唐茂俊，黄海松，张松松，范青松

(贵州大学现代制造技术教育部重点实验室，贵阳 550025)

0 引言

随着我国工业化程度的不断提高，焊接技术[1]广泛应用于船舶运输、石油产业、国防科工和装备制造等各个关键领域。焊缝表面成形是评判焊接质量的重要指标，在焊接时，焊接部件受生产设备和生产工艺的影响可能会出现咬边、烧穿、弧坑、成型不良等缺陷[2]。为了保证焊接件产品质量，需对焊缝进行高效、精准的缺陷检测。在焊缝表面缺陷检测中，最原始的检测方法是人工检测，但是由于检测效率低，难以满足现代化生产需求。为此人们采用无损检测技术，实现焊缝表面缺陷的检测[3]。

在深度学习领域，焦敬品等[4]优选出 8 种表征缺陷的参数，并将BP神经网络应用到焊缝缺陷的自动识别中；谷静等[5]改进模型生成网络，优化锚点长宽比来改进Faster-RCNN，对于小目标取得较好的检测精度；李尚仁等[6]通过改进的Grab Cut算法解决了背景分割难题，实现了焊缝下榻缺陷的快速检测；王婧[7]使用了改进后的径向基函数神经网络，实现对直线型与T字型焊缝缺陷类型的识别；顾超越等[8]提出了改进 Faster-RCNN 算法对无人机巡检架空线路销钉进行缺陷检测。但是，采用深度学习方法对焊缝缺陷检测仍面对精度低下，速度缓慢等问题。

本文针对上述问题提出改进Faster-RCNN检测模型，利用K-means算法优化锚框来提高目标框定位准确性，引入FPN多尺度检测增加强空间信息与强语义信息，提高精度，引入DCR解耦分类细化结构进行分类细化以提高精度。……