【技术实现步骤摘要】
一种多尺度的轮胎X光病疵检测方法
本专利技术属于计算机视觉和工业检测
，具体说是一种多尺度的轮胎X光病疵检测方法。
技术介绍
随着经济和社会的快速发展，轮胎工业在生活中扮演了越来越重要的角色，从2004年开始，我国的轮胎产量一直居世界第一位。轮胎的种类多样，一般分为斜交和子午线轮胎，子午线轮胎又分为半钢和全钢子午线轮胎，全钢子午线轮胎具有复杂的内部结构，对生产过程要求极其苛刻。生产过程中一旦出现操作不当、成型、压延和硫化大小不合理，又或者说设备老化，都会影响轮胎的最后质量。而轮胎的质量对汽车的安全起着至关重要的作用，所以对轮胎质量的把控十分关键。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。但并不是所有的深度神经网络模型都对轮胎X光病疵的检测有很好的效果，FasterR-CNN(基于区域候选网络的实时目标检测)网络可以同时定位病疵并且分类出病疵类型，但是FasterR-CNN...
【技术保护点】
1.一种多尺度的轮胎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，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；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FPN(特征金字塔网络)融合Faster R‑CNN网络模型：；S5、初始化模型：设置参数，...
【技术特征摘要】
1.一种多尺度的轮胎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，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；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FPN(特征金字塔网络)融合FasterR-CNN网络模型：；S5、初始化模型：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，得到测试结果。2.根据权利要求1所述的多尺度的轮胎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，使用一组基础的conv+relu+pooling(卷积+修正线性单元+池化)层提取输入图像的featuremaps(特征图)，该featuremaps会用于后续的RPN层和全连接层；2)RPN(RegionProposalNetworks，区域选择网络)，用于生成regionproposals(候选区域)，首先生成一堆Anchorbox(锚盒)，对其进行裁剪过滤后通过softmax(归一化指数函数)判断anchors(锚)属于前景(foreground)或者后景(background)；同时，另一分支boundingboxregression(边框回归)修正anchorbox，形成较精确的proposal(侯选框)；3)RoiPooling(侯选区域池化)层，利用RPN生成的所述proposals(侯选框)和VGG16(目视图像生成器16)最后一层得到的featurem...
【专利技术属性】
技术研发人员：范彬彬，陈金水，丁启元，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
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。