國立科學技術研究院開發基於人工智慧的燃料電池表面缺陷的即時檢測技術
背景
燃料電池是氫燃料電池車（FCEV）的核心元件，是一種環保的能源轉換系統，透過氫和氧的化學反應生成電能和熱能。韓國地方政府熱衷於投資相關裝置，以擴大 FCEV 市場，但他們往往面臨當地居民的反對。為了緩解市民的擔憂，必須建立一個能夠確保燃料電池生產效率和安全性的基礎設施。
新技術
韓國標準與科學研究院（KRISS）開發了一項在生產過程中實時檢測燃料電池表面微小缺陷的技術。這項新技術基於深度學習，實現了實時三維測量。它可以在單個拍攝中檢測表面形狀上的缺陷，實現對產品質量的持續監測，而不會中斷製造過程。
該技術採用單次投影方法進行表面形狀的實時三維測量。將具有密集複合網格模式的光線投射到物體表面上，然後分析反射時的變形模式，以獲得有關缺陷或損傷的三維訊息。然而該方法的局限性之一是無法測量反射率低或具有各種混合模式的表面。例如，由不平均不銹鋼（SUS）製成的金屬分隔器是燃料電池的核心元件，使用實時三維測量進行檢測是具有挑戰性的。
引入人工智慧算法
KRISS 的光學成像與計量學團隊將一種人工智慧（AI）算法引入到該投影方法中，以克服這種約束。他們使用了 KRISS 開發的新型深度學習網路 DYnet++，並用數千個表面形狀的測量資料對其進行了訓練。這使得 DYnet++能夠對反射率低或形狀複雜的表面進行實時三維形態測量。
為了將該技術應用於燃料電池樣本，研究團隊還使用了帶有表面缺陷的金屬分隔器資料對 AI 算法進行了進一步的訓練。顯示了透過傳統二維檢測難以確保的樣本表面的壓痕和刮痕在單次拍攝中成功檢測到，因為 AI 算法在以很少資料進行訓練後已獲得了應用能力。
該研究使用了數千個具有任意複雜模式的影象資料及其對應的三維形狀進行訓練設計的 DYnet++網路。在新環境條件下，使用了轉移學習來分析獲得的資料，相較於用於構建初始算法的資料量，僅需要十分之一的資料量來修改已訓練的模型。基於修改後的模型，可以預測各種複雜模式的三維測量結果，並且無論測量物件的形狀或大小如何，都可以輕鬆應用於生產線上。
應用與影響
透過這項研究開發的技術可以輕鬆應用於生產線，無論被測物件的形狀或大小如何。它可以在具有外部振動和顯著溫度變化的製造過程中實現缺陷的自動檢測。這項技術可以透過提高生產效率，提升產品質量和降低成本，為包括燃料電池在內的製造業各個領域引入智慧工廠。
擔任光學成像和計量學團隊負責人的 Young-Sik Ghim 博士表示:「這項技術可用於對燃料電池金屬分隔器的各種故障和缺陷進行實時檢查。它不僅可以最大程度地發揮效能，還可以提高當前正在生產的燃料電池的耐用性和安全性。」
結論
這項由韓國標準與科學研究院開發的基於人工智慧的燃料電池表面缺陷的即時檢測技術，為燃料電池產業提供了一個革命性的解決方案。透過結合深度學習和 AI 算法，這項技術能夠在生產過程中實時檢測並識別微小的表面缺陷，從而提高生產效率，提升產品質量並降低成本。同時它還可以應用於其他製造業領域，為引入智慧工廠做出貢獻。
