[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

说明书

本发明提供一种利用背景特征进行重排名的轮胎X光瑕疵检测方法，当训练完模型之后进行瑕疵检测时，不仅将待检测图片输入模型中，还随机选取多张不带任何瑕疵的图片输入模型中；对待检测图片进行特征提取时，也提取无瑕疵图片中对应位置的特征；然后计算瑕疵特征向量和背景特征向量之间的相似度，根据该相似度对候选框进行重排名之后再输出最终的检测结果，具有以下优点：1)基于深度学习的轮胎X光瑕疵检测可以避免人的因素造成的轮胎质检过程中效率低下、人工成本高等问题；2)充分利用无瑕疵图片的信息，对候选框的概率进行一定的修正。

技术领域

本发明涉及计算机视觉和工业检测技术领域，具体来说是一种利用背景特征进行重排名的轮胎X光瑕疵检测方法。

背景技术

轮胎是我国国民经济的重要支柱，我国的轮胎按照其胎体的不同可以分为斜交线轮胎和子午线轮胎两种。子午线轮胎具有流动阻力小、使用寿命长、减震性能好等优点被广泛使用。但是，子午线轮胎对生产要求非常高，其制作工艺流程相比于斜交线轮胎更为复杂。在子午线轮胎的生产过程中极易受到机械设备、生产流程以及其它外部环境的影响，会出现一些如杂质、胎稀、气泡等瑕疵，这些瑕疵都会影响到轮胎的质量从而进一步影响交通驾驶的安全。

轮胎质检中重要的环节就是通过X光机照射轮胎得到X光图像，然后通过观察X光图像的特点来判断该轮胎是否存在瑕疵及其位置。最开始由人工判别，但在目标检测算法日渐成熟的背景下，已经有学者提出利用深度神经网络搭建检测模型来自动判别。

但是在训练模型或测试模型时，需要的数据集都是要包含瑕疵的图片集，而在实际生产中，最容易获取、最多的数据是不包含任何瑕疵的轮胎X光图片；另一方面，由于轮胎X光图片的特殊性，瑕疵与背景本质上都是纹理特征，存在着极大的联系，因此可以针对这些无瑕疵图片，对算法做进一步改进，充分利用轮胎X光图片中背景的信息来增强模型预测的鲁棒性。

发明内容

针对现有质检方式存在的上述问题，本发明提供了一种利用背景特征进行重排名的轮胎X光瑕疵检测方法，充分利用橡胶工厂中大量的、最易获取的不包含任何瑕疵的背景图片，增强了模型的鲁棒性。

为此，本发明采用如下解决方案：

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。

在采用上述技术方案的同时，本发明还可以采用或者组合采用如下技术方案：

作为本发明的优选技术方案：所述步骤(3)中，所述Faster R-CNN模型主要分为四个部分：