陈 亮，白文涛

(沈阳理工大学 自动化与电气工程学院 沈阳110159)

轮胎生产过程中，受工艺技术及生产设备等因素的影响，会形成一些影响轮胎质量的瑕疵，常见瑕疵有：杂质，胎侧气泡，胎肩气泡，帘线弯曲、交叉，带束层重叠、散线、缺线，单根胎稀，多根胎稀，零度散线，子口开线、散线等。

目前，轮胎缺陷的检测和分类主要利用X射线成像技术得到轮胎内部X光片，通过人工肉眼观察图像，确定轮胎有无缺陷并对缺陷进行分类。受操作者工作经验、工作状态及其他主观因素的影响，该方法检测速度较慢，检测准确性不稳定。随着市场经济及道路交通快速发展，轮胎需求量飞速增长，这种检测方法不仅不能满足市场需求，甚至严重制约了我国轮胎工业的发展，成为我国轮胎产业升级的瓶颈。

近年来，随着人工智能和深度学习的飞速发展，国内外学者开始利用深度学习网络模型进行轮胎缺陷检测。卞国龙等[1]使用卷积神经网络准确地提取轮胎X射线图像特征，并用现有训练模型对瑕疵特征进行分类。文献[2-3]尝试使用滤波器去噪、图像增强等传统图像处理技术应用于轮胎缺陷检测，但仅限于算法的应用，并没有根据轮胎X射线图像和瑕疵特征改善模型或检测方法。吴则举等[4]提出了一种基于U-Net的带束层分割算法，能够快速精确分割带束层，但局限于带束层缺陷检测。Tan M等[5]提出了一种模型复合缩放方法，该方法通过找到最佳的网络深度、宽度和图像分辨率参数来设计网络结构，但没有考虑到轮胎X射线图像缺陷不明显及有效特征向量提取困难的问题。……