1.一种检测汽车轮毂表面缺陷检测方法，其特征在于包括以下步骤：

步骤1，选择汽车轮毂表面的点状缺陷、油泥和油漆区域、线性和针孔缺陷区域作为需要检测的4种缺陷；

步骤2，采集100万张各类汽车轮毂的表面图片作为训练用源数据样本，采用图片切片的方法分割每个汽车轮毂图片缺陷区域；

步骤3，使用改进的YOLOv3‑spp神经网络检测模型，对轮毂四种缺陷图片进行检测识别训练，通过分析每次训练得到的检测识别效果，不断修改改进YOLOv3‑spp神经网络检测模型的参数达到模型权重最优化；

将YOLOv3‑spp算法进行改进，具体步骤为：

S1使用自适应锚框的方法得到适合轮毂表面缺陷的锚框并对数据集进行Mosaics数据增强；

S2使用CSPDarknet53主干特征提取网络，并将网络的激活函数替换为SiLU激活函数；

S3使用SPPF特征融合模块，同时使用ASFF特征金字塔结构，融合三个预测特征层的输出；

S4最后将预测解耦头换为双头解耦，在损失函数部分使用了CIOU_LOSS，并在预测部分使用DIOU_NMS进一步提高训练速度和准确率；

改进YOLOv3‑spp算法中自适应锚框和Mosaics数据增强，是通过利用步骤2所采集的轮毂表面缺陷数据集使用K‑means聚类算法获得针对轮毂表面四种缺陷目标的预设框，Mosaics数据增强是通过对随机采样四张图片进行翻转、缩放、色域变化，并按照四个方向位置摆好，进行图片的组合和框的组合；

改进YOLOv3‑spp算法中CSPDarknet53主干特征提取网络和SiLU激活函数，是通过将原来YOLOv3‑spp中的Darknet53与CSPNet进行结合，CSPNet将原来的残差块的堆叠进行拆分，把它拆分成左右两部分：主干部分继续堆叠原来的残差块，支路部分则相当于一个残差边，经过少量处理直接连接到最后并使用SiLU激活函数代替原来的Leaky ReLU激活函数；

改进YOLOv3‑spp算法中SPPF特征融合模块和ASFF特征金字塔结构，是通过将输入串行通过多个5×5大小的MaxPool层，得到SPPF模块；ASFF特征金字塔结构则融合三个预测特征层的输出充分利用了网络所有预测特征层信息；

改进YOLOv3‑spp算法中双头解耦，CIOU_LOSS，DIOU_NMS预测，是通过将判断每一个特征点所包含的物体种类的参数Cls作为一头，用于判断每一个特征点预测框的回归参数Reg和用于判断每一个特征点是否包含物体的参数Obj作为另一头形成双头解耦。

2.根据权利要求1所述的一种检测汽车轮毂表面缺陷检测方法，其特征在于：步骤1中将轮毂表面分为A、B两大区域，区域A为车轮轮毂正面平面区域，区域B为轮毂正面的窗口和轮辐侧面区域，汽车轮毂A和B两大区域表面的点状缺陷、油泥和油漆区域、线性缺陷和针孔缺陷区域是需要检测识别的4种缺陷。

3.根据权利要求1所述的一种检测汽车轮毂表面缺陷检测方法，其特征在于：步骤2中采集100万张各类汽车轮毂的表面图片作为原始数据，筛选出其中含有步骤1中四种缺陷的图片，采用图片切片的方法将每个图片分割成16张小图片，舍弃没有缺陷的图片，保留含有缺陷的图片，包含步骤1中四种缺陷每种缺陷各100张，并通过对切片图片进行水平翻转与垂直翻转、正负90度旋转的四种方法，扩充数据集，作为检测识别轮毂表面缺陷训练用源数据集。

4.根据权利要求1所述的一种检测汽车轮毂表面缺陷检测方法，其特征在于：步骤3中将通过步骤2得到的源数据集，将图片像素调整为32的倍数960*704，通过使用人工标注的方法在图片上标注出缺陷的位置和缺陷种类，然后利用改进YOLOv3‑spp神经网络检测模型进行检测识别训练，通过分析每次检测识别效果，不断修改改进YOLOv3‑spp神经网络检测模型的参数，最终达到87.2％的平均检测准确率和平均每张图片32ms的检测速度。

5.根据权利要求1所述的一种检测汽车轮毂表面缺陷检测方法，其特征在于：DIOU损失和CIOU损失的计算公式分别为：LDIOU＝1‑DIOU，

其中d表示预测框中心坐标与真实框中心坐标的欧氏距离，c表示两边框外接矩形对角线长度；

LCIOU＝1‑CIOU，

αv表示引入的真实框与预测框长宽比因子；训练过程中边框回归损失使用CIOU损失，预测过程则使用DIOU作为评价标准结合NMS过程得到预测框。