金属零部件以其机械强度大、可塑性及耐用性强等特点,被广泛应用于工业场景中的很多领域,如制造业和机器人行业等。金属零部件往往作为系统中的承重结构或连接组件,所受应力强,零部件容易产生疲劳裂纹,严重影响生产效率甚至威胁工人生命安全。当前金属零部件疲劳损伤检测主要以目视检测为主,存在主观性强、劳动强度大等问题,如何实现金属零部件疲劳测试自动化是一个亟待解决的问题。本文针对金属零部件振动裂纹在线检测方法进行研究。研究内容包含以下几个方面:首先,构建了振动台环境下的金属零部件裂纹数据集。在实际生产环境下采集图像数据,数据集分为时序疲劳裂纹数据集和单帧疲劳裂纹数据集,并使用图像标注工具对原始图像进行标注。然后,提出一种基于传统图像处理方法的裂纹检测与分割算法。在去除振动影响的前提下,逐级将裂纹从复杂的背景中分离出来,实现裂纹检测,再综合多种纹理与几何特征实现裂纹分割。最后,基于Mask R-CNN网络提出一种基于深度学习的裂纹检测与分割算法。针对裂纹标注框内特征较少导致网络不收敛的问题,对原始裂纹标注框做一定比例放大,将裂纹与背景的组合作为一个整体;使用多种数据增强方法丰富数据多样性;增大Mask R-CNN网络中的Ro I尺寸,进一步提升裂纹分割效果。为了验证算法有效性,在自建的零部件疲劳裂纹数据集上对算法性能进行了测试。对于基于传统图像处理的算法,裂纹检测精确率达到92.59%,召回率为96.15%,误检率为7.41%,漏检率为3.85%,裂纹长度测量平均绝对百分比误差为14.40%;对于基于深度学习的裂纹检测与长度测量算法,在自建数据集上无漏检、误检样本,疲劳裂纹长度测量平均绝对百分比误差进一步降低到9.92%。实验结果表明,所提出的两种算法能够以较高的精度完成疲劳裂纹检测任务。