CN109738452A - 一种轮胎缺陷智能检测系统 - Google Patents
一种轮胎缺陷智能检测系统 Download PDFInfo
- Publication number
- CN109738452A CN109738452A CN201910120649.XA CN201910120649A CN109738452A CN 109738452 A CN109738452 A CN 109738452A CN 201910120649 A CN201910120649 A CN 201910120649A CN 109738452 A CN109738452 A CN 109738452A
- Authority
- CN
- China
- Prior art keywords
- area
- defect
- window
- list area
- classification
- 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.)
- Pending
Links
Landscapes
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明涉及一种轮胎缺陷智能检测系统,包括监控窗口、缺陷列表区、缺陷分类区和缺陷位置,所述监控窗口与缺陷分类统计饼图、数据统计区、时间轴统计区、复检列表区、检测数据列表区、标签核对区、轮胎识别监控系统和检测结果详情查看窗口之间均为电性连接,且缺陷列表区、缺陷分类区和缺陷位置与检测结果详情查看窗口之间均为电性连接。本发明的有益效果是:该轮胎缺陷智能检测系统,利用卷积神经网络和深度学习解决轮胎X光检测图像识别问题,解决得了传统模式识别生产现场适应性差的问题,彻底替代人工检测,改进了神经网络结构,大幅度提高提取的特征的多样性,比传统网络在时间上更快。
Description
技术领域
本发明涉及轮胎厂轮胎产品最终检测设备技术领域,具体为一种轮胎缺陷智能检测系统。
背景技术
目前,随着汽车产业的持续发展,对轮胎的需求在不断加大。轮胎总体上可被划分为斜交线轮胎和子午线轮胎两大类。斜交线轮胎是早年间发展的轮胎产品,有耗油量较大、寿命较短、不耐磨等缺点,现今发展的子午线轮胎是斜交轮胎的升级产品,它具有节约燃油、旋转阻力小、寿命较长、耐磨性好、散热功能好、负荷能力强等优点。但是,子午线轮胎的生产要求比较高,制作工艺流程复杂,所以子午线轮胎的缺陷检测是十分重要的。
子午线轮胎的胎内钢丝不是互相交叉排列,而是与外胎截面几乎平行,有帘线周向排列缓冲层紧紧箍在胎体上,如此排列方式可以使其强度更高。而在子午线轮胎制造生产过程中,受到生产设备、生产流程及外部环境的影响,常常会产生一些缺陷,常见的缺陷包括:帘线稀疏,钢丝弯曲、胎侧和胎内气泡、帘线交叉搭接、接头开、帘线断开、压入杂质、胎圈变形等问题,直接影响轮胎质量,也会减少其使用寿命,所以需要对每条出厂的轮胎进行检测,便于随时发现不合格轮胎,调整机械设备及生产流程,从而提高轮胎质量。由于我国轮胎无损检测技术相对落后,目前我国轮胎生产企业大多购置国外检测设备和检测软件。由于这种技术壁垒,轮胎生产企业需要支付巨额资金购置无损检测设备。
发明内容
本发明的目的在于提供一种轮胎缺陷智能检测系统,以解决上述背景技术中提出的子午线轮胎的胎内钢丝不是互相交叉排列,而是与外胎截面几乎平行,有帘线周向排列缓冲层紧紧箍在胎体上,如此排列方式可以使其强度更高。而在子午线轮胎制造生产过程中,受到生产设备、生产流程及外部环境的影响,常常会产生一些缺陷,常见的缺陷包括:帘线稀疏,钢丝弯曲、胎侧和胎内气泡、帘线交叉搭接、接头开、帘线断开、压入杂质、胎圈变形等问题,直接影响轮胎质量,也会减少其使用寿命,所以需要对每条出厂的轮胎进行检测,便于随时发现不合格轮胎,调整机械设备及生产流程,从而提高轮胎质量。由于我国轮胎无损检测技术相对落后,目前我国轮胎生产企业大多购置国外检测设备和检测软件。由于这种技术壁垒,轮胎生产企业需要支付巨额资金购置无损检测设备。
为实现上述目的,本发明提供如下技术方案:一种轮胎缺陷智能检测系统,包括监控窗口、缺陷列表区、缺陷分类区和缺陷位置,所述监控窗口与缺陷分类统计饼图、数据统计区、时间轴统计区、复检列表区、检测数据列表区、标签核对区、轮胎识别监控系统和检测结果详情查看窗口之间均为电性连接,且缺陷列表区、缺陷分类区和缺陷位置与检测结果详情查看窗口之间均为电性连接。
