随着电动汽车的迅速发展,动力电池的使用性能和续航能力需要不断提升。动力电池盒盖缺陷检测主要是检测动力电池盒盖在啮合的过程中有无缺陷,是动力电池制造过程中的关键环节,目前工业上主要以人工检测为主,人工检测还存在检测效率低和检测精度差等问题,机器视觉主要是利用机器代替人眼对物体进行定位、检测、测量、识别的一种检测方式,具有高精度,高效率和良好的检测稳定性等特点。本文针对动力电池缺陷的特点和目前动力电池检测存在的困难,结合机器视觉检测具有的优势,设计开发了基于机器视觉的动力电池盒盖缺陷检测系统。本文研究的对象为动力电池盒盖在激光焊接前的缺陷检测,主要通过缺陷特征来识别动力电池盒盖是否正确的啮合上。本论文主要开展了以下工作:（1）针对动力电池缺陷的特点,通过实验发现采用传统的光源打出的图像效果较差,主要表现在图像对比度不够和感兴趣区域特征不明显,本文根据缺陷的特点结合线结构光成像的应用场景,采用的是两条线结构光来凹显缺陷的特征,能够得到较好的成像效果,为后面的图像处理算法降低了难度。（2）研究了在图像处理过程中常用的算法,包括图像去噪、图像增强、图像分割和图像形态学处理等算法,其中图像增强和图像去噪是提高图像质量的重要手段,是保证动力电池缺陷特征提取的关键一步。针对采集图像中存在的噪声,介绍了空域中常用的滤波去噪方法,包括中值、均值、高斯、双边等空域滤波算法,分别对各个滤波算法进行了对比分析,最终选取中值滤波作为最终的去噪方法。分析了直方图均衡化、Laplacian图像锐化、灰度变换等图像增强算法。对各个算法进行了对比分析,最终选取线性变换作为图像增强的方式,对自适应阈值和大津阈值分割算法以及形态学处理算法进行了分析。然后通过提取动力电池前景的中心点来定位提取ROI感兴趣区域。（3）动力电池缺陷提取出来之后,通过提取缺陷的几何特征,采用最能反映工件特征的特征数据来训练,实验表明采用机器学习中的支持向量机SVM算法对动力电池缺陷分类效果最佳,本文结合缺陷的特点选取4个缺陷特征数据进行训练,即面积、长宽比、缺陷数量、HU矩,最终实验结果表明准确率达到98%以上,相比传统的算法识别率提高了很多,也可以从增加训练样本数量和特征属性两个方面着手进一步提升分类器的准确性。（4）基于VS2015、QT、C++和Open CV的开发环境,设计开发了一款基于机器视觉的表面缺陷检测软件,软件由图像数据采集模块、图像处理模块、缺陷分类识别模块、结果数据的保存模块和信号的输入输出模块组成。本软件的识别率能达到98%左右,符合生产实际要求,为厂家节约了成本,提高了动力电池生产效率。