随着现代制造业中智能化技术的发展和普及,对焊接领域的技术要求也越来越高,焊接自动化、柔性化、智能化的发展已经成为必然趋势。焊接质量的好坏决定了焊接产品的可靠性和安全性,因此对焊缝质量进行在线检测是保证焊接质量的重要手段,也是实现高精度、高效率智能焊接的必经之路。本文针对镀锌钢熔化极气体保护焊的质量问题进行研究,提出采用视觉传感器结合线结构光搭建自动焊接平台,实现焊缝图像采集与处理,然后基于深度学习的目标检测算法完成焊缝缺陷检测,对焊缝缺陷在线监测提供理论指导和技术参考。首先,根据焊接工作环境设计了一个基于视觉传感辅助的GMAW焊接质量监测系统平台,包括自动焊接系统和机器视觉系统两部分,然后根据检测需求对相机和结构光参数进行标定,精度满足实际需求。通过分析焊缝原始图像特点,提出采用高斯滤波结合Gabor滤波算法,能够有效去除弧光、飞溅等干扰因素,接下来使用Otsu阈值分割、改进的几何中心法提取焊缝中心线,结果要优于其他中心线提取算法,然后选择Douglas-Puke算法完成对焊缝特征点的识别,并且得到焊缝几何尺寸和三维重建结果。其次通过分析不同焊缝类型的特征点信息,相互组合成8个焊缝缺陷特征向量,并输入到不同的机器学习算法模型,实验发现基于可变动量学习率的BP神经网络模型在性能上超过逻辑回归、决策树和支持向量机算法。最后分析传统机器学习算法的不足,基于深度学习理论,通过数据增强建立基于回归方法的目标检测算法YOLO-v5,通过主干特征提取网络、空间金字塔池化、特征金字塔和路径聚合网络,YOLO-v5模型平均精度均值m AP达到97.92%,且单张焊缝缺陷原图的检测识别的平均运行时间在200 ms以内,保证焊缝质量在线监测的实时性。为了实现焊缝缺陷的自动监测,进行GMAW焊接质量监测系统软件开发。以Qt软件为开发平台,采用C++语言进行程序开发,通过调用Open CV图像函数动态链接库,从而实现镀锌钢GMAW焊缝质量在线监测系统,最后验证实际场景中GMAW焊接质量监测系统的可靠性和稳定性,提高了用户工作效率。