基于边云协同和AR的汽车轮胎外观质量智能检测方法技术

本发明专利技术提供一种基于边云协同和AR的汽车轮胎外观质量智能检测方法、系统、存储介质和电子设备，涉及轮胎外观质量智能检测技术领域。本发明专利技术实施例应用于边缘端，所述边缘端分别与云服务平台以及若干终端通信连接，所述方法包括接收实时采集的汽车轮胎图像，该实时汽车轮胎图像由终端采用AR眼镜获取；调取由云服务平台训练完毕的汽车轮胎外观检测的深度学习模型，将所述实时汽车轮胎图像作为深度学习模型的输入，获取质量智能检测结果。通过云服务平台—边缘端—终端的三层架构实现汽车轮胎的外观缺陷的快速准确检测；采用AR眼镜可以从不同角度或位置实时收集多张同一汽车轮胎外观图像，有利于及时发现问题，进一步提高检测效率。测效率。测效率。

【技术实现步骤摘要】
基于边云协同和AR的汽车轮胎外观质量智能检测方法


[0001]本专利技术涉及轮胎外观质量智能检测
，具体涉及一种基于边云协同和AR的汽车轮胎外观质量智能检测方法、系统、存储介质和电子设备。

技术介绍

[0002]工业质检在现代制造业非常重要，产品表面微小的划痕和凹坑等瑕疵就可能会酿成重大的事故，比如汽车轮胎的气泡缺陷、杂物缺陷等会直接影响使用效果甚至会带来生命财产损失。人工智能技术的发展已经开始赋能工业质检，效率和准确度都有了全面的提升。
[0003]目前，尚未出现专门的算法或技术研究汽车轮胎外观缺陷的检测，需要工人来通过图像观察来判断轮胎是否存在缺陷以及根据主观感觉对缺陷进行分类。而这种判断易受外界条件的干扰，并且工人任务重，工作时间长，从而导致轮胎检测过程中的漏检、错检现象频频发生。此外，虽然有人提出采用边云协同的方式实现轮胎外观质量检测，但是由于云计算平台进行缺陷检测的实时性较低，而边缘计算平台算力资源与存储资源有限，无法使用较为复杂的深度学习模型。
[0004]鉴于此，有必要提供一种能够提高汽车轮胎外观质量检测的准确度与效率的方案。

