一种基于孪生距离比对的轮胎X光病疵检测方法技术

本发明专利技术属于图像识别和检测技术领域，具体提供一种基于孪生距离比对的轮胎X光病疵检测方法，包括：采集得到特定的轮胎花纹的标准图、正常图和病疵图的图片的集合；根据图片的不同类型对X光检测图片的所述样本集进行标注，并将具有标注信息的样本分为训练集、验证集和测试集；对X光检测图片进行预处理；搭建Siamese Network模型；基于训练集对Siamese Network模型进行训练，将训练过程迭代多个周期，最后选择使Siamese Network模型准确率最高的参数；得到的Siamese Network模型加载后可以进行对所述X光检测图片中是否有病疵部分的判别。本发明专利技术的检测方法，与传统方法相比具有能大大提高对不明显病疵的检测效果，对于不同型号、轮胎花纹、X光机拍摄出的X光片均适用，能减轻轮胎质检人员的负担，利于轮胎质量的把控。

A Twin Distance Comparison Based X-ray Defect Detection Method for Tire

【技术实现步骤摘要】
一种基于孪生距离比对的轮胎X光病疵检测方法
本专利技术属于轮胎病疵检测
，主要在轮胎病疵检测过程中实现一种基于孪生距离比对的轮胎X光病疵检测方法。
技术介绍
轮胎的生产过程很精密，任何一个环节出错都有可能导致生产的轮胎是劣质产品，而轮胎的质量又与交通安全紧密相连，因此必须要进行严格的质量监督。其中一个重要的轮胎质量检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。传统的轮胎X光病疵检测的方式是用X光机对轮胎拍照后安排质量监督人员判别轮胎是否有某种病疵。采用人工判别轮胎X光病疵存在很多不利的因素：首先，效率比较低下，一个轮胎的X光图像一般都比较大，熟练的质检人员完全判别一个轮胎是否有病疵都需要消耗数十秒的时间；其次，判别准确度不高，误判、漏判多，长期看显示屏屏幕人容易疲劳，在这种情况下，有可能将有病疵的图像判别为无病疵，造成漏判或者病疵类别判断错误，造成漏判；最后，长期进行人工鉴别对质检人员的健康损伤较大。目前存在一些轮胎X光自动检测算法但都是基于传统的图像处理方法，这些方法只能检测出比较明显的病疵，对于比较隐晦(如气泡)这种病疵，改方法检出率不理想。根据目前轮胎X光病疵自动检测所遇到的问题，本专利技术提出了一种基于孪生距离比对的轮胎X光病疵检测方法。
技术实现思路
本专利技术针对传统轮胎X光病疵识别中存在的不足，提出一种基于孪生距离比对的轮胎X光病疵检测方法。相关概念：(1)孪生距离：两张图片经过孪生神经网络模型进行特征映射后两个部分之间的距离；(2)正常图：工业生产流程中得到的正常轮胎进行X光检测得到的图片；(3)病疵图：轮胎X光检测图片中含有病疵部分，就称之为病疵图。为了解决上述技术问题，本专利技术通过下述技术方案得以解决：一种基于孪生距离比对的轮胎X光病疵检测方法，所述检测方法包括如下步骤：步骤S1、对于某种特定的轮胎花纹，对所述特定的轮胎花纹的X光检测图片进行采集得到多个样本集，所述样本集为所述特定的轮胎花纹的正常图和病疵图的图片的集合；步骤S2、根据图片的不同类型对所述X光检测图片的所述样本集进行标注，并将具有标注信息的样本分为训练集、验证集和测试集；步骤S3、对所述X光检测图片进行预处理；步骤S4、搭建SiameseNetwork(孪生神经网络)模型；步骤S5、基于训练集对所述SiameseNetwork模型进行训练，每次所述训练完后基于所述验证集进行K交叉验证基于所述测试集测试所述SiameseNetwork模型的精度；步骤S6、将训练过程迭代多个周期，最后选择使所述SiameseNetwork模型准确率最高的参数；步骤S7、得到的所述SiameseNetwork模型加载后可以进行对所述X光检测图片中是否有病疵部分的判别，输入所述轮胎的所述X光检测图片，输出所述X光检测图片是正常图或是病疵图。步骤S2中根据图片的不同类型对所述X光检测图片的所述样本集进行标注包括：利用标注工具对所述样本集进行分类，如果有病疵将病疵位置画框并注释，最终将标注信息保存在xml文件中。步骤S3对所述X光检测图片进行预处理进一步包括如下步骤：1)对图像进行锐化处理；2)对原始的大图进行切割，分为较多尺寸合适的小图，小图之间有一定的重叠，将相应的坐标位置进行变换改写之前标注得到的所述xml文件。步骤S5基于所述训练集对所述SiameseNetwork模型进行训练进一步包括如下步骤：1)基于训练集对所述SiameseNetwork模型进行训练；2)训练完后采用K交叉验证调整模型超参数；3)基于所述测试集测试所述SiameseNetwork模型的精度；4)反复迭代1)到3)步骤，将所述SiameseNetwork模型的参数和测试的精度保存下来；5)对比所有的模型的精度，选在精度大于85％的模型作为最后的所述SiameseNetwork模型；如果没有精度大于85％的模型，则回到步骤S4中进行模型的设计，并且重新训练模型。步骤S7进一步包括如下步骤：对于一张原始所述X光检测图片，将它切分为很多小图，每次选择其中的两张小图输入训练好的所述SiameseNetwork模型，所述SiameseNetwork模型将所述两张小图通过特征映射映射到新的空间，计算这两个结果之间的距离，设定一个距离为判断的临界阈值，如果两个结果之间的距离大于临界阈值，代表两张输入图片不是一个类型，即一个是正常图一个是病疵图，则原始X光检测图片上有病疵，输出1；如果距离小于临界阈值，说明两张输入图片是一个类型，即原始X光检测图片是正常图片，输出0。采用上述技术方案的本专利技术与现有技术相比，具有如下技术效果：本专利技术针对传统的轮胎X光病疵自动检测中存在的对不明显病疵检测效果不好的问题，提供了一种全新的解决方案，可以大大提高对不明显病疵的检测效果，对于不同型号、不同轮胎花纹、不同X光机拍摄出的X光片均适用，经过预处理的轮胎X光图片能被被神经网络模型更好的训练，可以辅助轮胎厂商进行高效的轮胎X光病疵检测，因而能够大大减轻轮胎质检人员的负担，而且能够帮助他们更好的对轮胎质量进行把控。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为本专利技术基于孪生距离比对的轮胎X光病疵检测方法流程示意图。图2为本专利技术孪生网络模型流程示意图。图3为本专利技术轮胎的FasterR-CNN网络结构图。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一个基于孪生距离比对的轮胎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光图片、对图片进行标注、预处理图片、孪生神经网络模型搭建与训练、模型装载等步骤，具体实现过程如下：(1)采集轮胎X光图片数据作为样本集。所采集的图片是用有拍摄效果相近的X光机拍摄的大小相同(实例中假定为20000×1900)，清晰度近似的图片，且这些轮胎的花纹是同一类型的，同时保证正常图和病疵图的样本图片都有很多张；(2)对样本集数据进行标注并分为训练集、验证集和测试集。用LabelImg工具标注X光图像，标注每张图片的类型，如果图片中有病疵的话，标注出病疵的位置，标注文件类型为xml文件。将样本集进行划分，划分原则是训练集70％，验证集和测试集各占15％。训练集中正常图和病疵图的分布保持原始样本集中的分布，测试集和验证集中正常图和病疵图的分布也符合原始样本集中的分布。(3)预处理标注过的图片。预处理有两个部分的内容，一部分是用Photoshop工具批量化的对图像进行锐化处理，第二部分是对原始图片进行切割，将20000×1900的大图切割为11张1900×1900的小图，让小图之间有一定的重叠(下一张图片与上一张图片大约重叠82个像素)，将相应的坐标位置进行变换改写之前标注得到的xml文件；(4)孪生神经网络模型的搭建。孪生网络模型工作流程图如图2所示，孪生内部主要由三部分组成：神经网络1，神经网络2和计算孪生距离输出结果的部分。其中神经网络1和2的选择有很大的灵活性，选用LSTM(LongShort-TermM本文档来自技高网...

