机制混合算法架构
传统 CNN 网络具有较强的局部特征提取能力，但随着网络深度增加才能逐步获得较大范围的感受野；Transformer 类网络能够较早获取图像全局特征，但高分辨率工业图像下计算资源消耗较大。因此本系统采用 CNN 与注意力机制融合的混合算法网络。
- 多尺度特征提取：采用 CNN 进行多尺度特征提取，将不同层级的特征信息进行融合。
- Token 特征构建：将多尺度特征进一步组织形成 Token 特征，送入注意力编码模块。
- 全局特征理解：通过注意力模块增强模型对大范围图像结构及缺陷上下文的理解能力。
- 局部与全局特征融合：通过强化跳跃连接，将浅层获得的局部缺陷特征与深层全局特征进行融合。
三、模型推理性能对比
测试输入尺寸：1 × 3 × 8192 × 4096
| 模型 | 显存占用 | 模型推理耗时 |
|---|---|---|
| 光融混合算法网络 | 4.9 GB | 149.25 ms |
| MobileNetV2 | 6.8 GB | 286 ms |
| SegFormer | 31.6 GB | 1992 ms |
从项目测试数据来看，光融混合算法网络在该输入条件下兼顾了高分辨率图像处理能力与模型推理效率。
四、AI 模型轻量化
视觉软件平台
边缘推理管控平台、训练平台与样本工具
边缘推理管控平台部署于现场检测设备，负责视觉检测流程、设备控制、算法通信及生产数据管理。平台支持零代码视觉流程编排，并封装多种工业视觉处理能力。
核心软件模块
配方模块
管理不同产品型号、检测参数及生产配方。
主界面
实时展示生产状态、视觉检测结果及设备运行状态。
运控模块
负责运动轴、IO 及设备动作控制。
算法通信模块
负责视觉软件与 AI 算法模块之间的数据通信和结果交互。
用户模块
实现用户账号、权限及操作权限管理。
维护模块
支持设备参数维护及系统维护。
日志数据模块
记录生产日志、检测数据、操作记录及审计信息。
图像采集
配合专用视觉模组完成多工位图像采集与传输。
视觉检测软件核心功能
- 产品配方管理：支持不同产品型号及检测参数的配方管理。
- 批次管理：记录不同生产批次对应的产品及检测信息。
- 实时检测：实时展示生产图像、检测结果及缺陷信息。
- 运动与 IO 控制：实现视觉检测流程与自动化设备之间的协同控制。
- AI 算法调度：负责 AI 模型调用、图像传输及检测结果接收。
- 用户权限：根据不同用户角色管理系统操作权限。
- 日志追踪：记录设备运行、用户操作和检测过程信息。
- 数据回看：支持生产检测数据及相关图片的查询与回看。
云端模型训练平台
针对工业视觉项目中样本量大、缺陷类型复杂、模型持续迭代等需求，可配套模型训练平台。平台支持图像分类、目标检测、语义分割、OCR 识别等工业 AI 算法任务，并面向多类工业视觉检测场景形成工业缺陷样本与算法模型积累。
工业缺陷智能标注
针对锂电池蓝膜、石墨膜材、中框 PVD、锂电极柱等工业表面检测场景，可利用智能标注能力辅助完成缺陷样本预标注。对于浅缺陷、微小缺陷等复杂样本，通过智能预标注减少人工重复操作。
AIGC 小样本缺陷生成
工业视觉项目中，部分缺陷天然属于低频缺陷，真实样本数量有限。针对蓝膜浅划伤、微小凸点、白点、膜材表面异常等稀缺缺陷，可以结合真实样本通过 AIGC 方式辅助扩充训练数据。项目方案中提出，仅需要约 10 张真实缺陷样本作为基础，可用于构建小样本缺陷扩充方案。
技术架构
多工位协同检测与自动分流下料
整机采用多工位协同检测方式，根据电芯不同表面结构配置对应的视觉检测单元。
整机检测流程
- 01上料
- 02窄侧面 2.5D 检测
- 03底面 2.5D 检测
- 04大面 2.5D 检测
