随着汽车行业快速发展及汽车保有量的持续增长,大大增加了对轮胎的需求,而轮胎质量在很大程度上决定了轮胎的使用寿命,也是在行驶过程中对人们生命财产安全的保障,同时对轮胎进行在线质量检测也便于轮胎生产企业及时发现生产线中存在的不合格产品,以此来调整机械设备甚至轮胎的生产工艺,避免造成生产材料的浪费。因此,检测轮胎质量是轮胎生产过程中必不可缺少的一部分,对轮胎工业的发展和道路交通安全有着重要的研究和经济意义。目前国内外学者在诸多工业应用领域提出了许多无损缺陷检测技术,而基于X射线的轮胎无损缺陷检测技术在轮胎工业中得到了快速的发展并取得了优异的成果。但是,由于轮胎X射线图像的复杂多纹理结构以及轮胎缺陷的多样性,轮胎无损检测方法的研究仍然是从业者及科研人员的一个极大挑战性的研讨课题。本文以轮胎X射线图像为检测对象,利用图像分析、模式识别和深度学习等技术,实现一个真正意义上端到端的轮胎无损自动缺陷检测及分类方法。本文首先通过传统图像分析及分类方法分阶段设计轮胎缺陷的检测和分类任务;然后,利用深度学习技术设计一个端到端的轮胎缺陷检测和分类任务于一体的方法,并与分阶段的传统检测和分类算法进行了对比。论文的主要研究内容及创新性工作如下:1.针对轮胎X射线图像的周期性复杂纹理特征,提出一种基于主成分残余信息逆变换的轮胎X射线图像缺陷检测方法。通过主成分分析方法的前K个较大主成分和其相应矢量重构不含缺陷信息的主纹理图像,重构图像与原图像对比,得到缺陷信息及缺陷位置,通过二值化方法及形态学操作检测出缺陷。实验结果表明,该算法可以快速检测出轮胎中的气泡、杂质缺陷。2.针对轮胎缺陷的复杂多样性难以用预先定义固定不变的基函数表达缺陷特征的问题,提出一种具有自适应生成基函数的轮胎图像特征提取算法,并将其应用于轮胎内部缺陷的自动识别中。利用ICA/TICA(Independent Component Analysis/Topographic Independent Component Analysis,独立成分分析/拓扑独立成分分析)从轮胎缺陷集中学习出自适应的基函数和滤波器,这些基适应于缺陷图像的特点;使用自适应滤波器滤波缺陷图像提取缺陷图像的特征;最后用SVM对待测样本进行分类.该方法是建立在对缺陷集无监督学习的基础上,能够自适应地提取缺陷图像的显著特征,计算简单,可并行处理。实验结果表明,该方法对灰度类和形状纹理类缺陷都具有满意的识别率,其分类正确率高达94.94%.3.为避免上述传统分类方法人为提取图像特征和分类器设计,并且也难以实现两者完美结合的缺点,依据当前深度学习已在许多基准数据集上取得先进成果,解决了许多人工智能的困难问题,探索如何把深度学习应用到实际工业生产结构复杂的轮胎缺陷分类中来得到更好的分类效果,提出一种基于深度学习的轮胎缺陷分类方法。针对深度学习要求带有标签的大训练集与实际应用中只有有限数量的有标签样本的矛盾,采用迁移学习、数据扩展及网络微调的策略防止过拟合现象。分类识别率高达96.51%,实验结果验证了该方法在轮胎缺陷分类任务的有效性,为轮胎实际生产过程内部缺陷自动检测提供了有效的算法和参考。4.因采集的轮胎缺陷图像具有高对比度变化特点,影响上述单通道深度网络对轮胎缺陷分类的效果,受大脑皮层微柱同步发放现象的启示,构造一个由多通道组成的深度卷积神经网络。该算法首先确定单通道CNN网络;然后构建由多个单网组建的多通道卷积神经网络并探讨如何组合多个单通道网络;为了训练出更具有强泛化能力及高鲁棒性的网络,我们分别对多通道卷积神经网络各通道的输入做不同的对比度归一化,使不同网络通道学习不同对比度的缺陷图像。最后通过实验效果及性能对比确定多通道卷积神经网络的最佳通道数并分析其时间成本。该算法分类识别率高达98.47%。5.针对目前算法对轮胎缺陷检测和分类任务是分阶段实现的问题,提出了一种基于区域建议网的轮胎缺陷检测及分类于一体的算法。针对轮胎缺陷尺度跨度大的问题,利用卷积神经网络的不同输出层分层设计不同尺度的缺陷检测器。实验数据表明,大大提高了小目标缺陷检测的效果,除气泡缺陷检出率为91.56%外,其它缺陷的检测率均大于97%。就检测速度而言,采用CNN特征上采样代替图像输入上采样方法减少存储和计算成本,提高检测速度。实验结果表明,该网络只需输入单个尺度的图像就可以检测所有尺度的轮胎缺陷,在3.0 GHz Intel Core i7-5960X CPUs and GeForce GTX 1080 8G Nvidia GPU的硬件和Ubuntu14.04,Caffe and python 2.7 platform的软件配置下,对于1250*425像素大小的图像,该算法的检测速度高达10fps。