依赖人工目视检查的电池包装配过程异物识别方式易导致异物遗留，影响产品安全并增加生产成本。针对合作企业装配车间异物目标小、可供判别特征缺乏、检测精度要求高的实际异物识别难点，本项目建立基于统计方法的异物监测与定位算法，和基于深度学习算法的小目标异物分类检测框架；并设计开发交互式异物识别软件，使异物识别算法有效地落实到企业生产实际。该算法应用于工位m070，在模组入箱前进行异物监测分类，满足产线生产节拍需求。

1)  异物监测控制：对手机的图像数据与无异物图像进行比较，选择合适的控制图对比较结果进行统计过程控制，判断图像中是否有异物出现。

2)  异物定位：基于计算机图像处理方法对有异物图像进行异物识别，定位异物。

3)   异物分类检测：基于深度学习方法建立异物目标分类检测算法，正确识别不同位置处异物的类别。

4)   异物识别软件设计与开发：设计图形化交互软件，集成异物监控、定位、分类算法，提供异物识别结果可视化与交互功能。

1)       针对图像背景噪声问题使用计算分块EMD距离与统计过程控制结合的方法将异物定位的准确率提升至90%以上。

2)       利用边缘检测和图像差分将单种类与多种类异物定位准确率控制在80%及以上。

3)       项目设计一种基于超分辨特征增强和多尺度特征融合的小目标分类检测算法，该算法的mAP指标达到0.6278，优于常用目标检测模型，可有效应对企业需求。

4)       项目集成小目标异物监测与目标监测算法，基于PyQt5开发交互式目标识别软件，实现图像自动化上传、检测和识别结果可视化交互功能。