CN109523518B - 一种轮胎x光病疵检测方法 - Google Patents

Abstract

本发明公开了一种轮胎X光病疵检测方法，包括S1：采集所有型号轮胎的正常X光图像，切割图像，存入数据库中。S2：对所有图像进行聚类。S3：采集大量病疵轮胎X光图像，标注病疵部位、病疵类型和轮胎型号，并根据聚类结果划分图像。S4：对于分类完成的病疵轮胎X光图像，对图像进行预处理，然后划分训练集，测试集和验证集，搭建目标检测模型并训练。S5：测试轮胎图像时，根据轮胎型号选取模型，对图像进行预处理并用模型进行检测，得到检测结果。该方法能够大大提升病疵区域检测的准确性。

Description

一种轮胎X光病疵检测方法

技术领域

本发明涉及图像识别中的目标检测领域，特别是涉及一种轮胎X光病疵检测方法。

背景技术

随着经济的稳定发展和人民生活水平的提高，汽车已经成为人们外出常用的代步工具之一。安全出行一直是人们所重视的，而轮胎是安全行车的重要组成部分，它不仅关系到车辆的操控性能，还事关车上人员的生命安全，因此对成品轮胎质量的检测，及时发现轮胎内部结构缺陷，防止不合格轮胎出厂能够提高出厂轮胎的质量。

米其林公司研究发明的全钢丝子午线轮胎凭借其耐磨性能强、滚动阻力小、使用寿命长、舒适性好等优点，逐渐成为世界各国轮胎发展的趋势。虽然子午线轮胎的优越性很多，但是制造子午线轮胎的设备很贵，材料及制造技术要求很高，同时还要有严格的操作工艺来保证每条轮胎的均匀性。因此，结构复杂、技术难度大使得子午线轮胎在生产过程中会产生大量的病疵缺陷，如成型开根，成型接头稀线、冠部气泡等。这些病疵将会严重影响轮胎的质量，威胁人们的出行安全，严格检测轮胎质量，提高出厂轮胎的合格率十分重要。

申请公布号为CN107316300A的专利申请提出了一种基于深度卷积神经网络的轮胎X光病疵检测方法，主要核心是切割图片后通过卷积神经网络对切割好后的图片进行判断，但是由于一张轮胎X光图像会被分割成数百张小图，对于每张小图都是一个独立的识别过程，大大降低了病疵识别的正确率。申请公布号为CN108564563A的专利申请提出了一种基于Faster R-CNN的轮胎X光病疵检测方法，该方法的核心是利用Faster R-CNN模型，学习经由人工标注的数据集得到可以检测出病疵的目标检测模型，但是由于轮胎的型号繁多得到的X光图像也有很大不同，有很多正常部分会被模型误分为病疵，影响最终的检测结果，因此该方法在检测多种型号的轮胎时检测准确率会下降。

发明内容

为了提高轮胎X光图像中的病疵的检测率，本发明提出了一种轮胎X光病疵检测方法，具体根据轮胎X光图像特征将轮胎分类，为每个类建立目标检测模型，在检测轮胎X光图像时，根据轮胎型号选取对应目标检测模型，得到检测结果。

本发明的技术方案为：

一种轮胎X光病疵检测方法，包括以下步骤：

S1：采集并切割所有型号轮胎的正常X光图像后，将所有切割图像存入数据库中，并将数据库中的所有切割图像依次进行预处理、特征提取后，根据提取特征对切割图像进行聚类，获得多个特征类型，每个特征类型包括多种轮胎型号，即每种轮胎型号与特征类型形成固定映射关系；

S2；采集大量病疵轮胎X光图像，标注出病疵位置、病疵类型以及轮胎型号，根据S1中获得的轮胎型号与特征类型的固定映射关系，将每种轮胎型号的病疵轮胎X光图像划分到对应的特征类型中；

S3，针对每个特征类型中的所有病疵轮胎X光图像，将预处理后的病疵轮胎X光图像划分成训练集、测试集以及验证集，并搭建与该类病疵轮胎X光图像对应的目标检测模型后，利用训练集训练搭建的目标检测模型，获得病疵检测模型；

S4，对测试轮胎X光图像进行预处理，根据测试轮胎X光图像的轮胎型号，选取与轮胎型号对应的病疵检测模型对预处理后的测试轮胎X光图像进行病疵区域检测，获得轮胎X光病疵检测结果。

