摘要： 針對現(xiàn)有輪胎X射線圖像中0°帶束層接頭檢測算法易受輪胎自身花紋影響，造成較嚴重的誤報和漏報的問題，提出基于YOLOX模型的輪胎X射線圖像中0°帶束層接頭檢測方法；利用投影直方圖定位帶束層區(qū)域，縮小檢測范圍，提高檢測速度；在自建數(shù)據(jù)集上測試所提方法的檢測性能。結(jié)果表明，所提出的方法能夠準確定位0°帶束層接頭，誤報率、漏報率分別小于1.15%、 0.59%。

關(guān)鍵詞： 輪胎； 0°帶束層接頭缺陷； 目標檢測； 區(qū)域分割

中圖分類號： TP391

文獻標志碼： A

Abstract： Aiming at the problem that 0° belt joint detection algorithms in existing tire Xray images were easily affected by patterns of tires， which leaded to serious 1 positives and missing positives， a method of 0° belt joint detection based on YOLOX model was proposed. Projection histograms were used to locate the belt layer region， narrow the detection range， and improve the detection speed. Detection performances of the proposed method were tested on a selfbuilt data set. The results show that the proposed method can accurately locate 0° belt joints， and the 1 positive rate and missing negative rate are less than 1.15% and 0.59%， respectively.

Keywords： tire; 0° belt joint defection; object detection; region segmentation

輪胎承載著汽車重量，其質(zhì)量直接影響車輛行駛的安全。受生產(chǎn)工藝限制，作為輪胎內(nèi)部起到加固、束縛作用的0°帶束層可能在其接頭處出現(xiàn)各種缺陷，極大地影響輪胎質(zhì)量。當前輪胎生產(chǎn)企業(yè)對于0°帶束層接頭質(zhì)量的檢測仍然以人工判斷輪胎X射線成像為主［1］，主觀性嚴重，判別標準不穩(wěn)定，因此亟需實現(xiàn)對0°帶束層接頭區(qū)域的自動檢測。

目前鮮見0°帶束層接頭缺陷檢測的相關(guān)文獻。鑒于輪胎各區(qū)域的特征具有許多相似性，因此可參考其他輪胎缺陷檢測文獻中的研究思路。例如，帶束層雜物等灰度缺陷［1］可以通過其灰度特征及紋理特征的異常進行檢測，而0°帶束層接頭在形態(tài)上與此類灰度缺陷相近，因此灰度缺陷采用的特征提取和缺陷判別方法也是可以借鑒的。

基金項目： 山東省重點研發(fā)計劃項目（2017CXGC0810）

第一作者簡介： 史建杰（1995—），男，山東日照人。碩士研究生，研究方向為圖像處理、模式識別。Email： 519430889@qq.com。

通信作者簡介： 趙建玉（1966—） ，女，山東濟南人。教授，博士，碩士生導(dǎo)師，研究方向為模式識別。Email： cse_zjy@ujn.edu.cn。

網(wǎng)絡(luò)首發(fā)地址： https：//kns.cnki.net/kcms/detail/37.1378.N.20230320.1552.002.html

針對輪胎X射線圖像的缺陷自動檢測算法主要分為傳統(tǒng)模式識別算法和深度學習算法。傳統(tǒng)模式識別算法大多采用人工設(shè)計算法的方式提取特征，再通過設(shè)定規(guī)則或利用傳統(tǒng)模式識別算法進行檢測。根據(jù)提取特征類型的不同，傳統(tǒng)模式識別算法大致可分為基于灰度特征和基于紋理特征2種算法?；诨叶忍卣鞯姆椒ㄍㄟ^獲取簾線掩模圖，進而設(shè)置規(guī)則進行缺陷判斷。文獻［2］中對圖像進行雙向灰度調(diào)整后利用大津法提取簾線特征，再通過設(shè)計面積閾值法、穿線法等規(guī)則進行檢測。文獻［3］中利用一定角度上的極大值濾波法和最大類間方差法提取簾線特征，通過設(shè)計穿線規(guī)則進行檢測。文獻［4］中經(jīng)過二值化后進行基于種子點的簾線搜索提取簾線特征，再利用簾線的彎曲特征進行缺陷判斷。文獻［5］中通過對二值化圖像細化獲取簾線特征，再利用廣度優(yōu)先搜索檢測簾線交叉缺陷。由于灰度特征對二值化結(jié)果有極大的依賴性，在面臨各類X射線成像質(zhì)量問題（例如陰影、明暗變化）時，二值化結(jié)果同樣會受到影響，因此影響最終檢測效果。為了避免成像質(zhì)量不佳對二值化結(jié)果的影響，文獻［6］中在豎直窗口內(nèi)進行水平投影，再通過提取投影曲線的波峰特征，進而設(shè)置閾值規(guī)則實現(xiàn)輪胎各區(qū)域間的邊界分割。