技术实现思路

[0005](一)解决的技术问题
[0006]针对现有技术的不足，本专利技术提供了一种基于边云协同和AR的汽车轮胎外观质量智能检测方法、系统、存储介质和电子设备，解决了现有汽车轮胎外观质量检测的准确度与效率尚待提高的技术问题。
[0007](二)技术方案
[0008]为实现以上目的，本专利技术通过以下技术方案予以实现：
[0009]一种基于边云协同和AR的汽车轮胎外观质量智能检测方法，应用于边缘端，所述边缘端分别与云服务平台以及若干终端通信连接，所述方法包括：
[0010]S1、接收实时采集的汽车轮胎图像，该实时汽车轮胎图像由终端采用AR眼镜获取；
[0011]S2、调取由云服务平台训练完毕的汽车轮胎外观检测的深度学习模型，将所述实时汽车轮胎图像作为深度学习模型的输入，获取质量智能检测结果。
[0012]优选的，所述方法还包括：
[0013]S3、根据所述质量智能检测结果，对存在缺陷的实时汽车轮胎图像进行缺陷位置、缺陷类型以及所属缺陷类型的概率值大小进行标记，并发送至终端显示。
[0014]优选的，所述S3中还包括：将标记结果发送至所述云服务平台用于优化所述深度学习模型。
[0015]优选的，所述S2的深度学习模型采用YOLOv5模型，其训练过程具体包括：
[0016]S10、构建样本数据集，所述样本数据集中包括存在缺陷的汽车轮胎图像；
[0017]S20、采用迁移学习方法调用初始模型参数，并输入所述样本数据集，通过前向传播对样本进行计算，得到轮胎缺陷图像预测框的位置、大小以及所包含缺陷的类别；
[0018]S30、将缺陷样本中概率值最高的所属类别作为样本缺陷类别；
[0019]S40、根据步骤S30中获取的样本缺陷检测类别与实际缺陷类别的差距，通过梯度下降迭代更新前向传播中的权重矩阵和偏置，减小预测框与真实框之间的损失；
[0020]S50、重复步骤S20到S30，直到达到设定的训练批量batch
‑
s ize。
[0021]优选的，所述S10中构建样本数据集，具体包括：
[0022]在轮胎外部合理安置摄像头，在轮胎旋转过程进行抓拍获得，包含同一个缺陷的样本有多个，分别为不同角度或位置拍摄的图像；
[0023]对收集到的图像进行镜像、增加噪声、图像变亮、图像变暗和图像高斯滤波操作，扩充原始数据集；
[0024]将扩充后的数据集中的图像信息，通过LabelImg图像标注工具将缺陷区域进行标注，确定图像中的实际缺陷类别。
[0025]一种基于边云协同和AR的汽车轮胎外观质量智能检测系统，应用于边缘端，所述边缘端分别与云服务平台以及若干终端通信连接，所述方法包括：
[0026]接收模块，用于接收实时采集的汽车轮胎图像，该实时汽车轮胎图像由终端采用AR眼镜获取；
[0027]检测模块，用于调取由云服务平台训练完毕的汽车轮胎外观检测的深度学习模型，将所述实时汽车轮胎图像作为深度学习模型的输入，获取质量智能检测结果。
[0028]优选的，所述系统还包括：
[0029]所述反馈模块，用于根据所述质量智能检测结果，对存在缺陷的实时汽车轮胎图像进行缺陷位置、缺陷类型以及所属缺陷类型的概率值大小进行标记，并发送至终端显示。
[0030]优选的，所述反馈模块还用于将标记结果发送至所述云服务平台用于优化所述深度学习模型。
[0031]一种存储介质，其存储有用于基于边云协同和AR的汽车轮胎外观质量智能检测的计算机程序，其中，所述计算机程序使得计算机执行如上所述的汽车轮胎外观质量智能检测方法。
[0032]一种电子设备，包括：
[0033]一个或多个处理器；
[0034]存储器；以及
[0035]一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上所述的汽车轮胎外观质量智能检测方法。
[0036](三)有益效果
[0037]本专利技术提供了一种基于边云协同和AR的汽车轮胎外观质量智能检测方法、系统、存储介质和电子设备。与现有技术相比，具备以下有益效果：
[0038]本专利技术应用于边缘端，所述边缘端分别与云服务平台以及若干终端通信连接，所述方法包括接收实时采集的汽车轮胎图像，该实时汽车轮胎图像由终端采用AR眼镜获取；
调取由云服务平台训练完毕的汽车轮胎外观检测的深度学习模型，将所述实时汽车轮胎图像作为深度学习模型的输入，获取质量智能检测结果。通过云服务平台—边缘端—终端的三层架构实现汽车轮胎的外观缺陷的快速准确检测；采用 AR眼镜可以从不同角度或位置实时收集多张同一汽车轮胎外观图像，有利于及时发现问题，进一步提高检测效率。
附图说明
[0039]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。
[0040]图1为本专利技术实施例提供的一种基于边云协同和AR的汽车轮胎外观质量智能检测方法的流程示意图；
[0041]图2为本专利技术实施例提供的一种基于边云协同和AR的汽车轮胎外观质量智能检测方法的流程示意图；
[0042]图3为本专利技术实施例提供的一种云服务平台—边缘段—终端的架构示意图。
具体实施方式
[0043]为使本专利技术实施例的目的、技术方案和优点更加清楚，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，本领域普通技本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于边云协同和AR的汽车轮胎外观质量智能检测方法，其特征在于，应用于边缘端，所述边缘端分别与云服务平台以及若干终端通信连接，所述方法包括：S1、接收实时采集的汽车轮胎图像，该实时汽车轮胎图像由终端采用AR眼镜获取；S2、调取由云服务平台训练完毕的汽车轮胎外观检测的深度学习模型，将所述实时汽车轮胎图像作为深度学习模型的输入，获取质量智能检测结果。2.如权利要求1所述的汽车轮胎外观质量智能检测方法，其特征在于，还包括：S3、根据所述质量智能检测结果，对存在缺陷的实时汽车轮胎图像进行缺陷位置、缺陷类型以及所属缺陷类型的概率值大小进行标记，并发送至终端显示。3.如权利要求2所述的汽车轮胎外观质量智能检测方法，其特征在于，所述S3中还包括：将标记结果发送至所述云服务平台用于优化所述深度学习模型。4.如权利要求1～3任一项所述的汽车轮胎外观质量智能检测方法，其特征在于，所述S2的深度学习模型采用YOLOv5模型，其训练过程具体包括：S10、构建样本数据集，所述样本数据集中包括存在缺陷的汽车轮胎图像；S20、采用迁移学习方法调用初始模型参数，并输入所述样本数据集，通过前向传播对样本进行计算，得到轮胎缺陷图像预测框的位置、大小以及所包含缺陷的类别；S30、将缺陷样本中概率值最高的所属类别作为样本缺陷类别；S40、根据步骤S30中获取的样本缺陷检测类别与实际缺陷类别的差距，通过梯度下降迭代更新前向传播中的权重矩阵和偏置，减小预测框与真实框之间的损失；S50、重复步骤S20到S30，直到达到设定的训练批量batch
‑
size。5.如权利要求4所述的汽车轮胎外观质量智能检测方法，其特征在于，所述S10中构建样本数据集，具体包括：在轮胎外部合理安置摄...

【专利技术属性】
技术研发人员：胡小建，康敏，赵跃东，宋旭东，
申请(专利权)人：安徽维德工业自动化有限公司，
类型：发明
国别省市：