本发明中，通过正常X光图像的聚类，将相近特征的轮胎聚成一类，并根据该聚类结果将病疵轮胎X光图像分成多类，针对每类分别建立病疵检测模型，应用时，根据轮胎型号选择对应的病疵检测模型对测试轮胎X光图像进行检测。这样通过聚类将一个复杂的分类任务简化为若干个较为简单的子任务，在一定程度上能提升检测的准确性。同时该方法大大降低了将某些轮胎X光图像的正常部分识别为病疵的概率。

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做简单地介绍，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前提下，还可以根据这些附图获得其他附图。

图1是实施例提供的轮胎X光病疵检测方法的流程图；

图2是利用常规目标检测模型对易分错轮胎X光图像进行病疵检测的检测结果图；

图3是利用本实施例提供的轮胎X光病疵检测方法对易分错轮胎X光图像进行病疵检测的检测结果图；

图4是利用本实施例提供的轮胎X光病疵检测方法对连线重叠病疵的检测结果；

图5是利用本实施例提供的轮胎X光病疵检测方法对0度散线病疵的检测结果；

图6是利用本实施例提供的轮胎X光病疵检测方法对胎稀病疵的检测结果；

图7是利用本实施例提供的轮胎X光病疵检测方法对X光胎侧泡的检测结果。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。

参见图1，本实施例提供的轮胎X光病疵检测方法包括以下步骤：

S1，采集并切割所有型号轮胎的正常X光图像后，将所有切割图像存入数据库。

轮胎的纹理具有周期性变化的规律，对于一张像素为h×w(h＞w)的，随机在轮胎X光图像A中裁剪一张像素为w×w的切割图像A'。同理对于其他型号的轮胎B,C,D,....也裁剪得到对应的切割图像B',C',D',....，将裁剪得到的所有切割图像存入数据库G中。

S2，对数据库中的所有切割图像依次进行预处理、特征提取和聚类分类处理，获得的轮胎型号与特征类型的固定映射关系。

由于S1中获得的切割图像的尺寸不等，这会直接会影响聚类分类结构，因此对切割图像进行尺寸调整，具体为：采用双线性内插法将数据库中的所有切割图像的像素调整成为w^max×w^max，以实现对切割图像的预处理，其中，w^max是数据库中的所有切割图像的最长边。本实施例中，w^max的取值为1900。

尺寸统一后，采用局部二值模式(LBP)提取预处理后的切割图像的特征，具体过程为：

首先，采用尺寸为m×m的模板，计算切割图像中每个像素的LBP值；

然后，将每个切割图像等分成多个区块，计算每个区块内的LBP特征值的直方图，并对直方图进行归一化处理；

最后，将每个切割图像的所有归一化处理后的直方图按照维度直接连接成一个特征向量，得到切割图像的LBP纹理特征向量。

本实施例中，采用3×3的模板计算切割图像中每个像素的LBP值，并将每个切割图像等分成16个区块，为每个区块从左往右，从上往下编号；由于使用的模板大小为3×3，LBP值的范围为0～255，建立直方图统计每个区块中不同LBP值的数量，然后将直方图归一化，根据归一化后的直方图可以得到一个256维的向量，向量中每个位置的值为该位置的LBP值在直方图中的数值，每个区块都可以得到一条256维度的向量，将向量按编号排序，最终获得的切割图像的LBP纹理特征向量维度为4096。

特征提取后，采用K均值聚类方法对所有切割图像的LBP纹理特征进行聚类，将LBP纹理特征相似的切割图像聚集到一起，形成有一个特征类型，每个特征类型包括LBP纹理特征相似的多种轮胎型号，即每种轮胎型号与特征类型形成固定映射关系。

本实施例中，采用K均值聚类方法对所有切割图像的LBP纹理特征进行聚类的具体过程为：

首先，设定聚类数K＝3，在数据空间中随机选取3个向量作为初始中心；

然后，分别计算其他LBP纹理特征向量与中心向量的欧氏距离，按距离最近的准则将其分到最近的聚类中心；

接下来，以每个类中所有对象的均值作为该类别新的聚类中心，更新聚类中心；

最后，判断聚类中心是否发生改变，若不变则输出聚类结果，若改变则继续执行聚类过程。

S3，采集大量病疵轮胎X光图像，标注中病疵部位、病疵类型以及轮胎型号。

本实施例中，利用图片标注工具LabelImg用人工标注的方法标注病疵轮胎的X光图像，通过手动画框的方式标注出图像中病疵位置、然后输入病疵类型以及轮胎型号，生成与图像绑定的XML文件。XML文件中保存了标注信息。