优选的,所述监控窗口包括缺陷分类统计饼图、数据统计区、时间轴统计区、复检列表区、检测数据列表区和标签核对区,且缺陷分类统计饼图、数据统计区、时间轴统计区、复检列表区、检测数据列表区和标签核对区之间为并联结构。
优选的,所述轮胎识别监控系统和检测结果详情查看窗口并联接入监控窗口的输入端子。
优选的,所述检测结果详情查看窗口包括缺陷列表区、缺陷分类区和缺陷位置,且检测结果详情查看窗口与监控窗口之间通过导线构成串联结构。
优选的,所述缺陷列表区、缺陷分类区和缺陷位置之间构成并联结构。
与现有技术相比,本发明的有益效果如下:
1、本发明系统利用卷积神经网络和深度学习解决轮胎X光检测图像识别问题,解决得了传统模式识别生产现场适应性差的问题,彻底替代人工检测;
2、改进了神经网络结构,大幅度提高提取的特征的多样性,比传统网络在时间上更快,使得网络在反向回传更新参数和参数计算时所花费的时间代价更低,为生产应用提供了理论依据;
3、利用卷积神经网络和深度学习解决轮胎X光检测图像识别问题,解决得了传统模式识别生产现场适应性差的问题,彻底替代人工检测,改进了神经网络结构,大幅度提高提取的特征的多样性,比传统网络在时间上更快,使得网络在反向回传更新参数和参数计算时所花费的时间代价更低,为生产应用提供了理论依据。
附图说明
图1为本发明一种轮胎缺陷智能检测系统的结构图;
图2为本发明一种轮胎缺陷智能检测系统的流程图;
图3为本发明一种轮胎缺陷智能检测系统的监控窗口流程图;
图4为本发明一种轮胎缺陷智能检测系统的检测结果详情查看窗口流程图。
图中:1、监控窗口;2、缺陷分类统计饼图;3、数据统计区;4、时间轴统计区;5、复检列表区;6、检测数据列表区;7、标签核对区;8、轮胎识别监控系统;9、检测结果详情查看窗口;10、缺陷列表区;11、缺陷分类区;12、缺陷位置。
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。
在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上;术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”等仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
请参阅图1-4,本发明提供一种技术方案:一种轮胎缺陷智能检测系统,包括监控窗口1、缺陷分类统计饼图2、数据统计区3、时间轴统计区4、复检列表区5、检测数据列表区6、标签核对区7、轮胎识别监控系统8、检测结果详情查看窗口9、缺陷列表区10、缺陷分类区11和缺陷位置12,监控窗口1与缺陷分类统计饼图2、数据统计区3、时间轴统计区4、复检列表区5、检测数据列表区6、标签核对区7、轮胎识别监控系统8和检测结果详情查看窗口9之间均为电性连接,且缺陷列表区10、缺陷分类区11和缺陷位置12与检测结果详情查看窗口9之间均为电性连接;
本发明系统利用卷积神经网络和深度学习解决轮胎X光检测图像识别问题,解决得了传统模式识别生产现场适应性差的问题,彻底替代人工检测;
改进了神经网络结构,大幅度提高提取的特征的多样性,比传统网络在时间上更快,使得网络在反向回传更新参数和参数计算时所花费的时间代价更低,为生产应用提供了理论依据;
利用卷积神经网络和深度学习解决轮胎X光检测图像识别问题,解决得了传统模式识别生产现场适应性差的问题,彻底替代人工检测,改进了神经网络结构,大幅度提高提取的特征的多样性,比传统网络在时间上更快,使得网络在反向回传更新参数和参数计算时所花费的时间代价更低,为生产应用提供了理论依据。
实例一:
(1)依据图1-4,轮胎标签识别、管理、X光图片的缺陷检测、存储管理,新工艺缺陷的自动训练识别等功能,并且与轮胎分拣系统和企业EPR联动,其中关键数据传输设备包括X光检测设备、视频分线器、监视器、视频高速采集卡、管理服务器、训练服务器、计算单元群,检测数据由X光检测设备收集,经由视频分线器传递至监视器和视频高速采集卡,再经管理服务器处理后与计算单元群和训练服务器交互信息做出最终判定结果;
(2)海量数据的标定
