寧德時代是綠色發展生態理念的重要響應者和實踐者。為應對全球市場動力電池需求的持續增長，寧德時代使用基于英特爾架構的產品技術，成功構建了一套橫跨“云-邊-端”，融合CV、DL和 ML 的 AI 電池缺陷檢測方案，實現了生產效率和質量控制水平的共同提升。

盡管環保理念的大行其道正驅動著清潔能源行業的高速發展，但在產能和質量控制上面臨的難題，也同時形成了這一行業的發展瓶頸。作為全球領先的鋰離子電池研發制造企業，寧德時代新能源科技股份有限公司 (以下簡稱 “寧德時代”) 正積極吸納和利用以 AI (Artificial Intelligence, 人工智能) 為代表的前沿信息技術，對旗下動力電池的生產進行持續優化。利用 AI 技術實現電池產品的缺陷檢測，以提升其生產效率和質量控制水平，就是其中的一個重要突破點。

結合全球市場的需求狀況，寧德時代為全新的、基于 AI 的動力電池缺陷檢測方案制訂了具體的目標，包括在圖像處理速度上要達到單工序 400FPS (Frames Per Second，每秒傳輸幀數) 以上，以及在檢測精度上須達到零漏檢。

更快、更好地實現上述目標，寧德時代與英特爾開展了一系列深層次技術合作，其重心就是導入集成 AI 加速能力的英特爾 至強 可擴展平臺，其中包括可在 CPU 架構上提供出色 AI 推理能力的第二代英特爾 至強 可擴展處理器，以及能充分釋放其 AI 算力潛能的 OpenVINO 工具套件和面向英特爾 架構優化的 PyTorch 等多種配套軟件工具。基于這些英特爾 架構產品技術的助力，寧德時代成功構建了一套橫跨 “云-邊-端”，融合計算機視覺 (Computer Vision，CV) 、深度學習 (Deep Learning，DL) 和機器學習 (Machine Learning, ML) 技術的 AI 電池缺陷檢測方案。該方案目前已通過測試驗證，達到了預期的效能，并成為寧德時代向其他產線推廣 AI 方法的標桿。

?

寧德時代全新 AI 動力電池缺陷

檢測方案實現的應用優勢

??與寧德時代傳統的電池缺陷檢測方法相比，基于 AI 技術的新方案有更好的速度與更高的精度，達到了預先設定的目標——零漏檢及單工序 400FPS 以上的圖像處理速度；

??面向英特爾 架構優化的 PyTorch，借助內置的英特爾 MKL-DNN，提高了深度學習框架的性能，再 OpenVINO 工具套件搭配，可助 CPU 輸出更優的推理性能；

??新方案對計算機視覺、深度學習、機器學習技術的融合，可靈活應對不同檢測場景的需求，有針對性地選用合適的模型進行訓練，達到更好的訓練準確率與檢出率。

當今世界，綠色發展已成為推進生態文明建設的重要理念。作為這一理念的重要響應者和實踐者，寧德時代旗下動力電池的銷量已在全球范圍內遙遙領先，并呈現出供不應求的態勢。面對全球市場需求的持續增長，寧德時代也在不斷調控和優化動力電池生產的各個環節，以大幅度提升產量。

當然，產量的提升，必須要以堅持產品質量為前提。動力電池的基本單元是電芯，每一個完備電芯的生產都必須經過極其嚴格的缺陷檢測，才能保證最終產品的可靠與安全。而缺陷檢測是一項高度精細，且較為耗時的工程，尤其是傳統的人工缺陷檢測方式，不僅速度慢，而且準確度較差，成為了制約產量提升的瓶頸。

針對這一瓶頸，寧德時代此前拿出的解決方案就是采用傳統數字圖像處理技術來替代人工，用于識別產品缺陷，以提升檢測速率與精度。

由于這種檢測模式泛化能力差，需要根據每個機臺進行參數適配且與分工廠及總部脫節，缺乏整體部署管控能力，處理能力不能與持續增長的市場需求相匹配，寧德時代最終決定導入一個更適合自身業務發展需求的 AI 動力電池缺陷檢測解決方案，它需要滿足總部逐層管控的要求，且要具備更高效的實時缺陷檢測能力，即在圖像處理速度上實現單工序 400FPS 以上的目標，以及在檢測精度上達到零漏檢的目標。

?