S4，根据S1中获得的轮胎型号与特征类型的固定映射关系，将每种轮胎型号的病疵轮胎X光图像划分到对应的特征类型中，形成多个数据集。

举例说明：S2中根据轮胎特征，将轮胎型号分成3类，每个分类即对应一个特征类型，类别1中包含轮胎型号为Q,W,E，类别2中包含轮胎型号为R,T，类别3中包含型号为Y,U。对于已经标注好的病疵轮胎，提取所有型号为Q,W,E的轮胎将其作为一个数据集；提取所有型号为R,T的轮胎将其作为一个数据集；提取所有型号为Y,U的轮胎将其作为一个数据集，每个数据集对应一个特征类型。

S5，对每个数据集中的病疵轮胎X光图像进行尺寸调整。

由于病疵在X光图像中只占据很小一部分，为了节省计算资源，对图像进行预处理，具体地，对每个病疵轮胎X光图像，根据病疵部位，将病疵轮胎X光图像中的病疵部位切割出来，以实现对病疵轮胎X光图像的预处理。

本实施中，根据XML文件中病疵在图像中的位置，切割出包含病疵的图像。由于所有轮胎图像的宽都为1900像素，所以切割出的图像的大小为1900×1900像素，同时得到对应的XML文件。图像处理完成后，对于每个数据集根据以下步骤训练yolo模型。

S6，将尺寸调整后的病疵轮胎X光图像划分成训练集、测试集以及验证集，并搭建与该类病疵轮胎X光图像对应的目标检测模型。

本实施例中，按2:1:1的比例随机划分训练集、验证集和测试集。建立trainImage文件夹存放训练图片；建立trainImageXML文件夹存放训练图片对应的XML文件；建立validateImage文件夹存放验证集图片；建立validateImageXML文件夹存放验证图片对应的XML文件；建立trainImageLabelTxt文件夹存放训练图片对应的XML文件转化的txt文件。建立validateImageLableTxt文件夹存放验证图片对应的XML文件转化的txt文件。

其中，采用深度学习框架Tensorflow建立YOLO模型作为目标检测模型。本实施例中，建立的YOLO模型的参数包括最大迭代次数，学习率，批次数量，具体如表1所示：

表1 模型参数

S7，针对每个数据集，利用训练集对YOLO模型进行训练，获得与该数据集也就是特征类型对应的病疵检测模型。

本实施例中，根据Loss曲线和识别结果调节参数，得到最终病疵检测模型。当Loss曲线下降很慢时，适当提升学习率；当Loss曲线下降过快且稳定值较大时，适当减小学习率。当训练集识别结果比验证集识别结果好很多时，出现了过拟合现象，需要调节参数防止过拟合。

在本实施例中，还根据验证集验证病疵检测模型的准确率，根据准确率调节病疵检测模型参数。

S8，利用获得的病疵检测模型对测试轮胎X光图像进行病疵区域检测。

具体地，将测试轮胎X光图像切割成满足病疵检测模型识别图像尺寸的多个子图，利用与测试轮胎X光图像对应的病疵检测模型对每个子图进行病疵区域检测。

本实施例中，首先，对测试轮胎X光图像进行预处理，即对测试轮胎X光图像从头到尾切割成若干1900×1900像素的子图，长度不足的部分用0填充，每张测试轮胎X光图像可以切割成10～11张子图；

然后，根据测试轮胎X光图像的轮胎型号，选取与轮胎型号对应的病疵检测模型，即根据轮胎型号找到该轮胎型号所属于的特征类型，再选取该特征类型对应的训练集训练YOLO模型获得的病疵检测模型，作为该轮胎型号对应的病疵检测模型。

假设病疵检测模型1是由型号为Q,W,E三种轮胎训练得到，病疵检测模型2是由型号为R,T两种轮胎训练得到，病疵检测模型3是由型号为Y,U两种轮胎训练得到。当检测型号为Q的轮胎的X光图像时，应选用病疵检测模型1对其进行病疵区域检测。

