CN107316300A - 一种基于深度卷积神经网络的轮胎x光病疵检测方法 - Google Patents
一种基于深度卷积神经网络的轮胎x光病疵检测方法 Download PDFInfo
- Publication number
- CN107316300A CN107316300A CN201710579404.4A CN201710579404A CN107316300A CN 107316300 A CN107316300 A CN 107316300A CN 201710579404 A CN201710579404 A CN 201710579404A CN 107316300 A CN107316300 A CN 107316300A
- Authority
- CN
- China
- Prior art keywords
- convolutional neural
- neural networks
- defect
- model
- picture
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 144
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 107
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 66
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 238000013461 design Methods 0.000 claims abstract description 10
- 238000005259 measurement Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 28
- 238000010586 diagram Methods 0.000 claims description 9
- 238000003708 edge detection Methods 0.000 claims description 9
- 230000007935 neutral effect Effects 0.000 claims description 7
- 235000009508 confectionery Nutrition 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 230000001537 neural effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000007796 conventional method Methods 0.000 abstract description 7
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000009394 selective breeding Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Image Processing (AREA)
Abstract
本发明属于图像识别和检测技术领域，具体公开了一种基于深度卷积神经网络的轮胎X光病疵检测方法。本发明检测方法包括图片预处理、数据清洗、卷积神经网络的设计和训练、参数调节、输入图片预处理、模型训练和模型测试。本发明采用卷积神经网络进行轮胎X光图像分类，与传统方法相比优势如下：卷积神经网络在进行训练的时候会自动学习图片特征，避免了需要人工选择特征的缺点，降低偶然性错误发生，检测结果可靠性高，能精确检测轮胎病疵。卷积神经网络应用在图片分类的突出特点是在训练模型的时候需要耗费大量的时间，但是在使用卷积神经网络模型时只需花费很短的时间，节省成本，便于广泛推广。
Description
技术领域
本发明属于图像识别和检测技术领域，具体地说，涉及一种基于深度卷积神经网络的轮胎X光病疵检测方法。
背景技术
如今基于大数据的深度学习方法已经远远超越了传统的识别和检测方法，卷积神经网络(Convolutional Neural Network，简称CNN)是深度学习当前较为热门的方法之一，是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。深度学习(deep learning)是机器学习的分支，它试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。
卷积神经网络通过对图像交替进行卷积和池化操作，逐渐提取图像的高层特征，再使用神经网络对特征分类，完成识别的功能。相比于传统的轮胎质量检测方法，基于卷积神经网络的轮胎X光质量检测方法将轮胎图像提取到的高层特征能应对一定程度的偏移、尺度变化和形变，并且卷积神经网络通过从大样本中学习到轮胎的本质特征，保证特征具有较强可分性；另外，由于特征的可分性强，卷积神经网络使用简单的分类器就能得到令人满意的检测结果，降低了模型的复杂度。
中国发明专利CN105869135A公开了一种轮胎缺陷的检测方法和装置。该轮胎缺陷的检测方法包括：获取轮胎的X光图像；对X光图像进行图像预处理，以区分显示X光图像中的第一图像与背景图像，得到处理后的图像；对处理后的图像的像素进行聚类分析，得到用于表示第一图像的像素所在的区域；判断区域内的像素的个数是否大于预设阈值；以及如果区域内的像素的个数大于预设阈值，则确定区域为轮胎的缺陷的图像。通过该发明，解决了现有技术中无法准确检测轮胎缺陷的问题，达到了准确检测轮胎缺陷的效果。但是该方法需要通过提取轮胎X光图像的一些特征，特征最终决定系统的性能，而好的特征需要很好的先验知识和设计经验，在实际系统开发中很难设计最优的具有区分度的特征。
