一家锂电池厂用AI视觉在线检测极片涂布缺陷的完整记录

今年年初，一家江西的锂电池厂找到了我们。他们的方形铝壳电池产线上，极片涂布工序的不良率一直降不下来——微孔、划痕、涂层厚度不均，这些问题在涂布阶段没被发现，做到后面的化成分容环节才暴露出来，浪费了大量的材料和工时。

更头疼的是，有些缺陷在出厂前都检测不到，电池到了客户手里才出现自放电异常，导致退货索赔。他们的质检主管跟我说了一句话我印象很深："涂布阶段的缺陷，就像埋了一颗定时炸弹——你不知道它什么时候炸，但一定会在某个环节炸。"

这篇文章记录我们是怎么一步步把AI视觉检测系统装到涂布线上的。不吹效果多好，只说做了什么、遇到了什么麻烦、最终效果怎样。

一、现场情况摸底

第一次去工厂，生产主管带我走了一遍涂布车间。几条关键信息：

• 产线情况：两条高速涂布线，涂布速度每分钟50-80米，极片幅宽约650mm
• 当前检测方式：目视抽检——工人用肉眼在收卷前检查，每卷抽检约3-5米，覆盖率不到1%
• 主要缺陷类型：微孔（直径0.1-0.5mm的针孔）、划痕（涂布过程中刮伤）、涂层斑点和厚度不均
• 环境条件：万级洁净车间，温湿度恒定，但涂布机附近有NMP溶剂挥发，对电子设备有腐蚀风险
• IT能力：工厂有MES系统，有IT团队3人，网络条件不错（千兆工业以太网）
• 预算：老板算过一笔账——涂布不良导致的报废和退货每年损失在百万级别，愿意投入

和之前做的汽配厂项目不太一样，这个厂的基础条件好一些，但技术要求也更苛刻：极片涂布面是湿的、有反光、线速度快，而且缺陷尺寸很小。

二、方案设计

传统方案是找国外的视觉检测品牌做整线配套，报价一台设备近60万，两条线就是120万。老板觉得贵，想试试我们的边缘AI方案。

最终确定的方案分三层：

采集层：线性扫描相机+定制光源

极片幅宽650mm，涂布速度80m/min，需要极高的行频才能拍清楚微小缺陷。选型过程折腾了将近两周：

• 相机：8K线阵CMOS相机，行频40kHz，搭配40mm镜头，单像素分辨率约0.08mm——理论上能看清0.1mm以上的微孔
• 光源：这个环节耗时较长。极片涂布面是湿的，金属箔基底反光很强。试了三种打光方案：明场（反光太强，缺陷被背景淹没）、暗场（微孔效果不错但划痕看不清）、低角度漫射（折中方案，两种缺陷都能识别）
• 编码器同步：必须用编码器信号触发相机拍照，不能用等间隔时间触发——涂布速度有波动，时间触发会导致图像拉伸或压缩，检测精度不稳定

教训：打光方案比想象中难很多。我们在实验室模拟环境试了三种光源，效果都还行。一到现场，极片实际的涂布状态和光学特性和实验室完全不同。最后是在现场边调边测，花了两天才找到合适的角度和亮度。

边缘层：推理计算

每条线部署一台边缘AI网关，承担实时推理任务：

• 接收线阵相机图像流（每秒约33000行，相当于每秒处理约50帧2048x650图像）
• 运行YOLOv8s检测模型，识别微孔、划痕、斑点三类缺陷
• 检测结果实时叠加到图像上，在操作员屏幕上显示
• 标记缺陷位置（哪个卷、哪个米数、什么类型缺陷）
• 将缺陷数据和对应图像片段上传MES系统

