新能源与 AI 应用带来的质量检测挑战
随着新能源与 AI 应用快速发展，电芯质量检测已成为影响行业竞争力的关键技术之一。全球电池市场的高复合年增长率（CAGR）推动电池制造商采用效率更高、精度更高的生产模式。然而，传统人工检测难以满足高速、大批量和精细化的质量控制要求，尤其难以发现微小缺陷或检查电芯内部结构。Portwell 与 AI 视觉解决方案专家 Neurocle 合作，将 AI 深度学习视觉检测软件与高性能 PJAI-200 边缘计算系统结合，提供具有竞争力的智能检测解决方案。
痛点：传统检测方式的局限
电芯生产过程中的缺陷检测十分复杂，既要识别划痕、凹痕等细微的外部缺陷，也要检查电芯排列、异物等内部结构问题。传统方式通常依赖人工目视检测或基础自动化系统，难以持续保持高准确率。人为因素和系统稳定性问题可能造成质量波动，进而影响产品可靠性和生产效率。
NEURO-T 与 NEURO-R 的协同优势
为应对这些行业挑战，Portwell 与 Neurocle 集成分别负责 AI 模型训练和实时边缘推理的 NEURO-T 与 NEURO-R，提供完整且高度可定制的解决方案。NEURO-T 采用无需编程的图形用户界面（GUI），让不具备深厚 AI 专业知识的用户也能训练高准确率的缺陷检测模型，从而降低 AI 应用门槛并缩短训练时间。NEURO-R 则确保训练完成的模型能够在边缘设备上高效推理，满足生产线实时、大规模质量检测的需求。
高性能 PJAI-200 边缘计算系统
Portwell 的 PJAI-200 边缘计算系统搭载 NVIDIA Jetson AGX Orin 模块，提供高达 200 TOPS 的 AI 算力。系统配备 32 GB、256 位 LPDDR5 内存，支持复杂模型推理的快速稳定运行。此外，PJAI-200 提供丰富的接口，包括 12 个 PoE GbE 端口、1 个 10 GbE 端口及 8 个 USB 3.2 Type-A 端口，便于集成多台工业相机与传感器，构建完整的视觉检测解决方案。
适用于多种电芯形态的精准检测
该应用尤其适用于软包电池的表面及内部缺陷检测。OCR 模型可识别电池表面的文字和编码，分割模型则可准确识别划痕、凹痕等微小缺陷，并量化测量缺陷的形状与尺寸。该方案也适用于圆柱形和方形电芯：通过分析内部 X 射线影像，精准定位并识别电芯排列异常和异物，提高产品安全性与质量一致性。
提高良率并降低成本
部署 Portwell 与 Neurocle 联合开发的智能检测系统后，电池制造商可有效提高产品良率，并显著降低人为因素和设备稳定性问题带来的风险及成本，维持高效且持续稳定的生产环境。同时，PJAI-200 凭借计算性能与灵活性，可适应不同的电池检测场景，帮助企业快速调整并扩展产能，以应对不断变化的市场需求。
推动产业升级的关键工具
在快速发展的新能源电池行业，精准、实时的质量检测系统已成为重要的竞争优势。Portwell 与 Neurocle 推出的智能检测解决方案，结合易于使用的 AI 模型训练软件 NEURO-T，以及高性能边缘推理平台 NEURO-R 和 PJAI-200，克服传统检测系统的局限，提供出色的准确性与稳定性。企业采用该方案后，可快速提升生产质量与效率，并有效降低运营成本。在 Portwell 全球设计与制造服务（DMS）网络及合作伙伴生态系统的支持下，企业还能推进产业升级与业务拓展。