机器视觉作为一项先进自动化检测技术,可有效提高生产效率和工业制造水平,视觉检测可应用于产品外观缺陷自动识别。本文以扣式电池为对象,研究了正负两极面的表面外观缺陷检测方法。本文设计了一种基于视觉技术的扣式电池在线检测系统,分析了扣式电池金属表面缺陷成像的难点,研究其视觉成像原理,并设计了低成本的机器视觉硬件系统;同时开发了视觉检测上位机软件,实现系统控制、图像处理与识别等功能,并包含能够实时显示的人机界面。机器视觉算法是缺陷检测技术的核心,本文重点研究了电池表面图像预处理、定位和字符校正、字符区域定位和分割、缺陷分析和识别等算法。提出了一种电池图像预处理算法,包括滤波、限制对比度自适应直方图均衡、自适应阈值二值化、形态学处理等步骤,原始带有噪声干扰的图像经处理后,缺陷区域得到显著增强。提出了扣式电池目标定位算法,原始图像中含有多圆形目标,定位算法通过图像处理和轮廓提取,并使用椭圆曲线拟合计算出各目标中心与径长,定位正确后将各目标ROI作为单一图像分割。提出了电池正极面字符校正算法,使ROI图像与字符倾斜1°至360°的全角度模板集进行相似度遍历计算,获得字符倾斜度数,然后图像旋转完成校正;同时研究了几种改进算法并进行实验比较。研究了电池正极面图像的字符去除方法,通过模板匹配对图像字符区域进行定位,然后比较模板差减法和区域分割法两种算法效果。实验表明,模板差减法局限性大,因此采用区域分割法将正极面图像分离为背景和字符两区域以去除字符。研究了电池外观图像质量的整体特征提取方法,图像整体相似系数可分别作为正负两极特征量,正极面图像字符区域的模板匹配定位系数还可作为正极面测度的特征量。研究了电池外观图像质量的局部特征提取方法。正极面图像的背景区域以全部连通域的几何特征最大值为特征量,字符区域以像素平均值、标准差及Hu矩为特征量;负极面图像则以全部连通域的几何特征最大值为特征量。提出了联合整体和局部多特征量的多分类器级联判别算法,实现电池正极面和负极面图像的缺陷与合格两类判别。