随着信息技术的飞速发展,在实际的生产中,汽车轮毂铸造缺陷的自动检测与定级有助于提高汽车轮毂生产的质量和效率。本文主要研究了轮毂铸造缺陷的目标检测和目标分割技术,降低轮毂缺陷检测中的漏检和过检以及为缺陷定级。传统的目标检测算法的准确率依赖于人工调整参数,并且漏检率和过检率都很高,无法满足实际生产的需求。将基于卷积神经网络(CNN)的区域卷积神经网络(R-CNN)系列目标检测模型中更快的区域卷积神经网络(Faster R-CNN)模型应用到轮毂缺陷的目标检测中,检测结果的漏检率和过检率较低,且检测时无需人工干预。针对轮毂缺陷的特点,本文提出了新的锚框设置方案,采用了特征提取能力更强的基础网络和多卷积层的多尺度信息融合,实验证明改进后的模型漏检率更低。轮毂缺陷的目标分割主要工作是提取到缺陷更精确的轮廓,计算缺陷面积和延展长度等缺陷参数给缺陷定级。由于传统的分割算法在复杂场景下分割效果不理想,本文使用全卷积网络(Fully Convolutional Network,FCN)分割轮毂缺陷目标,利用更低层信息来辅助进行上采样的训练方法能得到更精确的分割结果,为进一步提高分割效果,在Faster R-CNN的基础上扩展了一个掩码(mask)分支,得到了Mask R-CNN,不仅能完成对缺陷的目标定位和分割,同时通过分割结果对目标检测结果进行了误检排除,而且通过对目标分割结果来计算缺陷面积和缺陷延展长度,实现缺陷的定级。实验证明相比于Faster R-CNN,Mask R-CNN的过检率更低,目标检测效果更好,相比于FCN,Mask R-CNN的分割结果更加精确,平均IoU提高了8.7963%,根据Mask R-CNN的缺陷目标分割结果所计算的缺陷面积和延展长度的误差率也较低,能满足缺陷定级的要求。最后,本文实现了基于本文轮毂缺陷的目标检测和分割算法的轮毂缺陷自动检测系统。