近年来,随着计算机并行计算能力飞速提升,深度学习成为新时代智能产业关键技术,在图像分类,人脸识别,安防监控,语音文字识别行业成效显著,到达商用程度。工业火花塞作为汽车发动机点火系统的关键,它的检测尤为重要。目标检测算法有很多种,其中结合深度学习的目标检测算法有两种,一种是综合区域建议以及特征提取两步骤算法,另一种是只有分类回归算法。火花塞缺陷分为焊缝和焊缺。目标小,形态不一,数据繁杂。传统火花塞缺陷检测靠人工检测比重很大,检测任务繁重,肉眼不容易发现,人为经验检测造成检测误差很大,而且没有统一标准。用SVM支持向量机,随机森林等技术建模难度大,检测准确率低下,漏检误检率高,检测速度慢不适合在小目标多形态目标检测中。针对上述检测难度,本文对火花塞图像进行仔细研究,结合深度学习的卷积神经网络,提出了一种基于Faster R-CNN(快速区域卷积神经网络)综合区域建议和特征提取的目标检测方法火花塞图像进行缺陷检测。针对火花塞焊缺图像,利用图像旋转方法对数据集增强,用卷积神经网络对焊缝区域精确定位并提取,并记录火花塞图像中焊缺的位置。针对火花塞焊缝图像,利用横移方法对数据扩充,之后利用LabImg软件对火花塞原始图像进行标注,搭建好神经网络训练平台后,使用卷积神经网络对焊缝区域精确定位并提取,提取结果分离出焊缝小区域,采用用图论方法将焊缝与其他区域分离开来,利用迭代阈值提取出焊缝,之后通过细化直线,火花塞焊缝是竖直线,经过像素与距离转化,计算出其高度。本文工业X射线焊缝缺陷检测准确率为93.7%,误判漏判率低,有效缩短检测时间,给出焊缝长度范围,提高工业检测效率。