当前，动力电池、车载电容视觉检测的新需求对传统算法提出巨大挑战，而基于深度学习的检测技术能够提升瑕疵检测的准确率，有效解决企业痛点，护航动力电池、车载电容安全。 

案例

在极耳焊接环节，存在金属碎屑，可能出现于电池表面的任意位置，且金属碎屑颜色与极片料区背景色十分接近。此外，极耳区域还会出现翻折，其存在任意形状、多种尺度，表面反光等不良情况，导致翻折特征提取困难。这些都给传统视觉检测带来很大挑战。 

传统视觉检测的算法底层逻辑在于，在指定区域找亮度、颜色差异，并据此来判断异物的大小或形状等。但是针对极耳焊接问题显然传统算法无法解决这一环节的检测痛点，不仅如此，传统算法也无法满足该领域的其他检测需求。所以越来越多的工业质检技术用到了深度学习。相比于传统算法，深度学习具有准确率高、避免繁琐特征设计等优势。

深度学习主要涉及算力、数据和算法三大维度，其底层逻辑是提供一个深度的神经网络，需要训练的参数多达百万、千万甚至上亿级别，需要大量数据和算力支撑。

科亿科技投入了大量的资源研究深度学习，目前已解决了样本数量、训练等问题，并将其在锂电、超电、铝电解行业全面推广应用，覆盖极片检测、铝塑膜包装检测、卷绕后的极耳翻折检测、电容器外观缺陷检测等。科亿科技基于深度学习在锂电池、超电、铝电解视觉检测领域提出四大创新。 

基于小样本深度学习的数据模型，将缺陷样本数量降到十位数

科亿科技基于小样本深度学习数据扩充，解决了缺陷数据收集困难，代价大导致缺陷样本少的痛点。 简而言之，对于收集到的少量缺陷样本数据，基于GAN网络生成大量可用的样本，另外，结合科亿科技成像经验以及图像处理技术，生成更多的缺陷样本，降低深度学习模型对缺陷样本的依赖。最终，科亿科技实现仅十位数的样本数量即可训练网络，模型依赖数据量减少至约50张。

数据样本自适应扩充训练技术，准确率提升10%

扩充训练样本能有效地提升模型检测性能。但在电芯产线上，每天产生的产品以万级计量，若对每张产品图像进行数据标注、模型训练成本十分高。因此，生产过程中存在大量未标注相关数据的信息未被挖掘，限制检测模型效果。 

科亿科技基于主动学习熵值装袋的采样策略，推荐最具代表性的样本进行人工标注，迅速建立模型，大大缩短了模型训练时间，检测准确率提升约10%。 

自适应迁移技术，大大缩短训练周期，甚至一键迁移

当前大多AI独角兽暂时未实现盈利，主因系投入过大。如某深度学习项目，需要大量高端人才于生产线上持续收集图片、训练模型、打标签、训练网络、提升网络性能，项目历时长且花费巨大。而且下一个项目过程中，这种繁杂且投入成本巨大的工序又将重复上演。 

通过深度学习，科亿科技提出自适应迁移技术，即在训练A模型的过程中，提供足够的信息使得模型能学习到A型号、B型号间的区别和联系，进而将学过A型号的知识迁移至B型号中，实现训练周期的大幅缩短。 

搭建AI云训练平台，解决算力痛点以及客户自主训练的问题

为解决AI深度学习大量数据模型训练所需的算力问题，科亿科技斥巨资自主搭建AI云训练平台，解决了不同行业、不同客户、不同数据模型同时训练的难题。科亿科技会为不同客户分配登录账号，登录账号后，客户根据检测需求，按照操作指引，在已搭建好的数据模型中自行填充数据训练模型。大大提升了客户对于检测需求的便捷性和实效性。

除深度学习以外，科亿科技在3D激光传感器领域也有深入布局。相对传统检测手段，在锂电顶盖及密封钉焊缝焊接效果检测，有质的飞跃。

如动力电池焊接环节，存在电池焊缝反光严重，且表面凹凸不平，反光方向各异等痛点，但相机成像及算法处理等常规视觉检测方案均无法满足需求。 

科亿科技从3D硬件出发，配合相机高动态反光抑制算法，能够轻松获取清晰的，且反光压制效果好的锂电焊缝图像，很好地解决上述焊接检测痛点。

此外，配合科亿科技锂电焊缝3D检测专用算法，可实现对顶盖及密封钉爆点、针孔、断焊等各种缺陷的稳定检测，解决了传统检测技术无法检测不良深度等痛点。