机器视觉技术早已广泛地应用于工业缺陷检测及产品质量控制等领域。在饮料生产行业，机器视觉技术被用来检测生产日期喷码是否合格。目前市场上的喷码检测产品一般采用传统的机器视觉方法，能够很好地处理背景简单、对比度较大的喷码图像，但是对于复杂背景下的喷码检测，这些传统方法的性能无法满足生产要求。本文针对复杂背景下的饮料包装喷码，提出了一种基于人工智能的喷码质量检测方法，该方法采用深度学习技术检测饮料包装喷码质量。结合论文设计的图像处理方法和大数据训练，提出的检测模型可以很好地检测复杂背景下的喷码，具有极高的精度和速度，相关检测设备和软件已投入工业现场应用。论文完成的主要工作和成果如下：
　　1)搭建了一套完整的喷码检测实验平台，主要用于喷码图像采集、算法验证以及在线喷码质量检测。
　　2)论文对图像进行了一系列预处理后，结合局部缺陷图像生成算法自动生成了不合格喷码图像，这些数据预处理为检测模型的高精度预测奠定了坚实的基础。
　　3)论文提出了一个用于喷码质量检测的轻量化特征提取网络：CodeNet，结合经典的SSD算法，检测模型实现了0.994的预测精度；在inteli5-6500TCPU的环境下，每帧图片的处理时间约36ms。与ShuffleNet、MobileNet等主流网络相比，CodeNet具有更高的精度和速度。
　　4)基于C#语言和TensorFlow框架，编写了一款喷码质量检测软件。该软件集成了本文提出的深度学习检测模型，具备简单友好的交互界面，可以实现饮料包装喷码的实时检测。工业现场的测试结果表明，本文提出的复杂背景喷码质量检测方法的准确率为0.9998，可以检测各种各样的喷码缺陷。与现有的喷码检测方法相比，本文提出的方法不仅可以检测复杂背景喷码，而且更加准确。
　　本文首次使用深度学习解决了复杂背景下的饮料包装喷码质量检测问题，成功研发了国内首台应用于饮料包装的复杂背景喷码质量检测系统，并且将深度学习技术应用到了饮料包装检测行业，对深度学习技术工业化应用具有重要的指导作用和示范意义。