由于焊接工艺的复杂性和工艺干扰的随机性,焊缝成型过程中会产生难以预测的焊接缺陷,这些缺陷会严重降低焊接部件的机械性能,从而导致严重的后果。因此,对焊缝的缺陷进行检测是至关重要的,但是传统人工检测效率低、成本高,且易受主观影响。本文利用机器视觉模拟人工检测焊缝缺陷,对机器视觉三大核心领域技术:图像采集、图像处理与分析展开深入研究,开发基于机器视觉的焊缝缺陷检测系统,提高焊缝缺陷检测自动化水平以及检测效率。主要工作如下:在贵州某企业完成了机器视觉平台的设计与搭建,采集到焊接系统生产的焊接产品焊缝图像4586张。针对采集图像质量不佳的问题,提出了一种自适应分割的动态直方图均衡图像增强算法。该方法使用变换函数处理整个直方图,并将直方图拆分为多个子直方图,使得每个子直方图具有可控的灰度级动态范围,避免了图像的特征丢失。为了验证算法的有效性,引入图像评价指标对主流算法进行对比分析,实验结果表明:本文改进算法在三种评价指标上表现最优且从效果图看出图像细节最丰富。针对原始算法小目标检测精度低下且速度缓慢等问题,提出了一种改进FasterRCNN算法的缺陷检测方法。该方法使用K-means聚类算法优化锚框,提出解耦分类细化结构实现再分类以减少网络误报率,建立特征金字塔实现特征融合以提高小目标检测精度。在Co Co2017公共数据集和自采氩弧焊焊缝缺陷数据集对改进算法进行有效性验证,结果表明,本文算法相比原始Faster-RCNN算法召回率提高了9.7%,准确率提高了11.1%。通过模型剪枝技术对改进网络进行压缩,模型大小降低了40%左右。实验结果表明:改进并剪枝后的算法准确率达到93.1%、召回率达到90.5%、FPS为20,满足产品工程实际中的缺陷检测要求。基于上述研究,开发了焊缝缺陷检测系统并在工程实际中运行。设计了系统总体架构、系统类图与数据库;构建了模型库提高系统泛化能力,使用SORT目标跟踪算法提高了跟踪的准确率。将系统投入贵州某企业中使用,系统检测准确率达到94.27%,漏检率为0.98%,每张图片检测速度为0.65s,具有一定性能优势,能够有效满足实际生产需要。