准确地检测出钢管焊缝中的缺陷是大口径螺旋焊接管道生产质检环节中最重要的部分之一,焊缝缺陷检测的质量决定了管道产品在其整个生命周期中能否在复杂工况下都能正常工作。其中,数字射线成像（Digital Radiography）是目前焊缝无损检测中最为精确且可靠的技术之一。然而,在质检环节,目前对钢管焊缝数字射线图像的分析主要采用人工检测及人工目视解译的方式进行,这种基于人工的图像方法工作强度高、效率较低并且易受主观影响（长工时下的视觉疲劳等）,极易出现误判。近期,基于深度学习的判别模型在缺陷检测方面取得巨大进展,但是这些预测类的判别模型需要大量的缺陷数据,特别是基于监督学习的模型,其性能受数据量影响较大,当缺陷数据较少时,此类模型易出现过拟合的现象,导致模型的泛化能力较差,影响识别精度。然而在钢管工业生产中缺陷出现的概率是非常低的,所以得到的数据集中存在缺陷的钢管焊缝数据极少。这种数据不平衡（缺陷数据与正常数据比值极低）会导致上述问题的产生。为此,本文提出一种基于自注意力生成模型的小数据数字射线成像钢管焊缝缺陷检测算法,具体工作如下:（1）本文从钢管焊缝缺陷的危害和成因出发,分析焊缝缺陷的形态特征。通过使用数字射线成像采集装置,采集本文所需要的数据,建立本文所需要的生成模型数据集、分类模型数据集和模型性能测试数据集这三种数据集。（2）为了解决缺陷数据严重不足的问题,本文提出一种不同与常规判别类模型的检测思路,通过生成模型将有缺陷图像重构为无缺陷图像,然后将两者图像从特征层面进行对比,确定缺陷所在位置,最后利用分类网络对缺陷进行分类,最终实现缺陷检测。（3）本文首先以生成对抗网络中的Pix2pix模型为基础,将其与自注意力机制结合,提出用于图像生成的Swin Pix2pix模型,该模型通过使用窗口多头自注意力机制和移位窗口多头自注意力机制以获得更广阔的感受野,从浅层中获得全局特征,提高图像重构后的图像质量和图像细节。然后对原始图像与重构后的图像使用LBP（Local Binary Pattern）算法提取特征,从特征图之间的差异来定位缺陷的位置。最后使用小样本学习中的原型网络对每一类缺陷建立原型向量,利用缺陷特征与原型向量之间的距离实现缺陷分类,最终完成缺陷检测算法。实验结果表明,本文设计的基于自注意力生成模型的小数据数字射线成像钢管焊缝缺陷检测算法对于本文的钢管焊缝数字射线图像具有较好的检测效果,同时与其他常见的检测算法相比,本文算法的准确率为0.716,MIoU为0.882,明显高于其他算法。