[发明专利]一种基于语义分割网络的轮胎带束层差级和错边缺陷检测方法

说明书

本发明提出了一种基于语义分割网络的轮胎带束层差级和错边缺陷检测方法，包括采集带束层、趾口和胎侧的轮胎射线图像预训练编码器网络；分割胎冠带束层左侧和右侧区域制作训练和测试数据集；设计了解码器网络融合各阶段的特征图并输出像素级的带束层区域；语义分割算法集成于缺陷检测软件；通过扫码器获取轮胎型号，利用对比轮胎X射线图像的图上像素距离与实际尺寸的比例，确定轮胎带束层的坐标；依照实际的生产标准，判别两种缺陷是否发生以及严重程度。本发明能够实时监测是否存在带束层缺陷，解决传统图像处理方法无法灵活应对复杂多样的轮胎型号检测需求以及人工检测时漏检率居高不下的困难。

技术领域

本发明涉及轮胎质量的自动化检测领域，具体是一种基于语义分割网络的轮胎带束层差级和错边缺陷检测方法。

背景技术

轮胎的质量不仅关系着乘车人的安全，而且影响每个道路通行者切身生命财产。因此，在轮胎生产环节中，质量检测可以避免不合格的产品流入消费者手中。目前，子午线轮胎占据主要的市场份额，该种类型的轮胎在胎面贴合了多层钢丝，大大提高了轮胎强度和稳定性。子午线轮胎结构复杂，生产环节增加，从而引发各种类型的缺陷。为应对种轮胎内部缺陷的问题，最常用的无损检测方案是将轮胎产品方置在X光室内进行照射，对并生成的二维灰度图按企业标准进行测量。虽然大量的企业仍然采用人工目测的方法，但人工目测图像的过程在效率和准确性方面存在极大不足。基于计算机视觉的方法实现缺陷检测是发展的趋势。

为了满足智能化的检测的需求，许多研究者针对轮胎X射线图像展开了研究。不同轮胎型号在原料量和原料类型上存在差异，X射线通过后呈现的灰度图的亮暗度存在明显差异.传统的缺陷检测方法需要根据轮胎的型号设定相关算法参数，同时对灰度图的亮度特别敏感。如何设计一种轮胎缺陷检测方案，减少图像亮度对检测效果的影响，同时兼顾多种型号轮胎的缺陷检测是亟待解决的问题。

近年来，深度学习技术在图像分类、目标识别、语义分割等领域得到了广泛的应用。在轮胎厂实际的生产过程中，缺陷检测的过程不仅包括判别是否存在缺陷，同时包括判别缺陷的严重程度。根据严重程度通常可以将缺陷分为次品和废品。因此，本发明的目的是应用深度学习网络实现次品和废品的精确判断。

轮胎带束层区域容易发生差级和错边缺陷，带束层边界坐标决定着是否发生缺陷。在人工目测的缺陷检测流程中，需要逐条轮胎进行精确测量才能判断缺陷的严重程度。这严重影响了每条轮胎的缺陷检测速度。语义分割网络可以实现像素级的分类，满足提取并测量带束层像素坐标。因此，本发明中提出使用语义分割网络代替人工完成缺陷级别的判定任务。

发明内容

本发明基于一种轻量化的语义分割网络检测带束层的两种缺陷，并在分割精度和推理速度上得到权衡，使带束层差级和错边缺陷的检测在速度和精度两个方面优于人工目测的方式。

为达到上述目的，本发明的方法流程是：利用读码器获取轮胎表面贴附的二维码中包含的型号信息，距离传感器感知轮胎在X光室内检测完成的时刻，此时将上位机采集的X射线图像传输至自动缺陷检测系统，完成轮胎质量在线检测。本发明的关键是基于深度学习的语义分割网络的设计，包括原始轮胎X射线图像的预处理、编码器结构的设计和解码器结构的设计。所述轮胎X射线图像检测算法的输出结果将在设计的上位机界面进行动态显示。所述的语义分割网络包含训练和测试两个过程，其中，使用的数据来自合作轮胎生产企业的真实样本。所述的语义分割网络输入图像尺寸是256×256像素，原始轮胎X射线的输入图像尺寸是8000×2469像素，利用本发明中特有的区域分割算法进行尺寸裁剪。所述的X射线图像的采集上位机和自动缺陷检测软件安装的上位机是独立的。

根据以上构想，本发明具体内容如下：

一种基于语义分割网络的轮胎带束层差级和错边缺陷检测方法，可用于成品轮胎质量的出厂检测环节，根据检测结果分为合格品、次品和废品，并执行相应的分拣动作，包含以下步骤：

步骤1、根据轮胎X射线图像生成设备的动作过程，确定距离传感器和扫码器的安装位置，设计信号触发装置；