[发明专利]车辆轮胎的胎纹检测方法、装置、电子设备及存储介质

说明书

本申请涉及车辆检测领域，公开了一种车辆轮胎的胎纹检测方法、装置、电子设备及存储介质。其中，车辆轮胎的胎纹检测方法，包括：获取待检测车辆的轮胎图像；根据所述轮胎图像确定候选胎冠区域；采用基于深度学习的目标分类模型，对所述候选胎冠区域的胎纹进行分类；根据分类结果，确定所述胎纹是否合格。本申请还提供了一种车辆轮胎的胎纹检测装置、电子设备及存储介质；可以自动检测车辆轮胎是否处于合格状态，提高检测效率和准确率。

技术领域

本申请涉及车辆检测领域，特别涉及一种车辆轮胎的胎纹检测方法、装置、电子设备及存储介质。

背景技术

随着人民生活水平的持续提高和社会经济的不断发展，城市机动车保有量迅猛增长。其中，机动车车辆检测(比如车辆年检)的工作量也随之迅速增大。

然而，发明人发现相关技术中至少存在如下问题：

传统的车辆检测中，对车辆胎冠的胎纹检测主要依赖于人工检测，因而往往存在着人工成本高、易疲劳、易疏忽等弊端，严重影响检测结果的准确率和效率。因此，如何准确、快速的对车辆胎冠的胎纹检测进行检测，同时避免人工检测过程中的成本高、易疲劳、易疏忽等弊端，是目前形势下亟需解决的技术问题。

发明内容

本申请的一个目的是提供一种车辆轮胎的胎纹检测方法、装置、电子设备及存储介质，可以自动检测车辆轮胎是否处于合格状态，提高检测效率和准确率。

根据本申请的一个方面，提供了一种车辆轮胎的胎纹检测方法，包括：获取待检测车辆的轮胎图像；根据所述轮胎图像确定候选胎冠区域；采用基于深度学习的目标分类模型，对所述候选胎冠区域的胎纹进行分类；根据分类结果，确定所述胎纹是否合格。

根据本申请另一个方面，还提供了一种车辆轮胎的胎纹检测装置，包括：获取模块，用于获取待检测车辆的轮胎图像；确定模块，用于根据所述轮胎图像确定候选胎冠区域；分类模块，用于采用基于深度学习的目标分类模型，对所述候选胎冠区域的胎纹进行分类；判断模块，用于根据分类结果，确定所述胎纹是否合格。

根据本申请另一个方面，还提供了一种电子设备，包括：一个或多个处理器；以及存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行如上述的车辆轮胎的胎纹检测方法。

根据本申请另一个方面，还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述的车辆轮胎的胎纹检测方法。

另外，所述基于深度学习的目标分类模型，具体通过如下方式获取：在基于深度学习的LeNet分类网络之后依次添加一第一卷积层、一第二卷积层和一池化层，在所述池化层后连接一输出维度控制在512维的第一全连接层，在所述第一全连接层之后连接一输出维度控制在2维的第二全连接层；在所述第二全连接层之后连接一Loss层，得到调整后的基于深度学习的LeNet分类网络；根据所述调整后的基于深度学习的LeNet分类网络，训练得到所述基于深度学习的目标分类模型。

另外，根据所述轮胎图像确定候选胎冠区域，具体包括：判断所述轮胎图像中是否存在圆形区域；若存在，则根据所述圆形区域确定目标圆形区域，并将所述目标圆形区域的外接矩形表征的区域作为所述候选胎冠区域；若不存在，则判断所述轮胎图像中是否存在椭圆形区域；若存在，则根据所述椭圆形区域确定目标椭圆形区域，并将所述目标椭圆形区域的外接矩形表征的区域作为所述候选胎冠区域。

另外，所述根据所述圆形区域确定目标圆形区域，具体包括：通过计算所述圆形区域的圆心的数量，确定所述圆形区域的数量；若所述数量大于或者等于2，则保留各所述圆形区域中面积最大的圆形区域；根据所述面积最大的圆形区域，确定目标圆形区域；所述根据所述椭圆形区域确定目标椭圆形区域，具体包括：通过计算所述椭圆形区域的中心点的数量，确定所述椭圆形区域的数量；若所述数量大于或者等于2，则保留各所述椭圆形区域中面积最大的椭圆形区域；根据所述面积最大的椭圆形区域，确定目标椭圆形区域。