纽扣电池作为我们的日常生活必需品,每天都有极大的消耗量和生产量。在纽扣电池的生产过程中,其外观的缺陷检测是一道严格且必备的工序,然而这道工序在一些作业现场仍然是通过人工肉眼的方式来进行挑拣,由于大量的重复工作会导致工作人员的视觉疲劳,缺陷品的漏检和错检现象常有发生,这必然会带来企业的产品品质问题。为了实现这道工序的自动化分拣,本文提出了基于机器视觉和并联机器人的纽扣电池分拣系统。以下为本论文涉及的内容:（1）系统的整体介绍,根据企业所面临的难题,设计整个系统的框架方案,该系统主要分为3个子系统:机器视觉子系统,机械及其电控子系统和并联机器人子系统。每个子系统各自独立,需配备所需的硬件和软件,同时又相互配合,在系统实际运行过程中,只有完成三个子系统之间的准确通信,才能实现纽扣电池的正确分拣。（2）图像算法的研究,该部分为本论文主要研究内容,根据机器视觉子系统采集的两类图像采用了两种图像算法,一是针对凹陷这一类缺陷所采集的图像,本文使用的是基于卷积神经网络的YOLO目标检测算法来对凹陷进行定位,并改进了YOLO算法的损失函数,将CIOU作为目标框定位损失,将Focal Loss替换交叉熵损失来计算置信度值,通过实验可知,平均精度均值为74.76%,提升了0.84%;二是对于其他缺陷采集的图像,本文使用改进的轻量级网络Mobile Net V2对单个纽扣电池进行分类,为进一步减少Mobile Net V2的计算量同时保持识别精度,提出了在Mobile Net V2基本模块中加入通道混洗的方法,最终测试集准率为98.31%,提升了3%,时间复杂度减少了33%。（3）机器视觉软件的设计,机器视觉软件主要接收工业相机发送的图像数据,集成图像算法,并对采集图像进行处理,再将检测结果发送至并联机器人实行纽扣电池的分拣。因此,机器视觉软件的设计主要包括四个模块,分别为软件界面模块,图像采集模块,图像处理模块以及与并联机器人子系统的通讯协议模块。（4）系统测试,系统测试主要包括机器视觉软件测试,并联机器人联动测试,和系统性能测试。经过测试,机器视觉软件能够长时间持续运行,并联机器人也能准确稳定地实现分拣功能,系统性能也满足实际需求,单个纽扣电池的剔除和补全时间在2.5s以内,纽扣电池的缺陷识别率可达到98.15%。本论文针对纽扣电池实际生产过程中存在的不足,提出了基于机器视觉和并联机器人的纽扣电池分拣系统,在该系统中,主要以图像算法和机器视觉软件为主要研究内容,并进行了系统的相关测试。根据测试结果,表明该分拣系统能够稳定运行,满足实际需求,具备一定的商业价值,可推广使用。