[发明专利]一种基于深度学习的轮胎缺陷检测方法

说明书

本发明公开了一种基于深度学习的轮胎缺陷检测方法，所述方法包括：获取待检测的轮胎X光图像，输入至训练好的像素级缺陷区域估计网络模型；根据所述像素级缺陷区域估计网络模型的输出结果判断所述待检测的轮胎X光图像是否存在缺陷，并在判断存在缺陷时进一步判断出缺陷类型、缺陷目标框及缺陷边界。应用本发明，能实现轮胎缺陷区域的像素级估计，从而能精确得到缺陷的面积，是轮胎质量判级的重要依据，而且也提高了缺陷检测的精确度。

技术领域

本发明属于图像数据处理技术领域，具体地说，是涉及一种轮胎缺陷检测方法，更具体地说，是涉及一种基于深度学习的轮胎缺陷检测方法。

背景技术

随着汽车行业的快速发展及汽车保有量的持续增长，大大增加了对轮胎的需求。而轮胎质量检测是在行驶过程中对人们生命财产安全的重要保障，亦可预测轮胎的使用寿命，同时对轮胎进行在线质量检测也便于轮胎生产企业及时发现生产线中存在的不合格产品，以此来调整机械设备甚至轮胎的生产工艺，避免造成生产材料的浪费。因此，检测轮胎质量是轮胎生产过程中必不可缺少的一部分，对轮胎工业的发展和道路交通安全有着重要的研究和经济意义。

目前排查轮胎缺陷主要有两种方法：人工目测法和计算机图象分析法。人工目测法是轮胎通过X光机成像后由人来判断轮胎内部是否存在缺陷，其方法因人的知识水平不同、劳动极限及个人主观因素等原因，检测结果有一定的偏差，而且效率低下。随着统计学、频谱分析、机器学习和深度学习等图象分析技术的发展，目前国内外学者在诸多工业应用领域提出了许多智能无损缺陷检测技术，而基于X射线的轮胎无损缺陷检测技术在轮胎工业中得到了快速的发展并取得了优异的成果。但是，基于统计学、频谱分析法的轮胎缺陷检测对阈值参数设置和最佳尺度选择要求非常严格。而对于机器学习的浅层学习方法由于其对复杂函数的表示能力有限，针对复杂检测及分类问题其泛化能力会受到一定制约。此外，又由于轮胎X射线图像的复杂多纹理结构以及轮胎缺陷的多样性，一般一种缺陷类型需要设计一种算法，使得算法的通用性较差；而且即使同类缺陷，其特征表现形式都具有较大的差别，使得轮胎缺陷检测算法的鲁棒性也较差。

近年来，因社会数字化带来的大量学习数据和计算机强大的计算性能，使深度学习得以飞速发展。由于深度学习是完全基于数据驱动的方式自动学习图像特征，具有强大的特征学习能力，使得它在目标识别领域表现出无可比拟的优越性，和传统方法的最大不同在于把特征和学习融合起来变成自动特征学习，这实际上是用深度学习的特征表示代替传统方法中繁琐的预处理、特征提取和特征选择以及学习等多个分步过程，但是传统方法分步过程间的相互结合只有达到最优，才能获得较好的实验效果，这几乎是不可能的，并且传统方法中的特征提取需要领域专家通过多年的经验积累才能手工设计出来。因此，基于深度学习检测轮胎缺陷是目前较为理想的检测方法。

公开号为CN108564563A的中国发明专利申请公开了一种基于Faster R-CNN的轮胎X光病疵检测方法，通过搭建Faster R-CNN模型检测轮胎X光病疵，提高了检测速度和准确率。但是，传统的Faster R-CNN模型只能框出轮胎病疵的大概位置，并不能对轮胎病疵区域进行精确估计，而且对小目标的缺陷检测效果较差。

发明内容

本发明的目的是提供一种基于深度学习的轮胎缺陷检测方法，实现轮胎缺陷区域的像素级估计，提高缺陷检测的精确度。

为实现上述发明目的，本发明采用下述技术方案予以实现：

一种基于深度学习的轮胎缺陷检测方法，包括：

获取待检测的轮胎X光图像，输入至训练好的像素级缺陷区域估计网络模型；

根据所述像素级缺陷区域估计网络模型的输出结果判断所述待检测的轮胎X光图像是否存在缺陷，并在判断存在缺陷时进一步判断出缺陷类型、缺陷目标框及缺陷边界；