陶质衬垫焊作为一种焊接的重要方式被广泛应用于桥梁、建筑、船舶等领域的大型焊接件中。陶质衬垫是陶质衬垫焊技术的重要材料,它在生产制造过程中可能会产生缺角、凹坑、污渍和裂纹等缺陷,传统缺陷检测方法一般是人工目测,人工目测耗费大量成本且检测效率较低。因此,研究出自动化、高效的陶质衬垫缺陷检测方法对企业生产有重要意义。近年来,深度学习领域发展迅猛,在工业领域的成就越来越显著。为提高陶质衬垫生产线自动化程度,降低生产成本,本文根据陶质衬垫缺陷检测任务特性提出一种基于深度学习的陶质衬垫缺陷检测的方法。本文主要工作和成果如下:(1)陶质衬垫缺陷检测系统框架设计。根据陶质衬垫生产线情况分析检测需求,针对需求提出检测系统设计框架。(2)构建数据集,并预处理。利用工业CCD相机采集陶质衬垫样本,样本经过数据清洗、图像增强等预处理后进行标注,获得陶质衬垫数据集。(3)陶质衬垫的目标分割。首先,将陶质衬垫目标从背景中分离,再对目标进行缺陷检测。利用U-Net卷积神经网络完成对陶质衬垫的目标分割任务,测试得到,U-Net分割准确率为95.63%,召回率为96.82%,IoU为92.43%,表明U-Net对于光照和实验环境等因素有较好的抗干扰性,陶质衬垫目标像素分割完整。(4)陶质衬垫的缺陷检测。首先,采用实时检测效率优秀的Yolo-v3卷积神经网络作为模型基础进行缺陷目标检测,通过研究Yolo-v3算法,提出对Yolo-v3算法的改进,增强算法对陶质衬垫凹坑、缺角等小目标缺陷的敏感程度,最终得到改进后的Yolo-v3缺陷检测模型。经过实验验证,得到该模型mAP为90.84%,检测速度为34ms/张,表明该方法不仅对污渍、裂纹类较明显缺陷有较好的检测效果,对缺角、凹坑类小目标缺陷也有较强的检出能力。最后对整体缺陷检测系统的性能进行了测试和评估,得到检测准确率达到92.4%,平均检测时间达到52ms/张,基本能满足实际应用需求。本文提出将两个卷积神经网络相结合的方法实现对陶质衬垫目标的精确分割和缺陷的准确检测,实验结果表明,该方法可作为陶质衬垫缺陷检测的工业部署的有效新思路。