随着我国经济的飞速发展,汽车已经成为了人们日常生活中不可缺少的代步工具。汽车轮毂加工环节中,对轮毂进行缺陷检测是确保产品质量的重要环节。轮芯作为轮毂的中心部分,其在承重、抗压上起着至关重要的作用,轮芯X射线图像相较于轮辐和轮辋,其结构、背景和缺陷特征都要复杂一些,因此需要对轮芯的缺陷检测进行单独研究。本文深入研究了图像处理领域的深度学习算法,吸取基于建议区域(Region Proposal)的卷积神经网络和单阶段(one-stage)卷积神经网络算法的优点,针对轮芯缺陷提出了一种改进的卷积神经网络结构。该结构使用空洞卷积提升特征图感受野;使用多尺度特征图提取特征以提高算法对小缺陷的检测准确率;针对轮芯缺陷的大小选择更合适的锚框尺寸;使用位置敏感卷积层和池化层代替全连接层,提升算法速度的同时加强特征中位置因素的影响。另一方面,由于卷积神经网络的检测效果与训练样本的数量和质量有着直接关系,而实际应用中获取足够的轮芯缺陷样本需要的时间周期过长,本文提出了一种轮芯缺陷有效样本的合成方法。该方法通过分析轮芯海绵状缩松缺陷的定性视觉特征,基于骨架生长技术生成形状、大小具有随机性的缺陷,处理后叠加到轮芯X射线图像的合适位置,通过实验证明了生成的样本可以用于后续轮芯缺陷的检测过程。本文最后使用真实缺陷样本和生成的缺陷样本共同组成样本集,通过多组对比实验,分析了卷积神经网络一些通用调整点和本文改进点对检测结果的影响,实验结果表明本文网络结构改进点都能在一定程度上提高检测的准确率。最后将改进的网络结构与Faster R-CNN和SSD进行比较实验,实验结果显示本文改进的网络结构有比Faster R-CNN更快的检测速度,平均检测精度(mAP)达到了97.1%,检测结果与人工标注的平均交并比(IoU)为80.59%,缺陷的漏检和过检比Faster R-CNN和SSD都要更低,实验结果表明本文算法具有很好的实际应用价值。