本领域技术人员有必要开发一种检测偶然性小，可靠性高，能精确检测轮胎缺陷的X光病疵检测方法。
发明内容
本发明的目的就是为了克服现有轮胎X光病疵检测方法的不足，提供了一种基于深度卷积神经网络的轮胎X光病疵检测方法，以解决现有传统轮胎X光病疵检测方法需要很强的先验知识来辅助提取有区分度特征，存在偶然性强，可靠性低，无法精确检测轮胎缺陷的问题。
为了解决上述技术问题，本发明通过下述技术方案得以解决：
一种基于深度卷积神经网络的轮胎X光病疵检测方法，包括步骤如下：
S1、图片预处理：将原始的图片进行锐化处理。
S2、数据清洗：对现有的轮胎病疵图片进行切割，将病疵图片中的病疵部分切割出来，当作负样本；将图片中的正常部分切割出来，当作正样本。
S3、卷积神经网络的设计和训练：设计四种卷积神经网络模型，两种卷积神经网络模型分别用于检测胎面或胎侧部位图片是否有病疵；另外两种卷积神经网络模型分别用于判断胎面或胎侧部位图片的病疵类型；针对每一种病疵的位置特点，有针对的选择图片位置进行训练。
S4、参数调节：使用S3中预先训练好的卷积神经网络，作为分类器，将S2处理好的图片输入进神经网络，针对神经网络模型对结果预测的准确度，调整卷积神经网络参数。
S5、输入图片预处理：利用Candy边缘检测方法，将原始的图片切分成胎面和胎侧部分。
S6、模型训练：对步骤S3中的四种卷积神经网络模型采用多卷积层，小卷积核的方法进行模型训练。
S7、模型测试：采用滑动窗口的方法，针对分类的结果，结合图片的病疵分布进行判断；对判断出的轮胎病疵，模型能实时显示出病疵的位置和分布情况。
作为优选，步骤S3中所述卷积神经网络设置为16层结构，包括1个输入层、1个输出层、8个用于特征提取的卷积层、3个用于特征优化选取的抽样层、2个用于表示特征的全连接层和1个用于计算输出和目标损失值的损失层。
作为优选，步骤S5进一步包括如下步骤：
S51、利用Candy边缘检测方法，将原始的图片切分成胎面和胎侧部分，并切去全黑的无信息内容的图片。
S52、根据病疵位置特点，选用两侧的胎侧图片进行训练分类各种胎侧病疵；选用胎面部分的图片进行训练分类各种胎面病疵。
S53、将每种病疵图片切割成像素大小为96x96的图片，对训练图像进行均值滤波和归一化处理，进行下一步的模型训练。
作为优选，步骤S6进一步包括如下步骤：
S61、针对不同的分类目标，构建卷积神经网络模型。
S62、使用S5得到的图片数据训练模型，模型分为如下四种卷积神经网络模型：
模型一：判断胎侧部位图片是否有病疵的卷积神经网络模型。
模型二：判断胎面部位是否有病疵的卷积神经网络。
模型三：运行对胎侧部分的病疵分类的卷积神经网络模型，分类各种胎侧病疵。
模型四：对胎面部分的模型病疵分类的卷积神经网络模型，分类各种胎面病疵。
进一步的，步骤S62中所述模型一的训练包括步骤如下：
S621、构建用于区分胎侧部位的图片是否有病疵的卷积神经网络模型。
S622、将所有的胎侧部分的病疵图片和非病疵图片当做训练集和验证集，训练S621中的卷积神经网络模型。
S623、多次重复S622的步骤，取模型分类效果最优的深度卷积神经网络模型，当作最终的胎侧病疵判断模型。
进一步的，步骤S62中所述模型二的训练包括步骤如下：
S624、构建用于区分胎面部位的图片是否有病疵的卷积神经网络模型。
S625、将所有的胎面部分的病疵图片和非病疵图片当做训练集和验证集，训练S624中的卷积神经网络模型。
S626、多次重复S625的步骤，取模型分类效果最优的深度卷积神经网络模型，当作最终的胎面病疵判断模型。
进一步的，步骤S62中所述模型三的训练包括步骤如下：
S627、构建用于区分各种胎侧病疵的卷积神经网络。
S628、将各种胎侧病疵的胎侧图片当做训练集和验证集，训练S627中的卷积神经网络。
S629、多次重复S628的步骤，取模型分类效果最优的深度卷积神经网络模型，当作最终的分类模型。
进一步的，步骤S62中所述模型四的训练包括步骤如下：
S6210、构建用于区分各种胎面病疵的卷积神经网络。
S6211、将各种胎面病疵的胎面图片当做训练集和验证集，训练S6210 中的卷积神经网络。
S6212、多次重复S6211的步骤，取模型分类效果最优的深度卷积神经网络模型，当作最终的模型。
作为优选，步骤S7进一步包括：
S71、采用边缘检测方法，将图片切分成左中右三部分，切去全黑的冗余内容图片，对测试图片，使用滑动窗口的方法，窗口像素大小为96x96，步长为96，每滑动一次，截取出用于测试的小图。
S72、对S71得到的小图，第一步将胎侧小图和胎面小图通过S6中的模型一或模型二进行判断，判断该小图是否有病疵，如果判断结果为正常，则无病疵，反之，则进行下一阶段测试。
S73、对S72得到有病疵小图，根据该小图的胎侧或胎面位置，使用模型三或四进行测试，得到其病疵类型。
S74、利用病疵的特点，将滑动窗口判断的结果中，出现多个病疵窗口聚集的地方判断为有病疵的位置。
采用上述技术方案的本发明与现有技术相比，带来的意料不到的技术效果如下：
1、卷积神经网络用来识别位移、缩放及其他形式扭曲不变性的二维图形。CNN在特征提取方面存在优势。由于CNN的特征检测层通过训练数据进行学习，避免了显示的特征抽取，而是隐式地从训练数据中进行学习；再者由于同一特征映射面上的神经元权值相同，所以网络可以并行学习，这也是卷积网络相对于神经元彼此相连网络的一大优势。
2、本发明采用卷积神经网络进行轮胎X光图像分类，与传统方法相比优势如下：卷积神经网络在进行训练的时候会自动学习图片特征，避免了需要人工选择特征的缺点，最终的效果也远优于传统方法。
