罐装甁防伪标致码与生产日期码作为食品、药品等日常生活用品质量安全的重要组成部分,与人民群众的生产生活安全息息相关。因此,防伪标致与生产日期喷码质量与正确性显得尤为重要。但目前已有的喷码缺陷检测方法普遍存在下列问题:一是当字符存在间距较小有轻微粘连问题,容易导致无法分割或错误分割。二是喷码缺陷识别准确率不高,漏检较多,对喷码区域倾斜与歪曲的情况较难识别。三是使用深度学习方法进行缺陷检测,由于网络较大致使训练模型与缺陷检测耗时较多,且由于正负样本数据集相差悬殊对检测模型的训练有较大影响,此外检测设备的硬件要求较高,不太适用于工业生产场景。针对上述问题,对相关算法进行研究,并改进相关算法,完成喷码字符缺陷检测,具体完成的工作有:（1）搭建了罐装甁喷码字符图像采集装置,实现了高质量的罐装甁喷码字符图像采集。对采集的图像进行图像增强、图像滤波、图像ROI区域获取。对喷码字符进行数学形态学处理、喷码字符倾斜校正、字符区域精确分割。通过上述操作,实现了图像降噪,并对字符进行了增强,便于后面单字符分割处理。（2）针对目前的垂直投影法对字符间间距过小与字符间轻微粘连不能很好处理的情况,提出改进的垂直投影法进行字符分割。计算字符宽度阈值,判断字符是否越过阈值决定是否对字符进行二次分割,并对二次分割点的选取设计了详细的算法,选择一定区间内,投影像素数最少的位置作为二次分割点,并取得了较好的效果。（3）对分割好的字符进行特征提取,结合PSO-ELM分类器对字符进行识别。针对提取的特征冗余问题,提取具有重要语义的字符特征,包括字符面积、字符轮廓周长、字符中心点坐标水平方向字符像素数、字符中心点坐标垂直方向字符像素数等特征。针对分类器效果不佳问题,将提取到的特征送入PSO-ELM进行分类模型训练,实现字符识别。在此过程中对PSO优化ELM参数对分类结果影响进行了相关研究,并选取最优参数对喷码字符进行识别,取得了较好的字符识别结果。最后对罐装甁喷码信息是否正确进行检测。（4）对深度神经网络进行喷码缺陷检测训练、检测耗时严重与正负样本悬殊影响模型检测效果等问题提出一种改进YOLOv3神经网络模型的罐装瓶喷码缺陷检测算法。首先通过工业相机采集罐装瓶正常喷码与异常喷码图像,对图像进行预处理与标注,接着将标注好的数据集送入改进YOLOv3神经网络中对网络进行训练,通过使用GIo U loss结合Focal loss对原YOLOv3损失函数进行改进,减小正负样本失衡对缺陷检测模型训练的影响,并对特征提取网络进行修改,将Darknet-53替换为MobileNet-v3,减小网络复杂度减少训练与检测时间。最后将待检测罐装瓶喷码图像送入训练好的模型中完成喷码缺陷的检测。此外对MaskRCNN网络进行了一定研究,将其应用到喷码缺陷检测这一领域。对其网络架构相对Faster R-CNN改进点进行了研究,并通过其实现喷码的缺陷检测与喷码缺陷区域的分割,能得到较好的缺陷检测结果,但其检测耗时相对较多,不适用于实时工业生产领域。实验结果表明,改进的垂直投影法对字符存分割在轻微粘连、字符间距过小等情况取得了较好的效果,分割准确率达到了97.4%。对改进YOLOv3算法在喷码字符缺陷检准确率上均优于基于特征提取分类、基于字符分割、基于模板匹配等缺陷检测算法,其检测准确率达到了98.20%,具有良好的鲁棒性。在检测效率上也优于复杂的深度神经网络,平均检测时间在70ms,检测效率较高。