[发明专利]一种利用背景特征进行重排名的轮胎X光瑕疵检测方法

权利要求书

1.一种利用背景特征进行重排名的轮胎X光瑕疵检测方法，其特征在于：所述利用背景特征进行重排名的轮胎X光瑕疵检测方法包括如下步骤：

(1)收集用于训练和检测的带有瑕疵的轮胎X光图片样本集和用于辅助检测的不包含任何瑕疵的轮胎X光图片样本集；

(2)对带有瑕疵的轮胎X光图片样本集中的图片进行图像预处理，图像预处理包括图像增强和几何翻转；

(3)搭建Faster R-CNN模型，并利用步骤(2)图像预处理后的带有瑕疵的轮胎X光图片样本集中的图片训练Faster R-CNN模型；

(4)训练完Faster R-CNN模型后进行瑕疵检测时，将待检测的轮胎X光图片输入到Faster R-CNN模型中，图片经过特征提取网络、RPN网络和RoI池化层卷积后得到一批固定大小的瑕疵特征向量，将这些特征向量输入到后续的分类网络以使得每个候选框都会得到一组概率值Probs；

(5)随机选择n张无瑕疵图片，其中，1≤n≤10，计算无瑕疵轮胎X光图片中对应位置的背景特征向量，并计算瑕疵特征向量和背景特征向量之间的相似度Similarity，利用该相似度对步骤(4)得到的候选框的概率值Probs进行修正，即对候选框进行重排名；

(6)将已经被重排名了的候选框进行概率阈值判断和非极大值抑制操作得到最终的检测结果，最终检测结果为瑕疵类别和瑕疵所在位置信息；

所述步骤(5)中，所述利用背景特征进行重排名的具体步骤为：

1)检测每一张轮胎图片时，除了待检测图片需要输入到检测模型外，在不包含任何瑕疵的轮胎图片集中，再随机选取n张图片一同输入到检测模型中，其中，1≤n≤10；

2)待检测图片经过特征提取网络后得到瑕疵特征图；

3)将瑕疵特征图输入到RPN网络后得到一批关于候选框的信息，其中包含候选框坐标信息、候选框个数；

4)将上述步骤得到的候选框输入到RoI池化层，得到一批大小固定的瑕疵特征向量；

5)将瑕疵特征向量输入到分类网络后，每个候选框最终得到一组关于瑕疵的概率Probs；

6)无瑕疵图片经过特征提取后得到背景特征图后，不进入后续的RPN网络中，而是将从瑕疵图片上预测得到的候选框信息直接套用在背景特征图上，并在此基础上进行RoI池化操作得到一批大小固定的、与瑕疵特征图位置一一对应的背景特征向量，对多张无瑕疵图片得到的背景特征向量取平均值；

7)计算背景特征向量和瑕疵特征向量的相似度Similarity，利用该相似度对这批候选框进行重排名，抑制相似度高的候选框的概率，提升相似度低的候选框的概率；具体公式为α×(1-Similarity)×Probs，其中α为修正因子且1.3≤α≤1.5，Probs为由分类网络得到的瑕疵概率。

2.根据权利要求1所述的利用背景特征进行重排名的轮胎X光瑕疵检测方法，其特征在于：所述步骤(3)中，所述Faster R-CNN模型主要分为四个部分：

1)Conv Layers：作为一种基于CNN网络的目标检测方法，Faster R-CNN采用一组基础卷积层+激活层+池化层提取的特征并得到关于输入图像的特征图，该特征图会作用与后续的RPN网络和RoI池化层；采用ResNet-50网络作为Faster R-CNN的卷积层；

2)RPN：RPN网络主要用于生成Region Proposals，利用Anchor机制生成一系列固定比例、固定大小的anchors并通过Softmax来判断某个anchor属于前景还是背景；再利用Boungding Box Regression修正anchors以获得更为精确的Proposals；

3)RoI Pooling：该层利用RPN生成的一系列Proposals和Resnet-50得到的特征图生成固定大小的Proposal Feature Map，并将这些候选框特征图输入到后续的全连接网络进行分类和定位；

4)Classifier：将RoI Pooling层得到的固定大小的特征向量进行全连接操作，利用Softmax进行具体瑕疵的分类，同时，利用L1 Loss完成Bounding Box Regression获得目标的准确位置。

3.根据权利要求1所述的利用背景特征进行重排名的轮胎X光瑕疵检测方法，其特征在于：所述步骤(5)中，所述利用背景特征进行重排名中向量间的相似度计算方法选择余弦相似度，设n维空间中存在向量a和向量b，其中a＝(a₁,a₂,…,a_n),b＝(b₁,b₂,…,b_n)，则向量a,b之间的相似度计算公式为：