计算机视觉,即Computer Vision,是当前研究的热门话题,其主要应用领域包括:物体检测、视频监控、人脸识别、自动驾驶等。而物体识别作为计算机视觉中的一个重要研究领域,也获得了越来越多学者的关注。其主要目的是识别出图像中不同物体的所在位置,并能够判断出不同物体的类别。表面缺陷检测是物体检测的一个分支,它主要通过面阵相机、3D相机等机器视觉设备来捕获物体的影像,并由此推断出物体表面是否存在破损。随着科学技术的不断进步,人的眼睛已经难以检测在高速运转的机器中的物体,或者是物体尺寸极其微小的电子领域,所以为了弥补以上不足,越来越多的缺陷检测装备被应用在各种工业制造领域,包括3C、汽车、家电、机器制造、半导体以及电子、化工、医药、航空航天、轻工等,这些行业往往是人眼无法完全胜任的高精尖行业。传统的机器视觉的表面缺陷检测方法通常需要在一个较为苛刻的环境下才能够保证一个较为满意的结果,当机器视觉装备捕获的图像与背景差异不大,环境光线变化较大,缺陷变化无序,或者图像成像效果较差等情况时,传统的检测精准度就会大打折扣,无法实现技术指标。这类检测方式主要使用传统图像处理算法,或者是采用较为单一的特征加分类器的方式。随着Yann Le Cun、Alexander Waibel等学者在20世纪80年代相继提出不同卷积神经网络之后,图像处理算法迎来了高速发展的时期。各种基于卷积神经网络的深度学习模型被广泛应用在计算机视觉领域,例如人脸识别、行人重识别、场景文字检测、目标跟踪和自动驾驶等。缺陷检测也成为一个受益者,不同种类的算法模型与缺陷检测相结合,在工业制造中广泛应用。我国在《中国制造2025》白皮书中提出“推广采用先进成型和加工方法、在线检测装置、智能化生产和物流系统及检测设备等,使重点实物产品的性能稳定性、质量可靠性、环境适应性、使用寿命等指标达到国际同类产品先进水平”。因此,通过深度学习来进行表面缺陷检测这种方法不仅有着深远的学术研究价值,同时有着非常广阔的市场应用前景。由于深度学习通常需要巨大的计算资源,所以目前绝大多数的深度学习相关的应用后台都是运行在配备了GPU的在大型服务器或者台式机上,不仅成本高昂、体积大而且不便搬运。受制于计算能力和算法复杂的矛盾导致移动端可用的设备很少,但是人们在移动端的需求却越来越多。在烟草包装领域,目前的检测目的主要是在烟库下烟的通道上,对烟支进行检测。但是烟草包装是一个非常复杂且速度较快的行业,大部分时候气缸、电机、电磁阀等在控制器的作用下有序运动,但是难免有时会出现偏差,对烟包造成破坏,为了提高烟包的成品率本文设计了一个基于深度学习的移动端检测系统,主要用于烟盒的缺陷检测。检测算法采用了单阶段的检测网络SSD（Single Shot Multi Box Detector）算法,将边界框的输出空间离散化为不同长宽比的一组默认框和并缩放每个特征映射的位置。在计算过程中,每次当某个目标类别出现在方框中时,网络都会对其进行打分,并且调节边框,从而可以更好地适配检测对象。同时,为了能够应对各种尺寸的对象,网络还将不同分辨率的数个特征映射结合在一起。SSD与需要目标提出的方法相比,过程变得十分简洁,因为它完全消除了提出生成和随后的像素或特征重新采样阶段,并且每个单独网络都可以进行全部的计算。以上优点让SSD更方便训练并且可以集成到需要检测组件的系统中。硬件方面选用了Nvidia Jetson TX2。。摄像头采用CSI相机（Leopard Imaging IMX377CS）,CSI相机拥有诸多有点:可以根据CPU和内存使用情况进行优化,以便将图像处理并存入内存;可以充分利用硬件的视觉管线;可执行底层访问与控制传感器/摄像头;可以在资源占用更少的情况下获取更高帧率和更高清晰度的图像。通过试验数据分析,本文所设计的系统检测速度快,检测精度高,实现了稳定的实时检测的目标。