焊接是金属永久性连接最有效、最经济的方法。几乎所有的金属产品,从简单的日常必需品到复杂的设备,大都是通过焊接制造的。然而,在制造金属构件的过程中,由于焊接环境和工艺的影响,焊接经常会产生裂纹等缺陷而影响焊接产品的质量,极大地影响了结构的性能。因此,有必要对金属构件的成形焊缝进行缺陷检测。在传统的焊缝缺陷检测中,主要依靠人工目视检测,要求检验人员积累多年的经验来判断焊缝缺陷的有无、位置等,无法保证检测精度,更不能满足现代化生产要求。机器视觉是一种非接触检测方法,具有无损、高灵敏度、高检测精度等特点,在缺陷检测领域得到了广泛的应用。本文在机器视觉的基础上结合深度学习技术对金属构件的焊缝缺陷检测进行了研究,研究主要内容如下:(1)采用三维激光线扫方式获取焊接部位三维点云模型,然后分别垂直于焊缝两边的平面及45°方向三个角度,通过三维转二维的方式将焊缝更好地在呈现在深度图上。(2)对图像进行预处理,包括图像填充、图像降噪、图像增强,针对样本数据不够充足的问题,采用循环一致性生成对抗网络对样本数据进行了扩充。(3)在焊缝缺陷检测部分,分别设计了基于特征和基于MNet的Deeplab-V3模型的深度学习焊缝缺陷检测方法,对检测效果进行了展示及校验。并采用AHP和FCE系统评价方法对提出的两种焊缝缺陷检测方法进行了评价,得出基于深度学习的焊缝缺陷检测方法在检测效果上更好。(4)开发了焊缝缺陷检测系统,采用典型企业实例数据进行测试与分析,证明了基于深度学习的焊缝缺陷检测模型的可行性和有效性。本课题的创新点是采用三维激光线扫方式获取焊接部位三维点云模型,通过三维转二维的方式将焊缝缺陷更好地呈现出来,然后采用循环一致性生成对抗网络对焊缝样本进行了扩充,接着分别设计并实现了基于特征和基于深度学习的焊缝缺陷检测算法,并对两个方案进行了系统评价得出基于深度学习的焊缝缺陷检测算法具有更好的检测效果,并开发了焊缝缺陷检测系统,将之应用于典型企业证明了检测方法的有效性和可行性。