1.一种基于级联区域卷积神经网络的轮毂缺陷检测方法，其特征在于：包括如下步骤：S1、采集轮毂X光图像：利用机械臂带动铝合金轮毂，使其旋转到对应拍摄点，获取不同区域的铝合金轮毂X光图像，所述机械臂旋转到固定点位，触发相机拍照，从而保持相同区域拍摄角度的一致性；

S2、采用自适应阈值分割对轮毂X光图像进行预处理：首先对轮毂X光图象进行平滑处理，再根据轮毂图像灰度分布，计算不同的局部阈值，实现轮毂X光图像的阈自适应分割，具体如下：预处理的自适应阈值矩阵为θ＝(1‑η)×Im，对输入轮毂图像进行平滑处理，平滑结果记为Im，η一般取0.5；阈值分割规则为 其中I(r,c)为输入轮毂图像，O(r,c)为阈值分割后的图像；

S3、训练并优化轻量级卷积神经网络模型，用训练和优化后的模型对轮毂X光图像进行初步筛选，如有严重缺陷则过检失败，回炉重铸，所述严重缺陷包括轮毂浇灌不足、夹渣，非严重缺陷则进行轮毂缺陷检测；用训练和优化后的轻量级卷积神经网络模型对轮毂X光图像进行初步筛选的具体步骤如下：在模型训练过程中通过反向传播算法最小化分类误差，并不断调整和迭代模型参数，然后将训练好的模型用剪枝算法进行压缩，形成轻量级网络模型，模型压缩过程为：首先，确定待分析参数，在剪裁之前需要确定待裁卷积层的参数的名称,通过观察参数名称和参数的形状，筛选出所有卷积层参数，并确定要裁剪的卷积层；

其次，启动剪枝任务，剪裁掉res4f_branch2b_weights和res4f_branch2a_weights两个权重参数，参数压缩后的模型利于发现冗余参数的共同特征，根据这些特征来削减参数，使得模型携带更少的网络参数，从而解决内存问题和运行速度问题；

最后评估剪枝模型，剪裁掉27％的参数权重，在不损失准确率的同时加快计算速率；

S4、建立基于级联区域卷积神经网络的缺陷检测模型，所述基于级联区域卷积神经网络的缺陷检测模型包括特征提取网络、特征金字塔网络以及级联检测器；

S5、获取轮毂缺陷信息并计算缺陷面积，根据轮毂缺陷所在位置和缺陷大小对轮毂缺陷划分等级，调用训练好的级联区域卷积神经网缺陷检测模型，输入轮毂X光图像，对轮毂进行检测，获取轮毂缺陷类别和位置信息；利用回归边框信息计算缺陷面积，根据轮毂缺陷所在位置和缺陷大小对轮毂缺陷划分等级；

缺陷等级划分规则为：轮缘、轮辋、轮心‑轮辐过渡区和轮辐轮缘过渡区，单个缺陷面积

2 2 2 2

小于1mm为一级缺陷，大于1mm 小于3mm为二级缺陷，大于3mm为三级缺陷，三级缺陷即为

2 2 2

过检失败；轮辐区域单个缺陷面积小于3mm 为一级缺陷，大于3mm小于7mm为二级缺陷，大2

于7mm为三级缺陷，三级缺陷即为过检失败。

2.根据权利要求1所述的一种基于级联区域卷积神经网络的轮毂缺陷检测方法，其特征在于：所述步骤S4中建立基于级联区域卷积神经网络的缺陷检测模型，提取轮毂X光图像特征的具体步骤如下：步骤1：采用可变形卷积对轮毂X光图像进行特征提取，在常规卷积上对卷积核加入偏移量，偏移后的卷积核通过学习是否在边缘区域来更新权重，继续增加偏移量，卷积核在附近位置随意采样，卷积核根据轮毂形状发生自适应变换，从而适应尺度多样的轮毂缺陷；

步骤2：利用特征金字塔网络将每一层输出的特征图由深层至浅层进行多尺度融合，使浅层网络保留位置信息的同时融入更多语义信息，再将融合后的特征图输入区域建议网络；

步骤3：级联检测器将三个检测器串联，对前一层输出的边框回归域重采样，微调作为新输入送到下一层检测器中，逐步提升样本质量和网络训练效果，得到一系列铸件缺陷分类和区域预测框，实现对多尺度缺陷的定位以及缺陷类别的估计。

3.根据权利要求2所述的一种基于级联区域卷积神经网络的轮毂缺陷检测方法，其特征在于：所述步骤1中可变形卷积表示为y(p)＝Σwkx(p0+pk+Δpk)Δmk,记该卷积有k个采样点，wk为第k点的权重，pk为第k点已存在的偏移，Δpk为可学习的偏移量，Δmk为可调节的参数，其中Δmk∈[0,1]；通过双线性插值计算偏移位置像素值 其中p＝p0+pk+Δpk，表示偏移后的任意位置，G(q,p)是一个二维矩阵，对应着偏移后四个位置坐标像素值的权重，G(q,p)＝g(qx,px)·g(qy,py)，其中g(a,b)＝max(0.1‑|a‑b)。

4.根据权利要求2所述的一种基于级联区域卷积神经网络的轮毂缺陷检测方法，其特征在于：所述步骤2中在特征提取过程中，特征分辨率以 的速率由低层到高层依次衰减，设每层特征图为 其中li为网络层，卷积计算将特征图降维，上采样将特征图放大到上一阶段的尺寸，将两个相同尺寸的特征图像素相加，得到融合后的特征图 展开为 其中conv为卷积操作，Resize为采样操作。

5.根据权利要求2所述的一种基于级联区域卷积神经网络的轮毂缺陷检测方法，其特征在于：所述步骤3中在级联结构中串联的三个检测器的阈值采用逐渐递增的方式，分别设置为(0.5，0.6，0.7)；

级联检测器的位置损失函数为 其中bi为候选框，gi为标

准框，f(xi,bi)为回归方程， 分类损失函数为

其中h(xi)为分类器，yi表示类别标签(正取1，负取0)；

式中M为类别数量，pic为样本i中为c类的概率，当检测结果为真时，yic＝1，否则为0；

t t t t t t

级联损失函数为L(x ,g)＝Lcls(ht(x),y)+λ[y＞1]Lloc(ft(x ,b),g)，其中t t‑1 t‑1 tb＝ft‑1(x ,b )，λ＝1为折中系数，[y＞1]指代函数变量。