如今,国家积极倡导绿色环保出行,人们对新能源汽车的关注度日益提升。锂电池作为新能源汽车的主要动力源,提升其安全性能够有效保障驾驶员的生命财产安全。锂电池的极片进行涂布作业时,由于受涂布工序和周围环境因素的影响,极易形成气泡、接头、凹坑、漏金属等多达18类缺陷,极大削弱了锂电池的稳定性以及安全性。传统的锂电池缺陷检测主要通过人工目检,这种方法效率低、成本高,并且有的缺陷种类间的形态十分接近,利用人眼无法进行准确区分。传统的机器视觉算法需要人为设计特征来完成锂电池的缺陷检测,算法通用性不高,并且检测种类较少,检测准确度有待提升。深度学习在图像处理领域获得了诸多成就,基于此,本文对深度学习应用于锂电池极片涂布缺陷的分类检测进行研究,以提升缺陷检测种类以及准确率。首先,本文对包含18类涂布缺陷的数据集进行统计分析,针对缺陷数据不平衡的问题,利用翻折以及旋转操作对数据进行增强。针对一些类别的涂布缺陷形态相似的问题,通过对比度增强进行数据预处理,提升缺陷之间辨识度。此外,将处理前后的数据集在网络中进行对比实验并分析,以验证图像处理的有效性。其次,在5种经典卷积神经网络模型上进行对比实验,根据实验结果,选用Alex Net为基础模型,之后再对网络结构以及参数进行优化。针对网络参数量过多、特征提取不够全面、网络数据分布不合理的问题,对网络卷积核以及层数进行优化,同时在网络中构建批量归一化层。实验结果表明,优化后网络的推理预测效率以及检测精度得到有效提升。接着,针对网络加深导致梯度消失以及特征提取过程中丢失缺陷细节信息的问题,构建跳跃连接进行解决,结构中使用膨胀卷积进行多尺度特征提取,之后进行特征融合。实验结果表明,在网络中加入跳跃连接后网络识别精度能够进一步提升。然后,针对网络训练中出现神经元死亡,导致网络参数无法更新的问题,在网络中引入Leaky Re LU激活函数保留有用的负值特征,防止神经元死亡。实验结果表明,在对网络激活函数改进后,网络的识别准确率得到进一步增强。最后,构建了可视化界面,能够调用模型对缺陷分类检测过程进行实时监测,通过多组对比实验分析表明,改进后网络的精度能够达到99.34%,单张样本检测时间为51ms,符合工厂对锂电池极片涂布缺陷分类检测的精度以及时间要求。