印刷行业是国民经济的基础行业,在文化发展与传承过程中有着举足轻重的地位,为社会发展、信息传播和文化的传递中发挥着重要作用。伴随着市场的快速发展,精美细致的印刷制品越来越受到人们的青睐。作为印刷设备的核心部件辊筒,它的质量好坏直接影响到印刷品质量的优劣。目前辊筒质量的检测大部分依靠人工检测,检测效率低,且工人易于疲劳。为了解决上述问题,本文提出以机器视觉和深度学习相结合的检测方法,对印刷辊筒缺陷进行检测和分类,不仅提高了检测效率,而且为未来印刷行业智能化发展打下基础。本文以凹印版辊表面缺陷为研究对象,对采集的缺陷图进行预处理和缺陷检测,着重对缺陷分类算法进行深入研究。在优化特征提取网络的基础上,提出了基于改进ResNet的辊筒缺陷分类网络,完成缺陷检测分类系统的整体搭建工作,具体工作如下:(1)提出改进HOG特征值算法,使用SVM对其进行分类,添加双线插值的方法,提高SVM的分类结果。(2)提出基于改进ResNet的凹印版辊缺陷分类网络用于缺陷图像分类。该网络在ResNet网络模型上进行改进。借鉴残差网络结构保留数据信息的优势,提出了改进的瘦身ResNet特征提取网络;大大优化了ResNet网络节省了图像处理时间。(3)构建辊筒缺陷检测分类的实验平台,选择合适的硬件设备及配置,以验证上述改进的ResNet网络在凹印版辊缺陷分类错误率降低,识别率提高的同时也减少图像处理时间,证明了该算法实用性强,适合行业应用,节省企业成本;改进网络在保证分类网络准确率的基础上能够极大降低网络模型的参数量和计算量。图25幅,表8个,参考文献64篇。