单帧推理时间控制在15ms以内，确保不丢帧。实测发现边缘网关的算力刚好够用，推理延迟约12-18ms，偶尔有个别帧超时——通过缓存队列解决了。

管理层：MES对接和报表

检测数据实时回传MES系统，实现：

• 每个极卷生成一张"质量地图"——卷内缺陷分布热力图，能直观看到缺陷集中在哪个位置
• 涂布工序的实时良率看板，按小时统计
• 每卷极片的缺陷清单，下道工序（模切、卷绕）可以根据缺陷位置做避让
• 周报自动汇总缺陷趋势，辅助工艺调整决策

三、实施过程

第一周：硬件安装和光学调试

相机和光源支架装了两天。安装本身不难，问题出在细节上：

• 涂布机运行时有振动，相机支架刚性不够，图像偶尔模糊。换用更粗的铝型材支架后解决
• 光源散热是个问题——LED线光源功率不小，密闭空间内温度升高导致光强漂移。加了一个小风扇主动散热
• 编码器安装位置选了两处才找到稳定信号源——涂布机的主动辊和从动辊都试了，主动辊的编码器信号更稳定

光学调试是最花时间的环节。低角度漫射光源的位置精度要求很高——偏差2-3mm，缺陷对比度就明显下降。我们做了个微调支架，用千分尺精度调整，才固定下来。

第二周：数据采集和标注

连续跑了5天，采集了约1000米极片的图像数据。从中筛选了4000多张包含缺陷的图像做标注。

标注过程中发现几个问题：

• 微孔和背景的对比度很低，肉眼标起来都很吃力，标注人员容易疲劳漏标。后来采用半自动标注——先用模型粗检，人工复核修正
• 部分划痕和涂布条纹（工艺正常的纹路）看起来很像，判断标准不统一。和生产主管一起制定了"缺陷判定标准卡"，把每一种缺陷拍了示例照片做比对
• 涂层斑点——有些是NMP溶剂挥发留下的痕迹，不影响电池性能，但视觉上看起来像缺陷。这类"假缺陷"的剔除花了较多精力

第三周：模型训练和调优

用标注好的数据集训练YOLOv8s模型。先跑了一版baseline，然后做了三轮迭代优化：

• 第一轮：mAP约0.67，微孔漏检率约30%。分析发现微孔尺寸小、对比度低，模型容易漏掉。加了数据增强（随机裁剪、亮度抖动）后，mAP提升到0.74
• 第二轮：误报率偏高——把正常的涂布纹理和溶剂痕迹误报为缺陷。引入"负样本"（标注为无缺陷的正常涂布图像）重新训练，误报率下降了约40%
• 第三轮：针对微孔漏检问题，把模型从YOLOv8s换成YOLOv8m（参数量大一倍），推理时间从10ms增加到18ms，仍在可接受范围内。微孔检出率从约82%提升到约91%

教训：千万不要在实验室精选数据上评估模型精度。我们的第一版模型在测试集上mAP有0.82，以为效果不错。现场跑了一天后发现，极片涂布状态每天都有微小的工艺波动（浆料粘度变化、涂布间隙调整），模型在"没见过"的状态下精度骤降。最后方案是每天用当天前1小时的数据做增量学习，模型持续自适应。

第四周：联调和试运行

系统上线联调，问题一个接一个：

• 速度不匹配问题：涂布机升速过程中（从0加速到80m/min），编码器信号频率变化导致图像采集帧率不稳，丢帧约3%。在软件里加了速度补偿逻辑——根据编码器频率动态调整采集参数
• NMP溶剂腐蚀：用了两周后，相机外壳出现腐蚀迹象。涂布机附近的NMP蒸汽浓度较高，标准铝合金外壳扛不住。给相机和边缘网关都加了防腐蚀密封罩，进出线口用防水接头密封
• 操作员接受度：刚开始操作工不信任AI检测结果。有个工人跟我说："我干了八年涂布，眼睛最准。"我们做了对比实验——把100张图的检测结果分别给AI和人工判读，AI的检出率明显更高，操作工才慢慢接受
• 数据同步断连：边缘网关往MES传数据时偶发断连，导致部分缺陷数据丢失。加了本地缓存和断线重传机制后解决