【技术保护点】
1.一种基于孪生距离比对的轮胎X光病疵检测方法，其特征在于，所述检测方法包括如下步骤：步骤S1、对于某种特定的轮胎花纹，对所述特定的轮胎花纹的X光检测图片进行采集得到多个样本集，所述样本集为所述特定的轮胎花纹的正常图和病疵图的图片的集合；步骤S2、根据图片的不同类型对所述X光检测图片的所述样本集进行标注，并将具有标注信息的样本分为训练集、验证集和测试集；步骤S3、对所述X光检测图片进行预处理；步骤S4、搭建Siamese Network(孪生神经网络)模型；步骤S5、基于训练集对所述Siamese Network模型进行训练，每次所述训练完后基于所述验证集进行K交叉验证基于所述测试集测试所述SiameseNetwork模型的精度；步骤S6、将训练过程迭代多个周期，最后选择使所述Siamese Network模型准确率最高的参数；步骤S7、得到的所述Siamese Network模型加载后可以进行对所述X光检测图片中是否有病疵部分的判别，输入所述轮胎的所述X光检测图片，输出所述X光检测图片是正常图或是病疵图。

【技术特征摘要】
1.一种基于孪生距离比对的轮胎X光病疵检测方法，其特征在于，所述检测方法包括如下步骤：步骤S1、对于某种特定的轮胎花纹，对所述特定的轮胎花纹的X光检测图片进行采集得到多个样本集，所述样本集为所述特定的轮胎花纹的正常图和病疵图的图片的集合；步骤S2、根据图片的不同类型对所述X光检测图片的所述样本集进行标注，并将具有标注信息的样本分为训练集、验证集和测试集；步骤S3、对所述X光检测图片进行预处理；步骤S4、搭建SiameseNetwork(孪生神经网络)模型；步骤S5、基于训练集对所述SiameseNetwork模型进行训练，每次所述训练完后基于所述验证集进行K交叉验证基于所述测试集测试所述SiameseNetwork模型的精度；步骤S6、将训练过程迭代多个周期，最后选择使所述SiameseNetwork模型准确率最高的参数；步骤S7、得到的所述SiameseNetwork模型加载后可以进行对所述X光检测图片中是否有病疵部分的判别，输入所述轮胎的所述X光检测图片，输出所述X光检测图片是正常图或是病疵图。2.根据权利要求1所述的基于孪生距离比对的轮胎X光病疵检测方法，其特征在于，步骤S2中根据图片的不同类型对所述X光检测图片的所述样本集进行标注包括：利用标注工具对所述样本集进行分类，如果有病疵将病疵位置画框并注释，最终将标注信息保存在xml文件中。3.根据权利要求2所述的基于孪生距离比对的轮胎X光病疵检测方法，其特征在于，步骤S3对所述X光检测图片进行预处理进一步包括如下步骤：1)对图像进行锐化处理...

【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