宁德时代新能源科技股份有限公司 (Contemporary Amperex Technology Co., Ltd, CATL, 300750.SZ)

Содержание и границы

outcome: success

Процесс: AI-детекция дефектов элементов силовых аккумуляторов (动力电池缺陷检测) через архитектуру «云-边-端» (облако-край-устройство), совмещающую компьютерное зрение, глубокое и классическое машинное обучение (CV+DL+ML), совместно с Intel (Xeon Scalable, OpenVINO, PyTorch)

До: «传统的人工缺陷检测方式，不仅速度慢，而且准确度较差» (ручная детекция — медленная и менее точная); промежуточный этап — «传统数字图像处理技术» (традиционная, не-ИИ обработка изображений) с низкой обобщающей способностью и необходимостью ручной настройки параметров под каждый станок.

После: Внедрена AI-система «云-边-端» с целевыми показателями: скорость обработки изображений ≥400 кадров/сек на операцию, цель «零漏检» (ноль пропущенных дефектов); «该方案目前已通过测试验证，达到了预期的效能，并成为宁德时代向其他产线推广AI方法的标杆».

Стадия: production

Глубина изменения: operation

Неопределённость: Материал — совместный маркетинговый кейс Intel и CATL (вендорская публикация о названном клиенте); конкретный завод и дата внедрения не приведены. Самоаудит V4: источник прямо заявляет, что целевые показатели (≥400 FPS, «零漏检») были ДОСТИГНУТЫ при тестовой проверке («达到了预先设定的目标»), а не остались только целями/спецификацией — карточка исправлена, чтобы не занижать статус источника; при этом это по-прежнему только вендорское заявление (SOURCE_CLAIM), методика тестирования, объём выборки и независимая проверка в тексте отсутствуют.

transfer_limits: Решение оптимизировано для сценария поверхностных дефектов (>80% случаев); перенос на другие типы дефектов требует переобучения моделей на новых размеченных данных.

Продолжение: Поискать независимое (не Intel/CATL) подтверждение измеренных, а не целевых показателей — например, в отраслевой прессе о конкретном заводе CATL, где решение развёрнуто.