Transformer la fabrication des batteries grâce au traitement d'images 3D
28 août 2026
La tomodensitométrie (TDM) fournit des données 3D détaillées des structures internes de la batterie, mais l'extraction d'informations pertinentes nécessite des outils de traitement d'images adaptés. Découvrez comment. Dragonfly 3D World peut prendre en charge l'analyse des batteries grâce à une segmentation assistée par l'IA, des mesures précises et des flux de travail automatisés pour étudier la géométrie des électrodes, les défauts et la variabilité de production.
Avec l'augmentation de la production de batteries, les fabricants ont besoin de méthodes fiables pour évaluer les structures complexes à l'intérieur des cellules assemblées. Le positionnement des électrodes, le débordement anode-cathode, les fissures, les vides, les délaminations, les inclusions et les zones manquantes constituent autant de points importants à examiner.
L'imagerie aux rayons X constitue une méthode essentielle et non destructive pour inspecter ces structures internes. Si la radiographie 2D permet une visualisation rapide d'une batterie et révèle certains défauts, la tomodensitométrie (TDM) saisit des informations volumétriques qui permettent d'examiner les caractéristiques internes en trois dimensions et de les mesurer quantitativement.
Mais le balayage n'est qu'un point de départ. Les logiciels de traitement d'images permettent aux professionnels de la fabrication et du contrôle de la qualité des batteries d'identifier les structures dans les données de tomographie, d'effectuer des mesures, d'analyser les défauts et de comparer les résultats entre les échantillons. L'intelligence artificielle (IA) et l'automatisation permettent de réduire davantage les analyses répétitives lorsque les mêmes inspections doivent être effectuées de manière répétée.
Dragonfly 3D World Ce logiciel fournit un exemple d'application de ces fonctionnalités aux données de tomographie par ordinateur de batteries. Sa dernière version, 3D World 2027, enrichit les outils disponibles pour la visualisation, la segmentation assistée par IA, la mesure, l'analyse et la génération de rapports.
Utilisation des données de tomodensitométrie pour évaluer les structures internes des batteries
L'imagerie radiographique 2D permet de visualiser rapidement les structures des électrodes et d'identifier certains indices, ce qui la rend utile pour les inspections à grande échelle. Cependant, la représentation d'une batterie tridimensionnelle en une projection bidimensionnelle peut limiter ou déformer les informations spatiales, restreignant ainsi l'analyse quantitative possible.
La tomographie par ordinateur (CT) permet de reconstituer la batterie sous forme de données volumétriques. Les ingénieurs peuvent ainsi examiner des images en coupe de l'ensemble de la cellule et utiliser la visualisation 3D pour comprendre les relations entre ses éléments internes. Un logiciel de traitement d'images permet ensuite de mesurer et d'annoter ces structures et de rechercher d'éventuels défauts de fabrication.
Dans une cellule lithium-ion cylindrique, par exemple, les ingénieurs peuvent examiner les couches d'électrodes et rechercher des inclusions, de la porosité, des fissures, des anodes ou cathodes manquantes, ainsi que d'autres anomalies internes. Au lieu de se contenter d'identifier un défaut, le traitement d'images par tomographie offre les outils nécessaires pour étudier sa localisation et ses caractéristiques au sein de la batterie.
Mesure plus efficace du surplomb anodique-cathode
Le débordement de l'électrode illustre comment les données de tomodensitométrie peuvent passer de la visualisation à l'analyse quantitative.
Le positionnement relatif des composants de l'anode et de la cathode peut être évalué sur les sections transversales des transformateurs de courant, ce qui permet aux ingénieurs de mesurer les distances de porte-à-faux individuelles. 3D World Les mesures peuvent être effectuées directement sur des images en coupe 2D, tandis que les annotations peuvent identifier les emplacements potentiels des défauts ou d'autres indications.
La mesure manuelle convient parfaitement à des emplacements précis, mais le problème réside dans son application à plus grande échelle. Une batterie cylindrique contient plusieurs couches d'électrodes ; effectuer les mêmes mesures sur l'ensemble de ces couches et sur de nombreux échantillons peut donc s'avérer fastidieux.
Pour les inspections récurrentes, le traitement d'images peut donc aider à transformer les mesures individuelles en un flux de travail d'analyse plus reproductible.
Automatisation de l'analyse des batteries grâce à l'apprentissage profond
L'IA et l'apprentissage profond peuvent réduire le travail manuel nécessaire à l'identification des structures dans les données de tomographie par ordinateur des batteries.
Dans un flux de travail de traitement de batteries 3D World , un réseau U-Net pré-entraîné est adapté à de nouvelles données grâce à l'apprentissage par transfert. Quelques images étiquetées dans l'assistant de segmentation suffisent pour affiner le modèle et segmenter les zones de débordement cathode-anode. Une fois segmentée, chaque zone peut être mesurée indépendamment et sa distance de débordement visualisée par un code de couleur. Le modèle entraîné peut ensuite être appliqué à d'autres échantillons nécessitant la même analyse.
3D World En 2027, ces capacités d'IA s'étendent grâce à Grid-based SAM, un flux de travail de segmentation d'instances basé sur le modèle Segment Anything de Meta AI. Grid-based SAM peut identifier automatiquement les objets dans une vue 2D et les publier sous forme d'étiquettes individuelles pour des mesures et des analyses ultérieures.
