随着汽车产业的持续发展,增压器的需求与日俱增,生产过程中的铸造缺陷检测也愈发重要。然而目前大多数厂商仍采用人工检测的方式对缺陷进行识别和标记。这种方法不仅效率低,工作量大,而且存在着检测人员主观认知的差别,无法保证长时间、高水平的检测工作,难以满足目前增压器的大规模生产需求。因此研究一种速度快,准确率高的检测算法以替代人工检测,对于增压器行业的发展有着十分重要的理论意义和应用价值。本文基于深度学习技术,提出了一种快速准确的增压器铸造缺陷的检测算法。分析了增压器铸造缺陷检测算法研究中涉及的理论知识,对比研究不同目标检测算法的性能与特点,根据缺陷检测任务需求,采用YOLOv3作为缺陷检测的基础算法,并结合铸造缺陷检测特点对检测算法展开研究。为了减少生产现场采集缺陷样本图片的噪声对检测的影响,通过实验对比不同降噪算法的峰值信噪比、结构相似性和处理速度,选取双边滤波算法对缺陷样本图片进行预处理。其次,为了满足深度学习算法对数据量的需求,提出了基于先验标注信息的随机裁剪平移方法,并结合色彩空间变换实现了小样本量的数据增强。在YOLOv3算法的基础上,深入探讨了算法中检测网络结构存在路径较长、深层信息传递不畅的问题,结合增压器铸造缺陷尺寸差距大,形态多样的特点,采用了基于多路径融合的检测网络,进一步增强了不同尺度特征的融合,减少浅层至深层传递过程中的信息丢失。基于迁移学习的思想,设计了两阶段的训练方案,并调整计算损失函数时的位置回归评估标准及类别标签数值,优化训练过程。通过实验验证本文方法的可行性,对于所有的缺陷目标,可达97.9%的检出率和96.7%的精确率。最后,为了便于检测后续的缺陷记录与数据分析等工作的进行,本文基于不同类型缺陷的外观特点,针对性地设计了后处理方法。