除了灰度特征，輪胎X射線圖像中也存在可利用的豐富的紋理特征。文獻［7-8］中利用所設(shè)計的灰度共生矩陣、Gabor等紋理特征量，通過設(shè)定閾值規(guī)則或利用傳統(tǒng)模式識別算法對圖像每個窗口內(nèi)的特征進行檢測。

上述傳統(tǒng)算法無論是利用灰度特征還是紋理特征，均需要人工進行特征提取和規(guī)則設(shè)計， 而且對于情況越復(fù)雜的圖像， 特征提取工作就越復(fù)雜， 因此對人工經(jīng)驗要求極高， 難以獲得廣泛應(yīng)用。 隨著深度學習算法的發(fā)展， 深度學習算法強大的特征提取能力彌補了傳統(tǒng)模式識別算法在特征提取和規(guī)則設(shè)計上依賴人工經(jīng)驗的不足。深度學習算法按照缺陷檢測任務(wù)類型分為目標檢測和語義分割2種模型。 目標檢測模型主要用于輪胎雜物、 氣泡和開口等缺陷的檢測， 采用主流目標檢測模型， 并在此基礎(chǔ)上增加針對輪胎缺陷檢測任務(wù)的改進。 主流目標檢測模型在輪胎X射線缺陷檢測中采用較多的有基于區(qū)域的快速卷積神經(jīng)網(wǎng)絡(luò)（Faster RCNN）［9］和YOLOv3［10］。 文獻［11］中通過增加Faster RCNN的特征尺度來適應(yīng)輪胎圖像中各種大小缺陷的檢測。 文獻［12］中通過在Faster RCNN中增加特征層跳連接提升對雜物等小目標的檢測效果，并加入在線負樣本學習（OHEM）來強化對氣泡等特征不明顯缺陷的檢測。文獻［13］中根據(jù)缺陷大小、 長寬信息設(shè)置Faster RCNN錨框大小和寬高比， 從而提升檢測性能。 文獻［14］中通過在Faster RCNN推理時對圖像進行重疊分塊，解決過長缺陷的檢測問題。 文獻［15］中基于YOLOv3進行缺陷檢測， 并提出了對未標注圖像采用變分自編碼器進行聚類標注的方法，從而加速缺陷數(shù)據(jù)集標注。文獻［16］中通過對特征金字塔網(wǎng)絡(luò) （FPN）的改進提出了雙向特征提取網(wǎng)絡(luò)（TWFPN），在此基礎(chǔ)上與高效網(wǎng)絡(luò)（EfficientNet）［17］結(jié)合進行檢測，并利用背景特征值相似度對類別概率進行重排序，從而實現(xiàn)對正常輪胎背景的學習。以上目標檢測模型結(jié)果均為缺陷目標的最小外接矩形，而在實際缺陷檢測中，還需要對缺陷尺寸進行判斷。對于輪胎圖像中常見的長條狀傾斜目標，僅靠最小外接矩形無法滿足缺陷尺寸的判斷需求。針對這一情況，語義分割可以彌補該缺點，通過得到的缺陷掩模圖像分析、獲取更精確的尺寸信息。例如，文獻［18-19］中采用語義分割模型，在全卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上通過簡化分類任務(wù)來避免類別不均衡的問題，并采用多尺度特征融合來提升模型對輪胎雜物等小目標的分割性能。

