为了实现轮毂焊缝缺陷的智能化检测，本文对深度学习目标检测算法（You Only Look Once version3，YOLOv3）进行改进，得到YOLOv3-MC算法用于轮毂焊缝缺陷的检测。首先，使用工业相机采集轮毂焊缝图像，然后标注图像制作数据集，并且通过数据增强方法扩充数据集。接着，为了提高算法检测精度，使用Mish激活函数替换YOLOv3主干网络中的激活函数。修改算法的损失函数，使用完备交并比（Complete Intersection over Union，CIoU）的计算方法提升算法检测的定位精度。最后使用训练集训练算法模型，再使用验证集和测试集图像数据进行检测试验，结果表明，YOLOv3-MC的最优模型在验证集上的平均准确率（Mean Average Precision，mAP）达到了98.94%，F1得分值为0.99，平均交并比（Average Intersection over Union，AvgIoU）为80.92%，检测速度为76.59帧/秒，模型大小234MB。该模型在测试集上的检测正确率达到了99.29%。相较于传统机器视觉检测方法，该方法提高了检测精度，满足轮毂生产企业的焊缝实时在线检测需求。

为有效地对焊缝缺陷进行分类，从而判断焊接质量的等级，对传统卷积神经网络进行改进，提出一种多尺度压缩激励网络模型（SINet）。将4组两两串联的3×3卷积模块与Inception模块、压缩激励模块（SE block）相结合。通过多尺度压缩激励模块（SI module）将卷积层中的特征进行多尺度融合和特征重标定以提高分类准确率，并用全局平均池化层代替全连接层减少模型参数。此外考虑到焊接缺陷数量不平衡对准确率的影响，采用深度卷积对抗生成网络（DCGAN）进行数据集的平衡处理，并在该数据集上验证模型的有效性。与传统卷积神经网络相比，该模型具有良好的性能，在测试集上准确率达到96.77%，同时模型的参数个数也明显减少。结果表明该方法对焊缝缺陷图像能进行有效地分类。