La generación de energía eólica juega un papel importante en la energía renovable, y los componentes de fundición a presión tienen requisitos extremadamente altos en cuanto a precisión y calidad. En la práctica, encontramos que una fuerza laboral insuficiente limita los métodos tradicionales de inspección manual y a menudo crea dificultades para unificar los estándares de juicio de calidad. A menudo se requiere un diseño de trayectoria óptica personalizado, especialmente al realizar inspecciones de defectos internos y externos, lo que aumenta la complejidad operativa general y reduce la eficiencia de la inspección. Desarrollamos un sistema de inspección óptica automatizada (AOI) para abordar estos desafíos. El sistema integra una red neuronal de segmentación semántica para manejar la detección de superficies externas y un modelo de detección de anomalías para detectar defectos internos. En términos de detección de defectos internos, el modelo GC-AD-Local que probamos logró una precisión del 100% en imágenes experimentales, y los resultados fueron relativamente estables. En la parte de detección externa, comparamos cinco modelos diferentes de segmentación semántica y encontramos que MobileNetV2 tuvo el mejor rendimiento en términos de precisión promedio (65.8%). Fue increíblemente estable al tratar con defectos de superficie con variaciones de forma significativas, y los resultados de predicción fueron más consistentes, lo que lo hace más adecuado para su introducción en aplicaciones de línea de producción reales. En general, este sistema AOI aumenta la eficiencia de la inspección y la consistencia de la calidad, reduce la dependencia de la experiencia manual y es de gran ayuda en el control de calidad y la inteligencia de procesos para las fundiciones de energía eólica. Esperamos expandir aún más la cantidad de datos y mejorar las capacidades de generalización del modelo en el futuro, haciendo que el sistema sea más completo y adecuado para aplicaciones prácticas.