至強 可擴展平臺集成 AI 加速

助力新方案構建

為實現新方案的快速落地，寧德時代選擇與英特爾開展合作，導入其領先的軟硬件產品，特別是集成 AI 加速能力的至強 可擴展平臺，來構建工業視覺平臺系統，該系統正是全新 AI 缺陷檢測解決方案的核心系統。

為實現總體管控的目標，該系統基于 “云-邊-端” 的架構進行搭建和部署。如圖二所示，這個架構中的 “云” 設立在寧德時代的總部，掌握總體管控的功能，還可根據實際生產需要，選用合適的模型進行集中訓練，再將訓練好的模型發布給 “邊緣” 和 “端” 進行就近推理，并接收其返回的推理結果進行存儲；“邊緣” 設立在分工廠，主要用于重級模型的推理；“端” 則設立在工廠內每條生產線上，進行前端的數據采集、預處理以及簡單的推理工作，也在 “云” 和 “邊緣” 的管控下，對生產線進行實時質量管理。

工業視覺平臺系統整個 “云-邊-端” 的系統架構以集群形式來搭建，不僅便于統一管控，還可以通過分布式部署來減緩處理壓力，但這同時也會帶來分布式推理經常遭遇的銜接不暢問題。寧德時代選用了統一大數據分析及 AI 平臺來應對這一難題，其包含輕量級、分布式、實時的集群服務解決方案 (Cluster Serving)，提供了 pub/sub (發布/訂閱) API，可透明擴展至大型集群部署并能按需擴展規模，且支持TensorFlow、PyTorch、Caffe 和 OpenVINO 工具套件等多種主流的深度學習框架和模型，并可將這些組件無縫地集成到整個數據分析管道中，簡化分布式推理的 “拼接” 流程。

同時寧德時代選用了面向英特爾 架構優化的 PyTorch 深度學習框架進行 AI 處理。該框架擁有原生版 PyTorch 簡潔、靈活、易用的特點，內置強大的視覺工具包 torchvision，包含了目前流行的數據集、模型結構和常用的圖片轉換工具，可輕松應對各種圖像檢測場景。同時，它還集成了英特爾 MKL-DNN 及高度矢量化和線程化的構建模塊，能夠搭配英特爾 架構處理器達到更優的推理性能。

雖然選用了輕巧快速的 PyTorch 框架，但由于實際場景的高實時性要求，整個方案在處理速度上依舊面臨嚴峻的挑戰。寧德時代秉持精益求精的原則，又選用了英特爾開源的 OpenVINO 工具套件，來進一步加速 AI 推理性能。OpenVINO 工具套件包含有模型優化器 (Model Optimizer) 和推理引擎 (Inference Engine) 兩個核心組件，模型優化器可以將 PyTorch 框架轉換為 ONNX 格式，再生成便于推理引擎接收的 IR 文件，結合其內置的 OpenCV 圖像處理庫優化版指令集，可充分利用英特爾 架構處理器提供的硬件加速能力，進一步提升推理性能。

正所謂好馬配好鞍，先進的 AI 軟件優化技術及工具，也需要搭配一流的硬件基礎設施才能發揮出最大價值，有鑒于此，寧德時代在英特爾的支持下，對鎮守和支持 “云-邊-端” 架構的計算平臺進行了精心的挑選：在 “端” 處，寧德時代采用了英特爾 酷睿 i5/i7 系列處理器，借助它們整合圖形處理器的優勢，以及低功耗、低時延的處理性能來支撐圖像預處理與簡單的推理運算任務；在 “邊緣” 推理模塊及 “云” 中心的訓練模塊，則導入了集成 24 內核與 48 線程，具備 35.75MB 高速末級緩存并支持 2,933MHz 內存速度的第二代英特爾 至強 可擴展處理器，來為更復雜的訓練和推理提供更強算力支持。與第二代英特爾 至強 可擴展處理器搭檔的，還有英特爾 固態盤 D3-S4610 系列，它擁有出色的容量配置以及高達 560MB/s 的讀取速度及 510MB/s 的寫入速度，可為總部的統一數據管理提供可靠的支撐1。

如此一套完整的、橫跨 “云-邊-端” 的 AI 軟硬件架構選型和匹配完成后，寧德時代 AI 缺陷檢測解決方案的工業視覺平臺系統也基本成形，其中由第二代英特爾 至強 可擴展處理器、OpenVINO 工具套件、面向英特爾 架構優化的 PyTorch 等關鍵軟硬件組合而成的集成 AI 加速能力的至強 可擴展平臺，更是蓄勢待發。

?

