一种可判别病疵等级的轮胎X光病疵检测方法技术

本发明专利技术公开了一种可判别病疵等级的轮胎X光病疵检测方法。该方法包括数据标注、图像预处理、图像裁剪、搭建Faster R‑CNN模型、初始化模型、将图像数据集分为训练集、验证集和测试集、基于所述测试集进行测试，检测图片类型。本发明专利技术通过可判别轮胎病疵等级的检测方法检测出轮胎的病疵等级，从而筛选出优质品、可用品、可修复品、残次品，从而进行相应的选择修复再投入使用，自动判别等级可减少人工判别的误判率、效率高。本发明专利技术克服了现有轮胎X光病疵检测方法的不足，解决了传统轮胎X光病疵检测方法需很强的先验知识来辅助提取有区分度特征，存在偶然性强，可靠性低，无法精确检测轮胎缺陷的问题。本发明专利技术的方法准确性高，利于准确监督轮胎质量，利于市场推广。

A X-ray Defect Detection Method for Tire with Defect Grade

【技术实现步骤摘要】
一种可判别病疵等级的轮胎X光病疵检测方法
本专利技术属于图像检测识别和工业检测
，具体说，是一种可判别病疵等级的轮胎X光病疵检测方法。
技术介绍
随着经济的快速增长，各行各业呈现一种欣欣向荣之势，其中汽车行业更是得到了空前的发展，这直接带动了轮胎行业的快速发展。目前，我国各种轮胎合计产量稳居世界之首，成为世界轮胎生产大国。轮胎作为汽车上的一个核心部件，轮胎的质量对汽车的安全起着至关重要的作用。死于车祸的人数中约有四成是由于轮胎发生故障引起的，而在这个四成中又有大约75％是由于爆胎引起的，因此对轮胎的质量把控十分关键。检测轮胎质量的重要监测环节就是对轮胎拍摄X光图像，然后根据X光图像判别当前轮胎是否有某种病疵，最开始是由人工判别，现在已经提出使用深度神经网络模型进行自动判别，通过基于神经网络模型的轮胎X光病疵检测方法，可以检测到病疵的位置和类型。通过基于神经网络模型的轮胎X光病疵检测能准确检测到病疵的位置和类型，但是检测后还不能判别病疵的等级，即病疵的严重程度，是非常严重以至于不可用，还是可修复，或者是完全没问题，需要一种判别病疵等级的检测方法。
技术实现思路
针对传统轮胎X光病疵检测方法中的不足，本专利技术提供了一种可判别病疵等级的轮胎X光病疵检测方法，能够解决判别病疵等级的问题。提供了一种可判别病疵等级的轮胎X光病疵检测方法，包括步骤如下：S1、数据标注：将收集到的轮胎X光检测图片用LabelImg工具进行标注，标注出病疵位置、病疵类型和病疵等级，所述病疵位置标注时用方框标出，所述病疵类型可分为多种，标注文件的类型为xml文件；其中，所述病疵等级分为1：优质品；2：可用品；3：可修复；4：残次品；S2、图像预处理：将所述轮胎X光检测图片进行锐化处理得到预处理后的大图片；S3、图像裁剪：将大小是20000×1900的所述预处理后的大图片分为11张1900×1900的小图，将相应的坐标位置进行变换，改写记录所述病疵类型以及坐标的xml文件；S4、搭建FasterR-CNN(深度神经网络)模型：；S5、初始化所述FasterR-CNN模型：设置参数，所述参数包括输入图片后统一的大小、模型在SearchSelective(选择性搜索)阶段方框的大小与个数、模型训练的周期数；S6、将图像数据集分为训练集、验证集和测试集：划分原则是所述训练集占70％，所述验证集和所述测试集各占15％；S7、重复上述步骤S5、S6，可以训练得到多个模型，对所述多个模型进行测试分析，基于所述测试集进行测试，将所述轮胎X光检测图片输入模型，得到所述轮胎X光检测图片属于哪一种病疵类型以及病疵等级。进一步的，步骤S1中病疵类型包括：帘线稀疏、帘线弯曲、帘线重叠、零度散线、带束层稀线、杂质、胎侧气泡、胎冠气泡、成型开根、成型街头稀线、其他。