在焊接过程中会难以避免地在金属内部产生焊缝缺陷,其类别主要包括气孔、未焊透、裂缝等,这些缺陷给我们后续的工业生产和日常生活都造成了巨大的安全隐患和潜在的财产损失。X射线技术常用于投射焊接区域而产生焊缝的胶片图像,便于对焊缝的焊接质量进行评估,从而发现缺陷的类别与位置。目前这一判定过程主要依赖人工来完成,但该方式有效率低、主观性强等诸多弊病。在深度学习领域中,卷积神经网络（Convolutional Neural Network,CNN）是发展较为成熟的一种,在图像视频的多种领域已经得到了较为广泛的研究与应用,并取得了较为卓越的效果,因此焊缝缺陷的识别与定位能够被计算机视觉技术很好地完成。但CNN模型的性能通常与其复杂度,即计算量和参数量成正比。若想获得高精度的网络模型,通常需要依赖强大的算力完成模型的训练与推理,这一特点极大地阻碍了CNN在实际工程中的落地。针对以上问题,设计了一种基于卷积神经网络的X射线焊缝图像缺陷识别与定位方法。首先,设计了一种轻量型的特征提取模块RG-CSP（Residual Ghost-Cross Stage Partial）,该模块能够在保证有效信息学习的基础上,降低所需的参数和计算次数,尽可能地取得了性能与轻量化的平衡。在RG-CSP模块的基础上,本文提出了一种针对缺陷识别与定位的LF-YOLO（Lighter and Faster-YOLO）网络,该网络主要由RGCSP模块进行特征图的生成,并拥有较浅的网络深度,这些特点使得LF-YOLO的模型复杂度较低,能够实现更快的运行速度和更轻量的模型大小。本文还通过可视化网络的中间特征图,证明了LF-YOLO针对焊缝缺陷的信息提取能力。最后,通过大量的对比实验,证明了本文所提出的LF-YOLO对缺陷识别与定位的能力,在达到88 m AP（mean Average Precision）的高精度前提下,LF-YOLO实现了111 FPS（Frame Per Second）的预测速度和仅20.3MB的模型大小,验证了其能够极大地降低对搭载设备的资源要求,证明了LF-YOLO的实用性与经济性。