- 05顶面 3D 及防爆阀检测
- 06大面 3D 检测
- 07极柱飞拍检测
- 08OK / NG 判定
- 09自动分流下料
物料由上料皮带线进入设备后，通过上料搬运夹爪完成工件转运，并依靠移栽载台完成不同检测工位之间的工件切换。
移栽载台 Y1
工位间工件切换
移栽载台 Y2
工位间工件切换
移栽载台 X
工位间工件切换
检测后的自动分流
NG 产品
NG 下料皮带线 → NG 物料摆渡工位
OK 产品
下料扫码摆渡 → OK 品下料皮带 → 下料搬运夹爪 → OK 品下料
检测方式
2.5D 视觉检测与光度立体成像
2.5D 视觉检测：强化微小表面缺陷识别
针对蓝膜、铝壳等表面缺陷检测需求，系统采用 2.5D 视觉检测技术，对传统二维图像难以突出显示的微弱表面异常进行增强。通过多维度图像信息获取产品表面特征，可辅助识别以下缺陷：
光度立体成像技术
系统采用光度立体成像方案，根据不同方向的光照条件获取产品表面多维度图像信息，可输出多种图像数据，同时支持频闪图像采集模式。
针对凹坑、表面异物、气泡等低对比度缺陷，可结合多模式图像进行融合分析。通过不同成像信息之间的互补，可以进一步增强部分弱缺陷的视觉特征，为后续 AI 缺陷识别提供更加丰富的输入数据。
设备与参数
单工位视觉硬件配置参考
以单工位视觉检测模组为例，方案中的配置参考如下：
| 项目 | 配置 |
|---|---|
| 工业相机 | MV-CH120-10GM |
| 镜头 | 25 mm |
| 光源 | 光度立体光源系统 |
| 检测视野 | 60 × 43.9 mm |
| 相机分辨率 | 4096 × 3000 |
| 像素当量 | 0.0146 mm/pix |
具体硬件配置会根据产品尺寸 + 检测缺陷尺寸 + 视野 + 产线速度 + 成像要求进行设计和选型。
适用行业
主要面向的电芯类型与生产场景
可根据不同电芯型号及生产线布局进行视觉模组、算法和自动化结构定制。
项目实测与实施数据
方案中给出的测试与实施收益数据
模型推理性能对比（测试输入 1 × 3 × 8192 × 4096）
| 模型 | 显存占用 | 模型推理耗时 |
|---|---|---|
| 光融混合算法网络 | 4.9 GB | 149.25 ms |
| MobileNetV2 | 6.8 GB | 286 ms |
| SegFormer | 31.6 GB | 1992 ms |
模型迭代实施收益
实施流程
AI 缺陷检测的完整推理流程与端云闭环
系统采用「分割 → 裁切 → 分类 → 参数提取 → 业务判级」的完整 AI 检测流程。
- AI 缺陷分割：将原始图像输入 AI 缺陷分割模块，对图像区域及缺陷类别进行分割，同时区分背景区域、缺陷区域、塑胶区域。
- Mask 掩模处理：根据分割结果生成 Mask 掩模，并提取缺陷区域外接矩形。
- 缺陷区域扩展：对缺陷区域向外扩展约 1.3 倍进行裁切；对于不足目标尺寸的区域，通过补边方式完成图像裁切。
- 图像 Resize：将裁切后的缺陷图像调整至模型输入尺寸。
- AI 缺陷分类：将处理后的缺陷区域输入 AI 分类模型，对缺陷类型进行进一步识别。
- 缺陷参数输出：系统输出像素级缺陷结果，包括缺陷长度、缺陷宽度、缺陷面积、缺陷中心坐标、缺陷框位置、缺陷类别。
- 结果融合：结合缺陷质心 + 区域判断 + 缺陷类别 + 尺寸阈值 + 产线业务规则进行最终判级。
AI 视觉端云闭环
通过设备端与模型训练平台协同，可以形成完整的 AI 模型迭代链路：
- 01样本采集
- 02样本分析
- 03智能标注
- 04模型训练
- 05模型评估
- 06模型封装
- 07现场部署
- 08生产检测
- 09数据回流
