圆柱形电池钢壳生产制造过程中,由于原材料、冲压工艺、模具、设备环境等原因,部分电池壳会出现划痕、砂眼、凹坑等缺陷,这会影响产品的美观性,造成电池性能下降,严重的可能会有安全隐患。本课题基于机器视觉技术,采用深度学习分类网络模型识别电池钢壳外表面缺陷,对柱状金属表面的缺陷检测应用提供技术上的思路。本文的主要研究内容包括:说明了电池外壳缺陷的特征,阐述了缺陷识别任务的难点,设计了识别系统的整体流程。本文基于计算机视觉技术,设计了电池壳缺陷检测算法,缺陷识别系统根据作用划分为图像获取模块、预处理模块、检测识别模块、后处理模块,一次检测任务依次经过四个模块处理,最后将所有模块功能整合,开发可视化用户界面。图像采集模块的任务是搭建硬件系统采集到电池壳的图像,本文选择了工业相机和镜头的型号,根据电池壳曲面的反光特性,通过实验选择合适的光源,设计适用的打光方案。预处理模块作用是前景分割,本文给电池壳设定了单一的背景,选择阈值分割方法,针对噪声比较严重的情况,提出了一种基于固定阈值分割方法的算法,能够较好地框选出只存在电池壳主体的部分,即我们感兴趣的区域。由于相机拍摄有偏色问题,本文还改进了一种白平衡算法,能较好地还原图像色彩。采集到的电池壳图像反光严重,研究了去反光算法。本课题采集了电池壳图片数据集,用于训练VGG16分类网络,网络设置为二分类,只判断电池壳是否存在缺陷。通过实验验证,设置合适的网络超参数,使用三种不同大小的图片输入对比网络的效果,分析存在的小样本问题、类别不均衡、小目标问题,并提出对应的解决办法。针对类别不均衡问题,对比数据集重采样方法和Focal Loss对网络的改进,对比测试改进后的网络检测准确率。对于神经网络难以识别的小目标缺陷,使用传统图像处理操作设计了针对性的检测算法。设计了后处理算法,对于神经网络预测为缺陷的图片,标记出可能是缺陷的像素位置。最后,使用Py Qt5开发软件界面,使得用户能够可视化操作,缺陷检测准确率为99.33%,识别一张图片平均约需0.2508s。