这两年做锂电装备、模组线和储能产线的朋友应该对CCS这个缩写不陌生。CCS就是Cell Contact System国内工厂一般叫它电池连接系统或者直接叫集成母排。我经常被客户问到一句话CCS整线自动化都上了为什么还要花几十万配一套AOI视觉检测是不是设备供应商在推销这个问题我被人问过太多次今天干脆展开讲讲。先说结论CCS整线自动化产线里的AOI不是可选配置而是必须配置。原因不复杂——CCS这个产品结构点多、工序多、安全等级高自动化把人的手解放了同时也把人的眼睛挡住了。你没有了人工翻检的机会就必须用机器视觉把质量关补上。这篇内容主要给三类人看准备做CCS产线规划和设备选型的工程师、被AOI误报和漏检折磨的品质人员以及想弄明白视觉检测到底在新能源产线里干什么用的朋友。我会从CCS产品特性、产线工艺、检测原理、选型参数、现场问题五个角度来拆最后给一套可以直接参考的配置思路。1. 先看明白CCS产品本身再谈为什么离不开AOI视觉检测1.1 CCS是什么电池模组里的“神经和血管”CCS全称Cell Contact System中文叫电池连接系统。它本质上是把电芯之间的电气连接、电压采集、温度采集集成在一起的一个功能组件。以动力电池模组为例电芯与电芯之间要通过Busbar铜排或铝排完成串并联每串电压和温度信号要通过FPC柔性电路板或FFC柔性扁平电缆传递到连接器再由连接器输出给BMS。Busbar、FPC/FFC、连接器再加上绝缘膜热压包覆、注塑支架最终形成一个完整部件就是CCS。这个产品在电池包里的角色通俗点说就是“神经和血管”——既负责导电通路又负责信号传输。也正因为它身兼两职质量问题会同时波及电气安全和信号可靠性。比如Busbar和FPC之间焊接虚焊初期可能只是电压采集偶尔漂移跑一段时间后焊点发热加剧严重情况下会导致局部烧蚀甚至绝缘失效。这类缺陷在电性能测试里不一定能稳定测出来尤其是虚焊、冷焊这种“半接触”状态静态测试通过的很多震动和老化后才暴露。所以CCS的品质管控光靠后端的电测远远不够必须在前端工序把外观和结构缺陷拦下来这就是AOI视觉检测进入CCS产线的最根本原因。1.2 CCS产线的四道关键工序每一道都可能埋雷目前主流的CCS生产工艺大致可以划成四个阶段来料预处理、连接焊接、绝缘热压、折弯终检。不同厂家的工艺细节有差异比如有的用激光焊有的用热压焊或超声焊有的用FPC有的用FFC但整体逻辑逃不开这四个阶段。来料预处理阶段主要是Busbar整形、清洗、FPC裁切和上料。这一阶段常见的质量问题是Busbar表面划伤、氧化、脏污以及来料本身翘曲、毛刺。清洗不到位的话油污会带入后续焊接导致焊点不良。连接焊接阶段当前主流是激光焊把Busbar和FPC上的镍片焊接到一起常见缺陷有炸点、爆点、焊偏、虚焊、针孔、裂纹、飞溅。绝缘热压阶段用热压机把绝缘膜贴合到CCS表面覆盖Busbar和焊点区域常见缺陷是气泡、褶皱、溢胶、碳化、绝缘膜偏移和破损。折弯终检阶段CCS的Busbar或采集线路按设计折弯成指定角度最后做尺寸、外观和电性终检。问题在于这四个阶段每一道都可能产生缺陷而这些缺陷形态差异极大。焊接问题要靠光学看焊缝形貌热压问题要靠光学看材料层间折弯问题要看三维尺寸。单一电测设备解决不了纯人工更解决不了。所以行业内成熟的CCS产线普遍在焊接后、热压后、终检三个位置部署AOI每个工位负责不同阶段的特征。1.3 一个CCS上到底有多少个检测点我对客户经常说一句话CCS是一片“需要把几十个局部小特征放大来看”的产品。以一块十二串动力电池模组的CCS为例上面通常有十多个Busbar每个Busbar和FPC之间有若干个焊点再加上绝缘膜覆盖区域、连接器PIN脚、金手指、折弯位置细分下来光重点外观检测点就有几十到上百个。每个检测点的公差等级还不一样。焊点的位置偏差有的要求控制在±0.2毫米以内Busbar表面划伤长度超过1毫米就可能影响载流能力绝缘膜内的气泡直径超过0.5毫米就是判废标准FPC线路的划伤甚至要到铜箔外露才算不合格。