近年来,随着便携式电子设备及新能源汽车产业蓬勃发展,作为动力来源的锂电池吸引了众多关注的目光。但是在享受锂电池带来各种便捷的同时,其应用过程中的安全性也不容忽视。作为锂电池整体结构中的核心部件,锂电池电极片对锂电池的性能有着至关重要的影响,一旦其表面存在缺陷,不仅会影响锂电池的性能,严重情况下还会产生安全隐患。因此本文旨在研究锂电池电极片表面的缺陷检测算法,提出了一个锂电池电极片表面缺陷在线实时检测方案以替代人工检测。本文提出的锂电池电极片表面缺陷在线实时检测方案主要涉及到硬件部分的设计和缺陷检测算法的研究。其中硬件部分介绍中详细探讨了相机模块和照明模块的设备选型。在缺陷检测算法的研究过程中,分别研究了基于传统机器视觉算法和基于深度学习算法的缺陷检测方案,并在总结中对两类方案的优劣进行了相关阐述,两类方案具体说明如下:在基于传统机器视觉算法对锂电池电极片缺陷进行检测过程中,首先基于本文数据集特点设计了边缘分割方法将电极片图像从整幅图像中分割出来,随后通过对图像进行傅里叶变换,并在频域进行奇异值分解重构电极图像的背景,消除了背景中的条纹噪声,对缺陷进行了准确的识别。最后使用两步法对识别到的缺陷进行了分类,首先在粗分类的过程中将六类缺陷分为了亮缺陷和暗缺陷两个大类,并为了减轻后续细分类的负担,针对暗缺陷中的气泡缺陷单独设计了一个特征提取算法将其与另外两类暗缺陷实现了较好的区分。在细分类的过程中,在亮缺陷和暗缺陷两个大类别中,结合空间域特征和频域特征对缺陷图像进行特征提取并采用主成分分析法对特征数据进行降维处理,并使用随机森林分类器和支持向量机分类器对处理过的特征数据进行分类。实验数据显示,在本文所使用的数据集中,使用随机森林分类器的整体分类精度略低于支持向量机分类器,但其速度却远胜于支持向量机分类器。在基于深度算法对锂电池电极片缺陷进行检测的过程中,选用了近些年被广泛应用的YOLO模型作为检测方案的核心,首先对YOLO系列各模型进行了详细的探讨,随后根据数据集中待检测图像的特征提出了一种预处理过程中的改进方案,同时将SE注意力机制搭载到YOLO模型中,并采用一种层级化分类方式对未知类型的缺陷进行分类。最后在数据集中进行验证并与改进前的方案进行对比。实验证明所采用的改进方案不仅在训练过程中能使得损失函数快速收敛,训练时长大幅度减少,检测速度也得到了13.2倍的提升。而且在测试集中使m AP有了16.04%大幅提升,最终达到了m AP为97.34%的效果。此外,还将近些年比较流行的两阶段模型Faster-RCNN与本文所采用的方案进行对比,实验证明Faster-RCNN虽然检测精度略高,但其速度却并不具备优势。