人造压合板材是定制家具产品的主要材料,拥有丰富的颜色和花纹,其封边工序容易产生崩缺、开胶等形状多样、大小不一的缺陷。现有的检测方法泛化能力不足,抗干扰能力较弱,且没有可适应多种板材和缺陷的通用方法。因此,本文针对现有检测系统和方法的不足,研究基于深度学习的新型板材封边缺陷检测系统和方法。论文的主要工作包括:（1）设计了以反光镜作为辅助工具,平面图像采集和立体特征测量相结合的采集系统,作为机器视觉检测系统的关键部件。同时,为了满足缺陷检测算法的需求,实现了分段图像采集和数据增强,为后续深度学习方法的设计提供充分数据。（2）为适应工业机器视觉系统对计算成本敏感的特点,以Shuffle Net v2为主干网络,设计了适用于板材封边缺陷检测的轻量化网络Shuffle-Pro。其中,为加强对图像的全局特征提取,引入了SE注意力模块。考虑到缺陷尺度多样性的特点,使用多尺度路径聚合的方法,加强对缺陷的特征提取能力。为降低网络的参数量和计算量,设计了EConv高效卷积方法,并应用于路径聚合中。实验结果表明,改进的轻量化网络Shuffle-Pro能在板材封边缺陷检测中达到较高的准确率。（3）引入平均池化分离低频信息,设计了基于YOLOv4 tiny的低频压缩方法,并通过实验获得最佳低频分量比例参数。为加强对重要频率分量的特征提取能力,在主干网络中加入了频域通道注意力模块。融合DIo U和Soft-NMS的优点,设计了新的候选框筛选方法,改善了原筛选方法易误删重叠候选框的情况。建立Roofline模型,对网络和计算设备的计算强度进行更深入分析。实验结果表明,基于低频压缩的改进方法能有效提高缺陷检测的准确率,同时降低了网络的参数量和计算量。