导光板作为背光模组的核心组件广泛应用于家电、汽车仪表等各行各业之中。目前,导光板质量的检测基本都以人工视检为主,近年来机器视觉技术高速发展,在工业领域广泛应用。本课题以此为切入点,通过研究实现了一种高速且高准确率的导光板缺陷检测与识别软硬件系统,具有重要的研究价值。本文以12-17寸的大尺寸导光板为研究对象,针对目前导光板缺陷检测领域存在的问题以及难点,综合使用需求,开发了一套以缺陷检测为核心的导光板缺陷检测与识别软硬件系统。最后通过实验验证了本文缺陷检测系统的可靠性,具体研究内容如下:（1）针对导光板的光学特性以及缺陷特征,设计了一套导光板缺陷检测视觉方案,确定了机器视觉系统的硬件选型方案:线阵相机、线阵相机适配镜头、多角度线光源、运动平台。通过系统硬件平台的搭建来获取导光板图像。（2）针对检出率99%和12s/pcs的实际生产需求,综合考虑准确率和实时性因素对导光板缺陷检测算法展开研究。本文首先设计了一种基于传统数字图像处理的算法,通过中值滤波、阈值分割、形态学处理等操作进行导光板缺陷检测。然后针对传统检测算法准确率低、适应性差的问题,研究了基于深度学习的导光板缺陷检测算法,分别对几种经典的深度学习算法进行比较研究,通过自建导光板缺陷数据集上的测试结果,选择准确率最高的YOLOv5s模型进行改进。（3）提出了一种改进的YOLOv5s网络用于大尺寸导光板缺陷检测。首先,将导光板图像进行分图处理,然后在主干部分和特征融合部分集成Transformer和注意力机制Coordinate Attention,并选择Meta-ACON激活函数。最后,基于自建数据集LGPDD进行了大量实验。实验结果表明,LGP缺陷检测算法的平均精度（m AP）可以达到99.20%,并且FPS可达77。（4）依托上述研究结果,设计并实现了导光板缺陷检测与识别系统软件,成功完成系统部署与集成,对一类客户的热压线上的导光板进行测试后,结果表明本系统能够在11s/pcs对尺寸为17英寸的导光板中的亮点、划伤、异物、磕碰伤、脏污等缺陷具有99%准确率的实际检测效果,满足导光板实际的生产需求。