電池焊接中的幽灵缺陷：邊緣AI如何使不可見變得可見
可靠地檢測反光電池蓋上的微米級焊接偏移，捕獲傳統視覺系統遺漏的關鍵'幽灵缺陷'。
摘要（快速回答）
電池焊接中的微米級偏移是終極"幽灵缺陷"--幾乎不可見但後果严重。使用OV80i視覺系統，一個具有相機內NVIDIA GPU的邊緣優先視覺堆栈將信號從眩光中分離出來，以高速可靠地捕獲微小偏移。
挑戰：為什麼幽灵缺陷持續逃逸
在電池製造中，極耳焊接在電芯蓋上的位置對效能和安全至關重要。僅幾微米的偏差就可能損害連接，導致下游故障。這些"幽灵缺陷"對於自動化系統來说是出了名的難以捕獲。
- 镜面表面：電池蓋的光亮、弯曲金属產生高光環和光晕，對傳統基於規則的視覺來说看起來像"良好幾何形状"，掩蓋了真正的焊接位置。
- 亚像素偏移：焊接可能相對於電芯中心偏移了微小量。這可能透過基本尺寸檢查但足以導致功能故障。
- 显微镜瓶颈：依赖人工檢驗員使用显微镜檢查缓慢、主观且引入不一致性，使100%檢測無法扩展。
解決方案：幾何真相的邊緣優先流程
要捕獲幽灵缺陷，必须首先使它們可見。整個視覺流程應該專注於一個目標：精確量測從蓋中心到焊接中心的向量。使用OV80i，我們部署完整的邊緣優先流程以低延遲和高可靠性實現這一目標。
1. 捕獲和對齊
使用12毫米鏡頭和同轴環形光，系統抑制陰影并強調蓋的圆形特徵。軟體的第一步是檢測蓋面上的稳定邊緣并歸一化影像的旋轉，確保量測逐帧一致。
2. 相機內AI分割
PyTorch分割模型直接在OV80i整合的NVIDIA GPU上運行。它為两個關鍵感興趣區域生成像素級掩碼：蓋的外圆和焊接區域。這種AI驅動的方法將特徵從眩光等視覺噪声中隔離出來。
3. 量測和决策
一旦模型識別出蓋和焊接的中心，系統以像素計算中心到中心的距離并應用校準的像素到毫米轉換。在Node-RED中，此距離與設定的公差進行比较。一個干淨的透過/失败位傳送到PLC，數值偏移發布用於過程控制和趨勢圖。
*说明：AI分割精確掩蔽電池蓋和焊接區域，將它們從眩光中隔離以進行精確幾何量測。*
關鍵工程要點
這種方法之所以成功，是因為它將現代AI技术與基本機器視覺原理相結合。
- 1. 光学優先：用同轴照明控制镜面混淆比用複雜軟體修複壞影像更有效。
- 2. 邊緣運算：在相機的GPU上運行深度學習模型（PyTorch）提供最低延遲并交付確定性透過/失败信號，沒有網路歧義。
- 3. 小樣本訓練有效：樣本高效的分割允许您透過僅標注少量好的和缺陷影像來訓練健壯的模型，實現快速部署。
常見問題
為什麼電池焊接"幽灵缺陷"如此難以檢測？
幽灵缺陷難以檢測是因為镜面（光亮）表面產生的眩光會混淆基於規則的視覺，亚像素偏移可以透過尺寸檢查但導致功能故障，而手動显微镜檢查缓慢且不一致。
邊緣優先AI視覺流程如何解决這個問題？
邊緣優先流程結合了專門的同轴照明來控制眩光、運行PyTorch分割模型的相機內GPU來精確識別蓋和焊接幾何形状，以及直接PLC通信以在生產線上進行快速、確定性的透過/失败决策。
圆柱電池焊接品質的關鍵量測是什麼？
關鍵的幾何量測是從電池蓋中心到焊接中心的向量。如果此向量的大小超過指定公差，則極耳連接存在風險，表示潜在故障。