一种基于深度学习的轮胎缺陷智能检测方法.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CN108711148A(43)申请公布日2018.10.26(21)申请号201810448921.2(22)申请日2018.05.11(71)申请人沈阳理工大学地址110000辽宁省沈阳市浑南新区南屏中路6号(72)发明人陈亮齐宏伟饶兵刘韵婷(74)专利代理机构沈阳智龙专利事务所(普通合伙)21115代理人周智博宋铁军(51)Int.Cl.G06T7/00(2017.01)G06T7/11(2017.01)G06T3/40(2006.01)G06T7/13(2017.01)权利要求书3页说明书7页附图4页(54)发明名称一种基于深度学习的轮胎缺陷智能检测方法(57)摘要一种基于深度学习的轮胎缺陷智能检测方法，该方法在原有X光检测设备的基础上，通过视频分配器，将原有视频分为2路，一路供操作员进行人工判定，另一路通过高速视频采集卡采集X光图像并送入识别系统；利用人工智能技术实现自动化，提高生产率，节省劳动成本。CN108711148ACN108711148A权利要求书1/3页1.一种基于深度学习的轮胎缺陷智能检测方法，采用该方法对半钢/全钢轮胎进行缺陷检测及识别，其特征在于：该方法在原有X光检测设备的基础上，通过视频分配器，将原有视频分为2路，一路供操作员进行人工判定，另一路通过高速视频采集卡采集X光图像并送入识别系统；其按照以下步骤进行：(1)识别系统经过高速采集卡将X光图像采集进管理服务器，管理服务器将图像进行拼接后，生成一个轮胎的完整图像，然后将图像根据胎冠、胎侧部分为左中右三个区域，每个区域为边长0.4×bw的正方形，再加上按bw×0.4bw截取的整体情况作为第四个区域，形成四个识别区域，其中bw为X光图像的宽度；(2)按区域分割以后，将分割后的数据送入计算单元群并通过识别算法对轮胎缺陷进行识别，识别后的结果送回管理服务器；(3)根据现场经验对每一种轮胎缺陷设定一个置信率Ci，大于Ci的识别结果直接显示该缺陷类别，小于Ci的识别结果则需要现场操作人员人为判定是否为真实缺陷；(4)将小于Ci的误判样本作为新样本，自动补充到样本库，训练服务器定期自动精训一次，将精训形成的参数自动更新到计算单元群中。2.根据权利要求1所述的一种基于深度学习的轮胎缺陷智能检测方法，其特征在于：(1)步骤中图像拼接方法之前，采用图像边缘提取方法进行预处理，以便图像拼接更快，图像边缘提取方法具体如下：使用如下算子，且只在Y方向上进行卷积：3.根据权利要求1所述的一种基于深度学习的轮胎缺陷智能检测方法，其特征在于：样本库、标定库和训练库的形成，具体步骤如下：(1)建立标定采集库，其中的轮胎缺陷X光图像一方面来自于积累的历史X光图像，另一方面来自于现场采集的图像；(2)对标定采集库里的X光图像按标定流程进行标定，由标定人员负责标定自己分工内的缺陷，不要求分工间的标定顺序，每完成一个缺陷流程的标定，标定完成度就会增加，直至所有缺陷流程标定完成，将标定结果上传至标定结果库；(3)对标定结果库中的轮胎缺陷标定结果进行人工审核，通过审核的图片存入样本库，未通过审核的图片返回标定采集库，并重复(1)-(3)步骤；(4)对样本库进行训练，最终生成训练参数集文件存入训练库。4.根据权利要求3所述的一种基于深度学习的轮胎缺陷智能检测方法，其特征在于：所述步骤(2)中的标定流程具体如下：(2-1)进入标定程序，选择一张未标定完成的X光图像数据，点击标定进入标定界面；(2-2)使用鼠标和键盘方向键对图像进行缩放、移动等操作确定缺陷位置；(2-3)通过鼠标操作对缺陷部分画框以确认位置和缺陷类别；(2-4)重复步骤(21)～(23)，直至完成分工内所有标定任务。5.根据权利要求1所述的一种基于深度学习的轮胎缺陷智能检测方法，其特征在于：2CN108711148A权利要求书2/3页(2)步骤中的识别算法为基于深度学习的轮胎缺陷识别算法，具体如下：轮胎缺陷识别算法的关键技术具体包括识别区域分割及特征检测器的设计、卷积神经网络的结构设计和损失函数的确定；(1)识别区域分割及特征检测器的设计：将图像分为4个区域，区域1-3用来识别细节缺陷，区域4用来识别宏观缺陷；区域1-3每个区域为边长0.4×bw的正方形，区域4为bw×0.4bw的长方形；考虑到每个的区域特点不同，使用的特征检测器也有所不同，区域1-3检测具体小目标，一般为正方形特征，所以使用X、Y方向1：1比例变化的特征检测器；区域4检测为横向或纵向的总体缺陷，使用X、Y方向1：2比例变化的特征检测器；(2)卷积神经网络的结构设计网络结构每个分区切割的图像固定压缩到448x448大小的标准图片，然后经过多层卷积形成4096个特征点；(3)神经网络损失函数