近年来,先进制造业与信息技术的深度融合促进企业的数智化转型,国内工业化程度及智能制造水平迈上新台阶。当前,磨抛行业正逐渐摒弃传统手工打磨方式,辅以基于视觉技术定位的机器人向自动化作业迈进,但实际车间中恶劣的钻铣研磨环境易干扰计算机视觉系统或工业应用设备,如空气中悬浮聚集的金属粉尘及光照不均等导致焊缝成像质量降低,焊缝目标轮廓及与背景母材分界不清晰,致使检测精度及速率仍难以满足工业需求。为助力焊缝磨抛行业由自动化向智能化转变,结合实际工况特点优化神经网络模型结构,提升焊缝目标检测模型精度、速率及鲁棒性,同时提高其迁移应用及部署能力已成为研究热点。本课题针对工业粉尘环境下焊缝目标的自动检测及分割任务,提出构建高精度的焊缝目标一体化识别、定位及分割算法体系。论文的主要研究内容如下:1、以降质焊缝图像为研究对象,基于图像退化物理模型及传统暗原色先验理论探究图像复原原理;优化图像复原算法以改善复原图像轮廓偏暗失真及模糊的问题,获取可视性强的清晰焊缝图像。2、阐述基于深度学习的主流图像分割算法的基础理论及逻辑关系,分析Mask R-CNN及YOLACT两种实例分割算法的实现原理及网络结构;基于两种实例分割算法验证焊缝目标检测效果并对各自优缺点进行对比评价。3、基于传统图像数据增强方式及生成对抗网络实现焊缝样本的扩充;引入K-means聚类算法优化Mask R-CNN网络锚框生成机制及RPN层,以Soft-NMS改进网络检测框选择模块;多组对照实验表明焊缝识别精确率达到93.8%的同时,检测速率提升至0.341张/s,模型鲁棒性较好。4、在Windows环境下基于Py Qt5设计并开发图形用户界面,打包成可独立于深度学习环境之外的可执行程序,软件可针对系统摄像头、本地视频或图片实现改进算法的初步应用;自建焊缝检测平台并实验验证软件各功能模块及检测效果,检测人员可迅速便捷地获取焊缝检测可视化结果。