[发明专利]一种可判别病疵等级的轮胎X光病疵检测方法

权利要求书

1.一种可判别病疵等级的轮胎X光病疵检测方法，包括步骤如下：

S1、数据标注：将收集到的轮胎X光检测图片用LabelImg工具进行标注，标注出病疵位置、病疵类型和病疵等级，所述病疵位置标注时用方框标出，所述病疵类型可分为多种，标注文件的类型为xml文件；

其中，所述病疵等级分为1：优质品；2：可用品；3：可修复；4：残次品；

S2、图像预处理：将所述轮胎X光检测图片进行锐化处理得到预处理后的大图片；

S3、图像裁剪：将大小是20000×1900的所述预处理后的大图片分为11张1900×1900的小图，将相应的坐标位置进行变换，改写记录所述病疵类型以及坐标的xml文件；

S4、搭建Faster R-CNN(深度神经网络)模型：；

S5、初始化所述Faster R-CNN模型：设置参数，所述参数包括输入图片后统一的大小、模型在Search Selective(选择性搜索)阶段方框的大小与个数、模型训练的周期数；

S6、将图像数据集分为训练集、验证集和测试集：划分原则是所述训练集占70％，所述验证集和所述测试集各占15％；

S7、重复上述步骤S5、S6，可以训练得到多个模型，对所述多个模型进行测试分析，基于所述测试集进行测试，将所述轮胎X光检测图片输入模型，得到所述轮胎X光检测图片属于哪一种病疵类型以及病疵等级。

2.根据权利要求1所述的可判别病疵等级的轮胎X光病疵检测方法，其特征在于，步骤S1中病疵类型包括：帘线稀疏、帘线弯曲、帘线重叠、零度散线、带束层稀线、杂质、胎侧气泡、胎冠气泡、成型开根、成型街头稀线、其他。

3.根据权利要求1所述的可判别病疵等级的轮胎X光病疵检测方法，其特征在于，步骤S4中Faster R-CNN网络原模型主要包括四部分：

1)Conv layers(卷积层)提取特征图，对于任意输入大小输入的图像，先将图像进行缩放，然后送入网络Conv layers(卷积网络层)，Conv layers(卷积网络层)中包含了13个conv层(卷积)，13个relu层(激活函数层)，4个pooling层(池化层)，用这些基础的层提取图片的feature maps(特征图)，该feature maps(特征图)被共享用于后续RPN层和全连接层；

2)RPN(Region Proposal Networks，区域选择网络)，经过3x3卷积，再分别生成foreground anchors(前景窗口)与bounding box regression(边框回归)偏移量，然后计算出proposals(候选框)；

3)Roi Pooling(侯选区域池化)层，利用proposals(候选框)从feature maps(特征图)中提取proposal feature(候选框特征)送入后续全连接和softmax(归一化指数函数)网络作classification(分类)；

4)Classifier(分类器)，利用proposal feature maps(候选框特征图)计算proposal(候选框)的类别，同时再次bounding box regression(边框回归)获得检测框最终的精确位置。

4.根据权利要求1所述的可判别病疵等级的轮胎X光病疵检测方法，其特征在于，步骤S6中包括：基于所述训练集进行模型的训练，基于验证集进行参数的调整，所述训练进行多次迭代，并采用K交叉验证方法进行参数配置的调整，所述训练到一定的周期，需要检查当前的所述参数配置是否是正确的，具体步骤如下：

1)在所述模型的训练过程中，获取所述模型在所述训练集和所述验证集上面的损失函数的函数值；

2)所述训练到一定的周期之后，暂时停止所述训练，并将当前的模型保存下来，方便以后继续所述训练；

3)画出所述训练集和所述验证集的损失函数值，横轴为周期数，纵轴为所述损失函数值，观察所述训练集和所述验证集上的所述损失函数值是否是一个正确的下降趋势；

4)如果步骤3)中是呈正确下降趋势，则不必调节参数，这时导入在步骤2)中保存的所述模型继续训练直至达到模型收敛；否则进入步骤5)；

5)如果损失函数的函数值没有呈正确的下降趋势，就找到原因，并调节所述参数，所述参数确定好之后回到步骤S5中。