我国是竹产品制造的大国,2020年全国竹产业产值已到达3000亿。竹材是制造各种竹产品的原材料,但是竹材储存的过程中,竹材会出现蛀孔、竹材发霉等问题。在竹材加工成竹片的过程中会有竹片破裂和三角条等缺陷,且竹材本身颜色不一致。竹产品的表面美观性是检测其质量的重要标准,因此需要把存在缺陷的竹片与无缺陷竹片分开,再把无缺陷竹片按照黑、白、黄三类颜色标准进行分类。生产时将三类无缺陷竹片加工成黑、白、黄三种颜色面板,将存在缺陷的竹片加工成中板和底板。目前,竹片的缺陷检测与颜色分类工作主要依靠人工完成,这种方法生产效率低,生产成本高,满足不了竹产业的发展需求。目前已经有一些学者提出了基于图像处理技术的竹片缺陷检测方案,但这些方案检测的缺陷种类较少,且每种缺陷都采用不同算法进行检测,实用性较差。本文主要应用图像处理与深度学习技术,对拉丝片、破裂片、蛀孔片、霉片、竹青片、竹黄片、黑节片和三角条等八类竹片缺陷进行检测,并对黑、白、黄三类竹片进行颜色分类。本文的主要研究内容如下:（1）设计了竹片缺陷检测及颜色分类实验平台。针对竹片细长的特点,设计了对射式条形光源照明系统,使竹片线性范围上光照均匀,确保所采集图像亮度的一致。选择合适的工业相机及镜头,并验证是否满足生产要求。设计了暗箱,隔绝工厂内光照的影响,保证图像采集环境的稳定性。采集了八类竹片缺陷图像与无缺陷的黑、白、黄三类颜色竹片图像,构建了竹片样本数据库。（2）本文将灰度法与边缘法两种方法结合,提出了一种新的竹片缺陷检测算法,能检测全部共八类竹片缺陷。首先对竹片图像进行预处理,进行图像的灰度化与降噪。然后设计了竹片区域的提取算法,对图片基于阈值处理与边缘检测处理后,检测出大致竹片区域轮廓。基于Hough变换拟合竹片的边缘,检测出倾斜角度并进行倾斜校正。依据拟合出的竹片边缘对图像进行剪裁,仅保留竹片区域。最后将Otsu算法与基于Canny算子的边缘检测算法结合来检测竹片缺陷,并采用最小外接矩形法将检测出的缺陷进行标记。以本文采集的竹片图像数据库为实验样本,本文算法的竹片缺陷平均检测准确率为88.75%。（3）选择基于Resnet与Alexnet两种神经网络模型作为框架,调整两种神经网络的参数,对竹片颜色进行分类。分别以有背景竹片图像与无背景竹片图像作为数据集,对神经网络进行训练。其中以有背景竹片图像作为数据集,训练后Resnet神经网络的最高颜色分类准确率为96.8%。对Resnet神经网络进行调整后,采用无背景竹片图像作为数据集进行训练,颜色分类准确率为99.9%。采用无背景竹片图像作为数据集,训练后Alexnet神经网络的颜色分类准确率为为89.7%。最后选择颜色分类准确率为99.9%的Resnet神经网络作为本文的颜色分类算法。