[发明专利]一种基于机器视觉和深度学习算法的轮胎内侧缺陷检测仪

权利要求书

1.一种基于机器视觉和深度学习算法的轮胎内侧缺陷检测仪，其特征为：包括手柄、连接于手柄上端的机身、设于机身前端的自动对焦摄像头、设于机身前端邻近自动对焦摄像头的探照灯、分别设于机身上的嵌入式报警单片机和嵌入式深度学习算法开发板、以及显示屏，所述的机身内部还设有蓄电池，所述的自动对焦摄像头、探照灯、嵌入式报警单片机和嵌入式深度学习算法开发板分别通过导线与蓄电池电路连接，所述的自动对焦摄像头通过导线与嵌入式深度学习算法开发板电路连接，所述的嵌入式深度学习算法开发板通过导线分别与嵌入式报警单片机、及显示屏电路连接，所述的手柄上还设有按压式开关。

2.如权利要求1所述的一种基于机器视觉和深度学习算法的轮胎内侧缺陷检测仪，其特征为：所述的嵌入式深度学习算法开发板设有图像预处理模块、基于卷积神经网络和支持向量机分类优化的改进算法模块、以及缺陷识别及定位模块。

3.如权利要求2所述的一种基于机器视觉和深度学习算法的轮胎内侧缺陷检测仪，其特征为：所述的图像预处理模块包括依次连接的图像滤波子模块、图像增强子模块、图像分割子模块，经自动对焦摄像头采集的视频信息经由图像预处理模块进入缺陷识别及定位模块，缺陷识别及定位模块依据基于卷积神经网络和支持向量机分类优化的改进算法模块对缺陷图像进行识别与定位；所述的缺陷识别及定位模块针对轮胎内部的气泡、裂纹、杂质和正常花纹进行识别分类，其中气泡、裂纹、杂质为缺陷。

4.如权利要求3所述的一种基于机器视觉和深度学习算法的轮胎内侧缺陷检测仪，其特征为：所述的图像滤波子模块中，采用窗口为35×35像素大小的高斯滤波，从原始图片的左上角开始平移滑动，计算每个滤波窗口中所有像素灰度值的高斯加权平均值，并将计算结果赋予窗口的中心像素；

其中，高斯加权平均值的计算式见式(1)：

式(1)中：g_i，j为窗口中像素的灰度值；F_i，j为中心像素灰度值；G(i，j)由式(2)计算得到：i与j为滤波窗口所在的图片位置：

式(2)中：σ为正态分布的标准偏差。

5.如权利要求4所述的一种基于机器视觉和深度学习算法的轮胎内侧缺陷检测仪，其特征为：所述的图像增强子模块中，采用直方图均衡化算法对图像进行增强。

6.如权利要求5所述的一种基于机器视觉和深度学习算法的轮胎内侧缺陷检测仪，其特征为：所述的基于卷积神经网络和支持向量机分类优化的改进算法模块中，卷积神经网络的网络结构包括1个输入层、3个卷积层、3个池化层及1个全连接层；所述的池化层和全连接层中间插入以防止过度拟合的dropout，上述各层均选用Relu激活函数；且各层参数分别从大数据集内随机选择，组合相关参数后放入卷积网络结构内，获得最优参数模型。

7.如权利要求6所述的一种基于机器视觉和深度学习算法的轮胎内侧缺陷检测仪，其特征为：所述的基于卷积神经网络和支持向量机分类优化的改进算法模块中，在寻得最优参数模型和经过第3个池化层后，连接支持向量机网络模型，最终输出无缺陷与各缺陷对应的置信度，选择置信度最大值所对应的类别为最终网络识别的输入图像类别。

8.如权利要求7所述的一种基于机器视觉和深度学习算法的轮胎内侧缺陷检测仪，其特征为：所述的缺陷识别及定位模块识别分类的方法为：通过对采集并预处理后的原图按照75×75像素的裁剪框对每一区域进行裁剪，并以75×75方框内完全涵盖灰色突变边界为准，按照5个像素点的步长，从左上向右下移动裁剪框，每张原图获取100～200张样本图片。

9.如权利要求8所述的一种基于机器视觉和深度学习算法的轮胎内侧缺陷检测仪，其特征为：经过缺陷识别与定位后，如果缺陷识别及定位模块判断为无缺陷，将相关图像信息经由显示屏显示；如果判断有缺陷，则进一步对图像进行分割识别，获取缺陷所在区域位置以及缺陷种类，并向嵌入式报警单片机发出信号，嵌入式报警单片机进行报警，同时，嵌入式深度学习算法开发板将相关缺陷图像信息经由显示屏显示。