这些大大小小的标准靠人来检会非常不稳定同一个不良品两个检验员可能给出完全相反的结论。而且CCS尺寸大有的长边超过600毫米人眼一次看不过来需要在多个工位反复翻看效率极低。这就是为什么CCS这个品类天然就是AOI视觉检测的重点应用对象检测点多、标准细、尺寸大、安全要求高。理解了这一点后面再谈为什么整线自动化必须配AOI逻辑就顺了。2. 为什么整线自动化必须配AOI三个绕不开的现实理由2.1 节拍一快人眼检测就是最大的短板我先抛一个现场数据。现在比较成熟的CCS自动化产线节拍普遍能做到20到30秒一片快一点的整线能做到15秒以内。按20秒一片算一条线一个小时出180片一个班下来就是1400多片。一片上有几十个焊点、十几处Busbar表面、好几段绝缘膜区域你让检验员站在终检台前面用眼睛一片一片翻着看根本顶不住。人眼检测的真实水平是前30分钟准确率还不错第二小时就开始明显下滑到了后半班注意力下降、视觉疲劳漏检率会成倍上涨。我曾经在一个客户现场看过一个数据他们用四名检验员三班倒做CCS终检月均客诉里依然有相当一部分是“焊点虚焊漏检”和“绝缘膜破损漏检”。后来剖开分析并不是检验员不认真而是人眼在高重复性、高密度、长时间的工作场景下物理极限就摆在那里。自动化产线把节拍提上去了如果检测环节还是人海战术产线就出现了“瓶颈工位”。上游设备以20秒一拖的节奏吐板下游人工目检15分钟内就能堆出一堆待检品整线被迫降速或者抽检。所以整线自动化之后视觉检测不是可选项而是产能匹配的刚需。2.2 自动化焊接带来的缺陷逻辑和人工时代完全不同以前在CCS的半自动或人工产线上Busbar和FPC的连接有大量靠手工焊或半自动焊。人工焊接速度慢但操作人员会在焊完以后顺手用余光扫一眼焊点看到明显炸了或焊偏的马上返修。这种方式效率低却存在一种朴素的“即时检验”。换成自动化激光焊以后情况变了。激光焊速度快、能量集中一片CCS上十几个焊点几秒钟就完成但同时它对参数的稳定性极其敏感。功率漂移、焦点偏移、保护气体流量变化、来料表面脏污任何一个因素波动都可能造成焊点批量异常。而且激光炸点、飞溅这种缺陷经常是连续成片出现前面连续几十片可能都没问题后面突然批量打出炸点。这种批量风险如果只靠人工抽检运气好能拦住一批运气不好几百片不良品直接流到后道最后到客户端才被发现就是重大质量事故。AOI焊后检测的意义在于它不是抽查而是全检而且它能统计趋势。焊接不良率一旦超过设定阈值系统立刻报警工艺工程师马上能反推激光参数是否需要调整。这是人眼给不了的能力。2.3 自动化线是“盲跑”的没有AOI就等于蒙眼生产整线自动化的核心逻辑是从上料、焊接到下料全程不需要人工干预。这个模式的优势是稳定、高效、省人力但它同时带来一个很大问题——中间工序没有“人”这个质检环节了。过去半自动产线虽然慢但每道工序之间都有操作员一个人手不够两个人上哪个焊点不对当场就翻出来。全自动线不一样输送线把CCS从焊机直接送到热压机热压完直接送折弯机中间没有任何人会停下来看一眼。如果焊后缺陷没被拦截它会顺顺利利走完后面所有工序最后变成一片“带着内部缺陷”的成品。最可怕的是这种缺陷如果被绝缘膜盖住了把整条线都跑穿直接流入客户仓库。我通常打个比方全自动产线就像一辆在高速上蒙着眼睛开的车AOI就是那套车道偏离预警。没有它表面看着一切正常实际随时可能偏离方向。只有每个关键工序后部署视觉检测把运行中的每一片产品数据都抓到手里整线才算是“睁着眼”在生产。3. AOI到底怎么检缺陷类型、光路设计与算法选择的拆解3.1 先建立一张CCS缺陷地图再谈检测真正落地过一个CCS视觉项目的人都知道第一件事不是选相机而是和工艺、品质人员一起把缺陷类型理清楚。没有缺陷地图后面全是在打盲拳。我按工序整理了一张常见的CCS缺陷地图大家可以对照看。