近年来,我国烟草制品的销量以及出口量逐年增加,对于烟盒包装质量的要求也越来越高。在现代的机械化生产中,烟盒的生产速度越来越快,各项设备都实现了智能化。但是,对于中高档烟盒的表面质量检测仍然采用人工的方式进行。自动化快速的生产方式显然与人工目检的方式不匹配,这种方式将浪费大量的人力,并且影响交货周期。因此,实现对烟盒表面质量的自动化检测,是企业急需解决的问题。因此,针对烟盒表面缺陷的检测,本文采用了两种深度学习模型进行研究。利用一阶段算法YOLOv5,进行了模型训练以及结果分析;利用二阶段算法Mask RCNN,进行了模型研究和训练,改进了骨干网络中FPN的结构,对训练结果进行了分析与对比。最后,通过采用两种训练模型,进行了烟盒缺陷检测软件的设计,实现了对烟盒的表面缺陷检测的研究,取得了较好的效果。具体内容如下:首先,本文针对表面质量检测的系统和方法进行了分析,对烟盒缺陷特征进行了分析,对特征进行了分类,并对图像进行了预处理操作。采用对图像的YUV空间进行亮度的均衡的方式对烟盒缺陷图像进行了直方图均衡化处理;采用双边滤波的方式对烟盒缺陷图像进行了平滑去噪处理;采用一种或多种方式随机结合进行数据增强处理;最后采用Labelme进行了数据标注。其次,针对烟盒的表面缺陷的检测,首先采用了YOLOv5s模型,选择了适合的训练参数,针对烟盒缺陷数据集进行训练,其训练结果在测试集精确率达到了93.7%,召回率达到了87.3%,m AP@0.5达到了93.2%;针对不同的缺陷类别,进行了检测结果的对比,结果发现YOLOv5s模型对于各缺陷检测效果良好,但是对于其中的小缺陷检测效果一般;采用YOLOv5四种不同深度的模型进行训练,并针对各性能指标进行对比,对比发现YOLOv5l的训练结果最好,其m AP@0.5达到了94.2%,且召回率达到了92%,该算法能够满足实际的缺陷检测要求。再次,针对烟盒表面缺陷的检测,采用了Mask RCNN算法针对烟盒表面缺陷进行模型研究,并针对骨干网络中FPN对于细节信息提取不充分的问题,对FPN进行了改进,在原基础上增加了一条自下而上的下采样通道。经过对比实验,实验结果表明,改进后的模型较改进前的模型能够得到更好的结果,其m AP@0.5比改进前提高2.67%,在采用更高IOU时,效果更好。经验证集验证,该训练模型能够对烟盒表面缺陷实现有效的缺陷检测和分类,其精确率达到了93.55%,召回率达到了92.40%,m AP@0.5能够达到95.11%。最后,针对以上两种可行的算法中较优的模型,基于PYQT5进行了可视化操作界面的设计,主要根据显示、算法选择、控制、计数、计时五个基本模块,设计了相关的基本功能,包括检测前后的图像显示、检测算法的选择、检测的开始和暂停、缺陷数的记录、检测时间的记录,该界面能够方便有效的检测进行实时检测与控制。