随着移动电子设备应用愈发广泛,锂电池凭借其容量大、体积小、密度低的优势,需求量与日俱增,锂电池的生产基本已实现自动化,但在生产过程中因各种因素导致锂电池壳表面会形成划痕、凹坑、凹痕、针眼、露铝等缺陷,这不仅有碍其外观,严重时还会影响锂电池的性能。在工业检测上,人工检测锂电池表面缺陷效果不好,既耗时又耗力。本文基于深度学习针对软包锂电池表面缺陷检测进行研究,并在目标检测算法YOLOv5s的基础上进行优化,进而提出新的网络结构,主要工作内容如下:（1）采集一定数量的软包锂电池表面缺陷图像,然后根据缺陷的几何特征、表现形式对锂电池表面缺陷进行分类。由于数据不足的问题,通过裁剪预处理和数据增强扩充了锂电池缺陷图像,应用数据标注软件Label Img对图像进行标注,最终获得软包锂电池表面缺陷图像的数据集。（2）为了选择最优的软包锂电池缺陷检测算法,分别基于Faster RCNN、YOLOv3、YOLOv5s三种目标检测算法对软包锂电池表面缺陷进行检测。实验结果表明三种算法中YOLOv5s的m AP为93.1%和YOLOv3相比基本持平,与Faster RCNN的m AP相比高了22.13%,同时YOLOv5s的FPS为92,YOLOv3的FPS为56,Faster RCNN的FPS为22,在保证精度的情况下,YOLOv5s的FPS远远高于YOLOv3,因此确定YOLOv5s为软包锂电池表面缺陷检测算法的主要研究对象。（3）首先研究了一种基于G-YOLOv5s的轻量级网络模型并应用于缺陷检测任务。实验证明,该模块在减少大量参数量和计算量的情况下,能够保持一定的检测精度,同时提高了算法的灵活性。但是为了进一步提升轻量化网络的检测精度,紧接着下一步提出GCA-YOLOv5s检测算法,实验结果表明,改进的GCA-YOLOv5s算法的m AP为93.1%,FPS为93,性能略高于YOLOv5s,其Precision和Recall分别为96.1%和87%,均高于YOLOv5s,其参数量仅为2479176,YOLOv5s的参数量为7260488,远小于YOLOv5s的参数量。该方法能够满足高精度、高时效性的实际生产质检要求,同时其网络模型的内存占用较小,更易于嵌入小型设备使用。（4）根据软包锂电池缺陷特征检测需求设计软硬件平台,首先选择合适的相机、光学镜头、光源、数字光源控制器等器件,搭建软包锂电池表面缺陷检测平台。然后对上位机软件进行设计,最后将GCA-YOLOv5s加载到系统中开发了软包锂电池表面缺陷检测系统,以直观展示锂电池表面缺陷检测的功能。