【技术实现步骤摘要】
基于深度学习的轮胎带束层接头缺陷检测方法和装置
[0001]本专利技术涉及一种基于深度学习的轮胎带束层接头缺陷检测方法和装置,属于图像检测
技术介绍
[0002]汽车的普遍使用,改善了生活质量,推进了社会进步,促进了经济发展。现如今,群众购车刚性需求旺盛,汽车保有量将继续呈快速增长趋势,但安全问题也随之而来。汽车轮胎是保证汽车安全运行的极其重要的部件,起着承重和导向的作用。汽车轮胎一旦发生问题,将导致崩轮、切轴,进一步发生汽车颠覆的重大交通事故。因此,在汽车制造过程中,如何对轮胎进行检测,保证轮胎运行安全,是各国汽车制造商检测技术人员欲求解决的难题。
[0003]汽车已经成为我们日常生活中不可或缺的重要组成部分,人们对轮胎质量的要求不断提高,轮胎缺陷的检测内容也随之增多,精度要求也顺应提高。然而现在大部分厂商还是使用人工检测方法,即人工查看每个轮胎的X光图像,查找其缺陷。而人工检测有着工人易疲劳和缺乏客观指标等问题,尤其是接头这种受拍摄条件和轮胎花纹影响严重的结构,人工检测更容易产生误判与漏判。因此,对于轮胎缺陷,尤其是接头的自动化智能检测迫在眉睫。
[0004]针对轮胎接头缺陷的检测,主要传统视觉方法和深度学习两种方法。传统视觉方法常常通过提取轮胎的灰度特征,如投影直方图、灰度共生矩阵等,来实现对接头区域的定位。这些手工提取的特征对于正常成像的轮胎图像有较好的效果,但对于实际中经常遇到的光照不均、轮胎花纹与接头相近等情况,传统方法就捉襟见肘了。近几年,随着人工智能,尤其是深度学习技术的迅猛 ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种基于深度学习的轮胎带束层接头检测方法,其特征在于,包括以下步骤:将轮胎带束层图像按照深度学习的目标检测模型的输入大小进行分块,得到分块后的图像和每块图像的原始位置;将分块后的图像输入深度学习的目标检测模型得到接头位置、大小及其类别置信度;根据每块图像的原始位置,将得到的接头位置映射到原始图像上,得到接头实际位置;将接头实际位置与接头大小及其类别置信度合并,获得接头检测结果。2.根据权利要求1所述的基于深度学习的轮胎带束层接头检测方法,其特征在于,所述将轮胎带束层图像按照深度学习的目标检测模型的输入大小进行分块,得到分块后的图像和每块图像的原始位置,包括:根据轮胎带束层图像的长L和宽W以及目标检测模型的输入的长L
N
和宽W
N
,其中W与W
N
相等,计算分块数量N
P
:其中,floor为向下取整函数;根据分块数量N
P
计算分块之间的重叠区域长度L
P
:根据目标检测模型的输入的长L
N
和获得的重叠区域长度L
P
,计算纵向滑动步长L
S
:L
s
=L
N
‑
L
p
根据纵向滑动步长L
S
,计算第i个分块的起始横坐标X
i
和纵坐标Y
i
:根据第i个分块的起始横坐标X
i
和纵坐标Y
i
,以及目标检测模型的输入的长L
N
和宽W
N
,从轮胎带束层图像切取得到分块图像和每块图像的原始位置。3.根据权利要求2所述的基于深度学习的轮胎带束层接头缺陷检测方法,其特征在于,所述将分块后的图像输入深度学习的目标检测模型得到接头位置、大小及其类别置信度,包括:将分块后的图像输入深度学习的目标检测模型,得到第i个分块中得到的第m个接头矩形区域左上角横坐标Xj
i,m
、纵坐标Yj
i,m
及其长Hj
i,m
、宽Wj
i,m
以及该接头的类别置信度Cj
i,m
,所述类别置信度Cj
i,m
的计算公式为:其中f
m,1
与f
m,2
分别为全连接层输出的第m维下第1维和第2维,第1维代表接头,第2维度代表背景。4.根据权利要求3所述的基于深度学习的轮胎带束层接头缺陷检测方法,其特征在于,所述根据每块图像的原始位置,将得到的接头位置映射到原始图像上,得到接头实际位置,包括:
利用每一个接头矩形区域左上角横坐标Xj
i,m
和纵坐标Yj
i,m
,计算映射到原始图像上的接头实际位置的横坐标Xjg
i,m
和纵坐标Yjg
i,m
:其中,Y
i
为第i个分块的起始纵坐标Y
i
。5.根据权利要求4所述的基于深度学习的轮胎带束层接头缺陷检测方法,其特征在于,所述将接头实际位置与接头大小及其类别置信度合并,获得接头检测结果,包括:利用每个接头实际位置的横坐标Xjg
i,m
和纵坐标Yjg
i,m
及其长Hj
i,m
和宽Wj
i,m
,计算该接头矩形区域四个角的坐标:其中,(X
tl,i,m
,Y
tl,i,m
)、(X
tr,i,m
,Y
tr,i,m
)、(X
bl,i,m
,Y
bl,i,,m
)和(X
技术研发人员:李金屏,史建杰,夏英杰,厉广伟,郝晋一,
申请(专利权)人:山东深图智能科技有限公司,
类型:发明
国别省市:
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。