原文链接

一、项目背景

        锂电池焊接与焊接质量检测：锂电池模组焊接作为新能源汽车与储能产业的核心环节，正面临传统工艺的多重瓶颈：人工焊接能耗占比超 25%、单模组耗时 30 秒，且设备仅适配 1-2 种电池型号，产线切换需 4 小时人工调试。更严峻的是，人工目检漏检率超 8%，机器视觉误判率高达 30%-40%，导致行业平均良品率长期低于 95%，已成为制约锂电池规模化生产的关键痛点。

传统锂电池焊接与焊接质量检测：

• 效率低下：传统效率低下，难以满足高需求量的市场需求
• 柔性不足：仅能支持1-2种型号的电池型号
• 质量失控:依赖于人工检测且长时间重复性工作易导致视觉疲劳，导致准确率下降

        这些问题直接影响到焊接生产的效率与质量，成为制约焊接生产的重要因素

二、项目简介

        本方案基于边缘智能驱动，融合YOLOv8模型与OpenVINO轻量化部署技术，通过哪吒派实现焊点缺陷毫秒级识别与自动补焊闭环，结合霍夫圆变换与Python视觉算法完成电池极柱±0.2mm精确定位及多型号柔性焊接路径规划。该方案构建“检测-解析-补焊”全流程自动化体系，推动良品率提升至97.5%、生产效率提高40%，为锂电池模组焊接提供智能化解决方案。

        项目运行流程：该项目搭建锂电池模组自动化焊接系统，通过人机交互界面启动流程，工业相机采集图像，边缘侧依托焊点识别算法规划焊接路径、质量检测算法监测缺陷（支持补焊），将指令发至 PLC 控制设备执行，同时反馈运行日志与检测结果，实现焊接全流程自动化与智能化 。

三、项目运行

工具说明

①OpenVINO平台
        OpenVINO™ 工具套件是一款开源工具套件，可以缩短延迟，提高吞吐量，加速 AI 推理过程，同时保持精度，缩小模型占用空间，优化硬件使用。它简化了计算机视觉、大型语言模型 (LLM) 和生成式 AI 等领域的 AI 开发和深度学习集成。

②哪吒派
        哪吒开发板搭载Intel N97处理器，配备8GB LPDDR5内存和64GB eMMC存储空间，支持Windows、Linux两个操作系统，支持高分辨率显示，提供HDMI接口使检测结果能更好的展示。

项目构建

①环境搭建：本项目使用ubuntu 20.04 LTS系统进行项目部署
        1、部署本系统，进入官网

        2、OpenVINO 配置

        说明文档：https://docs.openvino.ai/cn/2022.3/openvino_workflow_zh_CN.html

        基础依赖安装：

sudo apt-get install libprotobuf-dev protobuf-compiler

        输出回显中碰到Do you want to continue? [Y/n] 输入Y

        OpenVINO下载，官网中给出了许多安装方式，可自行安装

②模型转化
        本系统采用PyTorch框架下目标检测模型，模型格式为pt，需要转化为onnx格式再转为xml

        Pytorch模型转换为ONNX模型

from ultralytics import YOLO 
model = YOLo('yolov8s.pt') 
result=model.export(format='onnx')#yolov8原生转换

       ONNX模型转IR模型（.xml .bin）

from openvino.runtime import Core, serialize
import os
 
# 模型输入路径
model_path = r"xxxxx"
 
# 输出目录（确保目录存在）
output_dir = r"xxxxx"  # 假设这是你想保存模型的目录
os.makedirs(output_dir, exist_ok=True)
 
# 完整的输出文件路径（添加 .xml 扩展名）
output_xml = os.path.join(output_dir, "paddle.xml")  # 明确指定文件名
 
# 使用新API加载和保存模型
core = Core()
model = core.read_model(model_path)
serialize(model, output_xml)
 
print(f"模型已成功保存到: {output_xml}")

