在柱形锂电池生产过程中,电池表面由于摩擦、磕碰等原因,会产生诸如变形、凹坑、划痕等诸多表面缺陷,严重影响产品质量,柱形锂电池的表面缺陷检测成为其生产过程中必不可少的一环。传统的视觉检测算法基于人工设计的特征,需要采用不同的检测算法处理几何特征不同的表面缺陷,难以形成统一的检测框架,检测效果也难以满足实际生产需求。本研究将锂电池表面缺陷检测问题作为计算机视觉中的目标检测任务处理,将深度学习技术应用在柱形锂电池钢壳表面缺陷检测过程中,利用基于深度学习的目标检测方法完成柱形锂电池钢壳表面缺陷的识别与分类。本文通过锂电池表面缺陷检测设备获取柱形锂电池钢壳圆周面图像1389张,并将柱形锂电池钢壳表面缺陷分成了凹坑、夹缝、污渍、硬印、拉丝、壳口变形六种类型,通过Label Image标注工具构建了含有1037张缺陷图像的深度学习数据集,其中包含凹坑缺陷2061个、夹缝缺陷112个、污渍缺陷190个、硬印缺陷241个、拉丝缺陷97个、壳口变形缺陷50个。本课题在标注好的缺陷图像数据集上实现了Faster R-CNN、Cascade R-CNN和YOLO v3三种缺陷识别与分类方法,并对比了三种方法在柱形锂电池钢壳表面缺陷检测任务中的表现。研究表明,YOLO v3方法检出缺陷的准确性更高,但代价是漏检过多;Faster R-CNN方法有较低的漏检率,但检出缺陷的准确率较低;Cascade R-CNN方法在误检和漏检两方面较为均衡的表现,用于柱形锂电池钢壳表面缺陷检测更为合适。就检测速度而言,Faster R-CNN每秒钟可以检测12张图像,Cascade R-CNN每秒钟可以检测10张图像,YOLO v3每秒钟可以检测23.8张图像,均可达到锂电池缺陷检测项目对检测速度的要求。本文对Cascade R-CNN检测结果的漏检和误检情况做了进一步分析和优化,通过调整置信度阈值、排除微小缺陷干扰、排除标注数据集的漏标和误标等方法改进了算法检测效果,六种缺陷的平均漏检率为6.21%,平均误检率为3.91%。