灌装质量检测作为灌装产品生产的重要环节,直接关系到产品质量的优劣,这对于粘稠食品的灌装更是如此。长期以来,由于粘稠食品独特的物料属性使得灌装难度极具挑战,因此针对现有的人工检测、传感器检测方式存在精度低、效率低、能力低等问题,本文开展了基于卷积神经网络的粘稠食品灌装质量检测研究。其具体研究内容如下:（1）针对模型搭建所需的粘稠食品灌装质量数据样本获取难的问题,提出了针对粘稠食品灌装质量图像的采集与处理方法。首先搭建了灌装质量图像采集平台;其次对灌装液位状态和成品缺陷进行图像采集;最后对采集图像进行整理和标签标定,建立了灌装质量图像数据集,为后续设计粘稠食品灌装液位状态检测模型和灌装成品缺陷检测模型提供数据支撑。（2）针对传统粘稠食品灌装流量检测装置精度不高的问题,提出一种基于VGG-16迁移学习算法的灌装液位状态检测方法。该方法首先利用自适应阈值分割算法对采集的液位图像进行兴趣区域（ROI）提取;其次将提取后的图片进行归一化处理;然后将模型在Image Net数据集上预训练,对VGG-16模型进行权重参数迁移和微调训练,使其能够自动地提取特征并进行模型训练;最后通过测试集验证网络的识别准确率和误差值,并全面分析其它经典深度学习框架的分类性能。实验结果表明,本算法能够有效地对液位状态信息进行分类检测,满足了实际生产的需求。（3）针对传统灌装成品缺陷检测方法难以同时多目标高速检测的问题,提出一种基于YOLOv4目标检测算法的轻量级灌装成品缺陷检测方法。首先通过Mobile Net V3主干特征提取网络对输入样本进行轻量级特征提取;其次对增强特征提取网络采用深度可分离卷积策略以降低参数计算量;然后设计了全面路径聚合网络（FPANet）并引入ECA通道注意力机制以提升增强网络对于目标特征的靶向表达;最后将设计的轻量化网络进行模型训练和精度测试,并在同一数据集下对比了其它目标检测算法的性能以揭示本文方法的优越性。实验结果表明,本文方法能够在保持精度前提下大幅提升检测速度,实现了粘稠食品灌装成品缺陷的多目标高速检测。