进一步的，步骤S4中FasterR-CNN网络原模型主要包括四部分：1)Convlayers(卷积层)提取特征图，对于任意输入大小输入的图像，先将图像进行缩放，然后送入网络Convlayers(卷积网络层)，Convlayers(卷积网络层)中包含了13个conv层(卷积)，13个relu层(激活函数层)，4个pooling层(池化层)，用这些基础的层提取图片的featuremaps(特征图)，该featuremaps(特征图)被共享用于后续RPN层和全连接层；2)RPN(RegionProposalNetworks，区域选择网络)，经过3x3卷积，再分别生成foregroundanchors(前景窗口)与boundingboxregression(边框回归)偏移量，然后计算出proposals(候选框)；3)RoiPooling(侯选区域池化)层，利用proposals(候选框)从featuremaps(特征图)中提取proposalfeature(候选框特征)送入后续全连接和softmax(归一化指数函数)网络作classification(分类)；4)Classifier(分类器)，利用proposalfeaturemaps(候选框特征图)计算proposal(候选框)的类别，同时再次boundingboxregression(边框回归)获得检测框最终的精确位置。进一步的，步骤S6中包括：基于所述训练集进行模型的训练，基于验证集进行参数的调整，所述训练进行多次迭代，并采用K交叉验证方法进行参数配置的调整，所述训练到一定的周期，需要检查当前的所述参数配置是否是正确的，具体步骤如下：1)在所述模型的训练过程中，获取所述模型在所述训练集和所述验证集上面的损失函数的函数值；2)所述训练到一定的周期之后，暂时停止所述训练，并将当前的模型保存下来，方便以后继续所述训练；3)画出所述训练集和所述验证集的损失函数值，横轴为周期数，纵轴为所述损失函数值，观察所述训练集和所述验证集上的所述损失函数值是否是一个正确的下降趋势；4)如果步骤3)中是呈正确下降趋势，则不必调节参数，这时导入在步骤2)中保存的所述模型继续训练直至达到模型收敛；否则进入步骤5)；5)如果损失函数的函数值没有呈正确的下降趋势，就找到原因，并调节所述参数，所述参数确定好之后回到步骤S5中。本专利技术的有益效果在于：(1)通过可判别轮胎病疵等级的检测方法检测出轮胎的病疵等级，从而对轮胎进行筛选，筛选出优质品、可用品、可修复品、残次品，从而进行相应的选修复选择再投入使用，自动判别等级可减少人工判别的误判率、缩小时间、效率高；(2)FasterR-CNN网络模型可以同时检测出病疵位置、类型和等级，而且精度高，速度快，可以作为判别轮胎病疵等级的检测方法；(3)使用该检测方法克服了现有轮胎X光病疵检测方法的不足，解决了现有传统轮胎X光病疵检测方法需要很强的先验知识来辅助提取有区分度特征，存在偶然性强，可靠性低，无法精确检测轮胎缺陷的问题；(4)轮胎作为汽车上的重要零部件，其生产质量关系到人的生命安全，轮胎X光病疵判别作为轮胎质量检测的最后一道关口，国内目前普遍采用质检人员进行质量监督，这种方式具有效率低，成本高，可靠性低以及对质检人员眼睛有损害等缺点。因此本专利技术通过自动检测判别方法判别出病疵等级，从而对轮胎质量进行准确监督，非常具有实用意义。附图说明此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1是本专利技术的可判别病疵等级的轮胎X光病疵检测方法流程示意图。图2是本专利技术的病疵类型示意图。图3是本专利技术的FasterR-CNN模型结构示意图。具体实施方式以下将配合附图及实施例来详细说明本申请的实施方式，借此对本申请如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。本实例旨在按本方法实施得到本实例旨在按本方法实施得到一种可判别病疵等级的轮胎X光病疵检测方法。如图1所示，该实现过程包括收集轮胎X光检测图片、对图片进行标注、预处理图片、FasterR-CNN模型搭建与训练、FasterR-CNN模型装载等步骤，具体实现过程如下：(1)数据标注，用LabelImg工具标注X光图像，标注出病疵的位置、类型、等级，标注文件类型为xml文件，标注病本文档来自技高网...

