CN105335692A

CN105335692A - 一种轮胎x光图像检测识别方法及系统

Info

Publication number: CN105335692A
Application number: CN201410402944.1A
Authority: CN
Inventors: 张斌; 高书征
Original assignee: Mesnac Co Ltd
Current assignee: Mesnac Co Ltd
Priority date: 2014-08-15
Filing date: 2014-08-15
Publication date: 2016-02-17
Anticipated expiration: 2034-08-15
Also published as: CN105335692B

Abstract

本发明公开了一种轮胎X光图像检测识别方法及系统，检测识别方法包括离线训练步骤和在线检测步骤，离线训练步骤包括：（11）建立训练样本（12）对训练样本中的图像进行缺陷检测，计算出训练样本缺陷信息（13）、将训练样本缺陷信息量化编码为训练样本特征向量（14）、将训练样本特征向量和判级结果训练成判级模型；在线检测步骤包括（21）实时采集待测轮胎X光图像（22）待测轮胎X光图像进行缺陷检测，计算出所有待测轮胎缺陷信息（23）将所有待测轮胎缺陷信息量化编码为待测轮胎特征向量；（24）将所述待测轮胎特征向量与所述判级模型计算。本发明的检测识别方法，避免了人为主观因素，判断更加客观、统一，判断效率及准确率均提高。

Description

一种轮胎X光图像检测识别方法及系统

技术领域

本发明涉属于图像识别技术领域，具体地说，是涉及一种轮胎X光图像检测识别方法及系统。

背景技术

在橡胶轮胎行业中，轮胎内部结构缺陷检测主要通过X光机进行检测,其过程是先对轮胎进行X光透射扫描成像,然后通过判读X光图像来实现检测。目前的X光图像判读工作主要是由人工完成,其工作强度大,效率低以及误判率高等因素使其已经不符合轮胎现代化质量检测要求。

在此基础上，目前也出现用机器视觉自动检测缺陷和判级方法，但是该种方式的判级系统都是根据各种缺陷的测量参数，由轮胎质量方面的专家制定统一的判级规则，比对测量结果和规则来实现轮胎质量的判级。此方法在一定程度上降低了人工质检的强度，但是需要根据人工提前设计好的规则自动比对判级，由于轮胎X光机质量参差不齐造成缺陷成像质量差异，不同轮胎厂的工艺水平不同，最终的判级规则也不一致，人工制定的判级规则往往只能适用于某一种x光机采集的图像且只能是某一种水平的加工工艺，不具有普遍适用性。

发明内容

本发明为了解决现有轮胎X光图像检测识别方法工人工作量大和通用性差的技术问题，提供了一种轮胎X光图像检测识别方法及系统。

为了解决上述技术问题，本发明采用以下技术方案予以实现：

一种轮胎X光图像检测识别方法，包括离线训练步骤和在线检测步骤，所述离线训练步骤包括以下子步骤：

（11）、建立训练样本，包含若干轮胎X光图像、及其对应的判级结果；

（12）、对训练样本中的图像进行缺陷检测，计算出训练样本缺陷信息；

（13）、将训练样本缺陷信息量化编码为训练样本特征向量，形成n维向量，所述参数n分别表示n类缺陷；

（14）、以训练样本中图像的判级结果作为样本标签，将所述训练样本特征向量训练成判级模型；

所述在线检测步骤包括以下子步骤：

（21）、实时采集待测轮胎X光图像；

（22）、将所述待测轮胎X光图像进行缺陷检测，计算出待测轮胎缺陷信息；

（23）、将待测轮胎缺陷信息量化编码为待测轮胎特征向量，形成n维向量；

（24）、将所述待测轮胎特征向量与所述判级模型计算，得出判断结果。

进一步的，所述离线训练步骤之后还包括离线检测步骤，所述离线检测步骤包括以下子步骤：

（31）、建立测试样本，包含若干轮胎X光图像、及其对应的判级结果；

（32）、对测试样本中的图像进行缺陷检测，计算出测试样本缺陷信息；

（33）、将测试样本缺陷信息量化编码为测试样本特征向量，形成n维向量；

（34）、将所述测试样本特征向量与所述判级模型计算，得出判断结果；

（35）、将所述判断结果与测试样本中图像的判级结果比较，判断该判级模型是否可用。

进一步的，所述步骤（35）中，计算出所述测试样本中图像的判级结果的准确率P1，P1大于阈值P时，采用所述判级模型；P1小于或等于阈值P时，调整所述判级模型的参数，直至P1大于阈值P。

