综述：新能源汽车电池壳表面缺陷检测方法研究进展

《World Electric Vehicle Journal》：A Review of Research Progress on Surface Defect Detection Methods for Battery Shells of New Energy Vehicles

　　

在双碳目标（dual-carbon target）战略驱动下，新能源汽车（new energy vehicle, NEV）产业实现了规模化快速发展。作为动力电池的核心保护组件，电池壳（battery shell）的表面质量直接决定电池的运行安全性与可靠性。然而，电池壳在冲压（stamping）和拉深（deep drawing）等成形过程中易产生划痕、凹坑和裂纹等缺陷。传统人工检测存在劳动强度大、检测效率低和误检率高等瓶颈，难以适应现代工业大规模、高节拍的生产需求。首先，本研究系统阐述了电池壳的材料体系、制备工艺及缺陷形成机理，明确了材料属性、工艺参数及设备环境条件对缺陷演化的耦合机制。随后，对比分析了传统机器视觉（machine vision）与深度学习（deep learning）检测技术的原理、优缺点及适用场景，重点剖析了单阶段（single-stage）和两阶段（two-stage）目标检测（object detection）算法在壳体缺陷识别中的应用性能与优化路径。此外，针对深度学习电池壳缺陷检测技术在数据、算法部署、检测维度等方面的核心挑战，提出了针对性优化策略。最后，展望了系统集成（system integration）与在线学习（online learning）等发展方向。本研究可为电池壳冲压成形的智能制造及表面缺陷检测提供理论支撑与技术参考。

2. 缺陷形成机理与特征分析
2.1 电池壳的分类与制备工艺
新能源汽车动力电池壳按几何形式分为圆柱形和方形两类。圆柱壳主要采用BDCK冷轧钢，通过钢带冲压一次成形，部分经喷砂或喷丸处理，但工艺参数控制不当易引入微坑或纹理损伤。方形壳多采用六系或七系铝合金，通过多道次拉深（deep drawing）或变薄拉深（ironing drawing）工艺制备，单线速度可达80–120 m/min。此外，多点成形、脉动拉深、周向加压充液拉深等先进技术可满足更高性能要求，多道次变薄拉深复合技术用于超深宽比壳体，实现壁厚减薄率超30%且无明显缺陷。
2.2 缺陷形成机理与关键影响因素
2.2.1 材料性能
原材料质量是表面质量的基础。铝或钢中的杂质、气孔、氧化物夹杂等缺陷会直接遗传至成品。Fe和Si杂质颗粒在拉深中成为应力集中点，引发微裂纹；冷轧钢表面未完全去除的氧化皮在冲压时被压入基体形成凹坑或划痕。材料力学性能均匀性至关重要，屈服强度波动超5%时易导致局部过度变形，引发起皱或开裂。表面粗糙度需严格控制，过高或过低均会诱发表面划伤。
2.2.2 工艺参数
工艺参数协同控制是避免缺陷的核心。拉深系数、压边力（blank holder force, BHF）、拉深速度和润滑条件的匹配度直接影响材料流动状态。拉深系数过大会导致传力区应力超限产生拉伸裂纹，过小则引发法兰起皱。BHF通常控制在材料屈服强度的15–30%，过小无法约束流动，过大增加摩擦导致划伤或开裂。拉深速度与润滑条件需匹配，低速（5–10 mm/s）利于材料流动但效率低，高速（15–25 mm/s）需高性能润滑剂以防摩擦热积累导致铝黏附。多道次拉深中，工序间退火处理至关重要，未及时退火易导致裂纹扩展。变薄拉深对模具锥角、间隙和速度匹配精度要求高，锥角偏差超0.5°会导致厚度不均。
