随着焊接工业的不断发展,焊接过程中实现自动化、柔性化、智能化已成为工业发展必然趋势。研究焊缝质量在线检测,对提高焊接工艺质量和相关焊接工件质量具有重要意义。本文研究基于深度迁移学习的焊接质量在线监测方法,针对目前焊接过程中产生的焊缝表面缺陷难以检测与识别的问题,通过研究焊接缺陷数据增强、焊接缺陷图像分类、焊接缺陷目标检测方法,实现高效精准的焊接质量在线监测。主要研究结果如下:(1)基于生成对抗网络实现了焊接缺陷学习样本的数据增强,通过引入条件变量、高斯混合模型、自注意力机制优化生成对抗网络损失函数,并提出基于深度卷积神经和自注意力机制的生成器和判别器模型;研究生成样本分布与真实样本分布的差异性评判方法。实验表明,利用所提出的数据增强算法能为深度学习算法在小规模焊接缺陷样本的训练提供一个有效途径;(2)引入DropBlock卷积核优化和全局平均池化,结合轻量卷积神经网络模型MobileNet,提出基于优化轻量卷积神经网络的焊接缺陷分类算法,并利用Fashion-MNIST中小规模图像公开数据集及焊接X射线内部缺陷增强数据集对算法进行测试,实验结果表明,相对于目前常用的卷积神经网络分类算法,所提出的焊接缺陷分类算法兼顾识别准确率和训练效率,具有计算复杂度低和部署易用性良好的优点,为嵌入式平台实现焊接缺陷目标识别提供实现手段;(3)研究焊接缺陷内外部特征映射关系和深度迁移学习策略,利用基于网络的深度迁移学习策略实现焊接缺陷内外部特征模型的权重迁移,提高焊接外部特征缺陷分类模型的收敛速度和泛化能力,能有效利用有限焊接外部特征数据集进行训练;研究目标检测算法,结合基于深度迁移学习的焊接外部特征缺陷分类模型和One-Stage目标检测算法,提出基于深度迁移学习的焊接缺陷目标检测算法,部署到嵌入式AI平台,对焊接表面图像进行实时检测,实现焊接质量的实时在线监测;