工序阶段常见缺陷典型成因主要检测方式焊接炸点、爆点、焊偏、虚焊、针孔、裂纹、飞溅激光参数漂移、来料脏污、镍片不平、焦点不准焊后AOI2D外观3D高度热压气泡、褶皱、溢胶、绝缘膜偏移、碳化、压伤温度压力不均、胶层来料不良、热压时间异常热压后AOI透射/条纹光背光FPC/FFC划伤、折痕、铜箔外露、断路、金手指氧化污染搬运摩擦、折弯应力、环境粉尘、周转碰撞终检AOI同轴光低角度光Busbar划痕、压伤、变形、脏污、氧化工装磨损、清洗不净、周转磕碰、来料不良终检AOI2D3D平面度装配漏装、错装、方向反转、连接器损伤、异物残留防错不足、人工干预、环境异物、工装磨损终检AOI传感器防错这张表看起来简单但实际操作里特别关键。因为不同缺陷对光源、相机角度、算法的要求完全不同。焊点炸点要的是低角度环形光去把焊点表面的凹凸立体感打出来绝缘膜气泡要的是侧向条纹光让气泡边界变形可见Busbar划伤则更适合用同轴光去拍平整面的微小纹理。缺陷类型定义不清楚采购回来的设备大概率用不好。3.2 光源和相机怎么选反光金属没你想的那么好拍CCS视觉检测难在哪表面材料种类太多金属、塑料、柔性膜、焊接熔池纹理混在一起而且Busbar这类金属面反光极强怎么把高反光表面拍清楚是第一个要过的关。高反光的铜铝排如果直接用普通环形光打相机拍出来的画面会大面积过曝金属表面变成一片死白划伤和脏污完全看不见。这时候要用同轴光加偏振方案。同轴光通过半反半透镜让光线垂直打在被测物表面再把反射光收进相机对平整面的划伤、压伤特别敏感加上偏振片以后可以滤掉大部分金属镜面反射的杂光只保留散射光信息画面干净得多。焊点这类需要立体轮廓信息的特征用低角度环形光效果更好。低角度光以接近水平的角度照射焊点凸起的一侧受光亮、另一侧形成阴影鱼鳞状熔凝纹就显现出来了。如果检测绝缘膜下面的气泡还要用透射背光或者条纹光让光学信号穿透膜层气泡处的折射变化才能被捕捉到。实际CCS检测项目中从来不是单一光源打天下而是把同轴光、低角度环形光、穹顶光、背光组合起来分通道采集再融合成最终图像。一个相机配四组以上光源在CCS项目里很常见。3.3 2D和3D怎么分工深度学习什么时候必须上很多没接触过视觉检测的人有个误区觉得AOI就是“拍一张照片看看有没有坏”这是把AOI想简单了。CCS产线上的AOI通常是2D视觉和3D视觉混搭使用。2D视觉负责“看表面”焊点裂纹、炸点、飞溅FPC划伤、布线异常Busbar表面脏污绝缘膜偏移、破损连接器Pin脚变形这些靠二维图像就能判断。3D视觉负责“量尺寸、测高度”焊点虚焊导致的浮高、Busbar焊接后的平面度、折弯角度是否正确、连接器Pin脚共面度这些没有Z轴信息的2D图像测不了。3D方案现在主流是线激光轮廓仪激光线扫过被测物表面得到高度轮廓精度可以做到微米级。算法层面传统图像处理在CCS检测里依然占很大比重但已经不够了。尺寸测量、有无判断、方向判断、规则焊点的Blob分析用传统算法稳定又高效。可是遇到没有固定形态的缺陷——轻微起皱、水印、流痕、FPC表面纹理异常——传统算法就很容易误报因为阈值没法设定。深度学习用“正常样本学会正常长什么样”的思路处理这类问题泛化能力明显更强。现在的成熟方案是传统算法和深度学习混合规则缺陷用传统方法纹理异常和复杂背景用深度学习。算法工程师跟线调一周模型把误报压到产线能接受的范围这是CCS AOI项目里最耗时间、也最体现功力的环节。4. CCS产线AOI实操配置工位布局、参数计算与一套可参考方案4.1 检测工位放在哪焊后、热压后、终检三处不能省CCS整线自动化里的AOI不是只在产线尾巴放一台就完事而是要在三处关键工序后布置检测站。第一处是焊后AOI。焊接完成后的立刻检测是回报率最高的一个工位。激光焊的批量异常一旦发生焊后AOI能在最短时间发现并报警避免缺陷流到热压工序被绝缘膜覆盖。检测内容包括焊点有无炸点、爆点、焊偏、飞溅同时用3D激光轮廓测量焊点高度和成型状态。第二处是热压后AOI。热压完成后绝缘膜下的气泡、褶皱、溢胶和压伤需要在这个工位拦截。这个工位的难点在于气泡在膜下肉眼和普通光源很难看清通常要用透射光或条纹光配合图像算法增强。第三处是终检AOI也就是很多人说的AVI外观视觉检测。