2.2.3 设备与环境
成形设备状态直接影响表面质量。模具表面粗糙度Ra应控制在0.02–0.05 μm，磨损、划伤或铝屑黏附会在壳体表面形成对应缺陷。模具单边间隙偏差超0.01 mm会导致应力不均，引起口部变形或侧壁倾斜。冲压机滑块平行度偏差超0.02 mm/m时产生局部应力集中。生产环境洁净度、温湿度控制不可忽视：车间粉尘浓度超0.5 mg/m³时，颗粒进入模具-材料接触面形成凹坑或划痕；环境温度波动超±5 °C改变材料力学性能；相对湿度低于40%时易产生静电吸附灰尘。运输周转阶段，壳体间碰撞、摩擦或夹具接触不当会引发压痕、划伤等缺陷。
2.3 典型缺陷类型与特征
结合工业生产实践，电池壳表面典型缺陷分为八类：穿孔、裂纹、严重变形属致命缺陷，直接导致产品报废；划痕和凹坑超出允许范围（划痕深度>0.05 mm，凹坑直径>1 mm）会显著降低耐腐蚀性和结构稳定性，易在电池充放电循环或车辆行驶振动中演变为安全隐患。当表面划痕深度超过壁厚10%时，壳体疲劳寿命降低40%以上，在高温高湿环境下更易发生腐蚀开裂。准确识别各类缺陷并分析其形成机理，是制定检测策略和工艺优化方案的基础。
3. 电池壳表面缺陷检测方法
电池壳表面缺陷检测技术从传统人工识别发展为以机器视觉为核心的自动化检测范式，技术上分为传统机器视觉和深度学习两大体系，均遵循“图像采集-图像预处理-图像识别”的基本逻辑。
3.1 基于机器视觉的缺陷检测流程
检测流程主要包括五步：图像采集、图像预处理、模型训练、模型评估和结果输出。
图像采集是首要环节，需合理配置光源、工业相机、光学镜头等硬件，构建适应壳体材料和缺陷特征的成像系统。光源布置是影响成像质量的关键，包括照明方式与角度（明场照明、暗场照明）、照明强度与均匀性、光源颜色选择。典型工业检测系统针对不同壳体类型采用针对性硬件配置：方形铝壳采用1200万像素全局快门相机搭配双远心镜头及同轴漫射光和双侧条形光源，抑制金属表面镜面反射；高速圆柱钢壳产线采用4K线扫描相机搭配环形低角度暗场照明，实现周向展开成像。
图像预处理旨在消除或抑制无关信息干扰，增强缺陷关键特征，流程遵循“去噪-增强-分割”逻辑。图像滤波包括均值滤波、中值滤波和频域滤波；图像增强采用Retinex算法、同态滤波、直方图均衡化或对比度受限自适应直方图均衡化等；阈值分割包括全局阈值、自适应阈值及边缘检测、区域生长等方法。近年来预处理研究呈现与深度学习融合和自适应优化趋势。
模型训练通过优化算法驱动神经网络从标注数据中自动学习缺陷本质特征，建立从输入图像到缺陷类别、位置和像素级掩码的精确映射。训练过程通常采用迁移学习、数据增强、损失函数和优化器配置、早停策略等。主流训练方法包括监督学习、无监督学习和半监督学习。多级优化策略包括知识蒸馏、自监督预训练、混合精度训练和分布式并行等。
模型评估是连接算法研究与工业应用的核心环节，分为分类任务、检测任务和分割任务。分类任务使用准确率、精确率、召回率、F1-score和ROC-AUC等指标；检测任务基于交并比（IoU）使用平均精度（AP）和平均精度均值（mAP）评估；分割任务使用平均交并比（mIoU）和Dice系数衡量像素级分割精度。
结果输出将模型预测转换为标准化、可执行的工业控制信息。系统输出结构化数据（JSON/XML格式），包含缺陷类别、位置、置信度和量化特征，并通过可视化图像生成缺陷标注。在量产应用中，方形铝壳检测系统在八类典型缺陷上达到97.2–98.1%的mAP，误报率低于1.2%，单壳检测周期小于2 s；圆柱钢壳产线对穿孔和裂纹等致命缺陷实现100%召回率，过杀率低于2%。
3.2 缺陷检测方法
