焊缝打磨是焊接铸件产品必不可少的一道工序,经过打磨的焊缝不仅更加美观、耐用,而且具有更好的受力效果。然而焊缝打磨车间往往充斥着强光和粉尘,在这种环境下进行长时间作业将会对工人的心肺健康造成极大的影响。因此自动化焊缝打磨有着极高的工业价值。焊缝检测是实现焊缝打磨自动化的首要任务。基于机器视觉的检测方式是目前主流的目标检测方式,通过使用图像处理算法或深度学习等手段对摄像头采集的焊缝图像进行特征提取,并根据获取的特征信息进行检测,检测速度快、效率高,能够脱离人工干预自主运行。因此,本文选择基于深度学习的视觉检测方法对焊缝检测进行研究。本文针对YOLO v3算法对密集分布的焊缝检测效果差,漏检率高的问题,提出了两种改进方法。使用特征提取能力更强、利用率更高、推理速度快的DenseNet网络,替换Darknet-53网络,进行特征提取。在Darknet-53的残差模块中添加注意力机制,并使用深度可分离卷积来加速网络计算。针对YOLO v3边界回归误差较大的情况,使用CIoU对YOLO损失计算时的距离度量方式进行改进。针对YOLO v3中正负样本比例不均衡的问题,使用Focal Loss对YOLO v3的分类损失函数进行改进。为验证两种改进方法的检测效果,使用自建的焊缝数据集进行实验,并与原始YOLO v3算法进行检测效果对比。实验结果证明,两种改进方式使算法的检测效果得到了不同程度的提高。其中,基于深度可分离卷积和注意力机制的改进方法准确率提高了 3.3%,基于DenseNet的改进方法准确率提高了 3.9%。