随着“中国智造2025”行动纲领的不断推进,我国制造业正朝智能化,信息化方向不断发展。焊接是一种以高温加热的方式接合金属的技术,在我国汽车制造,航空航天装备生产中被广泛应用。因此,焊接质量的好坏将直接影响最终产品的可靠性,进而对人民的生产生活安全造成影响。本文在研究汽车零部件生产的焊接检测中发现其存在以下几项问题:首先是生产过程中产生的缺陷样本数量不足,其次是多种不同类型缺陷之间的数量存在较大差异,最后是同种缺陷内部存在不同形式的缺陷特征。而产线焊接设备的再标定过程将参考质检反馈的结果进行调整,故检测算法需最终能反馈一段时间内生产过程中产生的各种缺陷零部件中数目和出现的频率,进而对生产设备的再标定提供支持。针对以上问题,本文的研究内容主要分为以下几个部分:1)本文结合条件生成对抗网络提出了一种新的数据扩充策略以缓解焊接缺陷数据在三个维度上的不均衡问题。具体过程是在正样本中融入负样本缺陷特征,该特征是经Sobel算子提取边缘后的边缘图,使用GAN对融合后的边缘图进行填充生成新的缺陷样本,实验表明该生成策略对生成扩充样本的具体缺陷形式具有更强的可控性,能更有效的利用已有的特征扩充训练样本提升模型泛化能力。2)本文设计了对边缘图进行融合填充的条件生成对抗网络,该网络能对在正样本中融入了缺陷边缘特征的组合图填充后生成新的缺陷样本。在网络结构上生成器使用空间自适应归一化结构融入生成条件并通过渐进式增长的结构保证生成图像具有更好的细节表现和训练高分率图像的稳定性。3)在检测模型中,本文采用Focal Loss损失函数平衡训练中大量的简单样本对困难样本学习造成的影响。在网络结构上,本文针对焊接检测场景较为固定,焊片尺寸相似无重叠的情况,对模型针对多尺度和多目标重叠的结构做了重新设计,并通过实验证明了改进结构和扩充方法的有效性。