由于造纸工业自动化程度不断的提高,纸机车速越来越快,成纸幅宽不断加宽。生成过程中不可避免的会使纸张出现各种表面缺陷,也称之为纸病。纸病的存在严重影响到纸张的质量和纸产品生产的效率,一些严重的周期性的纸病若不及时发现和处理,可能造成大量的材料浪费。因此对于纸张表面质量的检测逐渐成为纸张生产过程中不可或缺的重要工序。传统的纸病检测主要依赖于人工进行检测,随着造纸生产自动化不断发展,已经逐渐被机器视觉检测的方法所代替。基于机器视觉的纸病检测方法有很多,但是在实际生产过程中的检测效果大都不理想,究其原因是由于纸病种类繁多,即使是同类纸病之间也存在较大的视觉差异,使得它们所对应的纸病特征量分散在不同的特征空间中,难以采用统一的低维数的标准特征量准确地提取所有纸病的特征。另外如褶皱、划痕等难点纸病,其特征量在各特征空间都不显著,使得现有方法对这些纸病的辨识效果一直不好。因此本文提出基于卷积神经网络(Convolutional Neural Networks,CNN)的纸病分类算法,利用CNN卓越的图像处理能力,输入纸病原图像,通过不断的卷积操作自动提取纸病图像深层次特征并完成分类工作,有效的解决了传统检测方法中纸病特征量难确定以及纸病特征难提取的问题。本文根据纸张表面质量的检测要求完成纸张表面质量检测系统的研究,其主要研究内容及研究成果如下:(1)纸张表面质量检测硬件系统搭建。基于机器视觉技术,利用“CCD相机+FPGA+计算机”的结构模式搭建硬件系统。对所用到的硬件设备进行设计并选型,包括相机及镜头的选型、光源系统的设计、计算机选型以及运动控制模块设计与选型。同时完成对FPGA图像采集板卡的设计,包括FPGA选型以及板卡各个主要模块(图像采集控制模块、图像存储模块、以太网传输模块)的设计与实现。(2)纸张表面质量检测系统算法研究与实现。以基于CNN的纸病分类算法为核心展开本系统算法的研究,包括纸病检测算法研究以及纸病分类算法的研究。纸病检测算法在FPGA端完成,通过对纸幅图像预处理后完成对缺陷区域的检测和提取。基于CNN的纸病分类算法研究主要通过对卷积神经网络结构的研究构建纸病分类CNN网络,并利用纸病样本完成对网络的训练,通过训练好的网络模型完成对纸病的辨识,最终完成对纸张表面质量的检测任务。(3)纸张表面质量检测软件系统设计与实现。根据系统检测要求,设计软件系统框架。并在VS2013开发平台上基于MFC对软件技术架构以及软件系统各个模块进行设计,包括软件系统界面设计、数据采集模块设计、图像模块设计以及数据库模块的设计。最终完成对纸张表面质量的实时监测,并对缺陷实时辨识、统计以及存储,同时提供历史记录查询等功能。通过对本文纸张表面质量检测系统的整体测试以验证系统的性能,结果表明本文所设计的硬件系统结构能够满足检测要求且对类似的视觉检测系统具有一定的借鉴作用,软件系统能够稳定运行,并完成纸病的辨识、统计以及记录等工作。本文提出的基于CNN的纸病分类算法,不仅提高了检测精度而且具有极好的的可拓展性。算法的实验结果表明,本文所设计的CNN网络通过训练得到的模型能够对边裂、黑斑、孔洞、褶皱、亮斑和划痕这六类纸病精确的辨识。缺陷的辨识率大于99.3%,且在GPU模式下辨识一幅缺陷图像仅需4.675ms,完全满足纸张表面质量的检测要求。