随着“中国制造2025”的全面开展和深度部署,轮胎产业的自动化、信息化、物联网化、数字化是一种必然的趋势。而轮胎质检作为轮胎生产中极为重要的一道工序,实现基于轮胎X光图像的瑕疵自动化检测已经成为重要研究课题。本文针对轮胎生产中人工质检的现状与不足,结合计算机视觉领域中主流的目标检测算法,开展基于深度学习的轮胎X光图像瑕疵检测技术研究,为轮胎的质检提供一种可行的自动化检测方式。本文利用深度学习技术,针对轮胎X光图像瑕疵检测,实现了一个端到端的自动检测模型。本文首先将Faster R-CNN目标检测算法应用到轮胎质检中,验证了轮胎瑕疵自动化检测的可行性和有效性。同时针对轮胎X光图像的特点和Faster R-CNN网络结构中存在的不足,在图像预处理阶段、模型训练阶段和模型测试阶段中提出了改进算法,提高了模型的适用性和鲁棒性。本文的主要研究内容如下:第一,针对轮胎质检的流程,提出一种Hybrid Faster R-CNN的瑕疵检测模型。分别向多个检测模型输入同一数据的原始图像和不同预处理图像进行训练。预处理方法包括直方图均衡化、对比度受限直方图均衡化、拉普拉斯变换。各个模型的输出结果通过非极大值抑制算法进行组合后作为Hybrid Faster R-CNN的最终检测结果。实验结果表明,多个模型混合确实能够提升模型的检测性能,Hybrid Faster R-CNN 的 mAP 可以达到 53.6%,比 Faster R-CNN 模型提高了 1.3个百分点。第二,针对Faster R-CNN模型中仅使用单尺度特征图而造成小尺寸、多尺度瑕疵检测效果不理想的问题,本文设计了 DCMS-FRCNN(Deformable-Convolution Multi-Scale Faster R-CNN)模型,引入计 算机视觉领域中可变形卷积网络概念,利用可变形卷积模块重构了 ResNet-101特征提取网络,并在RoI池化网络中融合可变形池化模块,同时采用多尺度RPN结构,充分利用特征提取网络中深浅层、不同尺度的特征图,进一步增强了模型对轮胎瑕疵形变的不变性。实验结果表明,DCMS-FRCNN模型的mAP指标达到了 61.1%。第三,考虑到轮胎X光图像中瑕疵与背景在本质上都是纹理的特性,两者之间的相似度能够在一定程度上反映瑕疵的特征,本文提出了融合背景特征信息的改进检测算法。在对瑕疵图片进行检测时并行地提取正常图片中对应位置的背景特征,计算瑕疵特征向量和背景特征向量之间的余弦相似度,利用该相似度对候选框的概率值进行重排名。将该检测算法应用到前文改进的Faster R-CNN模型后,最终使得检测模型的mAP进一步提升到62.7%。