轮胎X射线图像杂质缺陷检测方法技术

本发明专利技术涉及轮胎X射线图像杂质缺陷检测方法，其包括以下步骤S1:建立包含杂质缺陷的图像数据集；S2:使用旋转、镜像和亮度变换对数据集进行了增强；S3:搭建改进的YOLOv4‑tiny网络；S4:设置超参数和网络参数进行训练；S5:输入待检测图像进行缺陷检测；本发明专利技术实现了端到端的轮胎杂质缺陷定位，能够满足轮胎缺陷实时检测的需求，极大提高了生产效率。

【技术实现步骤摘要】
轮胎X射线图像杂质缺陷检测方法
本专利技术涉及轮胎X射线图像杂质缺陷检测方法，具体而言涉及一种基于改进YOLOv4-tiny的轮胎X射线图像杂质缺陷检测方法。
技术介绍
近年来，随着生活水平的提高，我国汽车保有量逐年增加，预计2021年将超越美国成为世界上汽车保有量最大的国家。汽车作为人们出行必备的交通工具，在人们生活中扮演着不可或缺的作用。轮胎作为汽车的主要部件，也是汽车唯一与地面接触的部件，承担着缓解冲击，承载汽车重量的作用。轮胎质量关系着驾驶员的安全。目前国内各轮胎制造厂主要依靠进口国外的X光机辅助人工对轮胎进行质量评估，受国外技术的封锁，国内相应的轮胎缺陷自动检测算法还不完善，少数企业仍然以人工裸眼检测为主，人工肉眼检测效率较低，受人为主观性影响较大。由于轮胎多纹理各向异性的复杂背景，缺陷的形态各异，缺陷在纹理背景中占比不到1％，这些都为缺陷的检测提出了挑战。现有的轮胎缺陷算法以传统的缺陷检测算法为主，主要分为基于统计的算法、基于频域的算法和基于模型的算法，这些算法的参数设置依赖于人为实验探索，参数的变化对实验的结果影响本文档来自技高网...

【技术保护点】
1.一种轮胎X射线图像杂质缺陷检测方法，其特征在于：包括以下步骤：/nS1、对X光机采集的2469*11400的X射线轮胎图像截取416*416的包含杂质图像建立数据集；/nS2、使用旋转、镜像和亮度变换对S1获取数据集进行增强；/nS3、采用基于K-means聚类算法探究YOLOv4-tiny的锚框尺寸，对YOLOv4-tiny主干网络引入通道注意力机制，构建新的网络框架；/nS4、设置网络的超参数和相应的网络参数，开始网络模型训练；/nS5、将S1中的X光机采集的轮胎图像输入已训练好的网络模型实时检测轮胎缺陷。/n

【技术特征摘要】
1.一种轮胎X射线图像杂质缺陷检测方法，其特征在于：包括以下步骤：
S1、对X光机采集的2469*11400的X射线轮胎图像截取416*416的包含杂质图像建立数据集；
S2、使用旋转、镜像和亮度变换对S1获取数据集进行增强；
S3、采用基于K-means聚类算法探究YOLOv4-tiny的锚框尺寸，对YOLOv4-tiny主干网络引入通道注意力机制，构建新的网络框架；
S4、设置网络的超参数和相应的网络参数，开始网络模型训练；
S5、将S1中的X光机采集的轮胎图像输入已训练好的网络模型实时检测轮胎缺陷。


2.根据权利要求1所述的轮胎X射线图像杂质缺陷检测方法，其特征在于：在步骤S1中执行以下步骤：
S11，从X光机360°扫面轮胎内部一圈，然后，通过计算机采集到的2469*11400大小的轮胎X射线图像；其次，从采集的轮胎X射线图像中选取包含杂质缺陷的X射线图像；再次，从包含杂质缺陷的X射线图像中截取416*416大小且包含杂质小图，作为数据集图片，并文件夹命名为JPEGImages；
S12，首先，采用用于深度网络训练的数据集做标注的LabelImg对JPEGImages文件内中的数据集图片进行标记；之后，LabelImg中OpenDir打开JPEGImages文件，通过Create-RectBox绘制包含缺陷的矩形区域，并定义缺陷标签名称为defect；然后，用矩形框标出缺陷的区域，并导入相应的.xlm文件整合为标签文件夹，文件夹命名Annotations。


3.根据权利要求1所述的轮胎X射线图像杂质缺陷检测方法，其特征在于：在步骤S2中执行以下步骤：
S21，首先，对JPEGImages文件夹中的原图进行90°或180°旋转后，沿竖直方向进行镜像操作；然后，对原图进行两种不同设定程度的亮度扩充；其次，相应扩充后图片放入JPEGImages文件夹；再次，相应的扩充后图片对应的标签文件放入Annotations；。


4.根据权利要求1所述的轮胎X射线图像杂质缺陷检测方法，其特征在于：在步骤S3中执行以下步骤：
S31，首先，在S21中提取Annotations文件夹中.xlm文件中设定缺陷的宽高信息作为K-means聚类算法的聚类样本；
S32，锚框初始化：随机选择S31中的样本集中不同宽度和高度的k个候选框作为初始锚框尺寸；
S33，IoU距离计算：计算S32中的每个候选框和k个初始锚框间的IoU距离；
S34，距离最小化：将S33中与其他样本距离最小的锚框作为新的锚框，并在一个循环中找到最优的锚框；
d(box，centroid)＝1-IoU(box，centroid)；
其中
S35，首先，选取CSPdarknet53_tiny作为YOLOv4-tiny网络的神经网络模型backbone；其中，神经网络模型backbone包括3组卷积Conv2D、标准化BN、Leaky激活函数和3个残差组Resblock_body，卷积的步长为2，实现对图片宽高的压缩；其次，由于所述的backbone由Conv2D+BN+Leaky和Resblock_body组成，在卷积...

【专利技术属性】
技术研发人员：张岩，郑洲洲，赵蒙蒙，孙英伟，常艳康，
申请(专利权)人：青岛科技大学，
类型：发明
国别省市：山东;37