[發明專利]一種利用背景特征進行重排名的輪胎X光瑕疵檢測方法

有效

• 申請號: 201911350200.9
• 申請日: 2019-12-24
• 公開（公告）號: CN111179239B
• 公開（公告）日: 2022-04-26
• 發明（設計）人: 盧建剛;郭培林;陳金水
• 申請（專利權）人: 浙江大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/08;G06N3/04;G06V10/764;G06V10/74;G06K9/62
• 代理公司: 浙江杭州金通專利事務所有限公司 33100
• 代理人: 吉靖;劉曉春

本發明提供一種利用背景特征進行重排名的輪胎X光瑕疵檢測方法，當訓練完模型之后進行瑕疵檢測時，不僅將待檢測圖片輸入模型中，還隨機選取多張不帶任何瑕疵的圖片輸入模型中；對待檢測圖片進行特征提取時，也提取無瑕疵圖片中對應位置的特征；然后計算瑕疵特征向量和背景特征向量之間的相似度，根據該相似度對候選框進行重排名之后再輸出最終的檢測結果，具有以下優點：1)基于深度學習的輪胎X光瑕疵檢測可以避免人的因素造成的輪胎質檢過程中效率低下、人工成本高等問題；2)充分利用無瑕疵圖片的信息，對候選框的概率進行一定的修正。

技術領域

本發明涉及計算機視覺和工業檢測技術領域，具體來說是一種利用背景特征進行重排名的輪胎X光瑕疵檢測方法。

背景技術

輪胎是我國國民經濟的重要支柱，我國的輪胎按照其胎體的不同可以分為斜交線輪胎和子午線輪胎兩種。子午線輪胎具有流動阻力小、使用壽命長、減震性能好等優點被廣泛使用。但是，子午線輪胎對生產要求非常高，其制作工藝流程相比于斜交線輪胎更為復雜。在子午線輪胎的生產過程中極易受到機械設備、生產流程以及其它外部環境的影響，會出現一些如雜質、胎稀、氣泡等瑕疵，這些瑕疵都會影響到輪胎的質量從而進一步影響交通駕駛的安全。

輪胎質檢中重要的環節就是通過X光機照射輪胎得到X光圖像，然后通過觀察X光圖像的特點來判斷該輪胎是否存在瑕疵及其位置。最開始由人工判別，但在目標檢測算法日漸成熟的背景下，已經有學者提出利用深度神經網絡搭建檢測模型來自動判別。

但是在訓練模型或測試模型時，需要的數據集都是要包含瑕疵的圖片集，而在實際生產中，最容易獲取、最多的數據是不包含任何瑕疵的輪胎X光圖片；另一方面，由于輪胎X光圖片的特殊性，瑕疵與背景本質上都是紋理特征，存在著極大的聯系，因此可以針對這些無瑕疵圖片，對算法做進一步改進，充分利用輪胎X光圖片中背景的信息來增強模型預測的魯棒性。

發明內容

針對現有質檢方式存在的上述問題，本發明提供了一種利用背景特征進行重排名的輪胎X光瑕疵檢測方法，充分利用橡膠工廠中大量的、最易獲取的不包含任何瑕疵的背景圖片，增強了模型的魯棒性。

為此，本發明采用如下解決方案：

一種利用背景特征進行重排名的輪胎X光瑕疵檢測方法，其特征在于：所述利用背景特征進行重排名的輪胎X光瑕疵檢測方法包括如下步驟：

(1)收集用于訓練和檢測的帶有瑕疵的輪胎X光圖片樣本集和用于輔助檢測的不包含任何瑕疵的輪胎X光圖片樣本集；

(2)對帶有瑕疵的輪胎X光圖片樣本集中的圖片進行圖像預處理，圖像預處理包括圖像增強和幾何翻轉；

(3)搭建Faster R-CNN模型，并利用步驟(2)圖像預處理后的帶有瑕疵的輪胎X光圖片樣本集中的圖片訓練Faster R-CNN模型；

(4)訓練完Faster R-CNN模型后進行瑕疵檢測時，將待檢測的輪胎X光圖片輸入到Faster R-CNN模型中，圖片經過特征提取網絡、RPN網絡和RoI池化層卷積后得到一批固定大小的瑕疵特征向量，將這些特征向量輸入到后續的分類網絡以使得每個候選框都會得到一組概率值Probs；

(5)隨機選擇n張無瑕疵圖片，其中，1≤n≤10，計算無瑕疵輪胎X光圖片中對應位置的背景特征向量，并計算瑕疵特征向量和背景特征向量之間的相似度Similarity，利用該相似度對步驟(4)得到的候選框的概率值Probs進行修正，即對候選框進行重排名；

(6)將已經被重排名了的候選框進行概率閾值判斷和非極大值抑制操作得到最終的檢測結果，最終檢測結果為瑕疵類別和瑕疵所在位置信息。

在采用上述技術方案的同時，本發明還可以采用或者組合采用如下技術方案：

作為本發明的優選技術方案：所述步驟(3)中，所述Faster R-CNN模型主要分為四個部分：