由于大量的工件存在着缺陷且绝大多数以工业CT(Computed Tomography)图像的形式呈列,因此,工业CT图像缺陷的检测(识别与定位)及分割是一个重要的研究课题。目前,利用DL(Deep Learning,深度学习)模型实现工件缺陷的检测与分割,已成为了主流。然而,现有的方法存在如下两个问题:(1)检测和分割被视为两个独立的任务,需要利用不同的算法完成;(2)对于边缘模糊、尺寸较小或灰度变化狭窄的缺陷,检测和分割精度低。针对以上问题,本文对Mask R-CNN(Mask Region with Convolutional Neural Networks)进行了研究和改进,并探究了其在工业CT图像缺陷(裂纹、气泡及夹渣)检测与分割中的应用。该网络在目标检测模型的基础上,利用目标分割网络引入了一个分割分支,通过共享卷积特征将目标检测与目标分割视作一个整体,相互结合、相辅相成。研究的主要内容如下:(1)缺陷图片提取。为了便于后续处理,首先对待处理图像执行同态滤波和拉普拉斯算子操作,以达到增强图像的目的。由于深度学习分类模型CNN(Convolutional Neural Networks,卷积神经网络)能够自动获取缺陷的特征,且识别精度高,因此被用于本文工业CT缺陷图像的提取。(2)Mask R-CNN实现工业CT图像缺陷的检测及分割。第一步,强化的基础网络对输入图像进行特征的提取,形成特征图;第二步,RPN(Region Proposal Networks,区域建议网络)实现Bounding Box(候选框)的选择以及粗分类;最后一步,完成候选框的分类、边框回归和分割。通过实验证明,Mask R-CNN对本文绝大多数的缺陷均实现了良好的检测和分割,但是对于边缘模糊、尺寸较小的缺陷,误检、漏检及分割不理想的问题依然很严重。因此,本文对Mask R-CNN网络进行了改进:(1)将FPN(Feature Pyramid Networks,特征金字塔网络)中自上而下的特征融合路径改为自上而下与自下而上相结合的路径,增强低层特征在特征层次中的作用;(2)根据自己数据集的特点,修改anchor的尺寸;(3)调整学习率的大小以获得最佳的实验结果;(4)训练阶段,在特征提取模块中引入dropout层,以防过拟合的产生。结果表明,对于灰度对比度低、边缘模糊、尺寸较小的缺陷而言,改进后的Mask R-CNN网络具有明显提高的检测精度和分割精度。(3)缺陷测量。在改进的Mask R-CNN模型实验结果的基础上,对分割出的缺陷进行周长、面积、坐标等的测量,以深入了解缺陷的几何特征及位置信息。实验结果证明,改进的Mask R-CNN不仅实现了工件缺陷检测和分割的一体化,而且在精度方面取得了较好的成绩,具有一定的应用价值。