超声无损检测方法具有检测灵敏度高,缺陷定位准确,对人体无害等优点,在焊接检测工业领域获得了广泛应用。焊缝作为承载结构的薄弱区域,焊缝中若存在缺陷会危害到结构可靠性,因此有效检测和识别焊缝缺陷有着重要的理论和实际价值。目前,焊缝缺陷检测仍然以人工检测识别为主,其结果受检测人员的专业水平和专注态度影响较大,检测效率较低。在工业自动化、信息化和智能化的要求下,依据机器学习理论来自动识别焊缝中缺陷变得尤为重要。传统超声检测焊缝缺陷的识别都是基于缺陷回波信号,随着超声相控阵和C扫描等成像检测技术的出现和应用,如何在超声图像的基础上识别焊缝缺陷显得尤为重要。本文利用基于卷积神经网络的深度学习算法,依靠YOLOv3网络结构模型,通过对碳钢对接焊缝C扫描图像进行训练,建立了超声C扫图像自动识别模型,使其具备C扫图像中焊缝缺陷自动识别和定位能力。通过分析训练次数对识别准确率的影响来获得最优检测模型,进一步,通过缺陷框选和位置输出实现超声无损检测中的初步缺陷量化和定位。利用70张C扫描图像训练模型,独显PC机上3000个训练轮数后模型损失值可达0.05,训练用时约90分钟,利用38张C扫描图像验证集进行检测,所建模型的缺陷识别准确率为91.01%,单张C扫描图像检测时间仅为0.046秒,代表缺陷大小和位置的量化指标(交并比)达到88.46%。综上可见,所构建检测模型具有训练速度快、检测效率高和识别率良好等优势,在实际超声无损检测中具有较好应用前景。