这是出厂前最后一道关卡通常做成双面检测正面看FPC线路、连接器、金手指、Busbar表面反面看绝缘膜覆盖和焊点背面状态同时测量整体尺寸和折弯角度。三个工位的策略是“前后分摊、层层拦截”而不是把全部希望压到最后终检一台设备上。4.2 选型前先算清楚像素精度、视野和节拍硬件选型最核心的指标是像素精度也就是图像里一个像素对应实际物体上的多大尺寸。想稳定检出0.1毫米的最小缺陷通常至少需要3个像素覆盖它也就是单像素物理尺寸不能大于0.033毫米。算一下就知道如果CCS产品宽度是600毫米在保证0.033毫米像素精度的前提下水平方向的像素数需要600除以0.033约等于1.8万像素。普通500万像素面阵相机单边只有约2448像素远远不够所以现实方案有两种一是用多台面阵相机做拼接比如四台1200万像素相机排成一排每台负责一段视野最后拼出整个CCS表面二是用线扫相机常见的有8K、16K分辨率的线阵相机配合运动轴把CCS匀速送过相机下方逐行扫描成一张超宽图像。节拍计算也直接影响相机选型。线扫相机需要CCS匀速运动扫描600毫米长、0.05毫米像素精度的图像按平台速度算大约要几秒钟面阵相机则是产品到位、打光、拍照一次完成速度更快。一条20秒节拍的产线检测动作必须控制在8到10秒以内留出余量给上下料和输送。如果单个工位处理不过来就要拆成多个工位并行比如把CCS分成前段、后段两个检测区域两台相机同时拍各管一半。4.3 一套经过验证的CCS线AOI配置参考我列一套在CCS项目里验证过的配置方案不是让大家照抄而是提供一个坐标系。不同产品尺寸、不同缺陷标准配置会上下浮动但整体框架基本一致。工位推荐配置检测重点节拍占比焊后AOI面阵1200万×4台或线扫8K低角度环形光同轴光配3D线激光轮廓仪焊点炸点、焊偏、虚焊、飞溅、焊点高度约8秒/片热压后AOI面阵600万×4台条纹光透射背光必要时配穹顶光气泡、褶皱、溢胶、绝缘膜偏移、压伤约6秒/片终检AVI面阵1200万×6~8台双面多工位同轴光低角度光背光混合FPC划伤、铜箔外露、金手指污染、连接器损伤、装配错漏、异物约10秒/片软件与算法Halcon或自研传统算法库深度学习推理卡具备NG复判界面传统算法测尺寸、判有无深度学习查纹理异常推理约0.3~0.5秒/画面系统接口与PLC、MES对接扫码绑定产品ID检测结果实时上传数据追溯、SPC统计、缺陷坐标记录实时整套下来焊后、热压后、终检三个工位串联整线节拍能控制在20到25秒。像素精度控制在0.03到0.05毫米3D测量重复精度做到±5微米以内。这个配置不算便宜但对比人工目检的漏检损失和客诉赔偿性价比非常明显。4.4 换型管理是AOI能否长期用好的关键CCS行业有个特点机种多、批量参差不齐。今天做十二串动力电池CCS明天可能换一个储能用的长排后天又来个带FFC的新设计。AOI如果换一次型要调半天产线不会愿意用最后设备被闲置变成摆设。所以选AOI方案时一定要把换型效率放在和检出精度同等重要的位置。结构上优先选相机安装在可移动横梁或机器手臂上的方案而不是每个机种都重新焊死固定支架软件上要支持参数配方化每个机种存一套独立的检测参数、光源亮度和检测区域配置换型时一键加载。光源尽量选可编程控制的多通道RGB光源不同产品可以切换不同颜色和角度的组合不用物理更换灯板。我见过做得好的项目换型时间控制在5分钟以内现场工程师按一下按钮机械结构自动移动到对应位置检测参数自动切换非常省心。5. 现场最常见的问题与排查实录5.1 误杀率压不下去怎么办AOI上线第一天全场兴奋结果跑了半小时报警声响个不停产线被NG品堵死这就是误杀率过高的经典场面。所谓误杀就是把正常产品判成不良也叫过杀。误杀率一高产线AB两班的人都要陪着复判大家很快对这台设备失去信任最后设备被绕过或关掉。压误杀率有几个步骤按优先级来。先稳定成像检查定位工装是否把CCS每次放得一模一样压紧块是不是有松动定位销磨损了没有。成像都不稳定算法再强也白搭。再做光照一致性校正计算图像灰度分布的基准值每个相机建立自己的光源亮度补偿曲线保证同一产品今天拍和明天拍画面灰度基本一致。