随着新能源行业的发展,市场对锂电池的需求量及质量要求越来越高。极片作为锂电池的重要组成,其缺陷会严重影响锂电池性能及使用寿命,甚至导致安全事件。为了避免这些问题,需要对极片进行缺陷检测,并判断缺陷类型及时调整极片生产工艺,防止缺陷再次发生。然而传统目测方式已经无法适应工业的发展需求,因此研究基于机器视觉的极片缺陷检测与分类系统对提高检测效率、降低生产成本具有重要意义。本文以锂电池极片为研究对象,根据极片制造工艺,分析缺陷产生的原因及缺陷特点,结合机器视觉技术设计极片缺陷检测与分类系统。根据系统设计进行设备选型,完成图像采集。为降低噪声及机械振动对极片图像质量的影响,采用双边滤波和灰度变换对图像进行预处理。使用Sobel边缘检测和自适应阈值算法分离出极片缺陷,并对缺陷目标进行形态学处理,然后标记缺陷完成检测。分析缺陷特征时,使用一种改进的K-Means算法完成SURF特征聚类,并量化表示为BoF-SURF特征。将该特征与灰度特征加权融合,改善光照影响及单个特征对缺陷描述不全面而导致准确率低的问题。最后,将融合特征作为SVM的输入进行缺陷分类,并使用改进粒子群算法优化核参数。通过实验分析,本文算法准确率为94.43%,与两种特征单独用于分类时相比,提高了5.23%～12.2%,具有较好的分类性能。在算法研究和功能需求分析的基础上设计系统软件,使其具有缺陷检测与分类、缺陷结果保存以及历史查询等功能。验证结果表明,系统可有效实现极片缺陷的检测与分类,具有一定的可行性。