电阻点焊作为一种高效、简洁的焊接工艺,被广泛应用于自动化生产线,其焊接质量很大程度上影响了产品整体质量。电阻点焊处于高温、挤压的工艺环境中,易于产生虚焊、飞溅等缺陷。无损检测是一种重要的质量检测手段,针对电阻点焊开展的无损检测研究包括本征信号检测、射线检测、超声检测、涡流漏磁检测和外观检测。但是在检测成本、稳定性等方面还存在着不足,无法完全适应工业流水线的在线检测。本文研究了基于机器视觉的点焊检测方法,重点研究了视觉检测中的图像分割问题,将基于深度学习的语义分割应用于工业图像处理,取得了良好的效果,具体的工作内容包括:1.基于机器视觉搭建了软硬件结合的图像获取系统,实现了图像的自动获取及处理,并设计了图像的预处理流程,得到了稳定的感兴趣区域（ROI）。2.对图像分割的方法进行了比较研究,从分割精确度和运行时间两个指标分析了各类方法对工业在线检测的适用性。基于经典方法,实现了对点焊图像的分割,在图像中5个前景类别上得到了 61.91%的MIOU（均交并比）。3.研究了基于深度学习的语义分割方法,分析了编码器和解码器的效果,基于实验确定了超参数。针对类别不平衡问题,研究了缩放、调Gamma值、调色调等数据增强方法,提出了权值均衡的损失函数,提高了 1.3%的MIOU,缓解了类别不平衡问题。4.研究了基于决策树的分类器,根据专家知识设计了树结构及各节点的决策阈值,对从分割结果中提取的特征进行分类。语义分割法相比于经典法,平均提高了 5.85%的分类准确率。而在边缘等级图像所构成的数据集上,语义分割法提高了 26.10%的准确率。最终基于语义分割的图像获取系统达到了平均99.46%的质量检测准确率。在随机抽样的图像中,距离特征的绝对误差不超过10像素。图像分割平均耗时234.54毫秒,分类器平均耗时43.24毫秒,满足了电阻点焊在线自动检测的要求。