最后，利用选择的病疵检测模型对每个子图进行病疵区域检测，获得轮胎X光病疵检测结果。

针对同一个易分错轮胎X光图像进行测试比较，采用常规目标检测模型对该易分错轮胎X光图像进行病疵检测，将X光图形中的正常部分标记为病疵区域，如图2所示，采用本发明的轮胎X光病疵检测方法对该易分错轮胎X光图像，检测结果如图3所示，并未检测到病疵区域，即对这样中易分错的轮胎X光图像，本实施例的方法具有很强的检测准确性。

图4～图7分别是利用本实施例提供的轮胎X光病疵检测方法分别对连线重叠病疵、0度散线病疵、胎稀病疵以及X光胎侧泡的检测结果。从图4～图7可以得到对于任何情况的病疵，本实施例提供的轮胎X光病疵检测方法均能准确地检测出来。

本实施例根据X光图像特征将轮胎分类，为每个类建立目标检测模型。在检测轮胎X光图像时，根据轮胎型号选取对应病疵检测模型，得到检测结果。本实施例利用聚类的方法将一个复杂的分类任务简化为若干个较为简单的子任务，在一定程度上能提升检测结果。同时本方法大大降低了将某些轮胎X光图像的正常部分识别为病疵的概率。

以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种轮胎X光病疵检测方法，包括以下步骤：

S1：采集并切割所有型号轮胎的正常X光图像后，将所有切割图像存入数据库中，并将数据库中的所有切割图像依次进行预处理、特征提取后，根据提取特征对切割图像进行聚类，获得多个特征类型，每个特征类型包括多种轮胎型号，即每种轮胎型号与特征类型形成固定映射关系；

S2；采集大量病疵轮胎X光图像，标注出病疵位置、病疵类型以及轮胎型号，根据S1中获得的轮胎型号与特征类型的固定映射关系，将每种轮胎型号的病疵轮胎X光图像划分到对应的特征类型中；

S3，针对每个特征类型中的所有病疵轮胎X光图像，将预处理后的病疵轮胎X光图像划分成训练集、测试集以及验证集，并搭建与该类病疵轮胎X光图像对应的目标检测模型后，利用训练集训练搭建的目标检测模型，获得病疵检测模型；

S4，对测试轮胎X光图像进行预处理，根据测试轮胎X光图像的轮胎型号，选取与轮胎型号对应的病疵检测模型对预处理后的测试轮胎X光图像进行病疵区域检测，获得轮胎X光病疵检测结果；

采用K均值聚类方法对所有切割图像的LBP纹理特征进行聚类，将LBP纹理特征相似的切割图像聚集到一起，形成有一个特征类型，每个特征类型包括LBP纹理特征相似的多种轮胎型号，即每种轮胎型号与特征类型形成固定映射关系。

2.如权利要求1所述的轮胎X光病疵检测方法，其特征在于，S1中：

采用双线性内插法将数据库中的所有切割图像的像素调整成为w^max×w^max，以实现对切割图像的预处理，其中，w^max是数据库中的所有切割图像的最长边。

3.如权利要求1所述的轮胎X光病疵检测方法，其特征在于，S1中：采用局部二值模式提取预处理后的切割图像的特征，具体过程为：

首先，采用尺寸为m×m的模板，计算切割图像中每个像素的LBP值；

然后，将每个切割图像等分成多个区块，计算每个区块内的LBP特征值的直方图，并对直方图进行归一化处理；

最后，将每个切割图像的所有归一化处理后的直方图按照维度直接连接成一个特征向量，得到切割图像的LBP纹理特征向量。

4.如权利要求1所述的轮胎X光病疵检测方法，其特征在于，S2中：

利用图片标注工具LabelImg用人工标注的方法标注病疵轮胎的X光图像，通过手动画框的方式标注出图像中病疵位置，然后输入病疵类型以及轮胎型号，生成与图像绑定的XML文件。

5.如权利要求1所述的轮胎X光病疵检测方法，其特征在于，S3中：

对每个病疵轮胎X光图像，根据病疵部位，将病疵轮胎X光图像中的病疵部位切割出来，以实现对病疵轮胎X光图像的预处理。

6.如权利要求1所述的轮胎X光病疵检测方法，其特征在于，S3中：

采用深度学习框架Tensorflow建立YOLO模型作为目标检测模型。

7.如权利要求1所述的轮胎X光病疵检测方法，其特征在于，S4中：

将测试轮胎X光图像切割成满足病疵检测模型识别图像尺寸的多个子图，利用与测试轮胎X光图像对应的病疵检测模型对每个子图进行病疵区域检测。

Images