缺陷检测是保证工业铸件质量的重要环节之一,能降低由缺陷所引起的安全风险。数字化X射线成像（Digital Radiography,DR）技术作为一种常用的工业无损检测技术,是一种有效的工业铸件缺陷检测手段。目前,在工业上对DR图像的缺陷检测方法主要为人工目视检测法。该方法不仅耗时费力、容易让人产生疲劳,而且很大程度上依赖于检测人员的主观判断,不利于检测数据庞大的DR图像数据集。因此,采用自动化检测的方法实现铸件DR图像缺陷的实时检测具有重要意义。迅速发展的深度学习被普遍地应用于各类检测识别任务中。但是基于深度学习的检测方法需要数据支持,目前已经公开的训练数据集中不包括铸件DR图像缺陷数据集;且铸件DR图像中缺陷目标不够突出,从而影响缺陷的检测识别。在检测铸件缺陷过程,希望能够达到实时检测的目的。因此,本论文以摇枕侧架等铸件DR图像为对象,针对DR图像疏松缺陷检测问题,主要完成了以下几项工作:（1）针对难以直接采用原始DR图像进行缺陷检测和分级的问题,本文综合多种图像增强方法对原始DR图像进行增强。首先将原始DR图像进行窗宽/窗位调节,突出铸件图像中缺陷的大致形状,再采用引导图像滤波结合分数阶微分的方法进行图像增强:引导图像滤波对DR图像有保边平滑作用,输入的DR图像与引导图像滤波作用后得到的输出图像进行相减,得到差图像,将灰度级扩大后的差图像与输出图像相加得到增强后的图像;在此基础上用分数阶微分,进一步增强图像中的缺陷部分。（2）在深度学习中,数据集是一个至关重要的因素。目前几乎没有公开的摇枕侧架数据集,本文采用某公司提供的摇枕和侧架DR图像,先对其进行图像增强,再采用标注软件Labelme对其进行标注,得到json文件,将每个json文件转化为COCO数据集格式,最终形成一个含图像及其标注信息的训练数据集。（3）本文发展用于铸件DR图像缺陷检测的YOLACT（You Only Look At Coefficien Ts）网络,将训练数据集输入网络,训练网络并设置网络参数,得到缺陷的预测框和掩码平均精度,利用测试集中的DR图像测试,得到测试结果。实验结果表明,所使用的图像增强方法与YOLACT网络相结合,得到的缺陷检测方法可以较好地检测出DR图像疏松缺陷的等级和位置,检测速度快,能够达到实时检测的目的,为工业铸件缺陷检测提供了一种辅助的解决方案。