英特爾團隊全方位助力檢測平臺優化

如果將構建完整解決方案比喻成房屋建設，那么搭建系統架構只是完成了地基打造，在其之上，更重要的是利用 AI 技術來添磚加瓦。英特爾從這一角度出發，結合動力電池缺陷檢測實際場景，幫助寧德時代在原有計算機視覺檢測方案的基礎上，新添了深度學習及機器學習兩種技術，提出了 “CV+DL+ML” 混合模式的創新型缺陷檢測方案，并在選用模型、訓練方法、數據標注及模型調優等方面提供了全面助力。

熟悉 AI 技術和應用的人都了解這一原則：不同的模型適用于不同的場景，或者說不同場景都需要找到適合自己的模型進行訓練和推理，才能達到更優效果。對寧德時代的全新 AI 動力電池缺陷檢測方案來說，其場景即為生產過程表面缺陷檢測。

面對占比 80% 以上的表面缺陷分類場景，寧德時代和英特爾共同探討驗證的方向是：以 ResNet50 為基礎網絡結構，引入機器學習中的分類器 (Classifier) 來進行分類檢測，以求達到更優效果；同時采用只需要少量支持向量作為樣本數據即可進行訓練的支持向量機 (Support Vector Machine，SVM) 分類器，來解決數據不足的問題。

傳統的 SVM 分類器是一種應用非常廣泛的、適用于二分類的分類器，依據支持向量與分類超平面間隔最大化的原則，通過多次訓練迭代，尋求最優的分類超平面，以實現數據分類。針對表面缺陷檢測中的多分類 (multiple-class) 問題，SVM 也有良好的處理方式，它可以將多分類問題分解成多個二分類問題，再構造多個分類器逐個分類解決。通過 ResNet50+SVM 的方案，寧德時代有效化解了多種類異常檢測問題。

除了為主要檢測場景選用合適的模型，圖像特征的準確標注以及模型訓練的方法選用，也對模型準確度有著至關重要的影響。為此，寧德時代在英特爾的支持下，在新方案中使用了強大的標注工具——Labelme 來對數據集中的圖像進行標注，并將標注后的特征類別及位置信息傳輸到神經網絡中進行訓練。Labelme 工具不僅可以標注各種形狀，還可以支持圖像分類、目標檢測、場景分割、實例分割、視頻標注等功能，全面覆蓋了動力電池缺陷檢測的范圍。更重要的是，該工具支持像素級的細粒度標注，對標注效率與準確度的提升大有裨益。

模型訓練的準確度除了與數據標注有關外，更大程度上受數據集量級的影響。數據集越大，訓練越全面，最終的結果就越精確。但實際生產中很難收集到巨量的數據集，而且采用大數據集從頭訓練需要耗費大量時間及資源。但反過來，如果數據集量級太低，訓練結果也容易出現模型過度依賴訓練數據而引發的過擬合 (Overfitting) 現象，難以投入實際應用。

針對這一矛盾，寧德時代和英特爾選擇了遷移學習訓練 (Transfer Learning for Training) 方法，如表一所示，根據已有的預訓練源模型進行模型微調 (fine-tuning)，將源模型的初始參數重新配置，直接從最后一層或最后幾層開始重新訓練，依據少量數據集作為樣本，并在訓練集中加入曾經預測錯誤的圖片，來提升模型在新樣本中對于該種類別的訓練準確度，最終通過反復調整，得出的模型在精度上甚至可以與那些采用大數據集從頭開始訓練的模型相媲美，但比之更為節省時間以及資源，大大提高了訓練效率。

?

展望

通過導入集成 AI 加速能力的英特爾 至強 可擴展平臺，并與英特爾開展緊密合作對檢測平臺進行持續優化，寧德時代的全新 AI 動力電池缺陷檢測方案已能達到非常出色的應用效果，并已在寧德時代落地應用。接下來，寧德時代還將與英特爾進一步合作，在動力電池制造及銷售的各個環節中繼續引入更多 AI 技術，致力于繼續提升產能，嚴保產品質量和提升企業運行效率。

編輯：黃飛