基于深度学习的焊接缺陷自动化检测系统开发与验证

1 前言

随着工业制造智能化进程推进，焊接作为关键工艺在机械、汽车、航天等领域应用广泛，其质量直接影响产品安全性与可靠性。传统焊接缺陷检测依赖人工评片，受主观因素影响易出现误评、漏评，且效率低下，难以满足现代工业自动化需求。深度学习技术的发展为焊接缺陷无损检测提供了新路径，目标检测算法的应用有效改善了传统方法的局限，成为当前主流研究方向。在此背景下，进行基于深度学习的焊接缺陷自动化检测系统开发与验证研究具有十分重要的现实意义。

2 基于深度学习的焊接缺陷自动化检测系统开发

2.1 焊接缺陷数据集构建

焊接缺陷数据集源于金属焊接射线检测数字图像，包含原有合作整理数据集及后续补充数据。预处理时，先通过扫描仪将射线胶片转为16 位 TIF 格式灰度图像，再经映射转为8 位PNG 格式，同时提取焊接区域，结合自适应直方图均衡和双中值滤波进行增强与去噪。缺陷标注针对圆缺、条缺、裂纹、未焊透、未熔合五类，设专门文件夹分别存储图像与标注信息，图像按“缺陷类型+编号”命名，用标注工具生成 xml 文件后转为 json格式。数据增强采用围绕 X/Y 轴翻转及基于 crop-paste 的组合方式，后者设定水平和垂直位移为 15 个像素，缩放尺度 1 至 1.2，旋转角度范围[- _-π，π] ，两种增强数据均以 50%概率在线加载。数据集按 9：1 比例划分为训练集与测试集，训练集中10%作为验证集，最终形成2106 张训练集、234 张验证集、260 张测试集的实验数据集[1]。

2.2 基于级联 Mask R-CNN 的检测模型优化

级联 Mask R-CNN 被选为基线模型，因其级联结构可通过三级检测网络设置不同阈值，缓解单阈值算法中不同缺陷样本尺寸与特征分布差异导致的精度问题。模型改进中，可变形卷积通过在卷积采样点添加偏移量，自适应调整感受野，更精准捕捉不同形状缺陷特征。高效注意力模块通过全局上下文池化计算特征依赖关系，结合通道重要性权重调整，强化缺陷区域特征。特征金字塔网络融合低层高分辨率与高层高语义特征，经自底向上构建金字塔、自顶向上上采样及横向连接，平衡多尺度缺陷信息。锚框尺寸基于数据集标注长宽比统计，选取适配比例与尺度，匹配真实缺陷尺寸，提升建议候选框质量[2]。

2.3 自动化检测系统架构实现

自动化检测系统功能模块涵盖图像操作、图像处理、缺陷检测及文件管理，图像操作支持放缩、翻转、旋转和像素定位，图像处理包含负片显示、平滑处理、伽马校正与亮度调节，缺陷检测实现一键式识别并通过图像标注和列表展示结果，文件管理负责图像导入、结果保存及检测日志增删改查。系统采用 PyQt 搭建图形界面，通过信号与槽机制连接前端操作与后端深度学习模型，实现图像输入、参数传递及结果返回的实时交互。数据库设计包含检测结果表与缺陷信息表，分别存储检测记录 ID、图像、日期及缺陷类别、位置、置信度等信息，形成一对多关联。核心流程为图像经预处理后输入模型，通过优化的级联 Mask R-CNN 推理得到缺陷信息，最终以标注图像和列表形式可视化展示[3]。

