轮胎病疵检测是保证轮胎质量的必要环节。当前,国内外学者的研究主要针对大样本集轮胎病疵,而如何在小样本集轮胎X射线图像中检测病疵类别并确定病疵位置,仍是一个有价值的研究课题。本文以小样本集轮胎病疵样本图片为检测对象,搭建深度卷积神经网络模型,提高了轮胎X射线图像病疵检测速度、检测准确率和召回率。论文的主要研究内容及创新性工作如下:(1)通过深度学习目标检测初步实验,确定了YOLOv3网络模型作为小样本集轮胎X射线图像病疵检测模型框架。首先,搭建常用的深度学习目标检测模型,并使用小样本图片数据进行深度学习目标检测初步实验;最后,由实验结果可知,YOLOv3模型是最适用于小样本集轮胎X射线图像病疵检测的模型,并且对检测准确率与召回率低的原因作出分析与推论。(2)针对轮胎X射线图像样本存在的图片数据不足(小样本集)问题,提出采用数据增强、图像变换方法和图像切割方法对样本数据进行处理。首先,利用两种常见数据增强方法,将数据集的初步扩增了四倍;然后,使用傅里叶变换、小波变换和直方图图均衡化三种图像变换方法对图像进行处理,再次将轮胎病疵样本图片数据集扩增了四倍;最后,采用基于标注框的图像切割方法,缩小了原始病疵图片尺寸,有效的分离出病疵,进一步实现了对样本图片数据扩增的目的。此外,图像变换方法还具有突出轮胎病疵细节特征的作用。(3)针对轮胎病疵面积占比小(小目标)导致检测准确率及召回率低和轮胎病疵检测速度慢两个问题,提出了YOLOv3-improved网络模型。采用优化后的Darknet-39网络结构进行特征提取,有效提高了轮胎病疵检测速度;通过修改多尺度检测模块,将原有的三尺度检测修改为四尺度检测,进一步融合高分辨率的浅层特征和高语义信息的高层特征,提高了对小目标轮胎病疵的检测效果。(4)通过对比实验发现,图像变换方法具有数据增强的作用,并强调了小样本集图像病疵特征,有效解决了病疵特征不明显和样本图片数据不足的问题。此外,实验表明,YOLOv3-improved网络模型对小目标轮胎病疵具有较好的检测效果,使得检测准确率达到了95.8%,召回率提升了58.3%,达到了80.5%。