近年来,随着市场对新能源汽车需求的不断扩大,作为其重要组成部件的锂电池也得到了大力发展。激光焊接是锂电池制造的关键技术,为了控制生产质量,工业界迫切需要激光焊后锂电池表面焊接质量检测系统。作为焊接质量检测的主要方式之一,机器视觉技术能够对焊接后的产品进行快速、准确的检测。本论文在课题组前期机器视觉检测的工作基础上,提出了基于深度学习卷积神经网络的焊接视觉检测方法,目的是设计低功耗,高效率,高准确率的算法来检测锂电池表面防爆阀的激光焊接缺陷。论文首先介绍了锂电池焊接缺陷的研究背景,并对比了各种焊接缺陷检测方法,确定了以准确率较高的深度学习算法作为主要的研究算法。然后我们设计了焊接缺陷区域的图像采集系统（包括相机、镜头和光源等设备的选取）,总共采集了约8000多张样本图像。首先设计了基于HALCON软件的缺陷检测算法,实验表明该算法的检测效率和分类准确率都较低。此外,基于深度学习理论的大部分深层次卷积神经网络由于模型较大无法直接在工业计算机上运行,因此综合考虑准确率和对硬件条件的要求后提出对卷积网络模型进行优化的解决方案。最后,从简化结构模型、提高效率和准确率角度,提出了基于迁移学习理论和预训练方式对VGG-16模型进行优化。使用VGG-16模型在Image Net数据库预训练后,保持模型训练得到的卷积基不变,替换全连接层进行优化。此外,论文深入分析了使用预训练方式的原因及作用,即减少了训练轮次、降低了模型大小以及减小了过拟合。随后选取了几个在Image Net竞赛上取得优异成绩的网络进行对比实验,主要包括准确率、漏检率、召回率、精确率等指标的对比。最后可视化了卷积层和最大值池化层,以便于查看和优化模型。研究结果表明:基于预训练网络的VGG-16模型具有模型小、漏检率低、训练和预测时间短等优点。该模型在测试集上准确率达到了99.87%,漏检率仅为0.16%,预测单张图像的时间约为40ms,在性能上优于VGG等卷积神经网络,更适合用于工业环境下的激光焊接质量检测。