为节约纸张资源,卷烟厂每年需要对大量的回收烟箱进行分拣和重复利用,经调研,目前烟厂多通过人工目视方法根据回收烟箱的图文标识和缺陷程度进行分类和筛选,迫切需要一种能自动识别烟箱种类和缺陷情况的视觉检测技术来代替目前人工劳动。但相对而言,回收烟箱上的图文信息较为模糊,对比度偏低,而且缺陷区域尺度特征差异较大,制约了回收烟箱视觉检测算法的性能。本文针对人工分拣的局限性,提出使用基于深度学习的目标检测算法对回收烟箱类别和缺陷进行检测。主要研究内容如下:1.使用在曲靖卷烟厂烟箱回收仓库采集到的回收烟箱照片制作数据集,辨识空间共有五个类,包含有云烟、印象、珍品、精品四种烟箱目标和有无缺陷。2.使用Faster-Rcnn作为算法模型,应用VGG16、Res Net50网络模型,实现了回收烟箱的分类和缺陷识别,其中Res Net50效果最佳,烟箱种类检测精度为100.0%,缺陷类精度达到了79.40%,m AP达到了95.88%。3.针对Faster-Rcnn检测速度慢和YOLOv2算法缺陷检测精度低的问题,在YOLOv2的网络结构基础上将底层三个尺度的特征并联,搭建了YOLOv2-PF模型,较原网络结构提高了对缺陷类的检测精度。烟箱种类检测精度为100.0%,缺陷类精度达到84.96%,m AP可达96.99%。4.针对单一尺度网络对缺陷类小目标检测效果差的问题,采用基于特征金字塔的YOLOv3进行回收烟箱的检测,但其特征提取部分结构冗余,通过消融实验对YOLOv3网络进行精简,得到了YOLOv3-YX模型,并在损失函数中添加了控制坐标损失和边框损失的系数。烟箱种类检测精度为100.0%,缺陷类精度提高到87.96%,m AP提高到97.59%。5.使用YOLOv3-YX模型搭建了人机交互界面,包含单帧检测、离线视频检测、在线视频检测三种功能,能快速检测目标烟箱的种类和是否有缺陷,视频检测速度可达12FPS。本文建立了四种烟箱及其表面缺陷数据集,实现了回收烟箱类别检测和缺陷检测,并搭建了人机交互界面,为将基于深度学习的目标检测算法推广应用到回收烟箱快速检测领域提供了有效方法依据。