在混合CNN驱动的管道上,在检查电动汽车电池模块时进行3D缺陷定位
Paolo Catti1, Luca Fabbro2, Nikolaos Nikolakis1
1Laboratory for Manufacturing Systems and Automation, Department of Mechanical Engineering and Aeronautics, University of Patras, Rio Campus, 26504 Patras, Greece.
Sensors (Basel, Switzerland)
|December 31, 2025
概括
这项研究引入了电动汽车 (EV) 电池模块的混合3D检查管道,可在复杂的表面上精确,毫米级缺陷定位. 该方法增强了自动化质量控制和数字双胞胎集成,以提高电动汽车电池的可靠性.
科学领域:
- 材料科学 材料科学 材料科学
- 计算机视觉 计算机视觉
- 制造业 工程 制造工程
背景情况:
- 可靠的电动汽车 (EV) 电池生产需要精确的表面缺陷检测和自动化过程的精确定位.
- 传统的2D计算机视觉在曲线的电动汽车电池表面上与现实世界的坐标映射作斗争,阻碍了数字双胞胎和根本原因分析.
研究的目的:
- 开发一条混合3D检查管道,以精确地在电动汽车电池模块上以毫米级定位缺陷.
- 克服2D方法在复杂电池几何形状上将缺陷映射到现实世界的坐标上的局限性.
主要方法:
- 集成校准的双视图多视图几何结构,用于缺陷点投影和三角化.
- 使用单图像神经3D形状推断来补充具有有限多视图覆盖范围的区域.
- 采用生成性AI (GenAI) 来增强数据,并提供物理信息,合成缺陷变异.
主要成果:
- 实现了EV电池模块表面缺陷的毫米尺度定位精度.
- 在缺陷细分和3D连续性方面表现优于每视图卷积神经网络 (CNN) 基线.
- 在复杂的电池表面上生成可追溯的现实世界缺陷坐标.
结论:
- 混合3D方法提供了EV电池模块上缺陷的准确的本地化.
- 这种方法显著提高了电动汽车电池的自动化检查,维修和质量控制流程.
- 该管道为数字双胞胎和电池制造业的根本原因分析提供了改进的实用程序.
