小样本集条件下的轮胎病疵深度学习检测技术.pdfVIP

摘要

轮胎作为机动车最重要的部件之一，其质量好坏直接影响到机动车的行车

安全。轮胎病疵检测作为轮胎生产的一个重要环节，实现轮胎X光图像的病疵

智能检测是一个有很好实用价值的课题。然而在实际的工业生产环境中，带有

病疵的产品仅占小部分，难以提供充足的病疵样本给目标检测模型训练。本文

针对轮胎生产中质检的现状与不足，在小样本集条件下，结合主流的目标检测

模型，对轮胎X光病疵检测技术进行研究，为小样本集的轮胎病疵提供一种可

行的智能检测方案。首先探索合适的数据增强方法，对小样本集病瑕疵数据进

行有效的数据扩增。然后将YOLOv5s目标检测模型应用到轮胎病疵检测，验

证了轮胎病疵智能检测技术的可行性。同时针对轮胎病疵的特性和YOLOv5s模

型结构中的不足，在模型的特征提取和特征融合阶段提出了改进方法，提高了

病疵检测模型的性能。

具体研究内容如下：

（1）针对训练样本不足的问题，探索各类数据增强方法进行有效的数据扩

增。首先分析了数据增强方面的几种主要算法，选取了对抗生成网络和Mixup

算法进行数据扩增，经过对比分析选取合适方法进行有效的数据扩增。

（2）针对YOLOv5s骨干网络下采样过程中，增加的特征通道包含大量的

无效信道信息，会导致轮胎病疵特征严重丢失等问题，同时考虑颈部网络需融

合骨干网络特定层特征的特性，本文提出在骨干网络四、六层融合CA注意力

机制，利用CA注意力机制的特性，使得网络特征在提取阶段重点关注有效的

病疵特征信息，提高模型骨干网络的特征提取能力，且保证了颈部网络融合的

浅层特征包含的无效信道信息大大减少，融合的特征更为优质。实验结果表明，

YOLOv5s-CA的mAP可以达到87.6%，比YOLOv5s模型提高了4.5个百分点。

（3）在模型的特征融合阶段，考虑到不同的深、浅层特征其权重不应该完

全一样。利用加权双向特征金字塔中的加权特征融合机制改进模型的特征融合

结构，通过网络学习，为深、浅层特征赋予相应的融合权重，有效的提高了模

型特征融合的能力。并将该方法应用到（2）中改进的YOLOv5s模型中，最终

使得模型的mAP进一步提升到87.9%。

关键词：轮胎X光图像，病疵检测，深度学习，数据增强

ABSTRACT

Asoneofthemostimportantpartsofmotorvehicles,thequalityoftiresdirectly

affectsthedrivingsafetyofmotorvehicles.Tiredefectdetectionisanimportantpart

oftireproduction,anditisasubjectofgreatpracticalvaluetorealizeintelligentdefect

detectionoftireX-rayimage.However,intheactualindustrialproductionenvironment,

productswithdefectsonlyaccountforasmallpart,anditisdifficulttoprovide

sufficientdefectsamplesfortargetdetectionmodeltraining.Inviewofthecurrent

situationandshortcomingsofqualityinspectionintireproduction,thispaperstudies

thetireX-rayflawdetectiontechnologyundertheconditionofsmallsampleset,

combinedwiththemainstreamtargetdetectionmodel,toprovideafeasibleintelligent

detectionschemefortiredef