目前,焊缝质量的检测主要是通过人工来实现完成的,这种方法不但成本高、所需时间长、效率低、主观性强,而且单纯依靠工人进行焊缝质量的检测已经无法满足现代化焊接技术的要求。机器视觉作为一种非接触性测量方式,具有灵敏度高、测量精度高等特点,因此在工业检测中得到了广泛应用。本文将机器视觉技术应用到焊缝质量检测中来,对焊缝成形几何尺寸进行测量的同时对管板焊焊缝表面存在的缺陷进行识别和分类。针对表征焊缝成形尺寸的结构光图像的中心线提取,提出了一种将Hessian矩阵法和质心法相结合的提取方法。首先采用Hessian矩阵法来计算结构光条纹的法线方向,在法线方向上求取灰度分布的极值点来初步确定中心点。之后采用基于灰度值平方加权的质心法来实现对结构光中心线的进一步提取,获得中心线后对其中的突变点进行剔除,最后对剔除的中心点利用相邻中心点进行线性插值进行填补,使得最终获得的中心线连通性较好。对比各个中心线提取法,此方法得到的结构光中心线精度高、耗时少而且稳定性比较高。对于结构光图像的特征点提取,提出了采用RANSAC算法对结构光进行拟合。相较于最小二乘法对于干扰点敏感,利用此方法得到的直线抗干扰能力强且准确率高,同时针对拟合时间长的问题提出了对原始数据集进行减半操作,在保证精度的同时大大提高了拟合速度。对于特征点的提取,先检测其中的极值点实现粗定位,再采用基于移动向量距离和的方法来实现特征点的细定位。通过对管板焊焊缝表面存在的典型缺陷进行分析得到了其特有的特点,然后首次使用机器视觉检测管板焊焊缝表面缺陷。针对管板焊缺陷的图像分割问题,提出了一种基于灰度-梯度激励强度共生矩阵的加权二维Renyi熵算法。针对传统的二维熵没有考虑边缘和噪声点的影响因此获得的分割结果对噪声点比较敏感的问题,本文提出了一种基于灰度-梯度激励强度共生矩阵的二维Renyi熵算法,此矩阵充分考虑了像素邻域梯度的主方向以及梯度强度,并采用一种新的二维熵划分方式来对矩阵进行分区,对噪声点比较鲁棒。同时为了将图像目标分割的更加准确,提出了一种将局部熵和联合熵进行加权的Renyi熵算法,在管板焊焊缝表面缺陷的分割方面取得了很好的效果。针对管板焊焊缝缺陷的分类识别,计算每个缺陷的几何特征和形状特征参数,本文针对管板焊焊缝缺陷开发出了一个特有的图像获取方式特征参数,并从这些特征中选择出能识别每种缺陷的有效特征。对于缺陷分类,首先尝试了一些传统的分类方法,比如决策树、BP神经网络以及将二者串联集成的多分类器方法。针对传统分类方法识别率低的缺点,设计了一种基于蝙蝠算法的二叉树SVM分类算法。对于焊缝表面多种缺陷分类任务,从支持向量机SVM的多分类算法的角度入手,建立了基于二叉树结构的SVM分类器。对于节点中的每个SVM分类器的参数优化,提出一种基于蝙蝠算法的优化算法,将速度权重引入到蝙蝠飞行速度中来,使得每个个体根据自己的适应度来自适应的调节飞行速度,并通过扩大频率范围,提高蝙蝠算法的全局搜索能力。基于蝙蝠算法的二叉树SVM分类算法在管板焊焊缝表面缺陷分类方面获得了较高的识别率。最后,针对管板焊焊缝缺陷的识别,本文开发出了一种基于深度卷积神经网络的焊缝表面缺陷识别的算法。为了训练出分类性能好且鲁棒的网络模型,对缺陷数据库Welding Defect Dataset进行扩展操作。针对管板焊焊缝表面缺陷分类提出了一种包含10层的改进的Le Net-5模型。此模型在池化层采用最大值法取代了之前的求和平均法,使得网络可以对图像的特征进一步的突出;每层的激活函数变为Re LU函数,可以实现对神经元进行抑制和激活,最大程度的保留数据的有用特征,加快了训练的收敛速度,解决了“梯度消失”的问题。通过对模型的训练,实现了对管板焊焊缝表面缺陷的准确分类和识别,实验结果表明本文提出的改进的Le Net-5模型应用到焊缝表面缺陷的识别和分类中有较好的表现,正确率高达96.34%。