而传统方法进行轮胎X光图像分类时，需要通过提取轮胎X光图像的一些特征，特征最终决定系统的性能，而好的特征需要很好的先验知识和设计经验，在实际系统开发中很难提取得到最优的具有最佳效果的区分度特征。
3、卷积神经网络应用在图片分类的突出特点是在训练模型的时候需要耗费大量的时间，但是在使用卷积神经网络模型的时候只需要花费很短的时间。这也很符合工程的需求。
当然，实施本发明的任一产品必不一定需要同时达到以上所述的所有技术效果。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明轮胎X光病疵检测方法中训练过程流程示意图。
图2为本发明轮胎X光病疵检测方法中检测过程流程示意图。
图3为本发明轮胎的原始图片。
图4为本发明轮胎的原始图片切出来的检测图片。
图5为本发明卷积神经网络结构图。
图6为本发明神经网络层结构示意图。
具体实施方式
以下将配合附图及实施例来详细说明本申请的实施方式，借此对本申请如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
一种基于深度卷积神经网络的轮胎X光病疵检测方法，步骤如下：
S1、图片预处理：参见图3，将原始的图片进行锐化处理。原始的图片中有不清晰的情况，经锐化处理后，图片纹路更加清晰，病疵部分更明显。
S2、数据清洗：对现有的轮胎病疵图片进行切割，将病疵图片中的病疵部分切割出来，当作负样本；将图片中的正常部分切割出来，当作正样本。
S3、卷积神经网络的设计和训练：参见图1，设计四种卷积神经网络模型，两种卷积神经网络模型分别用于检测胎面或胎侧部位图片是否有病疵；另外两种卷积神经网络模型分别用于判断胎面或胎侧部位图片的病疵类型；针对每一种病疵的位置特点，有针对的选择图片位置进行训练。
其中，步骤S3中卷积神经网络设置为16层结构，包括1个输入层、1 个输出层、8个用于特征提取的卷积层、3个用于特征优化选取的抽样层、2 个用于表示特征的全连接层和1个用于计算输出和目标损失值的损失层。
S4、参数调节：使用S3中预先训练好的卷积神经网络，作为分类器，将S2处理好的图片输入进神经网络，针对神经网络模型对结果预测的准确度，调整卷积神经网络参数。
S5、输入图片预处理：利用Candy边缘检测方法，将原始的图片切分成胎面和胎侧部分。
步骤S5进一步的子步骤如下：
S51、利用Candy边缘检测方法，参见图4,将原始的图片切分成胎面和胎侧部分，并切去全黑的无信息内容的图片。
S52、根据病疵位置特点，选用两侧的胎侧图片进行训练分类各种胎侧病疵；选用胎面部分的图片进行训练分类各种胎面病疵。
S53、将每种病疵图片切割成像素大小为96x96的图片，对训练图像进行均值滤波和归一化处理，进行下一步的模型训练。
S6、模型训练：参见图2，图5和图6，对步骤S3中的四种卷积神经网络模型采用多卷积层，小卷积核的方法进行模型训练。
步骤S6进一步的子步骤如下：
S61、针对不同的分类目标，构建卷积神经网络模型。
S62、使用S5得到的图片数据训练模型，模型分为如下四种卷积神经网络模型：
模型一：判断胎侧部位图片是否有病疵的卷积神经网络模型。
进一步的，模型一的训练步骤如下：
S621、构建用于区分胎侧部位的图片是否有病疵的卷积神经网络模型。
S622、将所有的胎侧部分的病疵图片和非病疵图片当做训练集和验证集，训练S621中的卷积神经网络模型。
S623、多次重复S622的步骤，取模型分类效果最优的深度卷积神经网络模型，当作最终的胎侧病疵判断模型。
模型二：判断胎面部位是否有病疵的卷积神经网络。
进一步的，模型二的训练步骤如下：
S624、构建用于区分胎面部位的图片是否有病疵的卷积神经网络模型。
S625、将所有的胎面部分的病疵图片和非病疵图片当做训练集和验证集，训练S624中的卷积神经网络模型。
S626、多次重复S625的步骤，取模型分类效果最优的深度卷积神经网络模型，当作最终的胎面病疵判断模型。
模型三：运行对胎侧部分的病疵分类的卷积神经网络模型，分类各种胎侧病疵。
进一步的，模型三的训练步骤如下：
S627、构建用于区分各种胎侧病疵的卷积神经网络。
S628、将各种胎侧病疵的胎侧图片当做训练集和验证集，训练S627中的卷积神经网络。
S629、多次重复S628的步骤，取模型分类效果最优的深度卷积神经网络模型，当作最终的分类模型。
模型四：对胎面部分的模型病疵分类的卷积神经网络模型，分类各种胎面病疵。
进一步的，模型四的训练步骤如下：
S6210、构建用于区分各种胎面病疵的卷积神经网络。
S6211、将各种胎面病疵的胎面图片当做训练集和验证集，训练S6210 中的卷积神经网络。
S6212、多次重复S6211的步骤，取模型分类效果最优的深度卷积神经网络模型，当作最终的模型。
S7、模型测试：采用滑动窗口的方法，针对分类的结果，结合图片的病疵分布进行判断；对判断出的轮胎病疵，模型能实时显示出病疵的位置和分布情况。
步骤S7进一步的子步骤如下：
S71、采用边缘检测方法，将图片切分成左中右三部分，切去全黑的冗余内容图片，对测试图片，使用滑动窗口的方法，窗口像素大小为96x96，步长为96，每滑动一次，截取出用于测试的小图。
S72、对S71得到的小图，第一步将胎侧小图和胎面小图通过S6中的模型一或模型二进行判断，判断该小图是否有病疵，如果判断结果为正常，则无病疵，反之，则进行下一阶段测试。
S73、对S72得到有病疵小图，根据该小图的胎侧或胎面位置，使用模型三或四进行测试，得到其病疵类型。
S74、利用病疵的特点，将滑动窗口判断的结果中，出现多个病疵窗口聚集的地方判断为有病疵的位置。