四、实际效果

系统上线运行3个月后的数据：

还有一些意外的收获：

工艺改进的"千里眼"。系统上线两个月后，通过缺陷热力图分析发现，微孔集中在极片宽度方向的两侧边缘约5cm区域内。和涂布工程师排查后确认，是涂布模头两侧的垫片老化导致浆料分布不均。换垫片后，边缘微孔减少了约60%。这个发现是用肉眼检查永远看不到的——缺陷的"空间分布"信息本身就是很大的价值。

良率和速度的关系。数据积累后发现，涂布速度超过70m/min时，缺陷率有明显上升。工厂据此调整了工艺参数——高速段只生产对缺陷容忍度较高的产品，对缺陷敏感的产品控制在65m/min以下。这是经验管理做不到的精细化。

五、遇到的问题和解决办法

问题1：涂布浆料批次差异影响检测精度

不同的浆料批次，颜色和反光特性略有差异。换了浆料批次后，模型误报率从8%升到约15%。解决方案是建立"浆料批次档案"——每次换浆料批次后，用半小时新的图像数据做模型微调。

问题2：相机镜头起雾

涂布车间洁净区温度和涂布机局部温差导致镜头起雾。镜头加了加热圈（温控在40°C），问题解决。这个和之前食品包装线遇到的情况很相似。

问题3：数据标注标准不一致

标注团队三个人标出来的标准不统一——同一种缺陷，有人标"微孔"有人标"涂层斑点"。后来做了"缺陷标准卡"（拍照+文字描述），每个人标完互相抽检20%，一致性从约70%提升到约92%。

六、个人的思考

这个项目做下来，几个感受很深：

锂电行业做AI视觉，光学方案是真正的瓶颈。模型选型、训练框架这些东西我们很熟了，但打光方案、镜头选型、编码器同步这些光学和机械层面的问题，占了整个项目60%以上的工作量。如果只懂AI不懂光学和机械，在这个行业很难落地。

缺陷数据的空间信息比单点检出更有价值。我们一开始只关注"检没检出来"，后来发现缺陷的位置分布信息对工艺改进的帮助，比检出率本身大多了。同样的思路可以用在很多场景——纺织品疵点分布、PCB焊点位置分布。

边缘AI在高速产线上，算力是硬约束。80m/min的涂布线，1米内就要完成采集+推理+显示+上传，留给软件的时间窗口很窄。我们在优化模型推理时间上花了不少功夫——TensorRT量化、算子融合、多线程流水线。

"人+AI"比纯AI靠谱。操作员对涂布工艺的理解是机器学不会的——他们知道"这种条纹是正常的工艺纹路"、"这种斑点可能是上一班留下的清洗痕迹"。把人的经验和AI的稳定性结合起来，效果远好于任何一方单干。

七、给你的建议

如果你也在考虑给锂电产线做AI视觉检测，几个建议：

1. 先花时间在光学方案上——相机、镜头、光源选型和打光方案，值得投入2-3周。光学方案没做好，后面的模型训练效果直接受限
2. 留足现场调优时间——实验室模拟和现场条件差很多，做好现场调试2-3周的心理准备
3. 数据标注标准要早定——缺陷标准卡、标注规范、交叉抽检，这些工作越早做越好。后期返工标注的成本很高
4. 做好持续迭代的准备——涂布工艺波动、浆料批次变化、环境变化都会影响模型精度。一次训练跑完就完事的方案，在生产场景里行不通
5. 算力留余量——选边缘网关时，按照计算需求的1.5-2倍来选算力。推理优化有空间，但算力一旦不够，替换成本很高
6. 不要低估操作员的抵触心理——AI检测是"抢饭碗"还是"帮干活"，取决于你怎么设计和引导。让操作员参与进来，而不是替代他们