铸造技术因其低廉的成本、较短的生产周期和灵活的生产方式等优点被广泛应用于工业生产中,同时也推动了我国汽车市场的迅猛发展。为保障汽车质量及其安全性,铸造厂商不断加强生产流程中对铸件缺陷的检测力度。工业上广泛使用的X射线自动缺陷检测技术,相比人工缺陷检测具有较高的稳定性和一致性。为了进一步改善X射线检测技术,提高缺陷自动识别算法的准确度,需要采集大量X射线缺陷样本进行深入学习。面对铸造产品中次品率低、样本难以大量收集等问题,本文提出了一种基于纹理合成的疏松缺陷图像生成方法,不但获得了较好的仿真效果,还为其他类型缺陷的仿真算法研究提供了借鉴价值。本文针对疏松缺陷在视觉上呈现的非均匀纹理特性,提出了一种以K维(k-dimensional,KD)树搜索算法为核心的疏松缺陷图像生成算法。该算法主要分为三个阶段:前期准备阶段,待合成区搜索匹配阶段,和仿真图样生成阶段。具体内容如下:1)根据铸件中的疏松缺陷的形成过程以及视觉特征,提出了采用KD树搜索匹配图像块的方法来生成具有一定随机性的仿真疏松缺陷;为了提高运算速度,又采用主成分分析方法对数据集进行整合和压缩。2)借助双边滤波器突出的去噪保边特性,对采集到的缺陷样本图像进行去噪处理;为方便仿真缺陷的生成以及后续的图像融合工作的顺利进行,本文提出了一种基于灰度分布的差值去背景方法。3)为了达到较好的仿真缺陷与背景的融合效果,提出了灰度加权融合算法来实现匹配块与已合成区域的边界融合,获得了完整的带有仿真疏松缺陷的X射线图像。4)分别从主观和客观两个方面对本文算法生成的仿真缺陷图像进行质量评估。主观质量评估以人眼视觉为主要依据,客观质量评估则分别采用结构相似度算法SSIM和卷积神经网络缺陷检测方法。实验中,三种方法的结果一致,验证了本文生成的仿真缺陷图像的有效性,也总结了算法存在的不足和未来的深入方向。