- 10模型持续优化
为什么选 EEK
本方案在产品层面提供的核心能力
多表面一体化检测
针对方形电芯不同表面配置专用视觉模组，实现多区域自动检测。
2D + 2.5D + 3D 融合
根据不同缺陷特征选择对应成像方式，从平面外观到三维形貌进行多维检测。
AI 缺陷识别
针对复杂工业缺陷建立定制化 AI 视觉模型，实现缺陷定位、分类和判级。
高分辨率图像处理
针对蓝膜等高分辨率检测场景，采用适配高速工业视觉的算法架构。
视觉软件一体化
从配方管理、图像采集、AI 推理到检测结果及生产数据，实现统一的软件平台管理。
端云模型闭环
通过样本采集、模型训练、部署及现场数据回流，实现 AI 模型持续迭代。
自动化产线集成
视觉检测结果可与输送、搬运、扫码、NG 分选等设备进行联动。
可扩展的核心技术能力
表面缺陷检测
划伤、凹坑、凸点、白点、异物、裂纹、气孔、焊渣等表面异常。
2D / 3D 尺寸检测
精密尺寸测量、公差检测、高度检测、位置检测、2D 轮廓检测、3D 形貌检测。
OCR 及产品追溯
支持字符识别，并结合产品信息建立生产过程追溯。
装配检测
漏装检测、错装检测、装配位置检测、孔位检测、零部件有无检测、包装完整性检测。
亿恩凯（eeK）在锂电池视觉检测上的能力范围是什么？
亿恩凯（eeK）围绕机器视觉、AI 视觉算法、2D / 2.5D / 3D 视觉、视觉检测软件及自动化集成，为锂电池及工业制造客户提供视觉检测系统设计与实施服务。针对方形电芯不同材质、不同表面及不同缺陷特征，系统从前端光学成像开始整体设计，并将视觉硬件 → 光学成像 → AI 算法 → 视觉软件 → 自动化控制 → 数据管理统一集成。
本类方案
与本方案配套的相关方案页
相关的技术指南
本类资料清单
已确认内容与待核实项
| 资料项 | 说明 | 状态 |
|---|---|---|
| 检测区域与检测项 | 四个核心检测区域的主要检测内容 | 已确认 |
| 缺陷分级 | CR 6 项 / MA 33 项 / MI 28 项，合计 78 项 | 已确认 |
| 核心性能指标 | 40 PPM 节拍、关键缺陷 0 漏检、漏检 0.3% / 过检 2% | 已确认 |
| 算法与推理数据 | 光融混合算法网络、CNN + 注意力架构、推理性能对比 | 已确认 |
| 整机检测流程 | 九步流程、移栽载台与 OK / NG 分流路径 | 已确认 |
| 单工位硬件配置 | 相机、镜头、光源、视野、分辨率、像素当量 | 已确认 |
| 整机外形与尺寸 | 整机长宽高、重量与占地要求 | 按实际检测对象与产线确认 |
| 整机节拍实测报告 | 现场实测节拍与稳定性数据 | 按实际检测对象与产线确认 |
| 完整缺陷判定标准表 | 78 项缺陷逐项的判据与阈值 | 按实际检测对象与产线确认 |
| 设备实拍图与铭牌 | 整机、模组与界面的真实照片 | 按实际检测对象与产线确认 |
| 交付与验收清单 | 随机文件、备件、培训与验收标准 | 按实际检测对象与产线确认 |
常见问题
关于方形锂电池电芯外观检测的常见疑问
方形锂电池电芯外观检测一体机主要检测哪些区域？
方案中列出四个核心检测区域：防爆阀及 PP 膜（表面缺陷、异物、异常区域）、圆形 / 方形极柱（外观缺陷及表面异常）、侧面铝壳（表面瑕疵、划伤、凹坑）、蓝膜（划伤、凸点、白点及其他表面缺陷）。整机可实现多工位协同检测，具体区域的划分需按电芯型号确认。
78 项缺陷是怎么分级的？
按缺陷严重程度分为三级：CR（致命缺陷）6 项、MA（一般缺陷）33 项、MI（轻微缺陷）28 项，整机合计可识别 78 项缺陷。具体缺陷类别及判定标准可根据产品型号、客户检测规范及实际缺陷样本进行配置和验证。
