蒋美仙，郑碧佩，郑佳美，吴光华，周 健

(浙江工业大学 机械工程学院，浙江 杭州 310023)

制造金属构件时，受焊接环境和工艺的影响，焊接处常常会产生裂纹等缺陷。传统焊缝缺陷检测依靠人工目视检测，存在许多弊端，如要求检测人员具有足够丰富的经验，检测人员重复相同工作易产生视觉疲劳无法保证检测精度等，更不能满足现代化生产要求。半自动化检测系统需要进行大量标注工作，由工人对焊缝缺陷的特征进行设计，容易受现场检测环境、图像背景纹理等因素的干扰，造成误检和漏检问题。近年来随着深度学习的发展，基于深度学习的焊缝缺陷检测的相关研究已经取得了一定的成效。Allende等[1]采用一种以特征选择算法和人工神经网络为基础的在线焊缝质量监测处理技术，利用SFFS算法实现维数减小，对焊缝缺陷运用PCA算法进行检测识别，打破了基于特征的焊缝缺陷检测的局限。Yuan等[2]提出一种改进的产品表面缺陷检测方法，实验结果表明该方法在各种表面缺陷检测中是有效的，与其他阈值分割法如最大熵法、价重法、奥图法和修正的价重法相比，该方法展示了更好的分割结果。Huang等[3]提出了一种基于深度学习的全卷积网络提取特征缺陷并进行语义分割的图像识别算法。

通过查阅文献可知：焊缝缺陷检测研究大多遵循图像分割、特征提取和缺陷分类等3个步骤。目前大多数基于深度学习的检测方法使用的数据集都是基于数据研究，在图像数据标注等环节需要人工参与，还未达到完全自动化，焊缝缺陷检测领域还有广阔的研究空间。……