在电池组制造中基于深度学习的自主接质量检查,使用两阶段模型
Seungmin Lee1, Wooyoung Chung2, Beomseong Kim3
1Department of AI Transportation Convergence, Korea National University of Transportation, Uiwang-si, Korea.
Science progress
|December 24, 2025
概括
一个新的两阶段深度学习框架增强了电动汽车电池的激光接质量检查,即使使用有限的数据,也实现了完美的缺陷检测和分类.
科学领域:
- 材料科学 材料科学 材料科学
- 制造业 工程 制造工程
- 人工智能的人工智能
背景情况:
- 激光接对于电动汽车电池组装至关重要,但目前的检查方法不一致,无法检测潜在缺陷.
- 现有的质量控制依赖于手动,电气和物理检查,这些检查不足以确保高性能和安全标准.
研究的目的:
- 为自动化激光接质量检查开发一个强大的,两阶段的深度学习框架.
- 为了应对工业检查场景中缺陷数据稀缺的挑战.
- 为了提高激光接中隐藏缺陷的检测和分类准确度.
主要方法:
- 提出了一种两阶段的深度学习方法,从使用新的损失函数对正常数据进行训练的自动编码器开始.
- 第二阶段采用了多类缺陷分类,使用了第一阶段的编码器和瓶层.
- 集成了数据增强技术,以增强模型概括能力.
主要成果:
- 拟议的框架在缺陷检测和分类方面实现了100%的准确性和1.0的F1得分.
- 它显著优于传统的基于规则的系统,其准确率为99.31%,F1得分为0.995.
- 该系统在所有测试样本中显示出完美的一致性,验证了其在数据受限环境中的有效性.
结论:
- 开发的两阶段深度学习框架为工业激光接中的自动化质量检查提供了可扩展和智能化的解决方案.
- 这种方法在缺陷数据有限的场景中特别有效,比传统方法提供更高的性能.
- 该框架确保了高接质量,直接影响了电动汽车电池组等关键组件的性能和安全性.
