钢铁企业高线厂的盘条在出厂前,需要用自动打捆机通过扎丝对松散的盘条打捆,打捆时纽结经常出现未打上结以及部分打结不完整的问题,给仓储和运输带来不便及安全隐患,为了更加精准、高效、安全的工作,针对盘条纽结的检测和缺陷识别具有很强的现实意义。目前,由于打捆工位的温度较高,且盘条打捆机需要24h连续工作,生产车间缺少对盘条纽结的在线检测环节;另外由于盘条纽结图像的采集背景十分复杂、打捆的盘条有一定角度偏转,以及纽结的大小、形态多样化等因素,而传统图像检测算法鲁棒性较差,很难识别带有复杂背景的盘条纽结。针对盘条纽结的检测和打捆质量识别,本文开发了基于深度学习的方法来对盘条纽结进行检测及质量识别,使得检测效果达到理想的范围内。本文所做的工作如下:（1）根据盘条打捆机生产线的实际情况,设计了盘条纽结检测识别的硬件成像系统以及软件检测系统,然后对打捆后的盘条纽结进行多次实景采集图像,并对复杂光照下采集的图像进行亮度分类及自适应Gamma变换,构建了盘条纽结数据集。（2）深入研究了YOLOv3算法的网络结构,提出了基于YOLOv3的盘条纽结检测算法,并针对其不足提出了两点改进:使用轻量化卷积网络Mobile Net V3作为特征提取网络,并使用CIoU＿Loss优化回归框损失函数。后利用实景采集、标注的盘条纽结数据集进行对比实验,实验表明改进后的网络模型大小仅为YOLOv3模型的14%,平均准确率（Average Precision,AP）为95.43%,单张图像预测时间仅需0.51s。改进后的算法大大提高了训练、检测速度的同时还提高了平均准确率。改进的YOLOv3算法对中等尺寸的盘条纽结图像检测速度较快,降低了漏检情况。利用改进后的模型能快速检测出未打上结的盘条并对纽结区域图像进行提取,满足现场实时性的要求。（3）使用了HOG+SVM、CNN分类以及YOLO算法对盘条纽结存在的缺陷进行实验分析,针对小目标“结”难以识别的问题,最终提出改进的YOLOv5算法识别盘条纽结缺陷。利用纽结图像和标注在YOLOv5算法和改进后的算法上进行对比实验,实验表明改进的YOLOv5算法对小目标“结”的识别效果较好,改进后的网络回归框损失收敛的更小,平均准确率为99.5%,使得结的定位更加准确,单张图像预测时间仅需0.22s。利用改进后的算法能快速检测出结的个数,从而识别出有缺陷的盘条纽结。