以上深度學習算法針對輪胎圖像特征對網(wǎng)絡(luò)進行改進，并取得了一定效果，驗證了深度學習算法在輪胎X射線圖像的缺陷檢測任務(wù)中的有效性，但與傳統(tǒng)算法相比，深度學習算法計算速度慢，針對輪胎X射線圖像這種高分辨率圖像，難以滿足實時性要求。

目前進行0°帶束層接頭檢測的相關(guān)文獻很少，現(xiàn)有文獻均是基于接頭紋理和灰度特征的傳統(tǒng)模式識別算法，尚未見到利用深度學習算法來進行研究。例如，文獻［20］中利用灰度特征，以接頭區(qū)域灰度較小及接頭區(qū)域切口方向為前提，設(shè)計方向投影直方圖，再通過規(guī)則分析得到0°帶束層接頭位置。基于紋理特征的方法通過設(shè)置窗口計算紋理特征量進行檢測。文獻［21］中利用灰度共生矩陣和Gabor提取紋理特征，采用閾值規(guī)則和支持向量機聯(lián)合檢測接頭所在的位置。文獻［22］中利用灰度共生矩陣提取紋理特征，采用閾值規(guī)則檢測接頭所在的位置。上述2個接頭檢測方法均是基于傳統(tǒng)模式識別算法，所采用的紋理和灰度特征極易受輪胎自身花紋或X射線成像造成的明暗變化（圖1（d）所示）所影響，造成0°帶束層接頭檢測的誤報和漏報。

為了解決以上傳統(tǒng)算法易受干擾造成較高誤、漏報和目標檢測模型速度過慢的問題，本文中提出基于YOLOX模型的輪胎X射線圖像中0°帶束層接頭檢測方法（本文方法），借助深度學習算法強大的特征表達能力，提取出相較于傳統(tǒng)模式識別算法更加魯棒的特征，從而解決因成像或結(jié)構(gòu)原因造成的誤報、漏報問題。針對深度學習算法檢測速度慢的問題，利用投影直方圖獲取帶束層區(qū)域，只在0°帶束層區(qū)域內(nèi)進行檢測，從而加快算法的檢測速度，滿足實際應(yīng)用需求。

1 0°帶束層接頭缺陷及成像特點

輪胎由多種不同方向的鋼絲簾線層纏繞覆蓋組成，其中帶束層（圖1（a））需要纏繞多層。0°帶束層最終的接頭處（圖1（b））可能出現(xiàn)搭接過短（圖1（c））、 過長（圖1（d））等缺陷，從而影響帶束層強度。

輪胎X射線圖像為灰度圖，如圖1所示，不同的區(qū)域由不同方向的鋼絲簾線組成。0°帶束層為少數(shù)具有4層簾線的區(qū)域，其紋理特征極為豐富，其中的0°帶束層接頭區(qū)域也存在著豐富的紋理。此外，接頭區(qū)域更為顯著的特征為其相較0°帶束層其他區(qū)域灰度較暗，且接頭區(qū)域上、下切口均為平行傾斜，具有較為明顯的灰度特征。

2 0°帶束層接頭檢測算法

0°帶束層接頭檢測算法的總體流程分為帶束層區(qū)域分割、帶束層區(qū)域內(nèi)接頭檢測2個步驟，分別采用傳統(tǒng)圖像處理算法、深度學習算法。

步驟1 分割帶束層區(qū)域，為下一步接頭檢測縮小檢測范圍，大幅度減少目標檢測模型計算量。通過計算預(yù)處理后圖像的投影直方圖定位帶束層在圖像中的大體位置，最終得到帶束層區(qū)域圖像。

