随着深度学习的发展,越来越多的深度学习模型被用来解决计算机视觉领域的各种问题,并且表现优异,使得很多传统计算机视觉算法难以解决的问题相继得到了很好的解决。本文针对纽扣电池生产的实际需求,结合深度学习方法,设计并开发了从图像的采集、图像处理到检测结果的基于深度学习的纽扣电池外观缺陷检测系统。根据实际的生产需求,本文的主要研究内容如下:1)首先,本文根据纽扣电池外观的特征,设计了图像采集装置,并根据纽扣电池的密封圈为黑色环形的特征,采用区域生长以及最小二乘法圆拟合等方法对多目标图像进行定位和提取。2)对纽扣电池的图像预处理算法进行研究,利用局部区域灰度拉伸和覆盖背景等预处理算法,提升缺陷的特征信息,增加网络识别的准确率。3)本文研究了神经网络的结构,对近几年来比较好的轻量型卷积神经网络模型进行了对比介绍,然后在Mobile Net V2模型基础上结合通道混洗技术,设计了一种轻量级高效的缺陷检测网络,并选择了Tensor Flow深度学习框架对模型进行搭建,使用经过预处理的单目标图像进行网络的训练,最后将改进的网络模型与Mobile Net V2模型进行对比实验,实验表明本文设计的网络在减少参数量同时,且具备良好的性能。4)以上述的设计为基础,根据实际的生产需求,利用vs2015开发平台和MFC库对纽扣电池外观缺陷检测软件进行了设计。软件中采用opencv4.0图像算法库调用Tensor Flow训练得到模型,同时使用GPU加速图像的识别,进一步提高系统的实时性。5)经过对比实验验证了改进模型的性能,并在系统图像分辨率、预处理算法方面进行了优化,有效的提高了网络的检测精度,然后在缺陷检测系统在线软件的采集效率以及调用模型的分类速度上进行调整优化,提升了系统的检测速度。6)最后将纽扣电池外观缺陷检测系统应用到实际生产线上,并进行了一周的连续性测试,检测产品经过了人工复检,得到检测系统的总检测精度为99.84%,其中生产线上每个托板中包含20个电池,检测速度为546ms/板。将纽扣电池外观缺陷检测系统架设到实际生产线中,在线应用测试结果表明,本文设计的纽扣电池外观缺陷检测系统具有检测精度高、识别速度快和可靠性高等优点,能够满足企业对于纽扣电池外观缺陷检测的需求,下一步将进行广泛的推广应用。