本实施例采用卷积神经网络进行轮胎X光图像分类，与传统方法相比优势如下：卷积神经网络在进行训练的时候会自动学习图片特征，避免了需要人工选择特征的缺点，最终的效果也远优于传统方法。
而传统方法进行轮胎X光图像分类时，需要通过提取轮胎X光图像的一些特征，特征最终决定系统的性能，而好的特征需要很好的先验知识和设计经验，在实际系统开发中很难提取得到最优的具有最佳效果的区分度特征。
另外，卷积神经网络应用在图片分类的突出特点是在训练模型的时候需要耗费大量的时间，但是在使用卷积神经网络模型的时候只需要花费很短的时间。这也很符合工程的需求。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。
上述说明示出并描述了本发明的若干优选实施例，但如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。
Claims (9)
1.一种基于深度卷积神经网络的轮胎X光病疵检测方法，包括步骤如下：
S1、图片预处理：将原始的图片进行锐化处理；
S2、数据清洗：对现有的轮胎病疵图片进行切割，将病疵图片中的病疵部分切割出来，当作负样本；将图片中的正常部分切割出来，当作正样本；
S3、卷积神经网络的设计和训练：设计四种卷积神经网络模型，两种卷积神经网络模型分别用于检测胎面或胎侧部位图片是否有病疵；另外两种卷积神经网络模型分别用于判断胎面或胎侧部位图片的病疵类型；针对每一种病疵的位置特点，有针对的选择图片位置进行训练；
S4、参数调节：使用S3中预先训练好的卷积神经网络，作为分类器，将S2处理好的图片输入进神经网络，针对神经网络模型对结果预测的准确度，调整卷积神经网络参数；
S5、输入图片预处理：利用Candy边缘检测方法，将原始的图片切分成胎面和胎侧部分；
S6、模型训练：对步骤S3中的四种卷积神经网络模型采用多卷积层，小卷积核的方法进行模型训练；
S7、模型测试：采用滑动窗口的方法，针对分类的结果，结合图片的病疵分布进行判断；对判断出的轮胎病疵，模型能实时显示出病疵的位置和分布情况。
2.根据权利要求1所述的基于深度卷积神经网络的轮胎X光病疵检测方法，其特征在于，步骤S3中所述卷积神经网络设置为16层结构，包括1个输入层、1个输出层、8个用于特征提取的卷积层、3个用于特征优化选取的抽样层、2个用于表示特征的全连接层和1个用于计算输出和目标损失值的损失层。
3.根据权利要求1或2所述的基于深度卷积神经网络的轮胎X光病疵检测方法，其特征在于，步骤S5进一步包括如下步骤：
S51、利用Candy边缘检测方法，将原始的图片切分成胎面和胎侧部分，并切去全黑的无信息内容的图片；
S52、根据病疵位置特点，选用两侧的胎侧图片进行训练分类各种胎侧病疵；选用胎面部分的图片进行训练分类各种胎面病疵；
S53、将每种病疵图片切割成像素大小为96x96的图片，对训练图像进行均值滤波和归一化处理，进行下一步的模型训练。
4.根据权利要求1或2所述的基于深度卷积神经网络的轮胎X光病疵检测方法，其特征在于，步骤S6进一步包括如下步骤：
S61、针对不同的分类目标，构建卷积神经网络模型；
S62、使用S5得到的图片数据训练模型，模型分为如下四种卷积神经网络模型：
模型一：判断胎侧部位图片是否有病疵的卷积神经网络模型；
模型二：判断胎面部位是否有病疵的卷积神经网络；
模型三：运行对胎侧部分的病疵分类的卷积神经网络模型，分类各种胎侧病疵；
模型四：对胎面部分的模型病疵分类的卷积神经网络模型，分类各种胎面病疵。
5.根据权利要求4所述的基于深度卷积神经网络的轮胎X光病疵检测方法，其特征在于，步骤S62中所述模型一的训练包括步骤如下：
S621、构建用于区分胎侧部位的图片是否有病疵的卷积神经网络模型；
S622、将所有的胎侧部分的病疵图片和非病疵图片当做训练集和验证集，训练S621中的卷积神经网络模型；
S623、多次重复S622的步骤，取模型分类效果最优的深度卷积神经网络模型，当作最终的胎侧病疵判断模型。
6.根据权利要求4所述的基于深度卷积神经网络的轮胎X光病疵检测方法，其特征在于，步骤S62中所述模型二的训练包括步骤如下：
S624、构建用于区分胎面部位的图片是否有病疵的卷积神经网络模型；
S625、将所有的胎面部分的病疵图片和非病疵图片当做训练集和验证集，训练S624中的卷积神经网络模型；
S626、多次重复S625的步骤，取模型分类效果最优的深度卷积神经网络模型，当作最终的胎面病疵判断模型。
7.根据权利要求4所述的基于深度卷积神经网络的轮胎X光病疵检测方法，其特征在于，步骤S62中所述模型三的训练包括步骤如下：
S627、构建用于区分各种胎侧病疵的卷积神经网络；
S628、将各种胎侧病疵的胎侧图片当做训练集和验证集，训练S627中的卷积神经网络；
S629、多次重复S628的步骤，取模型分类效果最优的深度卷积神经网络模型，当作最终的分类模型。
8.根据权利要求4所述的基于深度卷积神经网络的轮胎X光病疵检测方法，其特征在于，步骤S62中所述模型四的训练包括步骤如下：
S6210、构建用于区分各种胎面病疵的卷积神经网络；
S6211、将各种胎面病疵的胎面图片当做训练集和验证集，训练S6210中的卷积神经网络；
S6212、多次重复S6211的步骤，取模型分类效果最优的深度卷积神经网络模型，当作最终的模型。
9.根据权利要求1所述的基于深度卷积神经网络的轮胎X光病疵检测方法，其特征在于，步骤S7进一步包括：
S71、采用边缘检测方法，将图片切分成左中右三部分，切去全黑的冗余内容图片，对测试图片，使用滑动窗口的方法，窗口像素大小为96x96，步长为96，每滑动一次，截取出用于测试的小图；
S72、对S71得到的小图，第一步将胎侧小图和胎面小图通过S6中的模型一或模型二进行判断，判断该小图是否有病疵，如果判断结果为正常，则无病疵，反之，则进行下一阶段测试；
