随着计算机性能和算力的提升,使得具有便捷性、精确性、迅速性和智能化等优点的机器视觉技术应用于工业生产的各个领域成为重要的研究方向。烟丝生产过程中的杂质检测和剔除是保障烟草产品质量的重要环节,将机器视觉的相关技术应用于烟丝除杂任务,可以有效缓解生产过程中对人工的依赖,在降低人工成本的同时,提高产品生产的自动化水平。烟丝除杂,重在检测。近年来,已有研究者对产品生产过程中的杂质检测方法进行了研究,但是对基于可见光的烟丝杂质检测方法的研究还存在较大的提升空间。本文利用机器视觉相关技术,结合深度学习研究烟丝杂质检测算法,可以为烟丝生产过程中的杂质检测提供一种可借鉴的思路。我们从烟草工业生产线上收集了可见光图像,通过裁减、数据增强等手段制作了一个专门用于烟丝杂质检测任务的数据集,并在此基础上,分别提出了基于锚框和无锚框的FARLut模型和FSLut模型。前者首先利用图像的颜色信息对烟丝生产过程中的图像进行预处理,接着将处理后的图像放入具有注意力机制的两阶段目标检测算法中进行杂质检测;后者的建模思路同前者相似,将利用颜色信息预处理模块处理之后的图像放到添加注意力机制的无锚框单阶段目标检测算法中进行杂质检测。二者所使用的颜色预处理模块相同,添加的注意力机制模块和基础模型不同。最后对两种算法在烟丝杂质检测任务中的识别效果进行对比分析,实验表明,FSLut模型的表现最优,平均精度为95.07%,召回率为98.08%,可以有效识别烟丝生产过程中的常见杂质。同时,将训练好的模型嵌入所构建的跨平台GUI界面框架,并将其部署到边缘计算设备Jetson Xavier NX上,形成了一套较为完整的基于机器视觉的烟丝杂质检测解决方案,对烟草工业生产过程中杂物的自动检测水平的提高产生积极地促进作用。