贴面板材是定制家居行业最常用的成品板材,约占70%以上。在贴面板材的生产过程中,板材封边的质量直接影响了成品板材的品质优劣。现今,板材封边后的质量检测任务绝大部分依靠质检员目测完成。但该方法检测速度慢、精度低并且结果不稳定。本文致力于研究出一套基于机器视觉的板材封边缺陷检测系统,以达到较高的缺陷检测精度、并且能稳定地输出检测结果。本文首先分析了机器视觉系统的各组成要件和缺陷检测中的主流算法,研究不同设备和算法的使用场景。根据课题实际要求,使用接触式图像传感器来设计图像采集系统,并选用深度学习目标检测算法作为板材缺陷的检测算法。根据板材特性和系统技术指标,本文使用了接触式图像传感器结合机械运动实验平台搭建了视觉成像系统。本文研究了接触式图像传感器的成像特性,根据其特性设计出成像系统的安装方案。并且设计出一套集图像采集功能和缺陷检测功能的上位机程序,用以控制图像采集和缺陷检测过程中的参数。在实验平台上,该成像系统能采集到对比度高,亮度均匀的优质图像。本文分析了数据集的缺陷特征,并对缺陷进行了详细的分类。深入研究了深度学习目标检测网络的结构和作用,研究其损失函数的组成;并且结合数据集处理、预训练模型以及梯度下降法等方法对网络进行训练。最后根据深度学习网络的特性和本文数据集的实际情况提出了几种深度学习网络的改进方法,并设置对照实验验证了各个实验条件的作用。在离线算法验证中,深度学习网络能达到较好的检测性能,多个实验条件下训练的模型的准确率和召回率都达到90%以上。最后,本文将成像系统和检测算法结合起来进行缺陷的在线检测。经过实验证明,本文研究出的视觉缺陷检测系统能够适应自动化生产线30m/min的运行速度进行在线缺陷检测,在实验平台上稳定运行,并且能达到较高的检测精度。