燃料电池是氢燃料电动汽车(FCEV)的重要组成部分，它们作为环保的能源转换系统，通过氢和氧化物之间的化学反应来产生电力和热能。韩国地方政府对于投资相关设备以扩大FCEV市场非常热衷，但他们经常面临当地居民的反对。为了缓解市民的担忧，有必要建立既能保证燃料电池生产效率又能保障安全的基础设施。

韩国科学技术标准研究院(KRISS)开发了一种能够在生产过程中实时检测燃料电池表面微小缺陷的技术。

这项新开发的技术基于深度学习，并实现了实时三维测量。它能够在一次拍摄中检测到表面形状的缺陷，无需打断制造过程即可持续监测产品质量。

实时三维测量的表面形状采用了单次投射法。将具有密集复合网格图案的光投射到物体表面，然后分析反射后的变形图案，以获取关于缺陷或损伤的三维信息。

然而，这种方法的局限性是无法测量反射率较低或具有各种混合图案的表面。例如，作为燃料电池的核心组件之一，由于其表面不平整，以不锈钢(SUS)制成的金属分隔板很难通过实时三维测量进行检测。

为了克服这个限制，KRISS的光学成像与计量团队引入了一种人工智能(AI)算法到图案投射方法中。他们使用了KRISS开发的新型深度学习网络DYnet++，利用对成千上万个表面形状的测量数据进行训练。这使得DYnet++能够对反射率较低或具有复杂形状的表面进行实时三维形态测量。

为了将这项技术应用到燃料电池样本中，研究团队进一步使用了带有表面缺陷的金属分隔板数据来训练AI算法。三维形态测量结果表明，通过传统的二维检验难以确定的样本表面凹痕和划痕在一次拍摄中成功被检测到，因为AI算法通过少量数据就获得了应用能力。

设计的DYnet++网络采集和使用了成千上万个具有任意复杂图案的图像数据及其对应的三维形状数据进行训练。针对新的环境条件下的数据分析采用了迁移学习，相比于构建初始算法所需的数据量，只需要十分之一的数据量来修改已经训练过的模型。基于修改后的模型，可以预测出各种复杂图案的三维测量结果。

通过这项研究所开发的技术可以轻松应用于生产线上，无论被测量物体的形状和大小如何。它能够在制造过程中自动检测缺陷，即使有外部振动和显著温度变化。这项技术可以通过提高生产效率、改善产品质量和降低成本，为包括燃料电池在内的制造业各个领域引入智能工厂做出贡献。

光学成像与计量团队的负责人Young-Sik Ghim博士表示：“这项技术可用于燃料电池金属分隔板的实时检测各种故障和缺陷。它不仅可以最大化性能，还可以提高当前生产的燃料电池的耐久性和安全性。”