铝铸件是工业中常用的零部件,常用于制造汽车配件,比如汽车的制动主缸,其品质好坏直接决定汽车的安全性能。制动主缸在制作过程中,由于加工不当、材质不纯等问题会使主缸内槽表面产生各种各样的缺陷,直接影响主缸的质量,在主缸制造过程中添加内槽表面缺陷检测环节是非常必要的。目前常用的表面缺陷检测方法是采用机器视觉检测的方式,需要依赖人工提取图像特征,但无法适用于随机性强、特征复杂的场景,因此对检测算法做进一步研究是十分有意义的。深度学习网络模型由于其拥有可以自动筛选有用特征和自主学习的能力,更适用于缺陷检测领域中。本文设计了一套基于Lab VIEW和深度学习的柱塞式制动主缸内槽表面缺陷检测系统。主要内容如下:（1）介绍了本文课题的研究背景和意义,总结了目前三类缺陷检测技术的优缺点与工业零件缺陷自动检测的难点,指出了采用传统目标检测方法的局限性和采用基于卷积神经网络的目标检测算法的优势,然后介绍了国内外对深度学习的研究现状。（2）分析柱塞式制动主缸工作原理及内槽表面缺陷的形成原因,提出系统的设计需求和技术指标,制定总体方案;设计一套基于深度学习的检测系统,具体包括硬件设计、软件设计、工作流程的设计。（3）介绍了传统卷积神经网络和R-CNN网络系列4种网络的结构与工作原理。（4）提出了基于改进的Mask R-CNN网络的柱塞主缸内槽表面缺陷检测算法。从网络结构和参数两方面对原网络进行改进,使其更适用于检测内槽缺陷。（5）在相同条件下,将本文提出的算法与改进前的算法、其它缺陷检测算法进行结果对比实验,证明本文算法的优越性。实验结果表明,本文算法能够有效提高缺陷检测精度,准确率达到了96.8%,召回率达到了94.4%,单图检测平均时间为1.06秒,满足了系统的设计需求与技术指标。