近年来,随着工业领域技术的高速发展,无损探伤技术作为焊接产品质量检测的一种重要手段,被广泛的应用在军事、车辆、航天、建筑、医疗等高新技术领域,技术设备由最初的电子管式超声波探伤仪发展为当今数字化实时成像的计算机。在工业焊接领域,X射线检测技术作为一种常用的无损探伤方法,可以有效的获取元件内部的胶片图像,并通过人工肉眼评测的方式,对焊缝缺陷进行检测和质量评估。这种人工检测的方式费时费力,而且准确率不够稳定,极为依靠检测人员的专业性和经验,人工成本较高。因此,研究一种针对焊缝图像的智能缺陷检测方案可以有效的辅助检测人员的工作,提高检测效率,具有重要的实际意义。本文的研究内容主要分为以下几个方面。首先,根据焊缝图像的特点,本文对图像预处理和神经网络的技术进行了深入的调研和实验。在改善图像质量方面,采用了限制对比度自适应直方图均衡化的方法进行图像的增强,以及中值滤波的方法降低图像的噪声。其次,在有效区域提取方面,采用了滤波去噪、阈值分割、形态学处理、轮廓提取、矩形框外接的方法去除了成像两侧的干扰信息。最后,在目标检测方面,本文采用Faster RCNN和YOLO v3这两种经典的深度学习目标检测模型在焊接图像数据集上实验,并对实验结果进行了分析和比较,最终得到了一个精度、检测速度均符合要求的神经网络模型。根据以上研究内容,本文最终实现了一个基于X射线图像的焊缝缺陷智能检测系统,包含图像区域提取、图像处理、智能缺陷检测、结果评估等多方位一体化功能,辅助研究人员的探伤工作,提高检测的精度和效率。