【技术实现步骤摘要】
基于数据融合和深度学习的轮胎缺陷检测系统及方法
[0001]本公开涉及轮胎缺陷检测
,具体涉及基于数据融合和深度学习的轮胎缺陷检测系统及方法
。
技术介绍
[0002]本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息,不必然构成在先技术
。
[0003]轮胎是汽车
、
摩托车等交通工具上的重要部件,它直接影响着车辆的行驶安全和性能
。
然而,轮胎在使用的过程中会面临各种各样的问题,其中最常见的是轮胎缺陷
、
如裂纹
、
磨损
、
气压异常等,如果轮胎缺陷未及时发现和修复,就会给驾驶员和乘客带来巨大的安全隐患,甚至可能导致交通事故
。
[0004]近年来,随着计算机视觉
、
机器学习等技术的发展,基于
3D
点云技术和深度学习的自动化轮胎缺陷检测方法得到了广泛应用,能够提高检测效率和准确性,减少人力成本,具有很大的应用前景
。
普通轮胎检测设备需要对轮胎上胎侧,下胎侧
、
胎冠和轮胎内侧图像分别进行缺陷检测,故至少需要采集四种图像,分别输入三类缺陷检测模型,严重影响检测速率,无法匹配轮胎工厂节拍,且对服务器存储空间和计算速率要求极高
。
技术实现思路
[0005]本公开为了解决上述问题,提出了基于数据融合和深度学习的轮胎缺陷检测系统及方法,利用
3D
点云结合多传感器数据融合,更加准确地描述 ...
【技术保护点】
【技术特征摘要】
1.
基于数据融合和深度学习的轮胎缺陷检测方法,包括:获取轮胎翻转前以及翻转后采集的
3D
点云数据以及图像数据,并进行预处理;将轮胎翻转前采集的
3D
点云预处理后的图像与翻转后采集的
3D
点云预处理后的图像进行点云配准,再将配准后的点云数据进行融合;其中,基于三向
Han
‑
GAN
网络的图像转化融合方法,对图像之间的多源异构数据进行转换,转化后的图像进行全景图像拼接,通过图像匹配的方法获取轮胎成像特征点,利用基于
SSD
网络的轮胎缺陷全局检测和基于
YOLOv3
网络的轮胎缺陷局部检测模型,对图像进行检测,输出缺陷位置以及类别信息
。2.
如权利要求1所述的基于数据融合和深度学习的轮胎缺陷检测方法,其特征在于,所述预处理的过程包括:读取轮胎
3D
点云数据,并显示为二维灰度图像,并对二维灰度图像进行灰度化
、
二值化处理和均值滤波,将点云数据信息进行点云滤波
、
点云配准和点云分割,将
3D
点云数据转换为
3D
彩色矩形图像,将
3D
彩色矩形图像转换为圆形轮胎图像
。3.
如权利要求2所述的基于数据融合和深度学习的轮胎缺陷检测方法,其特征在于,将
3D
彩色矩形图像二维矩阵定义为
A
,现在将矩阵
A
的每一列由直线转换为圆形
C
,计算圆形
C
曲线上的每个点的
xyz
坐标,转换为圆形,将矩阵
A
所有列均转换为圆形以后,即可得到
3D
圆形轮胎图像
。4.
如权利要求1所述的基于数据融合和深度学习的轮胎缺陷检测方法,其特征在于,三向
Han
‑
GAN
网络多源异构数据转换过程为:针对三种不同相机采集的图像,分别构建三个生成器和三个鉴别器,构建三个鉴别器判别转换后的图像是否与真实图像相似,三向
Han
‑
GAN
网络输入为三种图像;输出为三种图像转化后的图像,且三种图像互相转换的结果具有一致性和连续性
。5.
如权利要求2所述的基于数据融合和深度学习的轮胎缺陷检测方法,其特征在于,所述点云滤波的实现步骤为:首先确定滤波半径,对于每个点,确定一个滤波半径,该半径内的所有点将被用于计算滤波结果,其次对于每个点,根据其周围滤波半径内的点,利用中值函数计算滤波结果;最后根据计算得到的滤波结果,判断每个点是否为噪点,并将其去除
。6.
如权利要求5所述的基于数据融合和深度学习的轮胎缺陷检测方法,其特征在于,所述滤波半径基于点云密度...
【专利技术属性】
技术研发人员:郭宇晗,郑飞,陈珊珊,何为凯,许芝光,王云明,陈振学,
申请(专利权)人:山东交通学院,
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。