在制造机械零部件的过程中,有可能存在各种缺陷,导致对设备运行安全的威胁。精密铸件的缺陷检测尤为重要。针对传统的缺陷检测存在依赖人员经验的问题,通过机器学习方法,实现自动检测,提高自动化水平,可以克服检测环境、工作人员疲劳度、视觉分辨力和工作经验等因素对铸件检测结果的影响,提高检测的准确率以及检测速度。本文针对东风精密铸造公司精密铸件裂纹缺陷检测需求,研究了深度学习方法及其在缺陷检测中的应用问题,开发了相应的检测装置。本文的主要完成了如下工作:(1)针对铸件缺陷检测的需求,结合本文样本的特点采用深度学习的方法,基于GPU构建深度学习的学习环境(Caffe),并搭建适合的网络架构。针对铸件缺陷检测需求,基于GPU构建了深度学习环境。(2)研究了卷积核尺寸对网络模型性能的影响。针对本文样本缺陷特征,调整卷积核尺寸,提高网络映射性能,从而提高网络模型的准确率。(3)为了实现工业要求,缩短网络模型的训练时间。在保证正确率的情况下,简化网络结构,删除了网络中两层卷积层,缩短训练时间。最终达到了保证准确率的前提下节约时间成本的目的。(4)基于Jetson TX1搭建一套深度学习缺陷检测的硬件系统,实现了GPU训练的网络模型的嵌入式移植,主要包括硬件条件的构建、软件环境的搭建,并且将网络模型移植到嵌入式系统中。最后在搭建好的嵌入式系统上进行测试,测试结果的正确率为98.67%,其中漏检率为0,满足工程的需要,得到比较好的结果,证明了本文研究的基于深度学习的缺陷检测的嵌入式系统的性能比较好。