复合材料是一种通过人工手段将一些不同性质的材料来进行组合和优化的一种新型加工材料,复合材料在生产过程中可能会出现孔洞缺陷,因此对存在这种缺陷的复合材料元件进行自动化的检测任务是非常有必要的。本文通过CT计算机断层扫描的方法来对复合材料成型件进行扫描和拍摄,并且结合深度学习的技术对于存在缺陷的区域进行检测识别。为了满足对于复合材料缺陷检测稳定性、便捷性、准确性以及经济性的要求,本文通过对几种主流深度学习目标检测算法的分析,提出使用Faster R-CNN算法来对存在孔洞缺陷的图像进行检测任务,并且对原始的Faster R-CNN算法进行针对性的改进,本文的Faster R-CNN+算法更加适合于检测本研究中的复合材料缺陷类型,以此来提高检测的精度以及检测的速度。本文的主要研究工作包括以下内容:(1)通过分析对比了几种目前主流的不同深度学习目标检测算法,考虑到缺陷检测任务中整体对于检测精度和检测速度二者的平衡性要求,最终选择了使用目标检测算法中精度和速度相对都比较高的Faster R-CNN算法来完成本文中复合材料缺陷的检测任务,对Faster R-CNN算法中的原始特征提取网络VGGNet网络进行了改进,通过分析VGGNet网络存在的问题,提出了使用Res Net101网络对其进行替换,而本数据集中存在着一些面积较小的缺陷,使用原始的Res Net101网络会导致这些缺陷的特征在最后特征图中信息细节发生丢失,对此本文提出了一种名称为Res Net101+的复合特征提取网络,增强了模型整体检测缺陷的能力。(2)根据本文中缺陷区域的图像特点对原始的Faster R-CNN算法中的RPN网络细节部分做出了一定的针对性改进,原始的RPN网络中的anchor尺寸类型并不能对本文中的缺陷进行良好的覆盖,对于此类问题,本文提出了一种基于K-中心聚类的算法来对原始RPN网络中使用的anchor候选框的规格尺寸进行了优化,使得最终的缺陷检测框能够更好的对本文中的复合材料缺陷进行精准的包围。(3)本文对Faster R-CNN算法整体结构进行了设计,并对其中损失函数的设计、基于ROI Align的区域池化层设计、基于Soft-NMS算法的非极大值抑制设计等工作进行了说明,并且在最后的章节中给出了本实验的Faster R-CNN+算法与原始算法的对比实验图与评价指标,证明了本文中改进算法的有效性与合理性。