据调研,印钞企业A正面临着降本增效的压力,其中主要的措施是降低人民币缺陷检测上的人力投入。一张新版百元券会因为印制过程中的多种因素导致典型缺陷的产生,例如:印刷过程中由于不同印版、油墨以及繁杂工艺造成性状、颜色不一的缺陷,多道工序流转间引起的套印不准,人为误操作等。如何高效检测出这些缺陷、防止有缺陷人民币流入到市场上,是印钞企业A面临的主要质检问题。新版百元券的检测模板由于建立时间有限、人民币质量本身不稳定等原因,导致建模样本数量少、样本多样性不足,从而限制模板的质量;另一方面,建模使用的是模板匹配法（Template Matching）,且建模的过程人工依赖度高,导致建模效率较低。针对以上分析的问题,本文做了两方面工作来尝试提高新版百元券检测模板建立的效率,具体如下:（1）针对样本数量少、样本多样性不足的问题,通过专门的搜集、清洗和规范化标注建立了包含5类典型缺陷,共计6161张图像的数据集。基于该数据集,本文选取4种主流的深度学习（Deep Learning,DL）目标检测（Object Detection）方法进行评测,包括Faster R-CNN、YOLOv3（You Only Look Once）、Retina Net和FCOS（Fully Convolutional One-Stage Object Detection）,给出了具体实验结果和分析。（2）针对评测结果对基于Faster R-CNN的检测模型提出组合优化方案,并测评该方案的有效性:首先针对缺陷检测中小缺陷特征可能丢失的问题从优化输入图像和提升特征表征能力出发,利用图像上采样、构建图像金字塔和数据增广使网络学习到缺陷的尺度不变性,避免缺陷特征丢失,同时增加缺陷多样性,提高网络泛化能力;通过特征融合及构建特征金字塔来增强低层特征表征能力,实现自适应的多尺度缺陷检测,提高小尺度和中等尺度缺陷的检测能力,同时利用MSRo IExtractor（Multi-Scale Ro I Feature Extractor）提取Ro I（Region of Interest）区域的多尺度特征作为最后的Ro I区域特征,使特征表征能力更强,更有利于后续检测框回归和目标分类等任务。最后,加入难分样本挖掘、数据平衡和自适应anchor技巧,进一步提升训练和检测效能。优化后的Faster R-CNN模型在检测精度上由基础模型的34%提升到75.6%,漏检率由52%下降到14.6%,验证了数据集的价值和基于深度学习的人民币缺陷检测模型的有效性。