[发明专利]一种多尺度的轮胎X光病疵检测方法

权利要求书

1.一种多尺度的轮胎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，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；

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FPN(特征金字塔网络)融合Faster R-CNN网络模型：；

S5、初始化模型：设置参数，所述参数包括输入图片后统一的大小、模型在SearchSelective(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，得到测试结果。

2.根据权利要求1所述的多尺度的轮胎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，使用一组基础的conv+relu+pooling(卷积+修正线性单元+池化)层提取输入图像的feature maps(特征图)，该feature maps会用于后续的RPN层和全连接层；

2)RPN(Region Proposal Networks，区域选择网络)，用于生成region proposals(候选区域)，首先生成一堆Anchor box(锚盒)，对其进行裁剪过滤后通过softmax(归一化指数函数)判断anchors(锚)属于前景(foreground)或者后景(background)；同时，另一分支bounding box regression(边框回归)修正anchor box，形成较精确的proposal(侯选框)；

3)Roi Pooling(侯选区域池化)层，利用RPN生成的所述proposals(侯选框)和VGG16(目视图像生成器16)最后一层得到的feature map，得到固定大小的proposal featuremap(侯选框特征图)，进入到后面可利用全连接操作来进行目标识别和定位；

4)Classifier(分类器)，将所述Roi Pooling层形成固定大小的所述feature map进行全连接操作，利用Softmax进行具体类别的分类，同时，利用L1 Loss(L1损失函数)完成bounding box regression(边框回归)回归操作获得物体的精确位置。

3.根据权利要求1或2所述的多尺度的轮胎X光病疵检测方法，其特征在于，步骤S4中FPN(特征金字塔网络)具体操作方法为：

1)自底向上路径，由多个卷积模块组成，每个所述卷积模块包含多个卷积层，自底向上的过程中，空间维度逐模块减半，每个所述卷积模块的输出将在自顶向下的路径中使用；

2)自顶向下路径，FPN使用一个1x1的卷积过滤器将最上面的卷积模块的频道深度降至256维，得到图像M5，接着应用一个3x3的卷积得到图像P5，所述图像P5用于目标预测的第一个特征映射；沿着自顶向下的路径往下，FPN对之前的层应用最近邻上采样，同时，FPN对自底向上通路中的相应特征映射应用1x1卷积，接着应用分素相加，应用3x3卷积得到目标检测的特征映射。

4.根据权利要求1所述的多尺度的轮胎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。