S73、对S72得到有病疵小图，根据该小图的胎侧或胎面位置，使用模型三或四进行测试，得到其病疵类型；
S74、利用病疵的特点，将滑动窗口判断的结果中，出现多个病疵窗口聚集的地方判断为有病疵的位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710579404.4A CN107316300B (zh) | 2017-07-17 | 2017-07-17 | 一种基于深度卷积神经网络的轮胎x光病疵检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710579404.4A CN107316300B (zh) | 2017-07-17 | 2017-07-17 | 一种基于深度卷积神经网络的轮胎x光病疵检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107316300A true CN107316300A (zh) | 2017-11-03 |
| CN107316300B CN107316300B (zh) | 2020-12-15 |
Family
ID=60178054
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710579404.4A Active CN107316300B (zh) | 2017-07-17 | 2017-07-17 | 一种基于深度卷积神经网络的轮胎x光病疵检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107316300B (zh) |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107977686A (zh) * | 2017-12-22 | 2018-05-01 | 浙江大学 | 一种工业x光图像的分类方法 |
| CN108154508A (zh) * | 2018-01-09 | 2018-06-12 | 北京百度网讯科技有限公司 | 产品缺陷检测定位的方法、装置、存储介质及终端设备 |
| CN108229549A (zh) * | 2017-12-28 | 2018-06-29 | 杭州大搜车汽车服务有限公司 | 一种智能识别车商装修程度的方法、电子设备和存储介质 |
| CN108242054A (zh) * | 2018-01-09 | 2018-07-03 | 北京百度网讯科技有限公司 | 一种钢板缺陷检测方法、装置、设备和服务器 |
| CN108320278A (zh) * | 2018-01-09 | 2018-07-24 | 北京百度网讯科技有限公司 | 产品缺陷检测定位方法、装置、设备及计算机可读介质 |
| CN108510472A (zh) * | 2018-03-08 | 2018-09-07 | 北京百度网讯科技有限公司 | 用于处理图像的方法和装置 |
| CN108564563A (zh) * | 2018-03-07 | 2018-09-21 | 浙江大学 | 一种基于Faster R-CNN的轮胎X光病疵检测方法 |
| CN108564104A (zh) * | 2018-01-09 | 2018-09-21 | 北京百度网讯科技有限公司 | 产品缺陷检测方法、装置、系统、服务器及存储介质 |
| CN109523518A (zh) * | 2018-10-24 | 2019-03-26 | 浙江工业大学 | 一种轮胎x光病疵检测方法 |
| CN109871906A (zh) * | 2019-03-15 | 2019-06-11 | 西安获德图像技术有限公司 | 一种基于深度卷积神经网络的管纱外观缺陷的分类方法 |
| CN109949323A (zh) * | 2019-03-19 | 2019-06-28 | 广东省农业科学院农业生物基因研究中心 | 一种基于深度学习卷积神经网络的作物种子净度判断方法 |
| CN110120035A (zh) * | 2019-04-17 | 2019-08-13 | 杭州数据点金科技有限公司 | 一种可判别病疵等级的轮胎x光病疵检测方法 |
| CN110136102A (zh) * | 2019-04-17 | 2019-08-16 | 杭州数据点金科技有限公司 | 一种基于标准图比对的轮胎x光病疵检测方法 |
| CN110322430A (zh) * | 2019-05-17 | 2019-10-11 | 杭州数据点金科技有限公司 | 一种两阶段的轮胎x光病疵检测方法 |
| CN110335243A (zh) * | 2019-05-17 | 2019-10-15 | 杭州数据点金科技有限公司 | 一种基于纹理对比的轮胎x光病疵检测方法 |
| CN110335242A (zh) * | 2019-05-17 | 2019-10-15 | 杭州数据点金科技有限公司 | 一种基于多模型融合的轮胎x光病疵检测方法 |
| CN111179239A (zh) * | 2019-12-24 | 2020-05-19 | 浙江大学 | 一种利用背景特征进行重排名的轮胎x光瑕疵检测方法 |
| CN111681229A (zh) * | 2020-06-10 | 2020-09-18 | 创新奇智(上海)科技有限公司 | 深度学习模型训练方法、可穿戴衣服瑕疵识别方法及装置 |
| CN112557063A (zh) * | 2020-12-01 | 2021-03-26 | 安徽信息工程学院 | 一种基于视觉的跨座式单轨轮胎的胎面检测系统 |