最后才是调算法阈值把误杀样本收集起来统计这些样本的特征分布看是光源问题、定位问题还是算法边界问题针对性调整。一般来说新设备上线当天误杀率允许到5%三天内要压到3%以下稳定生产后争取到1.5%以内。5.2 反光和产品晃动导致图像不稳定高反光件是整个视觉检测行业的共同难题。CCS上的Busbar是镜面般的金属表面换个牌子的铜材表面微观结构一变图像灰度就变了原来调好的检测参数立刻失效。我遇到过一个项目前一批料检测一切正常下一批料突然误报翻倍查到最后就是铜排供应商换了轧制工艺表面反光特性变了。解决办法有几层。光学层面加偏振片滤掉镜面反射只保留漫反射分量对不同金属材质的敏感度会大幅下降光源上加漫射板让光线更均匀。结构层面产品到位后要有气缸压紧或真空吸附防止输送线震动导致CCS在视野里晃动。软件层面可以做“基准图像补偿”每次拍照时先用不参与检测的固定特征做位置配准再对齐到标准模板上做判定能抵消大部分晃动影响。换料批次后如果误报率突然升高第一时间不要改算法先查来料批次差异大部分时候问题在材料不在算法。5.3 新机种换型后模型泛化差用过深度学习检测方案的人都有体会验证集上模型表现很好一到现场换新机种就“水土不服”。原因不复杂CCS不同机种的Busbar排列、FPC走线、焊点形态都有差异模型只学过老机种的正常样本遇到新纹理就会乱报。应对思路有三条。一是做迁移学习把老机种模型的骨干网络参数作为初始权重在新机种的少量样本上微调这样需要的NG样本大大减少。二是在产线部署阶段保持“人机协作”模式让AI输出“疑似缺陷”并带置信度分数人工复判后再把结果回灌给模型持续迭代。三是用无监督或注册式方案辅助把每个新机种的“正常模板”在线注册只检测相对于正常模板的显著偏差。这三条组合起来新机种的爬坡周期可以从一两周缩短到两三天。如果你买AOI设备一定要问供应商有没有持续学习和现场在线优化能力这比演示时的检出率更实在。5.4 漏检复盘图像留档和缺陷坐标必须做漏检是所有AOI项目的底线问题客户最怕的不是误杀而是“明明有缺陷设备却没拍出来”。漏检一旦流到客户端轻则返工重则安全事故。所以AOI系统里有几样东西是标配不能省。第一每片产品的原始图像和处理后图像都要按产品ID存档保存时间至少半年以上第二每个NG判定都要附带缺陷坐标、缺陷类型、置信度分数第三每次检测要记录设备参数、光源亮度、温度等环境信息。客户端一旦反馈异常可以立刻调出这片产品当时的检测图像快速判定是漏拍了、没检出、还是后道工序引入的缺陷。没有这套追溯机制出了问题只能靠猜处理成本极高。我们内部有个硬性要求AOI项目的验收标准里图像追溯能力不过关这个项目就不能算完成。5.5 MES对接AOI的数据价值只有打通系统才兑现AOI如果只是一个人工复判屏幕那它就是一台高级报警器价值大打折扣。AOI真正值钱的地方在于它产生的海量质量数据。每片CCS在产线上都有唯一的二维码或条码。AOI检测完成后把OK或NG结果、缺陷类型、缺陷坐标、图像存储路径、操作员工号、时间戳全部通过OPC UA或TCP/IP方式实时上传MES系统。NG品自动流入复判工位人工确认后真NG标记返修或报废误报反馈回AOI模型优化。每天系统自动生成SPC趋势图焊点焊接不良率、热压气泡发生率、FPC划伤发生位置分布一目了然。工艺工程师看到某号激光焊机的不良率连续上升提前检修不用等批量不良出现了才被动处理。这整套逻辑跑通以后AOI才真正从“质量拦截工具”变成“工艺优化数据入口”这也是整线自动化的最终意义。我说句实话这套东西看着复杂但任何一个CCS自动化项目想长期稳定运行AOI都是绕不开的。我见过太多项目前期为了省预算砍掉视觉检测后面电芯厂二方审核、客户投诉、批量返工花的钱远远超过一台AOI还丢了交付信誉。如果你现在正在规划CCS产线我的建议很直接焊后、热压后、终检三个工位都别省选一个有现场优化能力和图像追溯能力的视觉团队把AOI当成产线数据系统的一部分去建设。机器视觉不是添麻烦的它是在高速自动化产线里替我们守住底线的那个角色。
