在柱状钢制电池壳的生产和运输过程中,由于材料、冲压工艺、摩擦、碰撞等原因,会在个别电池壳上产生拉伤、划擦、凹坑等缺陷,严重影响着产品质量,甚至会造成安全隐患。本课题受计算机视觉技术的启发,基于神经网络技术检测电池壳的表面缺陷,对于与电池壳类似的反光回转体的缺陷检测研究具有借鉴意义。本文的主要工作内容如下:分析了电池壳缺陷检测的特点和存在的难点,确定缺陷检测的总体方案。使用机器视觉技术对电池壳缺陷进行检测,将整个缺陷检测系统按照功能分为硬件采集模块、预处理模块和神经网络检测模块,三个模块在时间上顺承,在功能上递进,最后将三个模块按照业务的逻辑关系统一到一个平台中,实现缺陷检测的全流程。针对硬件采集模块,本文根据需要选择了相机和镜头,针对电池壳反光的特点设计专门的打光方案,可以实现光线比较均匀的分布。针对图片的预处理,本文根据电池壳图片的特点,选择基于阈值的分割方式,设计分割算法,可以准确分割出仅包含电池壳区域的ROI。针对图像增强问题,本文对比多种增强算法,验证了基于曝光融合框架的图像对比度增强算法更适合反光物体,最后确定了使用语义分割作为本文的缺陷检测的算法。神经网络检测算法是本课题的核心内容,针对电池壳缺陷检测问题,本课题采集多种电池壳缺陷的图片,制作成数据集,用于训练分割网络。针对检测的特点,确定合适的损失函数、优化器和评价指标。使用U-Net、HRNet和Fast SCNN三个经典语义分割网络进行试验,根据结果总结本课题存在的小样本、小目标问题,并给出训练方案的改进和网络的改进两种解决方案。通过分析结果,确定对U-Net进行改进。本文受Inception网络拓宽网络通道和Res Net网络加深网络层数的启发,结合Inception-Res Net V1的结构特点,改造Inception-Res Net V1中的模块,使编码器和解码器模块化。训练改进的网络,根据情况确定了优化器和损失函数,最终得到的结果相比U-Net获得了大幅提升,平均交并比和缺陷类别的交并比均达到0.8以上。最后,将推理模型导出,实现模型的Python部署,使用Py Qt5开发界面,将所有功能进行封装,实现可视化界面,检测效果和实时性均满足任务要求。