[發明專利]一種多尺度的輪胎X光病疵檢測方法

在審

• 申請號: 201910310408.1
• 申請日: 2019-04-17
• 公開（公告）號: CN110120036A
• 公開（公告）日: 2019-08-13
• 發明（設計）人: 范彬彬;陳金水;丁啟元;李瑩;楊穎
• 申請（專利權）人: 杭州數據點金科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T5/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京國昊天誠知識產權代理有限公司 11315
• 代理人: 施敬勃

本發明屬于圖像識別和檢測技術領域，具體公開了一種多尺度的輪胎X光病疵檢測方法。本發明檢測方法的步驟包括數據標注、圖像預處理、圖像裁剪、搭建FPN(特征金字塔網絡)融合Faster R?CNN網絡模型、初始化模型、將圖像數據集分為訓練集、驗證集和測試集、基于所述測試集進行測試，得到測試結果。其與傳統方法相比優勢如下：本發明采用多尺度的輪胎X光病疵檢測方法，通過提取圖像多層的特征，進行多尺度的融合，可以提高檢測輪胎X光病疵的準確度；采用FPN融合Faster R?CNN的網絡模型進行目標識別的，大大提高多尺度檢測的準確性，從而對輪胎質量進行準確監督，非常具有實用意義。

技術領域

本發明屬于計算機視覺和工業檢測技術領域，具體說是一種多尺度的輪胎X光病疵檢測方法。

背景技術

隨著經濟和社會的快速發展，輪胎工業在生活中扮演了越來越重要的角色，從2004年開始，我國的輪胎產量一直居世界第一位。輪胎的種類多樣，一般分為斜交和子午線輪胎，子午線輪胎又分為半鋼和全鋼子午線輪胎，全鋼子午線輪胎具有復雜的內部結構，對生產過程要求極其苛刻。生產過程中一旦出現操作不當、成型、壓延和硫化大小不合理，又或者說設備老化，都會影響輪胎的最后質量。而輪胎的質量對汽車的安全起著至關重要的作用，所以對輪胎質量的把控十分關鍵。

檢測輪胎質量的重要監測環節就是對輪胎拍攝X光圖像，然后根據X 光圖像判別當前輪胎是否有某種病疵，最開始是由人工判別，現在已經提出使用深度神經網絡模型進行自動判別，通過基于神經網絡模型的輪胎X光病疵檢測方法，可以檢測到病疵的位置和類型。

但并不是所有的深度神經網絡模型都對輪胎X光病疵的檢測有很好的效果，Faster R-CNN(基于區域候選網絡的實時目標檢測)網絡可以同時定位病疵并且分類出病疵類型，但是Faster R-CNN是在得到的最后一層特征圖上進行特征提取，從而進行目標識別的。但是這樣做存在的弊端在于，頂層特征中忽略了小物體的一些信息，因此只根據頂層特征進行目標識別，不能完整地反映小目標物體的信息。如果可以結合多層級的特征，就可以大大提高目標檢測的準確性。所以需要一種融合多層特征的、多尺度的輪胎X光病疵檢測方法。

發明內容

鑒于上述，本發明提供了一種多尺度的輪胎X光病疵檢測方法，可以大大提高病疵檢測的準確性。

提供了一種多尺度的輪胎X光病疵檢測方法，包括步驟如下：

S1、數據標注：將收集到的輪胎X光檢測圖片用LabelImg工具進行標注，標注出病疵位置、病疵類型，所述病疵位置標注時用方框標出，所述病疵類型可分為多種，標注文件的類型為xml文件；

S2、圖像預處理：將所述輪胎X光檢測圖片進行銳化處理得到預處理后的大圖片；

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

S4、搭建FPN(特征金字塔網絡)融合Faster R-CNN網絡模型：；

S5、初始化模型：設置參數，所述參數包括輸入圖片后統一的大小、模型在SearchSelective(選擇性搜索)階段方框的大小與個數、模型訓練的周期數；

S6、將圖像數據集分為訓練集、驗證集和測試集：劃分原則是所述訓練集占70％，所述驗證集和所述測試集各占15％；

S7、重復上述步驟S5、S6，可以訓練得到多個模型，對所述多個模型進行測試分析，基于所述測試集進行測試，得到測試結果。

進一步的，步驟S4中Faster R-CNN網絡原模型主要包括四部分：