运行结果：第一个代码输出.onnx格式文件，第二个代码输出.xml与.bin格式文件

        .xml 文件：

        作用：.xml 文件是一个文本文件，包含模型的架构或结构信息。它定义了模型的层次结构、层的类型、输入输出尺寸、以及模型中各层的参数配置等。

        内容：通常以可读的 XML 格式存储，包含了模型的拓扑结构。

        .bin 文件：

        作用：.bin 文件是一个二进制文件，包含模型的实际权重和偏置等参数。

        内容：这些参数是模型在训练过程中学习到的，存储为二进制格式，以便在推理时快速加载和使用。

        关系：

        互补性：.xml 文件定义了模型的架构，而 .bin 文件包含了模型的实际参数。两者共同作用，才能完整地表示一个模型。

        使用：在使用 OpenVINO 进行推理时，OpenVINO 的运行时环境会同时加载这两个文件，以重建完整的模型。

③模型部署至哪吒派
将模型部署至哪吒派实现端侧推理，对焊接质量图片实时解析

核心流程总结

输入处理：保持宽高比的中心填充缩放

模型适配：动态处理多类型输入节点（图像+缩放因子）

坐标转换：精准映射检测框回原始图像坐标系

结果优化：基于置信度阈值过滤无效检测

可视化：彩色标注不同焊接效果

        对于缺焊区域：采取区域判断焊点数量的方法，对一个焊接区域进行进行检测若焊接区域内的焊点少于4（自行规定），则标注为缺焊区域，并提取缺焊区域的中心点的像素坐标经过坐标变换，将像素坐标转为世界坐标，将缺焊区域的坐标信息传输给PLC进行自动补焊。

下面是核心检测代码

import cv2
import numpy as np
from openvino.runtime import Core, get_version
 
def openvino_inference(model_xml_path: str, input_image_path: str):
    try:
        # 初始化 OpenVINO 运行时核心对象
        core = Core()
        print(f"OpenVINO 版本: {get_version()}")
 
        # 1. 加载并编译模型
        model = core.read_model(model_xml_path)
        compiled_model = core.compile_model(model, device_name="CPU")  # 可替换为 "GPU" 或 "MYRIAD"
 
        # 2. 准备输入数据
        # 获取模型输入输出张量信息
        input_tensor = compiled_model.input(0)
        output_tensor = compiled_model.output(0)
        
        # 读取并预处理图像（以分类模型为例）
        image = cv2.imread(input_image_path)
        image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)  # BGR 转 RGB
        
        # 调整图像尺寸以匹配模型输入形状 [N, C, H, W]
        input_shape = input_tensor.shape
        n, c, h, w = input_shape
        
        # 归一化像素值到 [0, 1] 并调整维度顺序
        input_data = resized_image / 255.0
        input_data = input_data.reshape((n, c, h, w))  # 匹配模型输入维度
        
        # 3. 执行推理
        results = compiled_model.infer_new_request({input_tensor: input_data})
        
        # 4. 解析输出结果（以分类模型为例）
        output_data = results[output_tensor]
        predicted_class = np.argmax(output_data)
        confidence = np.max(output_data)
        
        return {
            "input_shape": input_shape,
            "output_shape": output_tensor.shape,
            "predicted_class": predicted_class,
            "confidence": float(confidence)
        }
 
    except Exception as e:
        print(f"推理过程中发生错误: {str(e)}")
        return None
 
if __name__ == "__main__":
    # 示例参数（需根据实际模型路径和图片路径修改）
    model_path = "classification_model.xml"  # 替换为你的模型 .xml 路径
    image_path = "test_image.jpg"            # 替换为你的测试图片路径
    
    result = openvino_inference(model_path, image_path)
    if result:
        print("推理结果:")
        print(f"输入形状: {result['input_shape']}")
        print(f"输出形状: {result['output_shape']}")
        print(f"预测类别: {result['predicted_class']}")
        print(f"置信度: {result['confidence']:.4f}")

项目运行效果：
拍摄一张锂电池模组图片进行测试，效果如下：

四、项目前景

        据行业预测，2025 年全球锂电池装机量将达 1400GWh，柔性化焊接设备需求年复合增长率超 15%。项目技术可延伸至储能电池簇、消费电子等场景，全国 5 万工位规模化应用后，年减碳超 112 万吨，创造柔性生产附加值 960 亿元，深度契合《“十四五” 智能制造发展规划》政策导向。推出 “轻量化改造套餐”，单工位改造成本＜10 万元，2025 年目标服务 1000 家中小企业，推动行业平均良品率提升至 98%。同时探索 “光伏供电 + 边缘智能” 零碳焊接模式，构建 “硬件 + 算法 + 培训” 一体化服务体系，助力新能源制造智能化转型。

算法升级：引入动态自适应网格算法，将缺焊召回率从 90% 提升至 95%，适配异形电池包检测；

能耗优化：开发焊接能耗数字孪生体，实现单位能耗降低；

模型开源：计划公开 1.5 万张焊点数据集及轻量化模型，推动行业技术标准化。