进一步的，所述步骤（35）中，计算出所述测试样本中图像的判级结果的召回率R1，R1大于阈值R时，采用所述判级模型；R1小于或等于阈值R时，调整所述判级模型的参数，直至R1大于阈值R。

进一步的，还包括对所述判级模型进行更新的在线学习步骤。

进一步的，所述在线学习步骤包括以下子步骤：

（41）、抽样所述在线检测步骤的轮胎X光图像、及其对应的由所述判级模型计算出的判断结果J1，作为抽检样本、及样本标签；

（42）、对上述轮胎X光图像进行再次判断，得出判断结果J2；

（43）、将J1与J2进行比较，若J1与J2存在差异，将J2作为该抽检样本的样本标签存入训练样本，实现对所述判级模型的更新。

进一步的，步骤（42）中的再次判断为人工判断。

进一步的，所述抽检样本图像、及其对应的判断结果J2预先存储在某一单独数据库中，步骤（42）中的再次判断为将所述抽检样本图像的判断结果J2从该数据库中提取出来。

基于上述一种轮胎X光图像检测识别方法，本发明同时提供了一种轮胎X光图像检测识别系统，包括离线训练子系统和在线检测子系统，所述离线训练子系统包括至少存储有训练样本的数据库和训练单元，所述训练单元用于：

对训练样本中的图像进行缺陷检测，计算出训练样本缺陷信息；

将训练样本缺陷信息量化编码为训练样本特征向量，形成n维向量，所述参数n分别表示n类缺陷；

以训练样本中图像的判级结果作为样本标签，将所述训练样本特征向量训练成判级模型；

所述在线检测子系统包括：

X光机，用于实时采集待测轮胎X光图像；

图像处理单元，用于将所述待测轮胎X光图像进行缺陷检测，计算出待测轮胎缺陷信息；

数据处理单元，用于将待测轮胎缺陷信息量化编码为待测轮胎特征向量，形成n维向量；然后将所述待测轮胎特征向量与所述判级模型计算，得出判断结果，并将判断结果发送至控制中心保存。

进一步的，还包括离线检测单元，用于对所述判级模型进行离线检测。

又进一步的，还包括在线学习单元，用于对所述判级模型更新。

与现有技术相比，本发明的优点和积极效果是：本发明的轮胎X光图像检测识别方法，大幅减少人工识别，降低了人为主观因素影响，判断更加客观、判断标准统一，通过采用训练样本训练出判级模型，提高判断效率，而且，基于大量的统计数据，准确率高。

结合附图阅读本发明实施方式的详细描述后，本发明的其他特点和优点将变得更加清楚。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明所提出的轮胎X光图像检测识别方法一种实施例流程图；

图2是本发明所提出的轮胎X光图像检测识别方法一种实施例流程图；

图3是本发明所提出的轮胎X光图像检测识别系统的一种实施例方框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一，参见图1、图2所示，本实施例提出了一种轮胎X光图像检测识别方法，包括离线训练步骤和在线检测步骤，所述离线训练步骤包括以下子步骤：

S11、建立训练样本，包含若干轮胎X光图像、及其对应的判级结果；

S12、对训练样本中的图像进行缺陷检测，计算出训练样本缺陷信息；

S13、将训练样本缺陷信息量化编码为训练样本特征向量，形成n维向量，所述参数n分别表示n类缺陷；

S14、以训练样本中图像的判级结果作为样本标签，将所述训练样本特征向量训练成判级模型；

所述在线检测步骤包括以下子步骤：

S21、实时采集待测轮胎X光图像；

S22、将所述待测轮胎X光图像进行缺陷检测，计算出待测轮胎缺陷信息；

S23、将待测轮胎缺陷信息量化编码为待测轮胎特征向量，形成n维向量；

S24、将所述待测轮胎特征向量与所述判级模型计算，得出判断结果。

本实施例的轮胎X光图像检测识别方法，能够从图像采集到图像分析对轮胎缺陷识别判断由系统自动完成，完全脱离人工识别，避免了人为主观因素，判断更加客观、判断标准统一，通过采用训练样本训练出判级模型，提高判断效率，而且，基于大量的统计数据，准确率高。

