精密铸件在工业生产具有很高的使用率,其质量问题直接影响到工业设备的安全性能,存在缺陷的铸件甚至会产生灾难性后果,所以对于铸件质量检测是铸件生产过程中的重中之重。目前对于精密铸件的缺陷检测大部分仍然依赖于人工操作,识别率受到个人经验的影响,检测效率较低,而且长时间工作产生的视觉疲劳依然对检测结果具有较大的影响。近几年深度学习成为各界的研究热点,其中在图像的识别研究领域中,卷积神经网络表现最为突出。本文针对铸件厂的检测要求提出一种基于深度学习的铸件缺陷的智能检测方法,针对该方法主要做了以下几个方面的工作:(1)利用已有的X射线检测平台,采集含有缺陷的和正常的两类铸件图像作为分类目标。通过旋转、裁剪、增强对比度等一系列的操作,扩充两类样本的数量,建立铸件检测的样本数据库。(2)针对基于深度学习的铸件检测的方法,完成其软件环境的配置。在装有GPU的服务器上搭建caffe深度学习框架,并完成适用于铸件检测的卷积神经网络的搭建。(3)针对本文铸件的射线图像数据库,对卷积神经网络进行训练,并通过参数调整得到较好的实验结果。(4)针对工业应用中的时间成本问题,本文研究了卷积核的尺寸以及网络结构的复杂程度对于模型性能与时间成本的影响,提出caffenet的改进形式并进行实验,实验证明,改进的网络提高了识别准确率,减少了训练时间。(5)配置深度学习嵌入式开发板—Jetson TX1的深度学习的软件环境,将训练好模型移植到Jetson TX1中,并在Jetson TX1上进行测试实验,测试结果较为理想,验证开发板进行缺陷识别的可行性。对模型移植后的Jetson TX1开发板进行测试实验,对于铸件射线图像的识别的综合正确率为97%,其中对有缺陷的铸件识别正确率为100%,不存在漏检现象,对没有缺陷的铸件识别正确率为95.5%。