精密铸件的质量问题一直是人们关注的焦点,目前对于精密铸件的缺陷检测大多依靠人工来识别,识别速度慢、易受人的疲劳因素干扰。近年来基于机器视觉的铸件缺陷检测技术已经在工业生产中被研究与应用,但是由于缺陷种类繁多、缺陷样本复杂等因素,传统基于机器视觉的图像处理方法难以准确地描述缺陷特征,使得该方法的有效性不能满足实际工业检测要求。随着深度学习在图像处理技术中的发展,相比于传统机器视觉的铸件缺陷检测方法,由于其深层次的神经网络可以提取丰富的铸件缺陷特征表示,使得基于深度学习的铸件缺陷检测方法可以提高检测性能。因此本文针对工厂生产的某种精密铸件的缺陷检测要求研究了基于深度学习的铸件缺陷检测方法,主要工作与成果如下:(1)在AlexNet模型的基础上提出了一种哈希分类网络,提高了精密铸件的分类准确度与速度。在原始网络AlexNet的输出层前增加一个哈希层,将输入图像映射成为替代原始网络高维向量输出的简单二进制哈希代码,进而在哈希层中设计了一种分块优化模型,降低了每个哈希代码之间的冗余性。实验结果表明,在铸件数据集下,本文方法的性能要优于AlexNet和其他一些基于哈希算法的CNN(Convolutional Neural Networks)网络。(2)针对基于候选区域生成方法的R-CNN(Region-based Convolutional Neural Network)系列网络检测精度低和检测速度慢的问题,提出了一种跨层融合特征网络CLFF-Net(Cross-layer fusion feature network),提高了精密铸件缺陷检测的准确性与实时性。该网络通过构造跨层融合特征图来结合图像不同层级间的深层语义信息,中间层补充信息和浅层位置信息,并且通过端到端的训练来共享生成候选区域步骤和目标检测步骤的权值。实验结果表明,本文的方法在铸件缺陷上的目标检测精度和速度都有很大程度上的提升。(3)研究了基于YOLO网络的铸件缺陷目标检测方法,并针对YOLO网络检测精度降低的问题,提出了一种改进的YOLO网络。将YOLO中相同大小的特征图用特征块来代替,在网络的前向计算中,由每个特征块的最后一层特征图负责,并且后面特征块的输入是其前面所有特征块的输出,结合了YOLO网络层与层之间的特征联系,实现了层级间的特征信息整合,从而提高了缺陷定位的准确性。实验结果表明,优化后的YOLO可以在不影响检测速度的同时,保证了实际工业应用的铸件缺陷目标检测精度。(4)采用嵌入式GPU开发板Jetson TX1开发了原始网络模型应用系统,将训练好的网络模型移植到小型嵌入式开发板中,并在Jetson TX1上进行测试实验。针对待检测精密铸件图像,其识别正确率达到97%,其中对于有缺陷的精密铸件图像不存在漏检情况,对于无缺陷的精密铸件图像误检率小于4%。