现代工程发展要求焊缝表面质量检测技术快速可靠、成本低廉,本文主要研究基于图像处理的焊缝表面缺陷智能检测技术,通过边缘提取、焊缝定位、特征提取、神经网络分类等方法实现焊缝表面缺陷的准确检测与分类。关键技术包括:首先,改进Canny边缘提取算法实现焊缝识别与定位。针对Canny算法存在的问题,用K-近邻均值滤波代替Gauss滤波,基于Scharr算子构建新的梯度模板计算图像梯度;在非极大值抑制之后,对梯度图使用带抑制因子的Otsu算法,使自适应选取的阈值更加合理,边缘定位精度增加。实验结果表明,该算法可有效应用于焊缝的识别与定位。其次,综合焊缝图像的纹理特征与形状特征,建立新的焊缝表面质量特征向量,进而实现焊缝表面缺陷的BP网络识别分类。对比焊瘤、烧穿、未焊满、表面气孔、正常等5种焊缝表面状态的图像特征,为降低噪声影响,分别提取焊缝表面图像对比度、相关性、能量、熵、同质性等5种纹理特征,面积、周长、圆形度、最小外接矩阵长宽比等4种形状特征,构建焊缝表面图像特征向量;利用BP神经网络的强学习能力实现焊缝表面缺陷的分类。实验结果表明,所用方法可以有效识别焊缝表面缺陷,测试样本的准确率达到93.4%。第三,针对图像噪声干扰复杂、样本量大等导致图像特征向量提取困难的情况,引入卷积神经网络自适应特征提取和大数据样本处理能力强的优点,使用AlexNet卷积模型对图像增强后的焊缝表面缺陷图像数据集进行训练,提取图片的深层抽象特征。为验证识别结果,从准确率与损失率两个角度计算性能指标评价分类结果,可得针对论文中焊缝样本,卷积神经网络识别率较高,稳定保持在95.2%±1%。最后,设计焊缝表面图像特征提取与缺陷识别软件系统,嵌入两类识别方法供不同情况选择使用。系统主要包括图像输入、定位及缺陷识别、结果输出等三个模块,该平台的建立实现了焊缝检测过程可视化,同时实现图像采集、导入与存储。调试结果说明所设计的软件系统简单有效、可操作性强。