Comme Zixiong Cao, Dragonfly Le chef de produit explique : « Au lieu de consacrer un temps précieux à la préparation des données avant l’analyse, les utilisateurs peuvent commencer à identifier et à mesurer les objets presque immédiatement. Cela facilite l'accès à la segmentation assistée par l'IA tout en laissant aux chercheurs la flexibilité nécessaire pour peaufiner leur approche selon leurs besoins. »
Les modèles d'apprentissage profond spécifiques à l'application et les nouvelles approches de segmentation assistées par l'IA, telles que Cellpose-SAM, offrent différentes options selon l'analyse, mais les deux peuvent réduire les étapes répétitives de traitement d'images et aider les professionnels à passer plus rapidement à la mesure et à l'interprétation.
Amélioration de l'inspection des cellules cylindriques des batteries
La géométrie de la batterie peut aussi influencer l'analyse des données de tomographie. Dans les cellules cylindriques, les électrodes s'étendent sur toute la circonférence de la batterie, et une vue en coupe classique ne montre qu'une seule orientation à la fois.
Dragonfly 3D World La version 2027 introduit les vues rotationnelles pour faciliter l'examen de ces structures. Les utilisateurs peuvent faire pivoter un plan de coupe 2D autour d'un axe sélectionné, créant ainsi une série continue de coupes transversales autour de la cellule sans avoir à repositionner l'ensemble des données à chaque fois.
Pour l'inspection des batteries, cette méthode offre une autre façon de suivre la structure des électrodes et autres caractéristiques internes autour d'une géométrie cylindrique. De nouvelles fonctionnalités de mesure et d'annotation permettent d'ajouter un contexte quantitatif directement à ces vues, notamment des annotations de type calibre et flèche scalaire, ainsi que des systèmes de coordonnées de référence pour un positionnement cohérent.
Utiliser l'analyse répétable pour comprendre la variabilité de la production
L'intérêt d'un contrôle quantitatif des batteries va bien au-delà de l'évaluation d'une cellule individuelle.
Lorsque les mêmes mesures sont effectuées sur plusieurs batteries, les données obtenues permettent de mettre en évidence les variations de structure interne au fil de la production. Le positionnement des électrodes, les distances de débordement, l'emplacement des défauts et d'autres caractéristiques mesurées peuvent être comparés entre les échantillons et, au fil du temps, alimenter une base de données décrivant la variabilité de fabrication.
La reproductibilité est importante pour que ces comparaisons soient utiles. Les modèles d'apprentissage profond peuvent être réutilisés lorsque des structures similaires doivent être segmentées sur plusieurs échantillons, tandis que Dragonfly Il prend également en charge une automatisation plus poussée des tâches d'analyse grâce aux macros et aux outils associés.
Les informations ainsi obtenues peuvent aider les fabricants à étudier les caractéristiques récurrentes, à mieux comprendre la variabilité de la production et à identifier les aspects du processus de fabrication qui pourraient justifier un examen plus approfondi.
Ainsi, le traitement d'images CT permet non seulement d'identifier les caractéristiques des batteries individuelles, mais aussi de mieux comprendre, de manière plus quantitative, les procédés utilisés pour leur fabrication.
Partage des résultats d'inspection de la batterie
Les résultats de l'analytique doivent aussi parvenir aux équipes de production, d'ingénierie, de qualité et de recherche qui peuvent les utiliser.
Le générateur de rapports dans Dragonfly 3D World La version 2027 intègre la documentation au flux de travail de traitement d'images, permettant ainsi de combiner les images et les visualisations avec des mesures, des statistiques, des histogrammes, des profils et les propriétés des objets. Les rapports peuvent être exportés aux formats PDF et HTML, avec la possibilité supplémentaire de les modifier au format Microsoft Word.
Dragonfly Session Viewer offre une autre méthode pour partager les résultats. Les fichiers de session et d'objets peuvent être ouverts sans avoir à exécuter la session en entier. Dragonfly l'installation, permettant aux intervenants d'interagir avec les résultats d'analyse au lieu de se fier uniquement à des images statiques.
Ces fonctionnalités permettent de relier l'analyse elle-même au processus plus large de communication des résultats et de leur utilisation pour orienter les investigations ultérieures.
Tirer le meilleur parti des données de la batterie CT
La tomographie par ordinateur offre aux fabricants de batteries une méthode non destructive pour inspecter les structures cachées à l'intérieur des cellules assemblées. Le traitement d'images permet de transformer ces scans en résultats mesurables et reproductibles.
La segmentation permet d'isoler les structures pertinentes , les outils quantitatifs de mesurer le positionnement des électrodes et d'autres caractéristiques, et l'IA de réduire les analyses manuelles répétitives. Appliqués de manière systématique à l'ensemble des échantillons, ces processus permettent également, grâce aux inspections individuelles, de mieux comprendre la variabilité de fabrication.
À mesure que la production de batteries continue de s'intensifier, l'obtention de plus d'informations à partir des données de tomographie existantes peut aider les professionnels à rendre l'inspection plus efficace et à se faire une idée plus précise des produits et des processus qu'ils évaluent.