随着社会生产制造技术的飞快发展,透明材料的使用度也越来越高。并且也被广泛地应用到包装行业中。其中透明包装表面缺陷是决定其产品质量的一个很重要的影响因素,所以对其表面缺陷进行检测是透明包装生产过程中不可或缺的一个环节。近些年来,深度学习技术发展迅猛,在缺陷检测领域也占据了一席之地,缺陷检测的准确度较高,检测速率也较稳定。所以本文选择卷积神经网络中的YOLOV3网络模型来对透明包装表面缺陷检测进行研究。本文主要研究内容如下:首先,本文讲述了对透明包装盒其表面缺陷进行检测的研究目的以及研究意义,选择了使用YOLOV3网络模型对该透明包装盒的划痕、压伤、裂纹三种表面缺陷去进行缺陷检测,并且分析了卷积神经网络的基础理论。例如,卷积运算的基本原理、非线性映射、池化操作等运算步骤,以及两类主流目标检测算法中比较具有代表性的算法。其次,对基于YOLOV3的透明包装盒表面缺陷检测方法进行研究,搭建光学采集平台对该透明包装盒进行图像采集,对采集来的图像进行标准化,制作VOC数据集。由于在原本的anchors下,对自制数据集YOLOV3网络模型对新的目标尺寸的检测并不敏捷,进而造成对目标检测效率低下。所以在本文中选择对K-means聚类算法进行优化,改进聚类过程中的距离公式,对聚类算法中的K值与IOU的关系进行分析,重新确定K值,从而得到新的九个anchors。实验结果表明使用新的anchors之后,该模型进行缺陷检测的准确率得到了提升;最后,为了解决YOLOV3模型检测速率慢的问题,在本次研究中针对模型检测过程中的运算量进行优化,将传统卷积结构替换为深度可分离卷积结构,最后实验结果表示,在将传统卷积替换为深度可分离卷积之后,YOLOV3网络模型能够在保证缺陷检测的一定准确率的基础上,其检测速度也得到了提升,能够满足实时检测的标准。