步驟2 調(diào)用YOLOX模型在帶束層區(qū)域內(nèi)檢測接頭。采用分塊調(diào)用YOLOX模型，在拼接后得到接頭檢測結(jié)果?？傮w流程如圖2所示。

2.1 帶束層區(qū)域分割

通過對不同輪胎圖像的觀察， 發(fā)現(xiàn)絕大多數(shù)輪胎都具有胎側(cè)區(qū)域偏亮， 而鋼絲圈和帶束層區(qū)域偏暗的現(xiàn)象。 由于胎側(cè)區(qū)域僅有一層鋼絲簾線， 使得大部分X射線得以穿透， 因此該區(qū)域偏亮。 而帶束層和鋼絲圈區(qū)域由多層鋼絲簾線疊加而成， 大部分X射線被鋼絲簾線阻擋無法穿透， 因此該區(qū)域偏暗。 通過提取鋼絲簾線特征， 對該特征設(shè)置規(guī)則進行分析即可將鋼絲圈、 胎側(cè)、 帶束層區(qū)域區(qū)分開， 如圖3所示。

圖像處理通常分為圖像預(yù)處理、 特征提取和特征分析3個步驟。

2.1.1 圖像預(yù)處理

在光照、設(shè)備良好的條件下獲取的輪胎X射線圖像原圖整體偏暗，紋理信息及缺陷特征不明顯，如圖4（a）所示的某子午線輪胎原圖。為了準確地提取圖像中的特征信息，在紋理分割和缺陷檢測前需要對圖像進行圖像增強預(yù)處理，如圖4（b）所示。觀察圖像發(fā)現(xiàn)，增大圖像中較小的灰度級并且壓縮較大的灰度級可以將圖像中的紋理信息、缺陷特征明顯地表現(xiàn)出來，因此選擇使用伽馬變換來對輪胎原圖進行預(yù)處理。

2.1.2 輪胎邊界特征提取

為了便于后面的邊界特征分析，需要根據(jù)胎側(cè)區(qū)域偏亮、鋼絲圈和帶束層區(qū)域偏暗這一特征提取輪胎邊界。采用極值濾波和形態(tài)學開運算這2種思路順序進行處理： 1）對于如圖5（a）所示的原始圖像， 通過豎直方向上的極值濾波［6］， 消除胎側(cè)水平簾線， 使得圖中只有帶束層和鋼絲圈區(qū)域存在簾線特征，得到如圖5（b）所示結(jié)果； 2）采用OTSU法二值化提取出簾線特征， 如圖5（c）所示； 3）通過豎直方向上形態(tài)學開運算（即窗口寬度與高度之比為1∶5）操作填充帶束層和鋼絲圈區(qū)域的簾線間隙， 從而提取出各個部位的掩模特征， 如圖5（d）所示。

2.1.3 特征分析

對于提取出的各區(qū)域掩模特征， 根據(jù)圖像中各部位的橫向排列順序， 可以通過投影直方圖分析獲取各區(qū)域之間的粗邊界， 即通過豎直方向投影直方圖獲得各個部位在水平方向上的分布情況。 為了獲取投影直方圖內(nèi)的邊界信息， 需要提取投影直方圖的上升、 下降沿。 首先， 計算投影直方圖的正、 負梯度得到正、 負梯度直方圖； 然后， 通過分析正、 負梯度直方圖來確定直方圖的上升、 下降沿， 即正梯度直方圖中峰的位置為投影直方圖上升沿，負梯度直方圖中峰的位置為投影直方圖下降沿； 最后， 所得中間區(qū)域的下降沿、 上升沿即為帶束層左、 右邊界， 如圖6所示。

