焊缝缺陷识别领域中,主要使用人工查看焊缝透照图的方式进行缺陷鉴别。这种传统的方式不仅低效而且准确率低。现今传统机器学习方法很难对非固定形状或难以移动的焊接成果进行缺陷判定,所以需要一套合适的流程来实现此类焊缝的缺陷检测工作。本文收集了包含13006个焊缝的数字化X射线图像作为卷积神经网络的原始图像。由于样本缺陷类别分布不均,并且原图像信噪比过低,所以使用缺陷位置和非缺陷位置切割的方法进一步标注原图像。同时使用焊缝区域切割图像作为检测目标,提出了多种焊缝区域切割方法以更准确的切割出焊缝区域从而提升检测结果。焊缝缺陷识别系统对于焊接工作研究人员以及焊缝缺陷探测人员都具有应用级意义。本文提供了一个既可以供焊接研究人员进行焊缝缺陷识别研究、又可以供焊缝缺陷探测人员进行缺陷判定的系统。对于研究人员流程来说,本系统提供样本数据筛选、切割情况判定、数据预处理以及模型选择等功能,以提升数据处理的研究效率。然后,提供训练好的卷积神经网络模型用于进一步的训练和测试。同样提供清晰的结果分析前端页面用来比较使用不同神经网络结构得出的识别准确率并进行结果展示。系统提供了从数据处理到模型输出的完整流程,提高焊缝缺陷检测研究人员的研究效率;对于焊缝缺陷检测人员来说,提供了训练好的模型和标准化流程,使得焊缝缺陷检测人员能够快速高效的检测焊缝缺陷。同时,系统提供了通过本文收集的数据训练得出的卷积神经网络模型为用户提供焊缝缺陷识别功能,使得用户在输入焊缝缺陷原始图像后即可得出该图像中是否存在焊缝缺陷。为大型、固定的焊缝缺陷检测提供了系统的检测方式,通过训练好的模型对样本数据进行检测并直观输出结果,使用本系统可以更方便快捷的得到样本数据中缺陷情况。