在所述离线训练步骤中，训练样本来自于轮胎X光机图像数据库，通过收集和整理x光图像及对应的评级信息，建立轮胎X光机图像数据库。数据库中保存一一对应的轮胎X光图像和对应的人工判级结果（如合格、废品及次品等）信息。这些人工判级结果作为判断标准，默认是准确的。

实施例二，在步骤S13中，本实施例中判级模型优选采用增量式极端随机森林分类器。随机森林是一种包含多棵决策树的分类器,其中每棵决策树的构造和分类测试均相互独立，分类器输出为所有决策树输出的众数。

离线训练步骤中，利用传统方法对训练样本中的轮胎X光图像进行缺陷检测，计算出缺陷信息，比如杂质大小，钢丝帘线断头数量等。将缺陷信息量化后编码为特征向量，不同种类的缺陷信息存储在不同的维度。以人工判级的结果作为类别真值，用轮胎X光图像训练样本来训练线性或者非线性的判级模型，表征特征向量输入（缺陷信息）和类别输出（轮胎质量级别）之间的映射关系，从而实现用机器代替人工做轮胎产品等级评价。在训练过程中，同维度的数据只会在本维度比较，避免了传统规则设计时不同维度量纲不一致导致的人为添加权重系数的问题，使模型数据处理减少人工干预，更加客观准确。

为了进一步提高判断的准确率，需要检测判级模型的准确度，因此，所述离线训练步骤之后还包括离线检测步骤，所述离线检测步骤包括以下子步骤：

S31、建立测试样本，包含若干轮胎X光图像、及其对应的判级结果；

S32、对测试样本中的图像进行缺陷检测，计算出测试样本缺陷信息；

S33、将测试样本缺陷信息量化编码为测试样本特征向量，形成n维向量；

S34、将所述测试样本特征向量与所述判级模型计算，得出判断结果；

S35、将所述判断结果与测试样本中图像的判级结果比较，判断该判级模型是否可用。

测试样本同样来自于轮胎X光机图像数据库，与离线训练步骤相类似，对测试样本中的轮胎X光图像进行图像处理和缺陷检测，编码成特征向量。输入到离线训练步骤训练出的判级模型，输出为判级模型预测的产品级别，通常会存在一定比例的误判。由于测试样本中的样本具有人工判级结果，也即真值，通过将判级模型判断的结果与真值比较，统计出该判级模型的性能指标。

上述性能指标可以为准确率、召回率等等，当模型的性能指标超过预定的阈值标准，可以认为判级模型性能已经符合要求，发布到轮胎检测流水线上使用,有利于轮胎现场质检的可靠性和稳定性。当模型的性能指标达不到预定的阈值标准时，调整所述判级模型的参数，直至满足标准。

由于训练样本特征向量训练成判级模型不一定适用于所有的生产线，进一步的，还包括对所述判级模型进行更新的在线学习步骤。

优选的，所述在线学习步骤包括以下子步骤：

S41、抽样所述在线检测步骤的轮胎X光图像、及其对应的由所述判级模型计算出的判断结果J1，作为抽检样本、及样本标签；

S42、对上述轮胎X光图像进行再次判断，得出判断结果J2；

S43、将J1与J2进行比较，若J1与J2存在差异，将J2作为该抽检样本的样本标签存入训练样本，实现对所述判级模型的更新。

在线学习步骤是运行在轮胎X光图像质检流水线现场，与离线测试步骤类似，对轮胎X光图像进行图像处理和缺陷检测，编码成特征向量。输入到判级模型，输出为判级模型预测的产品级别，存在一定比例的误判。通过人工抽检环节，由人工评判出更可信的判级结果，测试自动判级模型的准确率。另一方面这些来自现场的轮胎x光图像样本数据隐含了轮胎厂本身的生产工艺水平和x光机成像质量信息，比离线整理的轮胎X光图像数据库更贴近流水线产品的普遍属性。利用这些抽检的样本和专家判级的结果，更新判级模型，从而提高自动判级模型的预测准确率。

