目前,铝合金压铸件的外观缺陷检测大多依赖人工,存在着成本高、检测效率和准确率低等问题,因此急需一种能够兼具高的检测准确率和效率的,并且能够代替人工进行缺陷检测的方法。随着深度学习理论和实际应用的发展,使得机器代替人类进行缺陷检测成为可能,但是由于深度学习在缺陷检测领域存在着局限性,包括:需要消耗大量的人力和物力进行图像采集;需要保证各类别间缺陷图片数量不能差别过大;对于简单缺陷类型的检测,数字图像处理方法的准确率更高等。基于上述局限性,本文提出一种基于深度学习与数字图像处理相结合的铸件外观缺陷检测方法,并搭建铸件外观缺陷检测系统,用于实际的生产和实验验证。本文的主要内容包括以下几个方面:首先,搭建基于深度学习的铸件外观缺陷检测系统,该系统将深度学习、云计算与5G相结合,实现工厂内实时的缺陷检测。同时,通过该系统的图像采集模块对缺陷铸件进行数据采集,制作一个大型的铸件外观缺陷数据集,该数据集含有7816张缺陷图片,主要的缺陷类型有缺肉、缩孔、多肉、气孔和冷隔等缺陷。其次,针对铝合金压铸件的外观缺陷体积小、背景复杂干扰大等特点,采用一种适用于铸件外观微小缺陷检测的深度学习算法Refine-ACTDD。该算法采用密排的锚点设计方法,提高小目标缺陷检测的召回率;同时引入注意力机制,增加缺陷位置在特征图中的权重,来解决复杂背景对检测的干扰;并且提出对比训练方法减少上下文信息对缺陷检测的干扰。然后,针对基于深度学习的铸件外观缺陷检测的局限性,提出基于数字图像处理的铸件外观缺陷检测方法。具体包括,使用基于模板匹配的方法实现对铸件表面字母的漏加工检测;采用合理的光源设置和阈值分割的方法实现对孔和螺纹孔漏加工缺陷检测;最终采用阈值分割和轮廓发现的方法实现对冷隔缺陷的检测。最后,分别对基于深度学习和数字图像处理的缺陷检测算法进行实验验证和分析。基于深度学习的缺陷检测算法的实验表明本文所采用的缺陷检测算法具有更高的检测准确率;该算法在Map和正检率等方面都明显高于目前工业领域使用广泛的FasterRCNN和YOLOV3算法,这说明该算法能够克服因缺陷体积小、背景干扰大所造成的检测准确率低等问题。最后,对传统缺陷检测方法进行实验,该实验表明基于数字图像处理的缺陷检测算法能够达到较高的正检率,说明该方法能够克服深度学习算法的局限性。因此本文采用的缺陷检测算法都具有较强的实际应用性。