{{{sourceTextContent.title}}}

Come si può utilizzare l'alimentazione visiva flessibile alimentata dall'intelligenza artificiale per distinguere le lastre degli elettrodi delle batterie automobilistiche?

{{{sourceTextContent.subTitle}}}

Alimentazione flessibile visiva con intelligenza artificiale

{{{sourceTextContent.description}}}

Nel processo di produzione automatizzato di batterie per autoveicoli, l'alimentazione precisa delle piastre di elettrodi è un fattore chiave che determina le prestazioni e la durata della batteria. Tuttavia, le strutture anteriori e posteriori delle piastre di elettrodi delle batterie per autoveicoli sono molto simili, il che pone una sfida significativa nel distinguere tra le due durante l'alimentazione automatizzata. Una volta che gli errori di identificazione portano a un'installazione inversa delle piastre degli elettrodi, ciò può non solo causare confusione nei circuiti interni e un forte calo dell'efficienza di carica e scarica, ma può anche innescare rischi per la sicurezza come perdite e rigonfiamenti, con conseguenze dirette sulla qualità del prodotto e sulla sicurezza della batteria. I normali sistemi di riconoscimento a visione flessibile faticano a catturare efficacemente le caratteristiche distintive fondamentali tra il fronte e il retro quando si tratta di differenze così sottili e sono fortemente influenzati dall'illuminazione ambientale, aumentando il tasso di errore. Danikor migliora l'accuratezza del riconoscimento grazie all'ottimizzazione ottica e all'analisi intelligente dell'intelligenza artificiale.
1. Aggiungere una fonte di luce superiore per un'illuminazione uniforme del prodotto

A livello di ottimizzazione dell'ambiente ottico, il compito principale è quello di costruire un ambiente di illuminazione stabile e uniforme per l'acquisizione delle immagini. Utilizzando un sistema di sorgente luminosa superiore personalizzato, è possibile ottenere una proiezione verticale uniforme della luce sulla superficie della piastra elettrodica. La luce copre uniformemente ogni area della piastra elettrodica, eliminando efficacemente gli angoli morti d'ombra causati dalle tradizionali sorgenti luminose puntiformi o laterali e "amplificando visivamente" le differenze strutturali originariamente indistinguibili tra la parte anteriore e posteriore della piastra elettrodica, ponendo le basi per un giudizio accurato.
2. Applicare un panno che assorbe la luce sulla superficie del vassoio per eliminare l'interferenza della luce diffusa

L'uso esclusivo della sorgente luminosa superiore non può isolare completamente le interferenze esterne. La luce diffusa e il riflesso della superficie inferiore sono ancora fattori importanti che influenzano la qualità dell'immagine. Pertanto, l'uso di un panno professionale per l'assorbimento della luce diventa un'altra parte importante dell'ottimizzazione ottica.

Da un lato, è in grado di assorbire come un "buco nero" la luce diffusa nell'officina, compresa la luce residua dell'illuminazione delle condutture, i riflessi metallici delle apparecchiature meccaniche e le variazioni di luce e ombra causate dal movimento del personale, impedendo a queste luci parassite di formare punti di luce interferenti o punti luminosi sulla superficie della piastra dell'elettrodo. D'altra parte, può bloccare completamente il percorso di riflessione dalla superficie inferiore del vassoio, impedendo che la sovrapposizione della luce riflessa e della sorgente luminosa superiore provochi una "sovraesposizione" locale nell'immagine della piastra dell'elettrodo, assicurando che la luminosità dell'immagine della piastra dell'elettrodo raccolta sia coerente dal bordo al centro, con texture di dettaglio complete e chiare, fornendo dati di immagine di alta qualità per il riconoscimento dell'intelligenza artificiale.
3. Campioni di apprendimento profondo dell'IA per migliorare la precisione del riconoscimento

A livello di analisi intelligente delle immagini, sulla base dei dati di immagine ad alta definizione raccolti dopo l'ottimizzazione, vengono introdotti algoritmi di deep learning per costruire un modello di riconoscimento delle caratteristiche della piastra elettrodica. Raccogliendo un gran numero di immagini campione anteriori e posteriori di piastre di elettrodi con telecamere industriali, che coprono le caratteristiche delle piastre di elettrodi di diversi lotti e posizioni, viene costruito un database di campioni ricco e completo. Utilizzando l'intelligenza artificiale per addestrare profondamente i dati del campione, l'algoritmo è in grado di apprendere ed estrarre automaticamente i punti caratteristici fondamentali della parte anteriore e posteriore delle piastre di elettrodi in diverse posizioni e angolazioni. A differenza del riconoscimento visivo tradizionale, che si basa su soglie di caratteristiche impostate manualmente, gli algoritmi di intelligenza artificiale sono in grado di ottimizzare continuamente la logica di giudizio delle caratteristiche attraverso l'autoapprendimento, identificando così con precisione gli attributi anteriori e posteriori.
Grazie alla soluzione di ottimizzazione ottica + analisi intelligente dell'intelligenza artificiale, è possibile migliorare notevolmente l'accuratezza del riconoscimento del fronte e del retro delle piastre di elettrodi, eliminando in modo efficace i fallimenti di produzione causati da errori di riconoscimento. In questo modo non solo si riducono i costi di reispezione manuale, ma si migliora anche l'efficienza produttiva e la stabilità della qualità del prodotto, fornendo un supporto tecnico affidabile per la produzione su larga scala e di alta qualità di batterie per autoveicoli.