焊缝缺陷检测是保证焊接质量的重要环节,随着工业的高速发展和迫切需求,基于计算机图像处理与识别技术的焊缝缺陷自动检测问题得到了广泛的研究。其中,X射线检测由于具有成像速度快,利于实时检测,成本较低等优点而一直受到人们的极大关注。但是由于成像方式,以及铸件材质等客观因素的影响,X射线图像存在噪声多、对比度低、背景亮度不均匀、焊缝边缘模糊等问题,这些使得利用计算机进行焊缝缺陷自动检测的准确率不太理想。焊缝缺陷自动检测是计算机图像处理与识别领域中一个极具挑战的课题,它融合了信号处理、图像处理与分析、模式识别、计算机视觉等多个领域的前沿技术,具有巨大的生产应用价值,目前还没有一个比较成熟的检测方法。本论文首先分析了国内外焊缝缺陷自动检测的研究现状,指出当前焊缝缺陷自动检测所存在的困难以及相关的图像处理与识别技术的方法,并提出了一种基于尺度乘积的图像分割和基于稀疏自编码深度神经网络的缺陷分类算法。该算法能在含有较多噪声、对比度低、焊缝边缘模糊的X射线图像中准确提取焊缝边缘并分割出焊缝区域。针对当前焊缝缺陷自动检测领域普遍存在的识别准确率和缺陷图片漏检率之间的矛盾,本文利用深度神经网络强大的分类和识别能力,提出了一对互补的稀疏自编码深度神经网络,使得能够在较低的漏检率下取得较高的准确率,即在实际应用中判断为无缺陷图片的比率更高且无缺陷图片中所含缺陷图片的比率更小,从而将算法推向了可实际应用的水平。本文提出的算法分为两大部分:(1)在焊缝区域分割部分,本算法通过不同尺度对焊缝图像横向灰度曲线进行拟合,并利用两者的尺度乘积检测出焊缝的边缘,从而提取出焊缝区域;(2)在焊缝缺陷的检测与识别部分,本算法提出了基于稀疏自编码深度神经网络的焊缝缺陷识别算法,该算法第一步使用4个稀疏自编码网络对焊缝图像中不同大小不同位置的图像子块进行检测;第二步是使用1个稀疏自编码网络对整个缺陷图像进行检测。通过对5个深度神经网络的分类结果进行分析,从而能够在较低的漏检率下取得较高的准确率。最后,本论文在实际生产过程中所得到的X射线焊缝图片集上进行了实验,实验证明,本文提出的算法超过了其他主流的算法,能够满足工业界的实际应用需求。关键字:焊缝缺陷;缺陷检测;图像分割;稀疏自编码网络;深度学习