[发明专利]一种两阶段的轮胎X光病疵检测方法

说明书

本发明公开了一种两阶段的轮胎X光病疵检测方法，该方法包括两阶段：第一阶段先提出一些可能存在目标病疵的区域，使用区域候选网络获得候选区域和区域的类别概率值，随后第二阶段将得到的候选区域送到感兴趣区域池化层统一尺寸，然后将其送入分类层进行分类，同时将在区域候选网络中得到的区域类别概率接入到分类器的展平层中，通过分类网络和回归网络得到病疵及病疵所在位置；本发明的方法可避免因为人的因素造成的轮胎检测效率低下，在主要解决漏判的情况下一定程度地解决误判问题，从而大大提高轮胎的安全性，并且能减轻质检人员的压力。

技术领域

本发明属于计算机视觉和工业检测技术领域，涉及一种两阶段的轮胎X光病疵检测方法，是一种基于目标检测算法的疵检测方法，使计算机可以代替人工检测轮胎X光图像中的病疵。

背景技术

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：

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。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。

目标检测(Object Detection)是计算机视觉领域的基本任务之一，其在学术界的研究历史已有二十年。近些年随着深度学习的崛起，目标检测算法一般都是基于深度学习来完成的。目前目标检测主要分为两个阵营：二阶段目标检测算法和一阶段目标检测算法。二阶段目标检测算法需要先生成候选框，然后在候选框的基础之上进行细分类别和位置。二阶段目标检测算法的代表为Faster R-CNN。但Faster R-CNN有以下问题：

首先是Faster R-CNN容易把有病疵图片的图片判断为正常图片，这样虽然导致了Faster R-CNN在是否是病疵图片的查准率比较高，但是存在着过多的误判，查全率太低，而且对于工业应用来讲，有病疵的图片判断为无病疵比无病疵判别为有病疵的影响要大很多。

其次，查准率和查全率还需要提高很多。

发明内容

针对现有质检方式存在的上述问题。本发明提供了一种两阶段的轮胎X光病疵检测方法。第一阶段先提出一些可能存在目标物体的区域，使用区域候选网络获得候选区域和区域的类别概率值，随后第二阶段将得到的候选区域和类别概率接入到分类器中，筛选并得到病疵及病疵所在位置。

一种两阶段的轮胎X光病疵检测方法，目标是输入轮胎X光图片，输出当前X光图像是否有瑕疵，是何种瑕疵，和病疵在图像中的位置，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)构建并初始化模型。本模型分为以下两阶段：

在第一阶段中，原始图像经过卷积神经网络之后得到一系列的特征图，然后特征图输入到区域候选网络(RPN)，区域候选网络提取特征图中可能含有物体的区域，即候选区域，并得到此候选区域的类别概率值；