用于轮胎产品剖面的自动分界面识别的系统及方法技术方案

本发明专利技术涉及一种训练用于自动识别轮胎产品剖面中的位置的模型的计算机实现的方法，由此相对于在捕获的轮胎产品剖面的图像中搜索的分界面的参考中分配的标签来计算误差项，所述误差项将用作待训练的神经网络的输入。本发明专利技术还涉及一种系统(100)，所述系统(100)用于根据所公开的方法自动识别在样本图像中捕获的分界面变化。分界面变化。分界面变化。

【技术实现步骤摘要】
【国外来华专利技术】用于轮胎产品剖面的自动分界面识别的系统及方法


[0001]本专利技术涉及一种训练用于自动识别轮胎产品剖面中的材料变化的模型的方法(包括用于结合到轮胎中的产品的生产)。

技术介绍

[0002]在轮胎领域，要求轮胎具有各种性能质量(例如，降低的滚动阻力、提高的耐磨性、在潮湿和干燥条件下可比的抓地力、足够的里程等)。轮胎是具有已知几何形状的物体，通常包括几个叠加的橡胶层(或“帘布层”)，以及构成胎体以增强轮胎结构的金属或织物纤维结构。橡胶的性质和增强材料的性质是根据期望的最终特性来选择的。
[0003]轮胎还包括添加到轮胎外表面的胎面。参考图1，代表性轮胎10具有旨在通过胎面表面12a接触地面的胎面12。轮胎10进一步包括具有工作加强件14和箍加强件16的胎冠加强件，工作加强件14具有两个工作层14a和14b。轮胎10还包括两个胎侧(图1中示出了一个胎侧18)和用胎圈芯22加强的两个胎圈20。径向胎体层24以已知的方式从一个胎圈延伸到围绕胎圈芯的另一个胎圈。胎面12具有由例如具有已知加强纹路的叠加层构成的加强件。在轮胎10的实施方案中，轮胎可以包括橡胶26，所述橡胶26消除行驶期间产生的静电。
[0004]在轮胎生产的过程中，对轮胎样本进行研究，以开发不同的轮胎性能质量。这些样本包括轮胎断面，所述轮胎断面表明轮胎产品的整体截面剖面(或“产品剖面”)以及用于构成最终轮胎产品的每一层的截面剖面(“层剖面”)。这些断面还表明了相邻叠加层之间的边界(层的“边界”或“界限”)以及这些边界是否彼此正确对齐以确保最终轮胎的完整性。
[0005]已存在一些解决方案来测量控制层正确合并到产品剖面中的参数。例如，美国专利5865059公开了一种设备，该设备利用液压反向散射传感器来测量薄膜形式的非金属材料及其等同物的厚度。美国专利7909078公开了一种系统，该系统结合了扫描产品剖面的表面的激光器和用于生成实时递增的测量数据的装置(其是用于测量产品剖面的外部而没有测量复杂剖面的内部的能力的系统)。欧洲专利EP2404136公开了一种用于测量轮胎胎面的设备，该设备包含用于测量胎面的深度的多个发光装置、反射装置和成像装置。
[0006]在人工智能的领域，神经元的网络(也称为“神经网络”)是众所周知的。其基础是在大量情景下接受“训练”。通过在学习阶段调整加权系数，神经网络的性能可以描述呈现给它们的新情景。例如，诸如GoogleNet、Inception或Resnet的神经网络以物体识别和分类而众所周知。在一个专门的例子中，“深度AI(profound AI)”(或“深度AI(Deep AI)”)算法专用于癌症肿瘤的搜索(参见出版物“Art ificial Intelligence for Digital Breast Tomosynthesis
‑
Reader Study Results”，https://www.icadmed.com/assets/dmm253
‑
reader
‑
studies
‑
results
‑
rev
‑
a.pdf)。
[0007]参考图2，给出了人工神经网络(也称为“ANN”)的代表性架构作为示例。图2中的神经网络NN包括具有一个或更多个神经元N
E
的输入层E、一个或更多个隐藏层(也称为“中间”层)I
X
(其中，X依据所采用的网络中隐藏层的数量从1变化到N)，以及具有一个或更多个神经元N
S
的输出层S。通过设计成改变网络中连接的权重的算法，神经网络允许从新数据中学
习(例如，通过分析用于训练的示例来执行特定任务)。
[0008]将理解的是，给出神经网络NN作为示例，并且已知几种类型的神经网络可以采用不同的学习方法，包括监督学习(其中在一组标记的数据上训练的网络NN自我修改，直到它能够获得期望的结果)、非监督学习(其中数据不被标记，以便网络可以适应以增加算法的精度)、强化学习(其中神经网络强化积极的结果并制裁消极的结果)以及主动学习(网络要求示例和标签以改进其预测)(参见https://www.lebigdata.fr/reseau
‑
de
‑
neurones
‑
artificiels
‑
definition)。现有技术中呈现了神经网络的示例(参见示例“The Neural Network Zoo”，Fjodor Van Veen，https://www.asimovinstitute.org/neural
‑
network
‑
zoo/)(2016年9月14日)。
[0009]此外，深度学习算法的引入提高了物体检测、定位、识别以及分类的性能。在几个领域中，成像系统的大部分性能已经来自于它处理多个图像并“叠加”它们的解译的能力。例如，出版物WO2018/009405公开了一种实例分割系统，该系统联接到采集系统，以执行成像系统生成的图像中的解剖物体(内部物体)的自动检测和定位。该系统将非常特定的硬件与人工智能相关联，以便执行分割。目标不是测量任何东西，而是检测和识别图像中的元素。此外，该系统由几个用于定位和分类以及用于分割的神经网络组成。
[0010]US20190287237公开了一种用于分析摄影采集系统所经过的汽车车身(外表面)的系统。该系统联接至基于人工智能的算法，以在该系统中利用直方图归一化来分析车体的反射并推断是否存在缺陷(例如，凹痕)。
[0011]因此，在轮胎领域，可以增加照明和透视，从不同角度观察产品的剖面，以便更精确地识别其内部轮廓。在生产过程期间对产品的检测和分割允许搜索、查找和识别产品剖面以及它们之间的界限。因此，在执行后阶段生产过程之前，检测与产品剖面参数的不一致并发出干预需求的信号是重要的。
[0012]因此，所公开的专利技术满足了对层/帘布层的质量测量的需要，以确保气动产品的性能。为了避免不适合每个工厂的昂贵的硬件解决方案，所提出的专利技术使用基于神经网络和图像的训练。该训练可以适用于每个工厂，并使外剖面和内剖面的质量测量自动化。