另外，也可以将轮胎X光图像、及其对应的判级结果预先存储在某一数据库中，当评判某X光图像由判级模型预测的产品级别是否正确时，可以将该图像输入此数据库中，提取出预先存储在该数据库中的判级结果，根据对比结果更新判级系统。

实施例三，基于实施例一和实施例二中的轮胎X光图像检测识别方法，本实施例提供了一种轮胎X光图像检测识别系统，包括离线训练子系统和在线检测子系统，所述离线训练子系统包括至少存储有训练样本的数据库和训练单元，所述训练单元用于：

将训练样本缺陷信息量化编码为训练样本特征向量，形成n维向量，所述

参数n分别表示n类缺陷；

所述在线检测子系统包括：

X光机，用于实时采集待测轮胎X光图像；

如图3所示，轮胎质检流水线上，多台X光机采集轮胎图像，经采集卡传送到图像处理单元，用于将所述待测轮胎X光图像进行缺陷检测，计算出待测轮胎缺陷信息并发送至数据处理单元，进行智能判断，并将判断结果发送至控制中心保存。

为了进一步提高判断的准确率，需要检测判级模型的准确度，因此，还包括离线检测单元，用于对所述判级模型进行离线检测。其具体执行如实施例二中的离线检测步骤，

由于训练样本特征向量训练成判级模型不一定适用于所有的生产线，进一步的，还包括在线学习单元，用于对所述判级模型更新。其具体执行如实施例二中的在线学习步骤。

Claims

1.一种轮胎X光图像检测识别方法，其特征在于，包括离线训练步骤和在线检测步骤，所述离线训练步骤包括以下子步骤：

(11)、建立训练样本，包含若干轮胎X光图像、及其对应的判级结果；

所述在线检测步骤包括以下子步骤：

（21）、实时采集待测轮胎X光图像；

2.根据权利要求1所述的轮胎X光图像检测识别方法，其特征在于，所述离线训练步骤之后还包括离线检测步骤，所述离线检测步骤包括以下子步骤：

3.根据权利要求2所述的轮胎X光图像检测识别方法，其特征在于在步骤（35）中计算出准确率P1，P1大于阈值P时，采用所述判级模型；P1小于或等于阈值P时，调整所述判级模型的参数，直至P1大于阈值P。

4.根据权利要求2所述的轮胎X光图像检测识别方法，其特征在于在步骤（35）中计算出召回率R1，R1大于阈值R时，采用所述判级模型；R1小于或等于阈值R时，调整所述判级模型的参数，直至R1大于阈值R。

5.根据权利要求1所述的轮胎X光图像检测识别方法，其特征在于，还包括对所述判级模型进行更新的在线学习步骤。

6.根据权利要求5所述的轮胎X光图像检测识别方法，其特征在于，所述在线学习步骤包括以下子步骤：

7.根据权利要求6所述的轮胎X光图像检测识别方法，其特征在于步骤（42）中的再次判断为人工判断。

8.根据权利要求6所述的轮胎X光图像检测识别方法，其特征在于所述抽检样本图像、及其对应的判断结果J2预先存储在某一单独数据库中，步骤（42）中的再次判断为将所述抽检样本图像的判断结果J2从该数据库中提取出来。

9.一种轮胎X光图像检测识别系统，其特征在于，包括离线训练子系统和在线检测子系统，所述离线训练子系统包括至少存储有训练样本的数据库和训练单元，所述训练单元用于：

所述在线检测子系统包括：

X光机，用于实时采集待测轮胎X光图像；

10.根据权利要求9所述的轮胎X光图像检测识别系统，其特征在于，还包括离线检测单元，用于对所述判级模型进行离线检测。

11.根据权利要求10所述的轮胎X光图像检测识别系统，其特征在于，还包括在线学习单元，用于对所述判级模型更新。