我国是竹制品产出第一大国,其中竹席作为日常生活用品,具有广阔的市场空间。凉席竹片在生产中存在外观一致性较差等现象,传统目标检测方法基于竹片轮廓和纹理等浅层特征进行识别和筛选,存在参数调整难、识别准确率低等问题,针对该问题,本文在对比主流卷积神经网络检测算法的基础上,选取算法速度最快、检测准确率较高的YOLOv3作为竹片检测算法基础,通过对竹片深层特征进行模型训练和检测识别,解决了传统算法的适应性问题,结合神经网络算法的轻量化改进,降低了计算硬件成本、提高了计算速度和准确率。本文将改进算法应用于竹片检测系统,达到了预期效果。论文主要完成的工作如下:(1)针对竹片样本采集过程中存在的干扰,对比分析了多种背景分割算法和识别算法,选择竹片分割效果最好的随机森林语义分割算法,以及能有效识别粘连竹片的YOLOv3对象检测算法,为竹片检测奠定良好基础。(2)针对人工标注语义分割数据耗时长的问题,提出了半自动语义分割方法,通过迭代使用抽样标注、模型训练和本地校准等操作直到标注结果达到要求,该方法有效节省了人工标注强度。(3)针对检测算法模型对环境适应性低的问题,对标注后的竹片数据集使用饱和度、曝光度、色调、旋转变换与拼接变换的组合方法进行数据增强,实验结果表明,数据增强后的训练模型具有较强的环境适应性。(4)为提升特征在网络层中的传递效率、降低计算硬件成本,基于竹片数据集的特点对YOLOv3网络进行优化改进,采用密集串联结构来代替原本的残差连接结构,利用卷积和最大池化组合的降维结构替代原本的卷积降维结构,并剔除了小尺度特征检测通道。实验结果表明,改进模型的总浮点运算量、模型大小和计算时间均显著降低,能在较低配置的GPU上装载运行。实验还表明改进模型在Kaggle与Caltech开源数据集上也有良好的适应性。(5)根据竹片的生产应用要求,设计并实现了竹片检测硬件和软件控制系统,并将改进算法应用于竹片检测。经现场测试,该系统对于各类竹片查全率达到97%以上,查准率达到95%以上,平均检测速度是传统系统的三倍,达到50片/秒。