由于热电池的特殊性,其成品不允许上电检测,目前检测方法主要是利用X光透射成像后由人工判读,这不仅效率低下,还易引起漏判、错判等问题,从而带来安全隐患。锂电池缺陷既可通过上电测试也可通过外表面红外图像进行表征,前者已经在锂电池质量控制中普遍使用,但是后者还在研究阶段。为此,本论文通过图像识别算法的研究实现对热电池内部缺陷的检测,通过对锂电池外表红外图像分析算法的研究实现对内部缺陷的预判,最终利用计算机自动监测代替人工检测,以提高电池产品质量检测的准确率和效率。论文主要研究工作和取得的成果如下:论文首先基于图像检测技术开展了计算机图像识别方法的理论和算法研究。热电池内部缺陷主要位于单体电池堆区域,为了分割提取出目标区域,首先对传统灰度标准化进行了针对性的改进,然后通过改进模板匹配算法对模板进行自适应调整,匹配得到完整的电池目标区域,有效提高了分割准确率;其次,研究了基于投影分割的目标边缘定位算法,利用图像灰度在垂直和水平方向的积分投影对电池堆边缘特征进行提取,实现了目标区域的精准分割,提高了分割精度和效率;最后,利用角点检测与局部对比度增强算法对提取的目标区域进行旋转矫正和细节增强。针对热电池中存在的质量缺陷,分析了缺陷的种类和图像的表现形式,首先对电池堆区域进行灰度扫描,通过研究缺陷结构的灰度特性,计算提取出缺陷特征参数。为进一步提高电池内部细节的分辨率,针对特制的10μm集流片结构,改用CT扫描结合边缘检测的方法对集流片特征进行提取。基于BP神经网络与决策树分类器对输入的特征参数进行分类,通过加权平均算法对检测结果进行融合判断。针对锂电池外表红外图像特性,研究了基于投影法和模板匹配的字符识别方法,并通过二值化、形态学处理、去噪和轮廓检测对红外图像目标区域进行提取,计算得到电池的红外温度分布。根据理论分析与实验研究修正了电池表面红外温度,并对电池内部温度进行观测。在实际应用的基础上,研究分析了锂电池的预警温度,结合温差阈值对电池温度异常进行诊断。最后开发了一套基于电池图像识别算法的电池检测实验系统,针对三种不同型号热电池X图像分割的平均准确率为99.0%,装配缺陷的平均识别率为97.0%,整体检测的平均准确率最终达到99.3%。针对18650型号锂电池红外图像温度字符的识别率为100%,电池温度异常判断的准确率最高可达97.5%。实验结果表明,两种电池检测方法都具有较高的准确性。论文最后提出了研究工作的不足和今后的改进方法。