对于深度学习算法而言,少量数据是不能够实现算法的收敛的,数据集至少要在万级的数量级上,轮胎生产企业质量检验科以往所有缺陷数据一直进行存档管理,由专人负责,建立了非常庞大的缺陷数据资源,为深度学习提供了有效的数据支撑。发明组目前已经完成对已有海量缺陷数据的标定,并设计了一整套标定程序;
实例二:
依据图1-4:
1、本发明拟实现轮胎X光检测生产线全自动识别系统,系统包括轮胎标签识别、管理、X光图片的缺陷检测、存储管理,新工艺缺陷的自动训练识别等功能,并且与轮胎分拣系统和企业EPR联动。
其中轮胎缺陷检测系统将达到如下技术指标:
检测速度:<20秒
漏识率:<0.01%
误识率:<2%
系统运行后,原来1台X光机2个操作员,将改为2台/4台X光机1个维护员,检测速度较比人工提高3倍,彻底解决人为因素造成的漏检的情况发生,尤其可以与后续自动分拣可以实现联动工作,为进一步提高生产效率解决了关键瓶颈问题。
2. 解决的产业应用关键问题
根据轮胎X光图像的特点,构建适合的深度学习算法
一般一条轮胎的X光片在2000×10000像素点左右,生产线的检测速度在20秒以内,而且不允许有漏检情况发生,所以一般的模式识别算法很难在这样高速、大分辨下完成,发明组在保证定位精度的同时要兼顾缺陷定位速度,采用深度学习算法,该方法是采用单个深度神经网络模型实现目标检测和识别的方法。
设计并实施在线全自动检测系统
因目前绝大部分轮胎厂都已经配备了X光机,所以系统设计通过视频分配器,利用采集卡采集操作员监视器图像的方式,获取X光机数据,然后利用图像处理的方式,拼接出完整的轮胎数据。数据送给由多个嵌入式组成的阵列识别系统,进行识别数据送给自动分拣机和企业ERP。 详见图1 系统结构图。
整个系统工作的流程如图2所示,数据可以来自现场运行的数据,也可以来自历史的样本,对于因型号、工艺发生变化,带来未识别X光图片,重新进入训练库,定期进行训练,进而保证系统可持续更新。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种轮胎缺陷智能检测系统,包括监控窗口(1)、缺陷列表区(10)、缺陷分类区(11)和缺陷位置(12),其特征在于:所述监控窗口(1)与缺陷分类统计饼图(2)、数据统计区(3)、时间轴统计区(4)、复检列表区(5)、检测数据列表区(6)、标签核对区(7)、轮胎识别监控系统(8)和检测结果详情查看窗口(9)之间均为电性连接,且缺陷列表区(10)、缺陷分类区(11)和缺陷位置(12)与检测结果详情查看窗口(9)之间均为电性连接。
2.根据权利要求1所述的一种轮胎缺陷智能检测系统,其特征在于:所述监控窗口(1)包括缺陷分类统计饼图(2)、数据统计区(3)、时间轴统计区(4)、复检列表区(5)和检测数据列表区(6),且缺陷分类统计饼图(2)、数据统计区(3)、时间轴统计区(4)、复检列表区(5)和检测数据列表区(6)之间为并联结构。
3.根据权利要求1所述的一种轮胎缺陷智能检测系统,其特征在于:所述轮胎识别监控系统(8)和检测结果详情查看窗口(9)并联接入监控窗口(1)的输入端子。
4.根据权利要求1所述的一种轮胎缺陷智能检测系统,其特征在于:所述检测结果详情查看窗口(9)包括缺陷列表区(10)、缺陷分类区(11)和缺陷位置(12),且检测结果详情查看窗口(9)与监控窗口(1)之间通过导线构成串联结构。
5.根据权利要求1所述的一种轮胎缺陷智能检测系统,其特征在于:所述缺陷列表区(10)、缺陷分类区(11)和缺陷位置(12)之间构成并联结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910120649.XA CN109738452A (zh) | 2019-02-18 | 2019-02-18 | 一种轮胎缺陷智能检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910120649.XA CN109738452A (zh) | 2019-02-18 | 2019-02-18 | 一种轮胎缺陷智能检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109738452A true CN109738452A (zh) | 2019-05-10 |
Family
