[发明专利]一种多尺度的轮胎X光病疵检测方法

说明书

本发明属于图像识别和检测技术领域，具体公开了一种多尺度的轮胎X光病疵检测方法。本发明检测方法的步骤包括数据标注、图像预处理、图像裁剪、搭建FPN(特征金字塔网络)融合Faster R‑CNN网络模型、初始化模型、将图像数据集分为训练集、验证集和测试集、基于所述测试集进行测试，得到测试结果。其与传统方法相比优势如下：本发明采用多尺度的轮胎X光病疵检测方法，通过提取图像多层的特征，进行多尺度的融合，可以提高检测轮胎X光病疵的准确度；采用FPN融合Faster R‑CNN的网络模型进行目标识别的，大大提高多尺度检测的准确性，从而对轮胎质量进行准确监督，非常具有实用意义。

技术领域

本发明属于计算机视觉和工业检测技术领域，具体说是一种多尺度的轮胎X光病疵检测方法。

背景技术

随着经济和社会的快速发展，轮胎工业在生活中扮演了越来越重要的角色，从2004年开始，我国的轮胎产量一直居世界第一位。轮胎的种类多样，一般分为斜交和子午线轮胎，子午线轮胎又分为半钢和全钢子午线轮胎，全钢子午线轮胎具有复杂的内部结构，对生产过程要求极其苛刻。生产过程中一旦出现操作不当、成型、压延和硫化大小不合理，又或者说设备老化，都会影响轮胎的最后质量。而轮胎的质量对汽车的安全起着至关重要的作用，所以对轮胎质量的把控十分关键。

检测轮胎质量的重要监测环节就是对轮胎拍摄X光图像，然后根据X 光图像判别当前轮胎是否有某种病疵，最开始是由人工判别，现在已经提出使用深度神经网络模型进行自动判别，通过基于神经网络模型的轮胎X光病疵检测方法，可以检测到病疵的位置和类型。

但并不是所有的深度神经网络模型都对轮胎X光病疵的检测有很好的效果，Faster R-CNN(基于区域候选网络的实时目标检测)网络可以同时定位病疵并且分类出病疵类型，但是Faster R-CNN是在得到的最后一层特征图上进行特征提取，从而进行目标识别的。但是这样做存在的弊端在于，顶层特征中忽略了小物体的一些信息，因此只根据顶层特征进行目标识别，不能完整地反映小目标物体的信息。如果可以结合多层级的特征，就可以大大提高目标检测的准确性。所以需要一种融合多层特征的、多尺度的轮胎X光病疵检测方法。

发明内容

鉴于上述，本发明提供了一种多尺度的轮胎X光病疵检测方法，可以大大提高病疵检测的准确性。

提供了一种多尺度的轮胎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。

进一步的，步骤S4中Faster R-CNN网络原模型主要包括四部分：