一种轮胎X光图像检测识别方法及系统技术方案

技术编号:12889799 阅读:88 留言:0更新日期:2016-02-17 23:39
本发明专利技术公开了一种轮胎X光图像检测识别方法及系统,检测识别方法包括离线训练步骤和在线检测步骤,离线训练步骤包括:(11)建立训练样本(12)对训练样本中的图像进行缺陷检测,计算出训练样本缺陷信息(13)、将训练样本缺陷信息量化编码为训练样本特征向量(14)、将训练样本特征向量和判级结果训练成判级模型;在线检测步骤包括(21)实时采集待测轮胎X光图像(22)待测轮胎X光图像进行缺陷检测,计算出所有待测轮胎缺陷信息(23)将所有待测轮胎缺陷信息量化编码为待测轮胎特征向量;(24)将所述待测轮胎特征向量与所述判级模型计算。本发明专利技术的检测识别方法,避免了人为主观因素,判断更加客观、统一,判断效率及准确率均提高。

【技术实现步骤摘要】

本专利技术涉属于图像识别
,具体地说,是涉及一种轮胎X光图像检测识别方法及系统
技术介绍
在橡胶轮胎行业中,轮胎内部结构缺陷检测主要通过X光机进行检测,其过程是先对轮胎进行X光透射扫描成像,然后通过判读X光图像来实现检测。目前的X光图像判读工作主要是由人工完成,其工作强度大,效率低以及误判率高等因素使其已经不符合轮胎现代化质量检测要求。在此基础上,目前也出现用机器视觉自动检测缺陷和判级方法,但是该种方式的判级系统都是根据各种缺陷的测量参数,由轮胎质量方面的专家制定统一的判级规则,比对测量结果和规则来实现轮胎质量的判级。此方法在一定程度上降低了人工质检的强度,但是需要根据人工提前设计好的规则自动比对判级,由于轮胎X光机质量参差不齐造成缺陷成像质量差异,不同轮胎厂的工艺水平不同,最终的判级规则也不一致,人工制定的判级规则往往只能适用于某一种X光机采集的图像且只能是某一种水平的加工工艺,不具有普遍适用性。
技术实现思路
本专利技术为了解决现有轮胎X光图像检测识别方法工人工作量大和通用性差的技术问题,提供了一种轮胎X光图像检测识别方法及系统。为了解决上述技术问题,本专利技术采用以下技术方案予以实现: 一种轮胎X光图像检测识别方法,包括离线训练步骤和在线检测步骤,所述离线训练步骤包括以下子步骤: (11)、建立训练样本,包含若干轮胎X光图像、及其对应的判级结果; (12)、对训练样本中的图像进行缺陷检测,计算出训练样本缺陷信息; (13)、将训练样本缺陷信息量化编码为训练样本特征向量,形成η维向量,所述参数η分别表不η类缺陷; (14)、以训练样本中图像的判级结果作为样本标签,将所述训练样本特征向量训练成判级模型; 所述在线检测步骤包括以下子步骤: (21)、实时采集待测轮胎X光图像; (22)、将所述待测轮胎X光图像进行缺陷检测,计算出待测轮胎缺陷信息; (23)、将待测轮胎缺陷信息量化编码为待测轮胎特征向量,形成η维向量; (24)、将所述待测轮胎特征向量与所述判级模型计算,得出判断结果。进一步的,所述离线训练步骤之后还包括离线检测步骤,所述离线检测步骤包括以下子步骤: (31)、建立测试样本,包含若干轮胎X光图像、及其对应的判级结果; (32),对测试样本中的图像进行缺陷检测,计算出测试样本缺陷信息; (33)、将测试样本缺陷信息量化编码为测试样本特征向量,形成η维向量; (34)、将所述测试样本特征向量与所述判级模型计算,得出判断结果; (35)、将所述判断结果与测试样本中图像的判级结果比较,判断该判级模型是否可用。进一步的,所述步骤(35)中,计算出所述测试样本中图像的判级结果的准确率Ρ1,Ρ1大于阈值Ρ时,采用所述判级模型;P1小于或等于阈值P时,调整所述判级模型的参数,直至P1大于阈值P。进一步的,所述步骤(35)中,计算出所述测试样本中图像的判级结果的召回率Rl,R1大于阈值R时,采用所述判级模型;R1小于或等于阈值R时,调整所述判级模型的参数,直至R1大于阈值R。进一步的,还包括对所述判级模型进行更新的在线学习步骤。进一步的,所述在线学习步骤包括以下子步骤: (41)、抽样所述在线检测步骤的轮胎X光图像、及其对应的由所述判级模型计算出的判断结果J1,作为抽检样本、及样本标签; (42)、对上述轮胎X光图像进行再次判断,得出判断结果J2; (43)、将J1与J2进行比较,若J1与J2存在差异,将J2作为该抽检样本的样本标签存入训练样本,实现对所述判级模型的更新。进一步的,步骤(42)中的再次判断为人工判断。进一步的,所述抽检样本图像、及其对应的判断结果J2预先存储在某一单独数据库中,步骤(42)中的再次判断为将所述抽检样本图像的判断结果J2从该数据库中提取出来。