2.2 帶束層區(qū)域接頭檢測

由于帶束層區(qū)域過長，在檢測接頭時需要分塊調(diào)用目標檢測模型，然后拼接得到接頭檢測結(jié)果，該檢測過程分為模型選擇和處理流程2個步驟。

2.2.1 模型選取

YOLOX保留了YOLOv4［23］和YOLOv5［24］系列中的各種數(shù)據(jù)增強方法，并將YOLOv5中基于錨框的檢測頭換成了無錨框的設(shè)計，并在此基礎(chǔ)上加入一種簡單高效的標簽分配方法。加上提前停止數(shù)據(jù)增強的訓(xùn)練策略，使得YOLOX擁有了超過YOLO前系的性能。主流模型的性能對比如表1所示。本文中選用性能與參數(shù)量兼顧的YOLOX作為接頭檢測的目標檢測模型。

2.2.2 處理流程

由于輪胎圖像的縱向分辨率過高，無法直接將整幅圖像直接輸入模型進行檢測，需要先對其進行橫向分塊，因此處理流程分為切割分段和結(jié)果融合2個步驟。具體處理流程如圖7所示。

1）圖像切割分段流程。 為了保證輸入到模型的圖像不會受到預(yù)處理插值的影響， 需要將圖像的寬度、 高度切割為32的倍數(shù)。 為此， 將邊界分割得到區(qū)域?qū)挾认蛲鈹U充至32的倍數(shù)后切割得到帶束層區(qū)域。 再按照高度為576像素， 并以步長小于576像素進行分段， 從而保證相鄰分段存在一定重疊， 使得縱向長度較大的缺陷也能夠被檢測到。 圖像切割分段流程如圖8所示。

2）圖像結(jié)果融合流程。在每一個分段圖像上采用缺陷檢測模型進行推理，得到推理結(jié)果坐標重新映射到原圖坐標系中。由于接頭存在過長的情況，在分段圖像中被切割為多塊，因此得到的檢測結(jié)果也會被分為多塊。最終需要將相重疊的結(jié)果取并集融合為同一個，從而解決檢測目標大小超出推理分辨率的問題，并能通過融合重疊區(qū)域得到更加準確的結(jié)果框。在融合之前，需要先將分段推理的結(jié)果坐標反映射到原圖坐標系，然后將相重疊的結(jié)果框取并集融合得到最終結(jié)果。圖像結(jié)果融合流程如圖9所示。

3 結(jié)果與分析

3.1 實驗設(shè)計

實驗所用的1 018幅全鋼輪胎X射線圖像數(shù)據(jù)集均采自某輪胎企業(yè)，包含各種類型輪胎在不同場景下的零度帶束層接頭成像，并按照8∶2比例分為訓(xùn)練集和測試集。對數(shù)據(jù)集內(nèi)圖像利用LabelImg軟件對接頭區(qū)域進行標注。對于標注得到的圖像，本文中采用與文獻［6］中相同的方法切割得到寬度、高度分別為帶束層寬度擴大至32的倍數(shù)和576像素的分塊圖像，并對每個目標進行豎直方向上隨機平移增廣，最終得到包括3 057幅圖像的訓(xùn)練集和771幅圖像的測試集。實驗環(huán)境采用的中央處理器為Intel Xeon W-2133，內(nèi)存為32 GB，圖像處理器為RTX 2080ti，深度學習環(huán)境采用的是Pytorch 1.5。在相同的實驗環(huán)境和默認超參配置下，利用相同的訓(xùn)練集和測試集分別采用YOLOX的中等規(guī)模版本（YOLOXm）、 YOLOv5的中等規(guī)模版本（YOLOv5m）、 EfficientNetd1［25］

、 Faster RCNN、 YOLOv3等5種算法迭代訓(xùn)練300輪次。為了驗證實驗中YOLOXm的收斂情況和泛化性能，以相同的參數(shù)設(shè)置設(shè)計4組k折交叉驗證實驗，對比k值分別為2、 3、 4、 5時的模型性能。

3.2 評價指標

評價指標采用的是COCO的平均精確率（AP）、平均召回率（AR），并得到以上目標檢測模型分別在不同的交并比（IOU，為結(jié)果框與標準框相交面積和結(jié)果框與標準框相并面積之比）下的指標，并計算誤報率R和漏報率L，計算公式分別為

