[發(fā)明專利]一種多尺度的輪胎X光病疵檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201910310408.1
• 申請(qǐng)日: 2019-04-17
• 公開（公告）號(hào): CN110120036A
• 公開（公告）日: 2019-08-13
• 發(fā)明（設(shè)計(jì)）人: 范彬彬;陳金水;丁啟元;李瑩;楊穎
• 申請(qǐng)（專利權(quán)）人: 杭州數(shù)據(jù)點(diǎn)金科技有限公司
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06T5/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京國(guó)昊天誠(chéng)知識(shí)產(chǎn)權(quán)代理有限公司 11315
• 代理人: 施敬勃

1.一種多尺度的輪胎X光病疵檢測(cè)方法，包括步驟如下：

S1、數(shù)據(jù)標(biāo)注：將收集到的輪胎X光檢測(cè)圖片用LabelImg工具進(jìn)行標(biāo)注，標(biāo)注出病疵位置、病疵類型，所述病疵位置標(biāo)注時(shí)用方框標(biāo)出，所述病疵類型可分為多種，標(biāo)注文件的類型為xml文件；

S2、圖像預(yù)處理：將所述輪胎X光檢測(cè)圖片進(jìn)行銳化處理得到預(yù)處理后的大圖片；

S3、圖像裁剪：將大小是20000×1900的所述預(yù)處理后的大圖片分為11張1900×1900的小圖，將相應(yīng)的坐標(biāo)位置進(jìn)行變換，改寫記錄所述病疵類型以及坐標(biāo)的xml文件；

S4、搭建FPN(特征金字塔網(wǎng)絡(luò))融合Faster R-CNN網(wǎng)絡(luò)模型：；

S5、初始化模型：設(shè)置參數(shù)，所述參數(shù)包括輸入圖片后統(tǒng)一的大小、模型在SearchSelective(選擇性搜索)階段方框的大小與個(gè)數(shù)、模型訓(xùn)練的周期數(shù)；

S6、將圖像數(shù)據(jù)集分為訓(xùn)練集、驗(yàn)證集和測(cè)試集：劃分原則是所述訓(xùn)練集占70％，所述驗(yàn)證集和所述測(cè)試集各占15％；

S7、重復(fù)上述步驟S5、S6，可以訓(xùn)練得到多個(gè)模型，對(duì)所述多個(gè)模型進(jìn)行測(cè)試分析，基于所述測(cè)試集進(jìn)行測(cè)試，得到測(cè)試結(jié)果。

2.根據(jù)權(quán)利要求1所述的多尺度的輪胎X光病疵檢測(cè)方法，其特征在于，步驟S4中Faster R-CNN網(wǎng)絡(luò)原模型主要包括四部分：

1)Conv layers(卷積層)提取特征圖，使用一組基礎(chǔ)的conv+relu+pooling(卷積+修正線性單元+池化)層提取輸入圖像的feature maps(特征圖)，該feature maps會(huì)用于后續(xù)的RPN層和全連接層；

2)RPN(Region Proposal Networks，區(qū)域選擇網(wǎng)絡(luò))，用于生成region proposals(候選區(qū)域)，首先生成一堆Anchor box(錨盒)，對(duì)其進(jìn)行裁剪過(guò)濾后通過(guò)softmax(歸一化指數(shù)函數(shù))判斷anchors(錨)屬于前景(foreground)或者后景(background)；同時(shí)，另一分支bounding box regression(邊框回歸)修正anchor box，形成較精確的proposal(侯選框)；

3)Roi Pooling(侯選區(qū)域池化)層，利用RPN生成的所述proposals(侯選框)和VGG16(目視圖像生成器16)最后一層得到的feature map，得到固定大小的proposal featuremap(侯選框特征圖)，進(jìn)入到后面可利用全連接操作來(lái)進(jìn)行目標(biāo)識(shí)別和定位；

4)Classifier(分類器)，將所述Roi Pooling層形成固定大小的所述feature map進(jìn)行全連接操作，利用Softmax進(jìn)行具體類別的分類，同時(shí)，利用L1 Loss(L1損失函數(shù))完成bounding box regression(邊框回歸)回歸操作獲得物體的精確位置。

3.根據(jù)權(quán)利要求1或2所述的多尺度的輪胎X光病疵檢測(cè)方法，其特征在于，步驟S4中FPN(特征金字塔網(wǎng)絡(luò))具體操作方法為：

1)自底向上路徑，由多個(gè)卷積模塊組成，每個(gè)所述卷積模塊包含多個(gè)卷積層，自底向上的過(guò)程中，空間維度逐模塊減半，每個(gè)所述卷積模塊的輸出將在自頂向下的路徑中使用；

2)自頂向下路徑，F(xiàn)PN使用一個(gè)1x1的卷積過(guò)濾器將最上面的卷積模塊的頻道深度降至256維，得到圖像M5，接著應(yīng)用一個(gè)3x3的卷積得到圖像P5，所述圖像P5用于目標(biāo)預(yù)測(cè)的第一個(gè)特征映射；沿著自頂向下的路徑往下，F(xiàn)PN對(duì)之前的層應(yīng)用最近鄰上采樣，同時(shí)，F(xiàn)PN對(duì)自底向上通路中的相應(yīng)特征映射應(yīng)用1x1卷積，接著應(yīng)用分素相加，應(yīng)用3x3卷積得到目標(biāo)檢測(cè)的特征映射。

4.根據(jù)權(quán)利要求1所述的多尺度的輪胎X光病疵檢測(cè)方法，其特征在于，步驟S6中包括：基于所述訓(xùn)練集進(jìn)行模型的訓(xùn)練，基于驗(yàn)證集進(jìn)行參數(shù)的調(diào)整，所述訓(xùn)練進(jìn)行多次迭代，并采用K交叉驗(yàn)證方法進(jìn)行參數(shù)配置的調(diào)整，所述訓(xùn)練到一定的周期，需要檢查當(dāng)前的所述參數(shù)配置是否是正確的，具體步驟如下：

1)在所述模型的訓(xùn)練過(guò)程中，獲取所述模型在所述訓(xùn)練集和所述驗(yàn)證集上面的損失函數(shù)的函數(shù)值；

2)所述訓(xùn)練到一定的周期之后，暫時(shí)停止所述訓(xùn)練，并將當(dāng)前的模型保存下來(lái)，方便以后繼續(xù)所述訓(xùn)練；

3)畫出所述訓(xùn)練集和所述驗(yàn)證集的損失函數(shù)值，橫軸為周期數(shù)，縱軸為所述損失函數(shù)值，觀察所述訓(xùn)練集和所述驗(yàn)證集上的所述損失函數(shù)值是否是一個(gè)正確的下降趨勢(shì)；

4)如果步驟3)中是呈正確下降趨勢(shì)，則不必調(diào)節(jié)參數(shù)，這時(shí)導(dǎo)入在步驟2)中保存的所述模型繼續(xù)訓(xùn)練直至達(dá)到模型收斂；否則進(jìn)入步驟5)；

5)如果損失函數(shù)的函數(shù)值沒(méi)有呈正確的下降趨勢(shì)，就找到原因，并調(diào)節(jié)所述參數(shù)，所述參數(shù)確定好之后回到步驟S5中。