[發(fā)明專利]輪胎X射線圖像雜質(zhì)缺陷檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110202117.8
• 申請(qǐng)日: 2021-02-23
• 公開(kāi)（公告）號(hào): CN113066047A
• 公開(kāi)（公告）日: 2021-07-02
• 發(fā)明（設(shè)計(jì)）人: 張巖;鄭洲洲;趙蒙蒙;孫英偉;常艷康
• 申請(qǐng)（專利權(quán)）人: 青島科技大學(xué)
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06N3/04;G06N3/08;G06K9/62
• 代理公司: 山東重諾律師事務(wù)所 37228
• 代理人: 李常芳

1.一種輪胎X射線圖像雜質(zhì)缺陷檢測(cè)方法，其特征在于：包括以下步驟：

S1、對(duì)X光機(jī)采集的2469*11400的X射線輪胎圖像截取416*416的包含雜質(zhì)圖像建立數(shù)據(jù)集；

S2、使用旋轉(zhuǎn)、鏡像和亮度變換對(duì)S1獲取數(shù)據(jù)集進(jìn)行增強(qiáng)；

S3、采用基于K-means聚類算法探究YOLOv4-tiny的錨框尺寸，對(duì)YOLOv4-tiny主干網(wǎng)絡(luò)引入通道注意力機(jī)制，構(gòu)建新的網(wǎng)絡(luò)框架；

S4、設(shè)置網(wǎng)絡(luò)的超參數(shù)和相應(yīng)的網(wǎng)絡(luò)參數(shù)，開(kāi)始網(wǎng)絡(luò)模型訓(xùn)練；

S5、將S1中的X光機(jī)采集的輪胎圖像輸入已訓(xùn)練好的網(wǎng)絡(luò)模型實(shí)時(shí)檢測(cè)輪胎缺陷。

2.根據(jù)權(quán)利要求1所述的輪胎X射線圖像雜質(zhì)缺陷檢測(cè)方法，其特征在于：在步驟S1中執(zhí)行以下步驟：

S11，從X光機(jī)360°掃面輪胎內(nèi)部一圈，然后，通過(guò)計(jì)算機(jī)采集到的2469*11400大小的輪胎X射線圖像；其次，從采集的輪胎X射線圖像中選取包含雜質(zhì)缺陷的X射線圖像；再次，從包含雜質(zhì)缺陷的X射線圖像中截取416*416大小且包含雜質(zhì)小圖，作為數(shù)據(jù)集圖片，并文件夾命名為JPEGImages；

S12，首先，采用用于深度網(wǎng)絡(luò)訓(xùn)練的數(shù)據(jù)集做標(biāo)注的LabelImg對(duì)JPEGImages文件內(nèi)中的數(shù)據(jù)集圖片進(jìn)行標(biāo)記；之后，LabelImg中Open Dir打開(kāi)JPEGImages文件，通過(guò)Create-RectBox繪制包含缺陷的矩形區(qū)域，并定義缺陷標(biāo)簽名稱為defect；然后，用矩形框標(biāo)出缺陷的區(qū)域，并導(dǎo)入相應(yīng)的.xlm文件整合為標(biāo)簽文件夾，文件夾命名Annotations。

3.根據(jù)權(quán)利要求1所述的輪胎X射線圖像雜質(zhì)缺陷檢測(cè)方法，其特征在于：在步驟S2中執(zhí)行以下步驟：

S21，首先，對(duì)JPEGImages文件夾中的原圖進(jìn)行90°或180°旋轉(zhuǎn)后，沿豎直方向進(jìn)行鏡像操作；然后，對(duì)原圖進(jìn)行兩種不同設(shè)定程度的亮度擴(kuò)充；其次，相應(yīng)擴(kuò)充后圖片放入JPEGImages文件夾；再次，相應(yīng)的擴(kuò)充后圖片對(duì)應(yīng)的標(biāo)簽文件放入Annotations；。

4.根據(jù)權(quán)利要求1所述的輪胎X射線圖像雜質(zhì)缺陷檢測(cè)方法，其特征在于：在步驟S3中執(zhí)行以下步驟：

S31，首先，在S21中提取Annotations文件夾中.xlm文件中設(shè)定缺陷的寬高信息作為K-means聚類算法的聚類樣本；

S32，錨框初始化：隨機(jī)選擇S31中的樣本集中不同寬度和高度的k個(gè)候選框作為初始錨框尺寸；

S33，IoU距離計(jì)算：計(jì)算S32中的每個(gè)候選框和k個(gè)初始錨框間的IoU距離；

S34，距離最小化：將S33中與其他樣本距離最小的錨框作為新的錨框，并在一個(gè)循環(huán)中找到最優(yōu)的錨框；

d(box，centroid)＝1-IoU(box，centroid)；

其中

S35，首先，選取CSPdarknet53_tiny作為YOLOv4-tiny網(wǎng)絡(luò)的神經(jīng)網(wǎng)絡(luò)模型backbone；其中，神經(jīng)網(wǎng)絡(luò)模型backbone包括3組卷積Conv2D、標(biāo)準(zhǔn)化BN、Leaky激活函數(shù)和3個(gè)殘差組Resblock_body，卷積的步長(zhǎng)為2，實(shí)現(xiàn)對(duì)圖片寬高的壓縮；其次，由于所述的backbone由Conv2D+BN+Leaky和Resblock_body組成，在卷積塊Conv2D+BN+Leaky和Resblock_body之間引入通道注意力機(jī)制CAM，其中，注意力機(jī)制CAM包括1個(gè)全局平均池化層、1個(gè)全局最大池化層、4個(gè)全連接層、2個(gè)Relu激活函數(shù)層及2個(gè)Sigmoid激活函數(shù)層。