焊接加工属于传统的零件连接手段,在安吉的座椅制造中不可或缺,而焊接缺陷的检测是焊接加工中尤为重要的一个环节。为了保证焊接后椅子的牢固可靠以及良好的外观,需要对焊接后的零件进行质量检测。在传统的检测中,大都使用人工检测,其强度大、速度慢、检测结果不稳定等不足对质量检测带来了极大的困难。而随着视觉检测的快速发展,出现了基于图像处理的机器视觉与基于深度学习的目标检测等检测手段。本文主要是提出一种基于改进SSD算法的缺陷检测手段,能够满足焊接缺陷的检测精度以及实时检测速度,从而能够实现更加智能的自动化加工手段,具有一定的研究意义。本文主要的研究工作与成果如下:（1）通过对焊接缺陷检测的背景与意义进行探索,并通过对缺陷检测的三段发展阶段研究发现深度学习在缺陷检测上的重要意义,对几种典型的目标检测算法的研究确定了本文的研究方向与改进的技术要点。（2）提出了对SSD算法进行主干特征网络的改进以及引入特征融合的手段。通过使用Dense Net作为主干特征提取网络,减小模型的参数量并提高了特征的复用,使得模型具有更快的检测能力和更强的特征提取手段;将主干特征提取网络的输出分为四个不同的尺度,引入Bi FPN加权特征融合的思想进行多尺度特征融合,提高具有复杂背景且形状较小的焊接缺陷的检测能力。（3）提出了在真实加工场景下的焊接缺陷数据集的制作,并通过外部与内部两种不同特点的数据增强手段进行数据扩充,解决了缺陷检测数据集数量少、难制作、分布不匀等造成模型过拟合的问题。（4）提出了对基于精确定位的损失函数、优化算法与学习率设置策略的改进。通过替换原始SSD算法中的Smooth L1 Loss为CIOU Loss,提高了对具有密集型分布的焊接缺陷特征的精确定位能力;使用Adam优化算法与Warmup+Cosine的学习率策略,提高了训练时的收敛效果与缺陷识别的能力。（5）引入了具有高效边缘计算能力的嵌入式设备,并通过使用Tensor RT技术对改进后的算法进行量化与加速,使得算法在边缘设备上的计算速度达到了32FPS,在能够满足在线检测速度的同时且不损失检测精度。根据缺陷检测的需要,完成了对摄像机SDK调用到嵌入式设备的识别以及服务器训练的焊接缺陷检测系统的开发,实现了高效的椅子零部件焊接缺陷检测的创新发展。