[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

说明书

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，涉及轮胎质量检测技术领域，包括手柄、机身、自动对焦摄像头、探照灯、嵌入式报警单片机、嵌入式深度学习算法开发板、以及显示屏。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。本发明能够对自动采集的轮胎内侧图像信息自动解读，实现轮胎内侧缺陷的高效准确识别，并自动提取位置信息，绘制缺陷边界、计算缺陷面积大小、发出报警声音，使得轮胎内侧缺陷得探测识别工作简单化、自动化、智能化、高效化，降低轮胎内侧缺陷检测的时间和人力成本。

技术领域

本发明涉及轮胎质量检测技术领域，具体涉及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。

背景技术

轮胎在生产制造过程中，因操作失误或生产设备等因素影响，可能出现多种缺陷，例如胎稀、帘线弯曲、杂质裂纹、气泡等。为保障车辆的行驶安全，轮胎出厂前会进行各种缺陷检测，目的是将存在缺陷的轮胎挑选出来。

现有的轮胎缺陷检测技术大多聚焦于轮胎的外部缺陷检测，而针对轮胎内部的缺陷多采用人工目测的方法。显而易见，轮胎内部的缺陷同样关系到车辆的行驶安全，而且由于轮胎内部避光，采用人工目测的方法很容易导致检测失误，而且检测效率低，检测方式与行业的科技发展趋势不符。

关于轮胎缺陷的检测技术大多是经过人工分析，并依据主观经验来确定轮胎是否损伤以及损伤位置，而轮胎缺陷检测的自动化研究工作大多通过轮胎的X光图像来实现，且均聚焦于外部缺陷。现有技术的具体实施步骤为：借助仪器完成轮胎表面的X光图像采集，然后依据人工视觉和经验对图像进行损伤识别。该类检测仪器的训练数据集多是采用基于X射线下的成像图片，提取诸如杂物、钢丝帘线分布不均、弯曲和交叉等缺陷的特征，并辅助一些图像处理算法减少噪声带来的干扰，提高特征识别的精确度，进而设计开发基于X射线成像的缺陷检测系统。虽然采用X射线的条件下可以实现轮胎磨损定位与识别，但存在下列局限：

1、识别过程需要全程放置于发射X射线功能的仪器下，需要的设备比较多，系统复杂，灵活性较差，对环境、仪器和工人的操作过程要求高；

2、无法适应轮胎内部的损伤识别；而只能针对轮胎表面缺陷，内部缺陷还是需要人工进行检测。

发明内容

本发明提出了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，目的是解决现有技术中存在的问题。

为了达到上述目的，本发明的技术方案为：

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，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。

优选的，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。

优选的，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，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；

优选的，所述的图像滤波子模块中，采用35pt×35pt窗口大小对其进行高斯滤波，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；