式中： NFP為測試中沒有缺陷的位置上被檢測出缺陷的個數(shù)； NTP為測試中有缺陷的位置上被檢測出缺陷的個數(shù)；NFN為測試中有缺陷的位置上沒有被檢測出來的個數(shù)。以上用于判別缺陷是否被檢測到的指標由實際計算時的缺陷框與結(jié)果框的交并比確定。

3.3 實驗結(jié)果

3.3.1 目標檢測模型性能對比

對以上5種深度學習算法均采用前述處理流程進行測試， 得到目標檢測性能如圖10所示。 從平均精確率-召回率曲線（圖10（a））可以看出， 在召回率相同時YOLOX模型具有比其他算法更高的平均精確率。 如圖10（b）、 （c）所示， 當交并比為［0.85， 0.95］時YOLOX模型的精確率和召回率要明顯高于其他算法的。從不同算法的檢測性能對比（表2）可以看出，YOLOX模型的平均精確率和召回率均高于其他4種算法的，在交并比大于0.9時這一優(yōu)勢更為明顯，與其他算法相比， YOLOX模型得到的接頭檢測結(jié)果更加貼合實際。

3.3.2 模型收斂和泛化能力

YOLOX模型的4組k折交叉驗證實驗結(jié)果如表3所示?？梢钥闯?，雖然隨著k值增多該模型的平均精確率在k次實驗中的均值整體呈增大趨勢；但增加幅度有限（lt;1%），因此模型達到較好的收斂結(jié)果。k值不同時模型的平均精確率標準差均較小，說明模型具有較好的泛化能力。

3.3.3 與傳統(tǒng)模式識別方法對比

將本文方法與文獻［20］中方法的誤報率和漏報率指標進行對比，結(jié)果見表4。可以看出，本文方法在交并比分別大于50、75時的誤報率和漏報率均明顯優(yōu)于文獻［20］中方法的。

綜上所述，本文中提出的0°帶束層接頭檢測方法優(yōu)于其他目標檢測模型和傳統(tǒng)模式識別方法，并且具備較好的泛化能力。

4 結(jié)論

本文中提出利用YOLOX模型對0°帶束層接頭檢測的方法，解決了傳統(tǒng)算法易受圖像中花紋影響的問題；利用投影直方圖獲取帶束層區(qū)域，縮小檢測范圍，從而提高了模型的推理速度。實驗結(jié)果表明，本文方法的誤報率和漏報率均優(yōu)于傳統(tǒng)算法的，且所采用的YOLOX模型的檢測性能優(yōu)于其他主流深度學習算法。

由于目標檢測的結(jié)果均為矩形，而接頭區(qū)域均為平行四邊形，其上、下邊界線與水平方向存在一定角度，如何由目標檢測獲取更加貼合的平行四邊形結(jié)果，是接頭檢測在未來的研究方向。

參考文獻：

［1］ 逄增治， 鄭修楠， 李金屏. 全鋼子午線輪胎X光圖像的缺陷檢測研究現(xiàn)狀［J］. 智能系統(tǒng)學報， 2019， 14（4）： 793.

［2］ 孫虹霞. 輪胎X光圖像缺陷檢測算法研究［D］. 合肥： 中國科學技術(shù)大學， 2021.

［3］ 康宇豪. 子午線輪胎胎體簾線缺陷視覺檢測方法研究［D］. 沈陽： 沈陽工業(yè)大學， 2020.

［4］ LIN C W， CHEN G， ZHANG Y X， et al. Automatic detection of shoulder bending defects in tire Xray images［C］//2020 International Conference on Computer Engineering and Application （ICCEA）， March 18-20， 2020， Guangzhou， China. New York： IEEE， 2020： 877.

［5］ 于向茹， 丁健配， 李金屏. 輪胎簾線交叉重疊缺陷檢測［J］. 濟南大學學報（自然科學版）， 2017， 31（6）： 494.

［6］ 逄增治. 子午線輪胎X光圖像鋼絲圈缺陷檢測方法研究［D］. 濟南： 濟南大學， 2020.

