随着现代新能汽车的迅猛发展,对于电能方面使用的汽车需求不断增加,方形电池组以其能量密度高、质量轻、循环使用、绿色环保、续航能力强的优势,成为市场的宠儿。方形电池组极柱焊接自动化越来越高,但是,在生产的极柱的焊接过程中会存在各种各样的焊接缺陷。针对目前的方形电池组极柱焊接缺陷的检测,工厂检测方面还在使用传统的人工目测方式,这样影响了检测效率和工作的连续性,并且对于检测缺陷类型分类会存在误差。为此,本文将机器视觉（Machine Vision）应用到方形电池组极柱焊接缺陷的检测中,以提高检测精度和效率。检测的重难点在于如何提取方形电池组极柱图像中的焊接区域,以及选取合适的特征进行分类识别。本文的主要内容包括以下四个方面:首先,主要介绍了方形电池组极柱焊接缺陷检测平台的搭建以及总体方案的设计。检测平台对于缺陷检测十分重要,根据检测的需要,完成了图像采集平台的相应设计,包含光学系统、光源系统、运动控制平台。实验平台能够完成对极柱模组的图像采集。其次,对极柱焊接图像的预处理算法做了相关研究。包括图像滤波、增强、分割方法。采用中值滤波算法、线性增强变换法以及最大类间方差分割法,有效去除图像中的椒盐噪声和脉冲噪声,增强待测极柱焊接图像的对比度,为后续的缺陷检测提高效率。然后,针对极柱焊接缺陷种类繁多、特征不明显等特点,采用了两种缺陷检测识别算法。其中,调用了Halcon的算子进行缺陷检测,该算法能够识别所有样本是否缺陷,快速准确的检测出焊穿、焊缝细、未焊接、虚焊等大部分缺陷类型,然而,易将焊接炸点误识为焊穿。因此,经分析,使用了Ray-shooting算法进行缺陷检测的分类识别。Ray-shooting模型是一种圆形的核,被设计用于提取种子点周围的像素强度特征。首先基于焊接图像的特征使用Otsu算法以及形态学操作提取出焊接区域。然后,使用距离变换得到焊接区域的中心点并在此点生成Ray-shooting模型提取特征。最后基于提取到的特征对焊接缺陷类型进行分类。实验证明此算法鲁棒性高,能够检测到极柱焊盘的虚焊、漏焊、炸点、焊穿等缺陷并分类,在所有测试图片上的缺陷分类识别准确率为100%。最后,采用Microsoft Visual Studio软件平台开发了一套极柱焊接缺陷检测软件平台。为该缺陷检测平台提供了PC操作界面。