一种基于多模型融合的轮胎X光病疵检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110335242A(43)申请公布日2019.10.15(21)申请号201910412655.2(22)申请日2019.05.17(71)申请人杭州数据点金科技有限公司地址310018浙江省杭州市经济技术开发区白杨街道科技园路57号17幢1213-1218室9号工位(72)发明人陈金水丁启元范彬彬李莹杨颖(74)专利代理机构杭州求是专利事务所有限公司33200代理人万尾甜韩介梅(51)Int.Cl.G06T7/00(2017.01)G06N3/04(2006.01)G06K9/62(2006.01)权利要求书1页说明书5页附图1页(54)发明名称一种基于多模型融合的轮胎X光病疵检测方法(57)摘要本发明公开了一种基于多模型融合的轮胎X光病疵检测方法，该方法基于YOLOv3模型和改进的FasterR-CNN模型，利用两种模型各自优点，将其结合到一起，实现了计算机来代替人眼判别当前X光图像是否有瑕疵，以及是何种瑕疵，与此同时还能标出病疵在图像中的位置。可在主要解决漏判的情况下一定程度地解决误判问题，大大提高轮胎的安全性，并且能减轻质检人员的压力。CN110335242ACN110335242A权利要求书1/1页1.一种基于多模型融合的轮胎X光病疵检测方法，其特征在于，包括如下步骤：(1)图像预处理；将用于训练和检测的轮胎X光图片转化为可输入模型的格式和大小；(2)训练改进的FasterR-CNN模型；(3)训练YOLOv3模型；(4)将待检测的轮胎X光图像输入到两个训练好的模型中，合并得到的结果：如果都判断为正常图片，那么结果是正常图片；如果YOLOv3判别有病疵，但是改进的FasterR-CNN判别为无病疵，那么当前图片的分类和病疵位置都按照YOLOv3预测的结果给定，如果改进的FasterR-CNN判别为有病疵，YOLOv3判别为无病疵，此时查看改进的FasterR-CNN判别病疵的置信度，大于0.7就判别为有病疵，否则无病疵；如果两者都判别为有病疵，则按照改进的FasterR-CNN的预测结果为准。2.如权利要求1所述的一种基于多模型融合的轮胎X光病疵检测方法，其特征在于，所述的改进的FasterR-CNN模型是：首先将原始图像经过卷积神经网络之后得到一系列的特征图；再将特征图输入到区域候选网络，在区域候选网络中经卷积层处理送入两个平行网络，一个为分类网络，用于判断前景或背景，另一个为回归网络，用于修正边框位置，获得候选区域，与特征图一并输入感兴趣区域池化层统一尺寸后，最后输入分类层，输出具体的病疵类别和位置；将区域候选网络中使用的分类损失函数改为焦点损失函数，焦点损失函数的定义如下所示：FL(pt)＝-γ(1-pt)log(pt)其中pt是预测类别为t的概率，γ为平衡因子。2CN110335242A说明书1/5页一种基于多模型融合的轮胎X光病疵检测方法技术领域[0001]本发明应用计算机视觉和工业检测技术领域，具体来说，是通过融合YOLOv3模型和改进的FasterR-CNN模型，使得可以通过计算机使用目标检测算法来检测轮胎X光图像中的病疵。背景技术[0002]轮胎拍摄X光属于轮胎制造过程的最后一个质量监控阶段，现在各大生产商一般都是采取三班轮换制来控制这个阶段的质量。具体的流程是，轮胎送到X光机通道，X光机给轮胎拍摄X光图像，质量监测人员在显示器前就看到X光图像，然后质检人员就会根据X光判断是否有病疵，如果有病疵则当前这条轮胎会送入到专门的通道进行处理，否则轮胎进入下一个流程。目前国内轮胎生产商的质检方式主要存在以下问题：[0003]首先，效率比较低下，一个轮胎的X光图像一般都比较大，熟练的质检人员要完全判别一个轮胎是否有病疵都需要消耗数十秒的时间；其次，判别准确度不高，误判、漏判多，长期看显示屏屏幕人容易疲劳，在这种情况下，有可能出现将有病疵的图像判别为无病疵，造成漏判或者病疵类别判断错误，造成误判。误判和漏判这两种情况中最关键的是要解决漏判问题，这也是工业界最关心的一个问题，病疵类别判断错了，由于没有卖给商家，所以不会造成安全问题，但是漏判了，一旦到了商家手里就可能有安全隐患；最后，长期进行人工判别，对质检人员健康损伤较大。长期对着显示屏会对眼睛造成伤害，导致质检人员出现头晕目眩的情况。[0004]根据近三年的统计，人员检测X光图片的漏判率大约为2.3％，所谓的漏判率即将有病疵的图片判别为无病疵。[0005]近几年，目标检测(ObjectDetection)算法由于深度学习的崛起得到飞速发展，提出了很多基于卷积神经网络的目标检测算法。一方面，有两阶段目标检测算法如FasterR-CNN。另一方面，又有一阶段的目标检测算法例如YOLO。这