［7］ ZHAO G， QIN S Y. Highprecision detection of defects of tire texture through Xray imaging based on local inverse difference moment features［J］. Sensors， 2018， 18（8）： 2524.

［8］ 林麗紅， 馬鐵軍， 徐培. Gabor變換在輪胎X光圖像處理的應(yīng)用［J］. 機械與電子， 2016， 34（4）： 59.

［9］ REN S Q， HE K M， GIRSHICK R， et al. Faster RCNN： towards real-time object detection with region proposal networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2019， 39（6）： 1137.

［10］ REDMON J， FARHADI A. YOLOv3： an incremental improvement［EB/OL］. （2018-04-08） ［2021-09-27］. https：//arxiv.org/pdf/1804.02767.pdf.

［11］ 崔雪紅. 基于深度學習的輪胎缺陷無損檢測與分類技術(shù)研究［D］. 青島： 青島科技大學， 2018.

［12］ 吳則舉， 焦翠娟， 陳亮. 基于改進Faster R-CNN的輪胎缺陷檢測方法［J］. 計算機應(yīng)用， 2021， 41（7）： 1939-1946.

［13］ CHEN J Y， LI Y W， ZHAO J X. Xray of tire defects detection via modified faster R-CNN［C］//2019 2nd International Conference on Safety Produce Informatization（ⅡCSPI）， November 28-30， 2019， Chongqing， China. New York： IEEE， 2019： 257.

［14］ ZHU Q D， AI X T. The defect detection algorithm for tire Xray images based on deep learning［C］//2018 IEEE 3rd International Conference on Image， Vision and Computing （ICIVC）， June 27-29，2018， Chongqing， China. New York： IEEE， 2018： 138.

［15］ 陳夢焱. 基于X光圖像的輪胎缺陷檢測算法研究［D］. 上海： 上海交通大學， 2020.

［16］ 陳亮， 白文濤. 基于EfficientNet的輪胎X光片缺陷檢測技術(shù)研究［J］. 沈陽理工大學學報， 2021， 40（2）： 8.

［17］ TAN M X， LE Q V. EfficientNet： rethinking model scaling for convolutional neural networks［EB/OL］. （2020-09-11） ［2021-09-27］. https：//arxiv.org/pdf/1905.11946.pdf.

［18］ WANG R， GUO Q， LU S M， et al. Tire defect detection using fully convolutional network［J］. IEEE Access， 2019（7）： 43502.

［19］ 王任. 基于深度卷積網(wǎng)絡(luò)的輪胎缺陷檢測方法研究［D］. 濟南： 山東財經(jīng)大學， 2020.

［20］ 林佳佳， 吳則舉， 劉中冬. 輪胎X射線0號帶束層接頭檢測定位量化算法的研究［J］. 科學技術(shù)與工程， 2016， 16（25）： 121.

［21］ 林佳佳. 基于輪胎X光圖像的0號帶束層缺陷檢測算法研究［D］. 青島： 青島科技大學， 2017.

［22］ 張元剛， 劉中華. 基于GLCM算法的輪胎0°帶束層接頭缺陷檢測［J］. 橡膠工業(yè)， 2018， 65（12）： 1402.

［23］ BOCHKOVSKIY A， WANG C Y， LIAO H Y M. YOLOv4： optimal speed and accuracy of object detection［EB/OL］. （2020-04-23） ［2021-09-27］. https：//arxiv.org/pdf/2004.10934.pdf.

［24］ GLENN J， ALEX S， JIRKA B， et al. Ultralytics/YOLOv5： v5.0YOLOv5P6 1280 models， AWS， Supervisely and YouTube integrations［EB/OL］. （2021-04-11） ［2021-09-27］.https：//zenodo.org/record/4679653.

［25］ TAN M X， PANG R M， LE Q V. EfficientDet： scalable and efficient object detection［C］//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）， June 13-19， 2020， Seattle， WA， USA. New York： IEEE， 2020： 19874970.

（責任編輯：劉建亭）