2023-04-26 | 대전=박희윤 기자

以“鹰眼”人工智能实时检测燃料电池表面缺陷

本页标题和正文均由AI机器翻译,未经人工审校。准确内容请以韩文原文为准。

韩国标准科学研究院(KRISS)26日宣布,KRISS光影像测量标准团队开发出可在生产工序中实时检测燃料电池表面微小缺陷的技术。

此次开发的技术为基于深度学习的实时3D测量技术,仅需一次拍摄即可发现表面形状缺陷,从而在不停止制造工序运行的情况下监控质量。

表面形状的实时3D测量采用单次图案投射方式。该测量法是向物体表面照射带有密集复合栅格图案的光,随后分析反射后变形的图案,以获取划痕或损伤等三维信息。

该方式的缺点在于,当表面反射率较低或混合有多种图案形态时无法测量。例如,燃料电池的核心部件金属隔板表面凹凸不平,为不锈钢(SUS)材质,在产业现场难以进行实时3D检测。

KRISS光影像测量标准团队为克服这一局限,在图案投射方式中引入了人工智能算法。通过让自主开发的新概念深度学习网络DYnet++学习数千个以上的表面形状测量数据,即便是光反射率低或形态复杂的表面也能实时进行3D形状测量。

研究团队为将该技术应用于燃料电池样品,还让人工智能算法追加学习了带有表面缺陷的金属隔板数据。仅通过少量数据学习便具备了应用能力,3D形状测量结果显示,仅一次拍摄就检测出了2D检测难以判别的样品表面压痕和划痕。

该技术与测量对象的形态或尺寸无关,可轻松搭载于生产线,即使在外部振动及温度变化较大的生产过程中也能自动检查是否存在不良。它可在包括燃料电池在内的多种制造业领域,通过提高生产效率、改善质量、降低成本等,为引入智能工厂作出贡献。

KRISS光影像测量标准团队组长金永植表示:“利用该技术可实时判别燃料电池金属隔板的各种不良与缺陷”,“这一成果将有助于最大化近来正积极普及的燃料电池的性能,并提升其耐久性和安全性”。

KRISS计划继续开展后续研究,以便将该技术应用于各类产业现场。

本次研究成果已于3月在电气磁学领域国际权威期刊《IEEE Transactions on Industrial Electronics》(IF:8.162)线上刊登。

阅读韩文原文