3 基于深度学习的焊接缺陷自动化检测系统验证策略

3.1 实验环境与评价指标

实验环境基于实验室服务器设备，搭载六块 Intel Xeon Gold - 6142 型号 CPU（16 核心，2.60GHz），64GB运行内存，NVIDIA GeForce RTX3090 显卡（24GB 显存），操作系统为 ubuntu 20.04，基于 Anaconda 搭建环境，采用 Python 3.7，配置 CUDA 11.1 与 CUDNN 8.0.5，深度学习模型基于 PyTorch 框架搭建，辅以 OpenCV、Matplotlib、PIL 等工具库。评价指标包括精确率（TP 与 TP 加 FP 的比值）、召回率（TP 与 TP 加 FN 的比值），平均精度（AP）为某类缺陷召回率从0 到 1 对应的精确率积分，平均精度均值（mAP）为所有缺陷类型 AP 的平均值，判定正例的标准为网络预测区域与真实标注区域的 IoU 值大于 0.5，针对小目标缺陷的检测精度通过对比圆缺、裂纹等类型的 AP 值评估模型性能。

3.2 模型性能验证实验

模型性能验证实验选取 Faster R-CNN、Mask R-CNN、级联 Mask R-CNN 与改进的级联 Mask R-CNN，在相同数据集上通过 mAP（IoU=0.5）指标比较性能。数据增强方法对比涵盖无增强、随机亮度及对比度调整、高斯模糊、围绕 X/Y 轴翻转、翻转与基于 crop-paste 组合策略，测试不同策略对 mAP 的影响。特征提取网络对比 ResNeXt-101 与 Swin Transformer，在参数量和计算量接近情况下，分析两类网络对各类缺陷 AP 的影响及整体 mAP 差异。小目标检测精度提升专项验证针对圆缺、裂纹等小尺寸缺陷，通过对比改进模型与其他模型的 AP 值，分析改进策略对该类缺陷检测精度的优化效果，从而全面验证改进模型在不同维度的性能表现[4]。

3.3 系统功能与实用性验证

系统功能与实用性验证从功能模块、可视化效果、稳定性及工业适用性多维度展开。功能模块测试针对图像操作与处理功能，通过预设用例验证放缩、翻转、旋转、像素定位等操作的准确性，及负片显示、平滑处理、伽马校正、亮度调节的效果，结果显示操作后图像特征保留完整，处理效果符合预期。检测结果可视化效果评估中，图像标注清晰呈现缺陷编号、位置、类别及置信率，列表同步展示缺陷坐标等信息，两者均能直观反映检测结果。系统稳定性测试通过多批次图像检测，统计耗时波动范围与误差值，结果显示耗时稳定，误差控制在可接受范围。工业场景适用性分析将系统检测结果与人工评片对比，验证在缺陷识别、分类及定位上的一致性，结果表明系统能有效减少误评与漏评，提升检测效率，符合工业检测需求 。

4 结语

综上所述，在构建包含圆缺、条缺、裂纹、未焊透、未熔合五类缺陷的数据集过程中，通过翻转与 crop-paste组合数据增强方法扩充数据，有助于提升模型泛化能力。基于级联 Mask R-CNN 改进的检测模型，引入可变形卷积、高效注意力模块、特征金字塔网络及自适应锚框设计，有效提升了检测精度，尤其改善了小目标缺陷的识别效果。开发的自动化检测系统集成图像操作、处理、缺陷检测及文件管理功能，经验证可辅助无损检测工作，减少误评与漏评。未来可进一步扩展数据集规模与多样性，探索更适配的检测模型；优化注意力机制应用，提升特征提取效率；引入持续学习方法，增强模型对新缺陷类型的适应能力，推动系统在工业场景的深度应用。

参考文献：

]原洪帅. 基于深度学习的路面缺陷检测系统设计与实现[D]. 内蒙古科技大学， 2025.

[2]许义龙. 基于深度学习的身管内壁缺陷检测系统设计与实现[D]. 电子科技大学， 2025.

[3]卞国勇， 胥勇， 卞玉娟， 等. 基于深度学习的平版印刷印版缺陷检测系统的设计与实现[J]. 南京工程学院学报（自然科学版）， 2025， 23 （01）： 77-82.

[4]付诚文. 基于深度学习的底火压药缺陷检测系统设计与实现[D]. 西安石油大学， 2024.

[5]李明轩. 基于深度学习的药品识别与缺陷检测系统设计与实现[D]. 南京理工大学， 2024.