3.2.1 传统机器视觉
传统机器视觉方法基于手工定义规则和特征实现缺陷检测，通过边缘检测、阈值分割、模板匹配等算法提取特征并依据先验知识判断。该方法流程透明、逻辑确定，在光照稳定、缺陷形状规则、背景均匀的场景下检测效率高。例如，改进Canny边缘提取结合支持向量机（SVM）分类的方案在恒定光照下对三种常见缺陷分类准确率达92–94%，30–40帧/秒。但光照波动或缺陷形态多样时准确率下降超15%，环境敏感性明显。常见算法包括差分法、模板匹配、边缘检测、形态学处理、阈值分割、灰度共生矩阵、傅里叶变换、Gabor滤波、小波变换、SVM等，各有优缺点，总体存在特征提取依赖手工设计、环境鲁棒性差、对小样本小目标多类型缺陷场景检测准确率不足等局限。
3.2.2 深度学习
深度学习方法实现了从经验驱动到数据驱动的范式转变，通过多层非线性神经网络自动学习缺陷与背景的高维映射关系，自适应提取纹理、拓扑、上下文等高层语义特征，在光照波动、背景干扰、缺陷形态多变的工业场景中展现了优异的泛化性和鲁棒性。在相同方形铝壳数据集上，优化后的单阶段检测模型在八类缺陷上达到97.2–98.5%的mAP，且在±20%光照变化下准确率损失小于3%。
根据输出粒度，深度学习缺陷检测网络主要分为三类：图像分类网络、目标检测网络和图像分割网络。图像分类网络结构简单、计算效率高，但仅输出图像级缺陷类别，无定位信息，多用于快速初筛。目标检测网络通过生成边界框同时完成缺陷类别识别和空间定位，标注成本低、推理速度快，在电池壳划痕、凹坑、污渍等多类缺陷同步检测定位中应用最广。图像分割网络对每个像素赋予类别标签，实现像素级缺陷轮廓勾画，适于离线精密分析或关键缺陷定量检测。
目标检测网络分为两阶段和单阶段两条技术路径。两阶段检测算法以Faster Region-Based Convolutional Neural Networks（R-CNNs）及其变体为代表，遵循“先提议、后检测”流程，先通过区域提议网络（RPN）提取候选区域，再对每个区域进行深度特征提取、分类和回归。该设计在小目标和复杂缺陷检测精度上具有优势，但计算量大、推理速度慢。单阶段检测算法以YOLO系列和Single Shot MultiBox Detector（SSD）为代表，一次输入整图直接进行类别预测和边界框回归，推理速度快，适合实时检测。近年来通过引入特征金字塔网络、注意力机制和更优损失函数，检测精度大幅提升。当前工业界对实时性要求日益严格，推动以YOLOv8为代表的轻量级单阶段技术成为研究热点，同时两阶段与单阶段技术相互融合，不断促进性能提升。
4. 挑战与展望
基于深度学习的电池壳缺陷检测技术展现了巨大潜力，但大规模工业部署仍面临核心挑战，推动该领域从追求单一性能突破向构建鲁棒、高效、持续演进的智能检测系统演进。
4.1 数据层面的挑战
电池壳缺陷样本的稀缺性、类别不平衡和高昂标注成本构成首要数据瓶颈。合格品占绝大多数，穿孔、严重局部变形、壁厚减薄等缺陷发生频率极低且形态多样，限制了纯监督学习方法的泛化性能。综合采用数据生成与增强（生成对抗网络、扩散模型合成缺陷样本，常规几何增强提升mAP仅3–5%，生成式增强在极端样本不平衡下提升8–12%）、学习范式创新（小样本学习、零样本学习、无监督/自监督异常检测，自监督预训练仅用10%标注数据即可保留超过96%全监督基线精度）和自动标注辅助（弱监督提示分割、交互式分割，像素级标注效率提升3–5倍，标注一致性超92%）等策略，从互补维度缓解数据瓶颈。然而，缺乏统一公开基准数据集和标准化评估协议仍是基本挑战。
4.2 算法与部署层面的挑战