【技术保护点】
1.一种可判别病疵等级的轮胎X光病疵检测方法，包括步骤如下：S1、数据标注：将收集到的轮胎X光检测图片用LabelImg工具进行标注，标注出病疵位置、病疵类型和病疵等级，所述病疵位置标注时用方框标出，所述病疵类型可分为多种，标注文件的类型为xml文件；其中，所述病疵等级分为1：优质品；2：可用品；3：可修复；4：残次品；S2、图像预处理：将所述轮胎X光检测图片进行锐化处理得到预处理后的大图片；S3、图像裁剪：将大小是20000×1900的所述预处理后的大图片分为11张1900×1900的小图，将相应的坐标位置进行变换，改写记录所述病疵类型以及坐标的xml文件；S4、搭建Faster R‑CNN(深度神经网络)模型：；S5、初始化所述Faster R‑CNN模型：设置参数，所述参数包括输入图片后统一的大小、模型在Search Selective(选择性搜索)阶段方框的大小与个数、模型训练的周期数；S6、将图像数据集分为训练集、验证集和测试集：划分原则是所述训练集占70％，所述验证集和所述测试集各占15％；S7、重复上述步骤S5、S6，可以训练得到多个模型，对所述多个模型进行测试分析，基于所述测试集进行测试，将所述轮胎X光检测图片输入模型，得到所述轮胎X光检测图片属于哪一种病疵类型以及病疵等级。...

【技术特征摘要】
1.一种可判别病疵等级的轮胎X光病疵检测方法，包括步骤如下：S1、数据标注：将收集到的轮胎X光检测图片用LabelImg工具进行标注，标注出病疵位置、病疵类型和病疵等级，所述病疵位置标注时用方框标出，所述病疵类型可分为多种，标注文件的类型为xml文件；其中，所述病疵等级分为1：优质品；2：可用品；3：可修复；4：残次品；S2、图像预处理：将所述轮胎X光检测图片进行锐化处理得到预处理后的大图片；S3、图像裁剪：将大小是20000×1900的所述预处理后的大图片分为11张1900×1900的小图，将相应的坐标位置进行变换，改写记录所述病疵类型以及坐标的xml文件；S4、搭建FasterR-CNN(深度神经网络)模型：；S5、初始化所述FasterR-CNN模型：设置参数，所述参数包括输入图片后统一的大小、模型在SearchSelective(选择性搜索)阶段方框的大小与个数、模型训练的周期数；S6、将图像数据集分为训练集、验证集和测试集：划分原则是所述训练集占70％，所述验证集和所述测试集各占15％；S7、重复上述步骤S5、S6，可以训练得到多个模型，对所述多个模型进行测试分析，基于所述测试集进行测试，将所述轮胎X光检测图片输入模型，得到所述轮胎X光检测图片属于哪一种病疵类型以及病疵等级。2.根据权利要求1所述的可判别病疵等级的轮胎X光病疵检测方法，其特征在于，步骤S1中病疵类型包括：帘线稀疏、帘线弯曲、帘线重叠、零度散线、带束层稀线、杂质、胎侧气泡、胎冠气泡、成型开根、成型街头稀线、其他。3.根据权利要求1所述的可判别病疵等级的轮胎X光病疵检测方法，其特征在于，步骤S4中FasterR-CNN网络原模型主要包括四部分：1)Convlayers(卷积层)提取特征图，对于任意输入大小输入的图像，先将图像进行缩放，然后送入网络Convlayers(卷积网络层)，Convlayers(卷积网络层)中包含了13个conv层(卷积)，13个relu层(激活函数层)，4个pooling层(池化...

【专利技术属性】
技术研发人员：丁启元，陈金水，范彬彬，李莹，杨颖，
申请(专利权)人：杭州数据点金科技有限公司，
类型：发明
国别省市：浙江,33