关键缺陷真的能做到 0 漏检吗？
方案给出的指标是关键缺陷 0 漏检、非关键缺陷漏检率 0.3%、过检率 2%。这些数据基于项目方案中的检测条件和测试结果，实际项目指标需结合具体产品、样本及现场生产条件进行验证，不能直接等同于任何一条产线的实测结果。
2.5D 和 3D 检测有什么区别？为什么两个都要用？
两者解决的不是同一类问题。2.5D 视觉检测用于强化蓝膜、铝壳等表面的微弱异常，辅助识别凹坑、凸点、划伤、表面异物、气泡等低对比度缺陷；3D 视觉检测获取表面三维形貌，用于顶面 3D 及防爆阀检测、大面 3D 检测。方案中的整机流程里窄侧面、底面、大面走 2.5D，顶面与防爆阀、大面走 3D，是分工关系而不是替代关系。
凸点、白点、划伤多大尺寸判定为 NG？
方案给出的示例阈值是：凸点、白点当缺陷长度或宽度 > 0.07 mm（约 5 像素）时判定为 NG；划伤当宽度 > 0.07 mm（约 5 像素）时判定为 NG。具体缺陷尺寸阈值可根据客户质量标准、产品型号及实际缺陷样本进行调整和验证。
光融混合算法网络和 MobileNetV2、SegFormer 比，优势在哪里？
在测试输入尺寸 1 × 3 × 8192 × 4096 下，方案给出的对比数据是：光融混合算法网络显存 4.9 GB、推理 149.25 ms；MobileNetV2 为 6.8 GB / 286 ms；SegFormer 为 31.6 GB / 1992 ms。即光融网络在同等输入下显存占用与推理耗时都更低。实际部署性能仍需根据 GPU 配置、图像尺寸、并发数量及具体模型版本现场验证。
为什么蓝膜区域要用 CNN + 注意力机制的混合架构？
因为蓝膜属于大视野、高分辨率检测区域，需要在保证精度的同时控制推理时间。传统 CNN 局部特征提取能力强，但要靠加深网络才能获得大感受野；Transformer 类网络全局特征获取早，但高分辨率下算力消耗大。混合架构先用 CNN 做多尺度特征提取，再组织为 Token 送入注意力编码模块增强全局理解，最后通过强化跳跃连接融合浅层局部特征与深层全局特征。
智能标注和 AIGC 小样本生成能省多少人工？
项目资料显示，智能标注方案可使标注效率提升约 400%，实际提升幅度与样本类型、标注任务及数据质量有关。AIGC 方面，项目方案提出仅需约 10 张真实缺陷样本作为基础即可构建小样本缺陷扩充方案，用于蓝膜浅划伤、微小凸点、白点、膜材表面异常等稀缺缺陷。具体模型检出能力必须用实际产品和样本验证，不能以固定比例替代现场测试结果。
硬件配置是固定的吗？
不是。方案中给出的是单工位配置参考：工业相机 MV-CH120-10GM、25 mm 镜头、光度立体光源系统、检测视野 60 × 43.9 mm、分辨率 4096 × 3000、像素当量 0.0146 mm/pix。实际硬件会根据产品尺寸 + 检测缺陷尺寸 + 视野 + 产线速度 + 成像要求重新设计和选型。
检测结果能不能和产线联动？
可以。方案中的整机在 OK / NG 判定后执行自动分流：NG 产品走 NG 下料皮带线 → NG 物料摆渡工位；OK 产品走 下料扫码摆渡 → OK 品下料皮带 → 下料搬运夹爪 → OK 品下料。同时视觉检测结果可与输送、搬运、扫码、NG 分选等设备联动，形成检测 + 分选 + 生产流转闭环。
提交样品测试
把电芯型号、缺陷样本、检测要求与产线节拍发给我们，方案工程师会判断它属于哪一类检测问题，并给出成像方式与设备配置建议。
提交成功
我们已收到您的样品测试需求，方案工程师会在 1 个工作日内与您联系。如需加急，请直接致电 13913763268（微信同号）。
需要逐项评估成像条件、缺陷标准与节拍？ 前往完整需求评估 →