| CN113313021A (zh) * | 2021-05-27 | 2021-08-27 | 云南电网有限责任公司电力科学研究院 | 一种基于低质量影像识别的深度学习模型构建方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012157716A1 (ja) * | 2011-05-17 | 2012-11-22 | シャープ株式会社 | タイヤの欠陥検出方法 |
| WO2015097635A1 (en) * | 2013-12-23 | 2015-07-02 | Pirelli Tyre S.P.A. | Method and apparatus for detecting defects on tyres in a tyre production process |
| CN105929024A (zh) * | 2016-04-21 | 2016-09-07 | 安徽省（水利部淮河水利委员会）水利科学研究院 | 混凝土缺陷智能化检测与定量识别方法 |
| CN106203529A (zh) * | 2016-07-18 | 2016-12-07 | 江苏大学 | 一种基于先验信息的车辆轮胎安全检测方法 |
| WO2017001970A1 (en) * | 2015-06-30 | 2017-01-05 | Pirelli Tyre S.P.A. | Method and apparatus for detecting defects on the surface of tyres |
| CN106952258A (zh) * | 2017-03-23 | 2017-07-14 | 南京汇川图像视觉技术有限公司 | 一种基于梯度方向直方图的瓶口缺陷检测方法 |
-
2017
- 2017-07-17 CN CN201710579404.4A patent/CN107316300B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012157716A1 (ja) * | 2011-05-17 | 2012-11-22 | シャープ株式会社 | タイヤの欠陥検出方法 |
| WO2015097635A1 (en) * | 2013-12-23 | 2015-07-02 | Pirelli Tyre S.P.A. | Method and apparatus for detecting defects on tyres in a tyre production process |
| WO2017001970A1 (en) * | 2015-06-30 | 2017-01-05 | Pirelli Tyre S.P.A. | Method and apparatus for detecting defects on the surface of tyres |
| CN105929024A (zh) * | 2016-04-21 | 2016-09-07 | 安徽省（水利部淮河水利委员会）水利科学研究院 | 混凝土缺陷智能化检测与定量识别方法 |
| CN106203529A (zh) * | 2016-07-18 | 2016-12-07 | 江苏大学 | 一种基于先验信息的车辆轮胎安全检测方法 |
| CN106952258A (zh) * | 2017-03-23 | 2017-07-14 | 南京汇川图像视觉技术有限公司 | 一种基于梯度方向直方图的瓶口缺陷检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 党倩: "基于深度卷积神经网络的交通标志识别", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 崔雪红 等: "基于卷积神经网络的轮胎缺陷Ｘ光图像分类", 《电子测量技术》 * |
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107977686A (zh) * | 2017-12-22 | 2018-05-01 | 浙江大学 | 一种工业x光图像的分类方法 |
| CN108229549A (zh) * | 2017-12-28 | 2018-06-29 | 杭州大搜车汽车服务有限公司 | 一种智能识别车商装修程度的方法、电子设备和存储介质 |
| CN108564104A (zh) * | 2018-01-09 | 2018-09-21 | 北京百度网讯科技有限公司 | 产品缺陷检测方法、装置、系统、服务器及存储介质 |
| CN108154508A (zh) * | 2018-01-09 | 2018-06-12 | 北京百度网讯科技有限公司 | 产品缺陷检测定位的方法、装置、存储介质及终端设备 |
| CN108242054A (zh) * | 2018-01-09 | 2018-07-03 | 北京百度网讯科技有限公司 | 一种钢板缺陷检测方法、装置、设备和服务器 |
| CN108320278A (zh) * | 2018-01-09 | 2018-07-24 | 北京百度网讯科技有限公司 | 产品缺陷检测定位方法、装置、设备及计算机可读介质 |
| US10769774B2 (en) | 2018-01-09 | 2020-09-08 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and device for detecting a defect in a steel plate, as well as apparatus and server therefor |
