利用发展迅速的计算机视觉传感技术提取焊接过程中的焊缝图像,然后通过数字图像处理的方式获取激光条纹信息,最终实现焊缝缺陷的在线控制已经成为现代焊接自动化领域的一个重要的研究方向。本文通过分析典型的MIG焊接原理和镀锌钢板的焊缝成形问题,设计了超声辅助MIG焊焊接系统。根据镀锌钢板焊缝典型缺陷的经验知识,改变电流、电压和焊接速度进行大量焊接试验。通过CCD相机获取大量且具有足够多样性的良好焊缝、咬边、气孔和烧穿激光条纹图像,它们被标签为0、1、2、3。卷积神经网络的性能与其结构、超参数及输入图像的质量相关。经过反复尝试确定了合适的滤波、边缘检测、ROI提取和数据增强等图像预处理算法。利用Label Me软件对图像类别标注,在Tensorflow深度学习框架上搭建不同结构的卷积神经网络,应用深度学习的方法对采集的原始图像和经过预处理后的图像分别进行了评估。在原始图像集上VGG16的准确率为89.17%,低于AlexNet的95.83%。数据增强使得各个网络结构在训练-验证集上的收敛率和收敛速度提高,在测试集上的准确率也得到相应提升,避免了过拟合。VGG16的迁移学习过程发现,直接的冻结迁移学习能取得良好的效果。另外,引入注意力机制不仅能缩短训练时间,而且在测试集上取得的准确率达到98.33%,优于从零训练。运用Two-stage方式的FPN改进模型具有更客观的综合性能,该类模型能够自动生成候选框,在不同交并比设置下获得不同的识别率。对比发现基于基础网络VGG16的FPN改进算法的性能低于基于基础网络Res Net101。对图像进行边缘检测将显著提高模型准确率,添加模糊则使得模型准确率略微下降。自主开发的软件检测系统能用于图像预处理和缺陷识别。模型的检测与实际焊缝具有极好的一致性,可以反映缺陷的类型及位置。实验结果证明这项研究提出的结合卷积神经网络和主动视觉传感技术的方法可实现超声辅助MIG焊焊缝缺陷监测,具有良好的可行性和优越性。