技术实现思路

[0013]本专利技术涉及一种训练用于自动识别轮胎产品剖面中的位置的模型的计算机实现的方法，其特征在于，所述方法包括以下步骤：
[0014]‑
提供系统的步骤，所述系统用于自动识别在轮胎产品剖面的图像中捕获的分界面；
[0015]‑
创建在捕获的轮胎产品剖面的图像中搜索的分界面的参考的步骤，分界面参考包括产品剖面中的叠加层以及由捕获的图像表明的叠加层之间的分界面；
[0016]对于从一个或更多个轮胎产品获得的一组轮胎样本中的每个：
[0017]‑
捕获轮胎产品剖面的图像的步骤，其由系统执行；
[0018]‑
分析捕获的图像的步骤；
[0019]‑
神经网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种训练用于自动识别轮胎产品剖面中的位置的模型的计算机实现的方法，其特征在于，所述方法包括以下步骤：
‑
提供系统(100)的步骤，所述系统(100)用于自动识别在轮胎产品剖面的图像中捕获的分界面；
‑
创建在捕获的轮胎产品剖面的图像中搜索的分界面的参考的步骤，分界面参考包括产品剖面中的叠加层以及由捕获的图像表明的叠加层之间的分界面；对于从一个或更多个轮胎产品获得的一组轮胎样本中的每个：
‑
由系统(100)执行的捕获轮胎产品剖面的图像的步骤；
‑
分析捕获的图像的步骤；
‑
神经网络训练步骤，其中，捕获的图像被切割成缩略图并被标记，其中，神经网络将相同大小的缩略图作为输入，并且其中，神经网络输出相同大小的对应图像，所述对应图像表示其对产品剖面的分界面的位置的预测；以及
‑
比较步骤，在所述比较步骤期间，产品剖面的分界面的位置的预测用于相对于在分界面参考中预测的分界面来构建至少一个表示捕获的图像中的真实分界面的模型；从而通过计算相对于在分界面参考中分配的标签的误差项来比较从神经网络输出的图像，真实分界面与预测分界面之间的偏移由产品剖面的分界面位置的预测与在训练步骤期间建立的模型之间的残差来表示，该误差指示样本中的变化。2.根据权利要求1所述的方法，进一步包括从一个或更多个轮胎产品中获得至少一个样本的切割步骤。3.根据权利要求1或权利要求2所述的方法，其中，捕获轮胎产品剖面的图像的步骤包括在各种编码照明下捕获图像的步骤。4.根据前述权利要求中的任一项所述的方法，其中，比较步骤包括测量神经网络的精度的步骤，在该步骤期间，神经网络被分配表示其精...

【专利技术属性】
技术研发人员：T，
申请(专利权)人：米其林集团总公司，
类型：发明
国别省市：