工业场景对检测模型提出综合性约束，涵盖检测精度、实时性、部署成本、产线兼容性和部署可扩展性。当前深度学习检测算法在工程部署方面存在两大不足。
4.2.1 轻量化边缘部署与性价比权衡
在工业边缘终端部署检测系统需平衡检测精度、推理延迟和硬件成本。算法层面，神经架构搜索、知识蒸馏、结构化剪枝和整数量化等轻量化技术可将模型参数和计算量压缩40–70%，同时mAP损失控制在2–3%以内，实现有限算力边缘平台部署。硬件层面，从高性能工业个人计算机（IPC）到嵌入式高级精简指令集计算机（ARM）平台和现场可编程门阵列（FPGA），每站硬件成本差异大。对于80–120件/分钟的高节拍产线，模型量化结合边缘GPU方案可满足单帧推理延迟低于50 ms的实时要求，并降低部署成本。
4.2.2 产线集成与部署可扩展性
检测系统在多产线、多产品场景下的可扩展应用受环境鲁棒性和系统兼容性制约。环境适应性方面，金属壳体表面反射特性和产线光照条件差异导致跨线部署后模型性能下降。可见光-三维点云多模态数据融合、无监督域自适应和在线成像参数自校准等技术可缓解模型对特定产线环境的依赖。系统集成方面，检测系统需与现地可编程逻辑控制器（PLC）、制造执行系统（MES）和分拣执行机构实现数据互联和信号交互，通信接口标准化和闭环反馈延迟稳定性是影响部署效果的关键因素。当前缺乏统一技术规范，跨场景迁移二次开发成本高。
4.3 检测维度与标准方面的挑战
金属电池壳成像过程中易出现反光斑、过曝高亮区域等干扰，浅划痕与基体金属纹理视觉相似度高，二维（2D）视觉技术存在稳定提取细微缺陷特征的固有限制。随着电池安全标准提升，缺陷检测需求从2D表面缺陷扩展到三维（3D）几何公差和内部结构完整性，推动3D视觉检测技术集成应用。线激光扫描、结构光成像、双目立体视觉等方法重建壳体高精度点云数据，实现划痕深度、凹坑体积、表面平整度等3D参数定量检测。多模态信息融合技术结合2D图像丰富纹理信息和3D点云精确几何信息，构建多模态特征表示，实现更全面可靠的复杂缺陷识别。但多模态数据联合标注比纯2D图像复杂得多，基于弱监督提示分割的交互式自动标注框架可将2D–3D跨模态缺陷标注效率提升65–75%，标注一致性超88%，有效缓解数据标注成本压力。
4.4 系统集成与智能化展望
未来电池壳表面缺陷检测技术将从孤立算法模块向深度融合于智能制造框架的闭环智能系统演进。
(1) 形成检测-诊断-决策闭环：机器视觉检测系统与MES深度集成，根据检测缺陷类型追溯工艺参数并自动输出上游冲压、拉深等工序调整建议，将质量控制从事后检测转向过程预防。多模态感知框架结合视觉检测与声发射、红外热成像信号，可捕获二维视觉无法检测的亚表面微裂纹和内部应力异常，为工艺诊断和自适应参数调整提供更全面质量证据。
(2) 数字孪生与仿真验证：构建产线和产品数字孪生模型，在虚拟空间中模拟各种缺陷形态及其成像过程，降低算法验证、极端场景测试和人员培训成本，为工艺优化和检测方案迭代提供低风险、高效率验证平台。
(3) 模型可持续在线学习能力：部署于产线的缺陷检测模型需具备持续学习能力，能安全高效吸收新出现的缺陷样本并迭代更新，不灾难性遗忘已有知识，适应产品迭代和新缺陷模式。联邦学习为跨工厂模型协作提供可行范式，多个制造实体通过共享模型参数而非原始缺陷数据联合优化检测模型，有效缓解单一制造地点样本多样性不足问题，扩展模型泛化边界。
综上所述，电池壳表面缺陷检测技术正朝着高精度感知、智能化决策和自主运维方向发展，构成融合机器视觉、智能传感、边缘计算和工业大数据的系统工程框架。未来研究需加强跨学科合作，进一步推动视觉缺陷检测核心算法与工业场景的深度融合。