抽纸是我们日常生活中最常见的生活用包装纸之一,其中使用塑料膜热封的软包装形式抽纸由于方便携带和价格优势得到了广泛的销售和使用。随着市场竞争日趋激烈以及产业升级对提质增效的强烈需求,软包装抽纸的出厂品质要求越来越高,但是目前国内该行业仍以人工目视检测为主要检测手段,存在效率低,误检和漏检高,无统一的检测标准等问题。为了实现抽纸在包装生产环节的自动化缺陷检测,本文从生产实际需求出发,设计了一个使用了深度学习异常检测以及传统机器视觉检测方法相结合的抽纸软包装缺陷检测方法,并使用从产线收集建立的数据集进行测试,验证了算法的有效性和实用性。按照工作次序,本文工作主要分为以下内容:1.本文项目研究所属领域是机器视觉在包装质量检测行业的应用,因此对基于机器视觉的缺陷检测技术以及机器视觉在包装行业中应用的国内外现状进行了调研,以便提供参考思路。然后对产线进行实地调研,分析了抽纸软包装的工艺流程,对生产环节可能导致的缺陷类型进行了总结收集,再对不同缺陷特性进行了分析以便后续提出合适的成像打光方案和算法设计思路,经过分析本文拟采用基于深度学习异常检测和传统缺陷检测方法相结合的融合算法。2.本文对目前工业视觉领域常用的图像异常检测算法进行了调查研究,按照原理总结了图像异常检测算法的几种类型,介绍了一个工业图像异常检测的基准数据集,并根据不同类型算法在该数据集上的表现分析了不同算法的优势,各自适用场景以及相对劣势,为本文构建适合抽纸软包装缺陷检测的异常检测算法提供了思路参考与启发。3.本文根据前面调查研究结果设计了面向本文项目应用场景的图像异常检测算法,先对基于全卷积神经网络（FCN）和支持向量描述（SVDD）的异常检测网络架构FCDD进行了解析,研究其工作原理,然后再其基础上进行改进引用,使用Res Net50网络的卷积层替换FCDD网络中的卷积部分以达到更强的特征提取能力,并根据本文项目数据特点调整了FCDD网络感受野大小和高斯核尺寸以适用本文场景。4.设计了抽纸软包装缺陷检测算法,对输入图像进行异常检测,同时使用基于边缘信息辅助的图像阈值分割提取包装前景,将提取的包装前景送入外形缺陷检测算法模块提取外形类的缺陷,再将包装前景与异常检测算法模块输出的异常区域热度图进行对比,获取前景范围内的缺陷区域图像进行缺陷分类,缺陷分类是基于MLP构建的多分类器,使用Mobilenetv2作为特征抽取网络,抽取的特征经过PCA降维后送给MLP,同时再MLP训练时添加拒绝类,使得MLP具备分类不属于训练集类别图像的能力,即可在一定程度上识别未训练过的新出现缺陷类型或者异常检测误判区域图像。5.根据文中分析设计了成像打光方案,并根据此方案搭建了实验硬件平台部署在生产线验证。通过实验平台持续采集了大量图片构建了图像数据集,根据生成实际以漏检率,误检率,以及缺陷分类正确率指标测试算法在数据集上的表现,验证了算法的有效性和实用性,能够满足工业生成实际需求。