利用X射线探伤成像对航空钛合金铸件进行缺陷识别是评估其内部质量的常用方法,为确保航空产品安全可靠性和使用性能,通常需要将缺陷位置、数量、种类和尺寸等信息量化输出。而现有的人工识别方法存在识别结果不稳定、质检效率较低和X射线系统利用率偏低等问题。为此,本文研究了基于X射线图像的航空钛合金铸件缺陷检测与分类的计算机辅助识别方法,开发了铸件X射线图像缺陷智能识别系统,并将其应用于航空钛合金精铸企业。首先,提出了基于选择性搜索和缺陷图像特征分析的缺陷目标检测方法。根据X射线成像特点,对图像从噪声、亮度、对比度和锐度四个方面进行了质量增强预处理。基于选择性搜索算法,对图像进行了疑似区域推荐,统计分析铸造真实缺陷图像尺寸和边缘曲率特征最大值,确立了去除伪缺陷目标的标准,实现了真实缺陷99.7%的查全率和91.76%的查准率。其次,构建了用于对已定位目标区域进行缺陷分类的卷积神经网络模型。在已获取的原始射线图像数据上制作模型数据集,包括低密度孔、缩松、线状缺陷、高密度夹杂、铸件本体结构5个类别,搭建了7层卷积神经网络架构,设置模型相关参数并训练,得到初步分类预测结果。并进一步从数据扩充、优化学习率和改善模型过拟合三个方面对特征学习进行优化,通过与优化前网络、Alex Net、VGG16和VGG19几种典型卷积神经网络模型进行对比,验证了当前模型的分类可用性能。基于已目标定位的50张原始尺寸图像,实现目标总体分类正确精度为87.65%。最后,设计并开发了铸件X射线图像缺陷智能识别系统,并将其应用于某航空钛合金精铸企业。该系统功能包括图像读取与展示、缺陷检测与分类、结果输出与存储等。经过与企业实际判别过程进行对比分析,实例结果表明:相对于人工判别方式,铸件X射线图像缺陷智能识别系统可得到具有更高稳定性的结果,缩短判别时间从15分钟左右至约1分钟,同时提升X射线系统的利用率。