林业汽车起重机吊臂是林区起重机械的重要组成部分,林业起重机通过吊臂顶端的滑轮组合吊起原木、原竹、生漆、天然树脂等重物。不同的吊臂结构和技术使得起重机的性能和效率也有所不同。而吊臂的焊缝对其结构与性能有着重要的影响,良好的焊缝结构能够使起重机的工作更安全、寿命更长。因此随着起重机工作年限的增加,有必要对吊臂的焊缝进行缺陷检测,而射线图像检测技术是对焊缝进行无损检测的重要方法。射线检测有着成像快、定位准确、成本低的特点,是非常适用于对焊缝缺陷进行检测的方法。本文通过对射线原理以及焊缝缺陷图像检测等相关内容进行研究,详细阐述了对于焊缝射线图像的检测过程。文章的主体分为四个部分:预处理、射线图像重复性检测、焊缝区域分割、焊缝缺陷检测。其主要内容如下:（1）通过对已有的GDXray图像库进行整理,将其中的图像与作者实地拍摄的图像所结合,构建出一个全新的、种类更丰富的射线图像库。根据数据库中焊缝射线图像的提点,对图像进行预处理操作,其预处理流程为:灰度化、图像去噪、图像增强。预处理的目的在于提升图像质量,去除图像中的无关因子,为后续的检测环节奠定基础。（2）对文章所用的焊缝图像库进行重复性检测,检测并排除掉图像库中复制、编号篡改、重复拍摄这三种类型的重复图像。在这一环节,使用了 SVM算法与哈希算法进行检测。其中在SVM算法系统中,图像将会转化成支持向量分布在SVM空间的超平面两侧,然后通过HOG算子提取出图像的特征,最后在fitcecoc训练模型中完成对重复图像的分类。通过与哈希算法的检测进行对比发现,SVM算法有着更准确的检测效果,其综合准确率达到了 95%。（3）对图像的焊缝区域进行提取。为了提取出目标焊缝区域,文章使用了多种图像分割算法对焊缝区域进行提取,如:Roberts算法、Canny算法、Sobel算法,阈值提取法等,分析比较了每种算法的性能,最后选择阈值法作为文章的焊缝区域提取方法。（4）对焊缝图像进行缺陷检测。在这一部分使用了深度学习原理,通过神经网络模型对缺陷进行智能检测。选用了 Faster-RCNN神经网络模型作为框架,对焊缝缺陷进行检测。在这一章节详细介绍了 Faster-RCNN的模型结构以及原理。相比于传统的缺陷检测方法,Faster-RCNN神经网络检测有着更智能、检测更准确的特点,通过模型的训练结果发现,该方法对于缺陷检测的平均准确率达到了77.39%,能够有效检测出缺陷。并且通过对模型参数进行优化,该方案的准确率有了进一步的提升,最终的平均准确率达到了 80.60%。实验证明,文章所用的算法能够满足实际应用中的需要。