中国是刨花板生产大国。近些年,随着高效连续平压机刨花板生产线的普遍应用,刨花板生产效率大幅度提高,刨花板产量逐年上升,推动了刨花板行业的发展。在连续平压机刨花板生产线高速运行生产过程中,缘于原料成分、原料配比、技术工艺等诸多原因,部分产品表面难免会出现瑕疵、缺陷。这些刨花板表面的缺陷会影响板材质量、造成后续贴面困难,把控疏漏易造成刨花板优品率下降,次品率增加。截至目前,我国企业均依靠人工肉眼识别缺陷、检测缺陷、定级分等。此传统检测方法存在以下三个方面弊端。一方面,工人在嘈杂昏暗复杂的生产环境下,长时间用眼观察高速运行生产线上的刨花板,很快形成视觉疲劳,便会产生漏检和误检,导致刨花板出厂质量下降。另一方面,人工肉眼检测速度低于刨花板出板速度,刨花板从磨砂机出板后需减速,以低速运行模式配合人工肉眼检测,这样便严重降低了刨花板出厂效率。再一方面,行业标准-林业(CN-LY)的《船用贴面刨花板.定义和分类》标准中,刨花板表面缺陷单个面积不得超过10mm~2,且5~10mm~2面积缺陷不得超过2个,人工肉眼不易捕捉。因此,研发一款准确高效的刨花板表面缺陷实时检测系统,是缓解我国高产量刨花板生产行业窘迫困境的有效措施,也是全球刨花板企业的迫切需求。本文基于深度学习YOLO v3目标检测实时算法,提出并构建Compact-Yolo-Net网络模型,利用大量数据训练网络模型。进而在工厂生产线上搭建刨花板缺陷检测硬件系统,进行网络模型的调试优化。现场试验表明:本文提出的刨花板表面缺陷实时检测算法网络模型,对于优等板、缺陷板和保护板分类定级准确,对于大刨花、胶斑、油污、松软、漏砂、裂纹和崩边等多种常见缺陷位置检测实时高效。论文主要的研究内容与结论如下:1、通过阅读大量文献,实际调研,总结国内外研究现状。综合分析目前常用的目标检测算法,主要分为两大类:一是传统特征目标检测算法,二是深度学习模型目标检测算法,并对其进行分析总结。2、介绍卷积神经网络基本构成及原理,目标检测YOLO v3模型算法基础原理。根据实际要求,针对刨花板表面缺陷微小特征,生产线检测实时性等要求。提出一种Compact-Yolo-Net网络模型,利用预采集的工厂生产线上刨花板板面图像,建立训练集和测试集进行模型的训练和测试。3、根据目标检测对象刨花板的材质,检测场所为工厂刨花板生产线,检测要求指标。项目组设计一种基于深度学习的刨花板表面缺陷实时检测系统。介绍了系统设计方案硬件组成及选型,系统控制方案,人机交互界面软件设计。针对整个系统方案设计流程、功能进行详细阐述。4、在广东省惠州市丰林亚创人造板有限公司刨花板生产工厂进行系统试运行,将研发的基于深度学习的刨花板表面缺陷实时检测系统进行生产线安装、调试,通过1个月实时检测,模型参数在线优化,板材定级分类测试结果完全满足企业需求。本课题组所研发的基于深度学习的刨花板表面缺陷实时检测系统,可实现刨花板表面图像实时采集、快速训练检测模型、实时智能识别、板材定级分类、准确高效分仓等功能,每张刨花板检测分仓时间仅253ms,分类准确率达97.7%,提高板材定级、分类和分仓效率,完全满足甚至超过国家制定的刨花板板面检测精度标准,促进刨花板生产线智能自动化发展。