基于上述一种轮胎X光图像检测识别方法,本专利技术同时提供了一种轮胎X光图像检测识别系统,包括离线训练子系统和在线检测子系统,所述离线训练子系统包括至少存储有训练样本的数据库和训练单元,所述训练单元用于: 对训练样本中的图像进行缺陷检测,计算出训练样本缺陷信息; 将训练样本缺陷信息量化编码为训练样本特征向量,形成η维向量,所述参数η分别表示η类缺陷; 以训练样本中图像的判级结果作为样本标签,将所述训练样本特征向量训练成判级模型; 所述在线检测子系统包括: X光机,用于实时采集待测轮胎X光图像; 图像处理单元,用于将所述待测轮胎X光图像进行缺陷检测,计算出待测轮胎缺陷信息; 数据处理单元,用于将待测轮胎缺陷信息量化编码为待测轮胎特征向量,形成η维向量;然后将所述待测轮胎特征向量与所述判级模型计算,得出判断结果,并将判断结果发送至控制中心保存。进一步的,还包括离线检测单元,用于对所述判级模型进行离线检测。又进一步的,还包括在线学习单元,用于对所述判级模型更新。与现有技术相比,本专利技术的优点和积极效果是:本专利技术的轮胎X光图像检测识别方法,大幅减少人工识别,降低了人为主观因素影响,判断更加客观、判断标准统一,通过采用训练样本训练出判级模型,提高判断效率,而且,基于大量的统计数据,准确率高。结合附图阅读本专利技术实施方式的详细描述后,本专利技术的其他特点和优点将变得更加清楚。【附图说明】为了更清楚地说明本专利技术实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本专利技术的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。图1是本专利技术所提出的轮胎X光图像检测识别方法一种实施例流程图; 图2是本专利技术所提出的轮胎X光图像检测识别方法一种实施例流程图; 图3是本专利技术所提出的轮胎X光图像检测识别系统的一种实施例方框图。【具体实施方式】下面将结合本专利技术实施例中的附图,对本专利技术实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本专利技术一部分实施例,而不是全部的实施例。基于本专利技术中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本专利技术保护的范围。实施例一,参见图1、图2所示,本实施例提出了一种轮胎X光图像检测识别方法,包括离线训练步骤和在线检测步骤,所述离线训练步骤包括以下子步骤: 511、建立训练样本,包含若干轮胎X光图像、及其对应的判级结果; 512、对训练样本中的图像进行缺陷检测,计算出训练样本缺陷信息; 513、将训练样本缺陷信息量化编码为训练样本特征向量,形成η维向量,所述参数η分别表示η类缺陷; 514、以训练样本中图像的判级结果作为样本标签,将所述训练样本特征向量训练成判级模型; 所述在线检测步骤包括以下子步骤: 521、实时采集待测轮胎X光图像; 522、将所述待测轮胎X光图像进行缺陷检测,计算出待测轮胎缺陷信息; 523、将待测轮胎缺陷信息量化编码为待测轮胎特征向量,形成η维向量; 524、将所述待测轮胎特征向量与所述判级模型计算,得出判断结果。本实施例的轮胎X光图像检测识别方法,能够从图像采集到图像分析对轮胎缺陷识别判断由系统自动完成,完全脱离人工识别,避免了人为主观因素,判断更加客观、判断标准统一,通本文档来自技高网...

【技术保护点】
一种轮胎X光图像检测识别方法,其特征在于,包括离线训练步骤和在线检测步骤,所述离线训练步骤包括以下子步骤: (11)、建立训练样本,包含若干轮胎X光图像、及其对应的判级结果;(12)、对训练样本中的图像进行缺陷检测,计算出训练样本缺陷信息;(13)、将训练样本缺陷信息量化编码为训练样本特征向量,形成n维向量,所述参数n分别表示n类缺陷;(14)、以训练样本中图像的判级结果作为样本标签,将所述训练样本特征向量训练成判级模型;所述在线检测步骤包括以下子步骤:(21)、实时采集待测轮胎X光图像;(22)、将所述待测轮胎X光图像进行缺陷检测,计算出待测轮胎缺陷信息;(23)、将待测轮胎缺陷信息量化编码为待测轮胎特征向量,形成n维向量;(24)、将所述待测轮胎特征向量与所述判级模型计算,得出判断结果。

【技术特征摘要】

【专利技术属性】
技术研发人员:张斌高书征
申请(专利权)人:软控股份有限公司
类型:发明
国别省市:山东;37

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1