| CN108564563A (zh) * | 2018-03-07 | 2018-09-21 | 浙江大学 | 一种基于Faster R-CNN的轮胎X光病疵检测方法 |
| CN108510472A (zh) * | 2018-03-08 | 2018-09-07 | 北京百度网讯科技有限公司 | 用于处理图像的方法和装置 |
| CN109523518A (zh) * | 2018-10-24 | 2019-03-26 | 浙江工业大学 | 一种轮胎x光病疵检测方法 |
| CN109871906A (zh) * | 2019-03-15 | 2019-06-11 | 西安获德图像技术有限公司 | 一种基于深度卷积神经网络的管纱外观缺陷的分类方法 |
| CN109871906B (zh) * | 2019-03-15 | 2023-03-28 | 西安获德图像技术有限公司 | 一种基于深度卷积神经网络的管纱外观缺陷的分类方法 |
| CN109949323A (zh) * | 2019-03-19 | 2019-06-28 | 广东省农业科学院农业生物基因研究中心 | 一种基于深度学习卷积神经网络的作物种子净度判断方法 |
| CN109949323B (zh) * | 2019-03-19 | 2022-12-20 | 广东省农业科学院农业生物基因研究中心 | 一种基于深度学习卷积神经网络的作物种子净度判断方法 |
| CN110136102A (zh) * | 2019-04-17 | 2019-08-16 | 杭州数据点金科技有限公司 | 一种基于标准图比对的轮胎x光病疵检测方法 |
| CN110120035A (zh) * | 2019-04-17 | 2019-08-13 | 杭州数据点金科技有限公司 | 一种可判别病疵等级的轮胎x光病疵检测方法 |
| CN110335242A (zh) * | 2019-05-17 | 2019-10-15 | 杭州数据点金科技有限公司 | 一种基于多模型融合的轮胎x光病疵检测方法 |
| CN110335243A (zh) * | 2019-05-17 | 2019-10-15 | 杭州数据点金科技有限公司 | 一种基于纹理对比的轮胎x光病疵检测方法 |
| CN110335243B (zh) * | 2019-05-17 | 2021-07-16 | 杭州数据点金科技有限公司 | 一种基于纹理对比的轮胎x光病疵检测方法 |
| CN110322430A (zh) * | 2019-05-17 | 2019-10-11 | 杭州数据点金科技有限公司 | 一种两阶段的轮胎x光病疵检测方法 |
| CN111179239A (zh) * | 2019-12-24 | 2020-05-19 | 浙江大学 | 一种利用背景特征进行重排名的轮胎x光瑕疵检测方法 |
| CN111179239B (zh) * | 2019-12-24 | 2022-04-26 | 浙江大学 | 一种利用背景特征进行重排名的轮胎x光瑕疵检测方法 |
| CN111681229A (zh) * | 2020-06-10 | 2020-09-18 | 创新奇智(上海)科技有限公司 | 深度学习模型训练方法、可穿戴衣服瑕疵识别方法及装置 |
| CN112557063A (zh) * | 2020-12-01 | 2021-03-26 | 安徽信息工程学院 | 一种基于视觉的跨座式单轨轮胎的胎面检测系统 |
| CN113313021A (zh) * | 2021-05-27 | 2021-08-27 | 云南电网有限责任公司电力科学研究院 | 一种基于低质量影像识别的深度学习模型构建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107316300B (zh) | 2020-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107316300A (zh) | 一种基于深度卷积神经网络的轮胎x光病疵检测方法 | |
| Li et al. | Automatic pixel‐level multiple damage detection of concrete structure using fully convolutional network | |
| CN108830188B (zh) | 基于深度学习的车辆检测方法 | |
| CN109118479B (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
| CN111091105A (zh) | 基于新的边框回归损失函数的遥感图像目标检测方法 | |
| CN106408030B (zh) | 基于中层语义属性和卷积神经网络的sar图像分类方法 | |
| CN102521592B (zh) | 基于非清晰区域抑制的多特征融合显著区域提取方法 | |
| CN107133943A (zh) | 一种防震锤缺陷检测的视觉检测方法 | |
| CN102750535B (zh) | 自动提取图像前景的方法和系统 | |
| CN108074231A (zh) | 一种基于卷积神经网络的磁片表面缺陷检测方法 | |
| CN106846316A (zh) | 一种gis内部典型缺陷图像自动识别方法 | |
| CN103048329A (zh) | 一种基于主动轮廓模型的路面裂缝检测方法 | |
| CN106198551A (zh) | 一种输电线路缺陷的检测方法及装置 | |
| CN104182985A (zh) | 遥感图像变化检测方法 | |
| CN107679453A (zh) | 基于支持向量机的天气雷达电磁干扰回波识别方法 | |
| CN111382785A (zh) | 一种gan网络模型及实现样本自动清洗、辅助标记的方法 | |
| CN110084812A (zh) | 一种太赫兹图像缺陷检测方法、装置、系统及存储介质 | |
| CN113487600B (zh) | 一种特征增强尺度自适应感知船舶检测方法 | |
| CN115272652A (zh) | 基于多元回归和自适应焦点损失的密集物体图像检测方法 | |
| US20150356350A1 (en) | unsupervised non-parametric multi-component image segmentation method | |
| CN113240623A (zh) | 一种路面病害检测方法及装置 | |
| CN117557784B (zh) | 目标检测方法、装置、电子设备及存储介质 | |
| CN108932471B (zh) | 一种车辆检测方法 | |
| Chang et al. | A novel multicategory defect detection method based on the convolutional neural network method for TFT-LCD panels | |
| Yu et al. | Mean shift based clustering of neutrosophic domain for unsupervised constructions detection |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A method of tire X-ray defect detection based on deep convolution neural network Effective date of registration: 20210331 Granted publication date: 20201215 Pledgee: Hangzhou High-tech Financing Guarantee Co.,Ltd. Pledgor: HANGZHOU YINGGE INFORMATION TECHNOLOGY Co.,Ltd. Registration number: Y2021330000260 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Date of cancellation: 20220412 Granted publication date: 20201215 Pledgee: Hangzhou High-tech Financing Guarantee Co.,Ltd. Pledgor: HANGZHOU YINGGE INFORMATION TECHNOLOGY CO.,LTD. Registration number: Y2021330000260 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A tire X-ray defect detection method based on deep convolution neural network Effective date of registration: 20220413 Granted publication date: 20201215 Pledgee: Hangzhou High-tech Financing Guarantee Co.,Ltd. Pledgor: HANGZHOU YINGGE INFORMATION TECHNOLOGY CO.,LTD. Registration number: Y2022330000511 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Date of cancellation: 20230223 Granted publication date: 20201215 Pledgee: Hangzhou High-tech Financing Guarantee Co.,Ltd. Pledgor: HANGZHOU YINGGE INFORMATION TECHNOLOGY CO.,LTD. Registration number: Y2022330000511 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A method for detecting tire X-ray defects based on deep convolution neural network Effective date of registration: 20230302 Granted publication date: 20201215 Pledgee: Bank of Hangzhou Limited by Share Ltd. science and Technology Branch Pledgor: HANGZHOU YINGGE INFORMATION TECHNOLOGY CO.,LTD. Registration number: Y2023980033661 |