ID=66367717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910120649.XA Pending CN109738452A (zh) | 2019-02-18 | 2019-02-18 | 一种轮胎缺陷智能检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109738452A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110660049A (zh) * | 2019-09-16 | 2020-01-07 | 青岛科技大学 | 一种基于深度学习的轮胎缺陷检测方法 |
CN112539944A (zh) * | 2020-11-23 | 2021-03-23 | 赛轮集团股份有限公司 | 全钢丝子午线轮胎胎体帘线伸张率弯曲度的测量控制方法 |
CN113203742A (zh) * | 2021-05-13 | 2021-08-03 | 创新奇智(成都)科技有限公司 | 轮胎检测装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108711148A (zh) * | 2018-05-11 | 2018-10-26 | 沈阳理工大学 | 一种基于深度学习的轮胎缺陷智能检测方法 |
CN108897664A (zh) * | 2018-06-28 | 2018-11-27 | 北京九章云极科技有限公司 | 一种信息展示方法及系统 |
-
2019
- 2019-02-18 CN CN201910120649.XA patent/CN109738452A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108711148A (zh) * | 2018-05-11 | 2018-10-26 | 沈阳理工大学 | 一种基于深度学习的轮胎缺陷智能检测方法 |
CN108897664A (zh) * | 2018-06-28 | 2018-11-27 | 北京九章云极科技有限公司 | 一种信息展示方法及系统 |
Non-Patent Citations (1)
Title |
---|
李卫红等: "《质量统计技术》", 31 December 2012, 中国质检出版社 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110660049A (zh) * | 2019-09-16 | 2020-01-07 | 青岛科技大学 | 一种基于深度学习的轮胎缺陷检测方法 |
CN112539944A (zh) * | 2020-11-23 | 2021-03-23 | 赛轮集团股份有限公司 | 全钢丝子午线轮胎胎体帘线伸张率弯曲度的测量控制方法 |
CN112539944B (zh) * | 2020-11-23 | 2022-07-26 | 赛轮集团股份有限公司 | 全钢丝子午线轮胎胎体帘线伸张率弯曲度的测量控制方法 |
CN113203742A (zh) * | 2021-05-13 | 2021-08-03 | 创新奇智(成都)科技有限公司 | 轮胎检测装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110569841B (zh) | 基于卷积神经网络的接触网关键部件目标检测方法 | |
CN109738452A (zh) | 一种轮胎缺陷智能检测系统 | |
CN110136101B (zh) | 一种基于孪生距离比对的轮胎x光病疵检测方法 | |
CN111242123B (zh) | 一种基于红外图像的电力设备故障诊断方法 | |
CN104964886A (zh) | 一种焊接构件疲劳应力及应变实时非接触式监测方法 | |
CN107179324A (zh) | 检测产品包装的方法、装置和系统 | |
CN108680833B (zh) | 基于无人机的复合绝缘子缺陷检测系统 | |
CN105335692A (zh) | 一种轮胎x光图像检测识别方法及系统 | |
CN108711148A (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
CN111060512A (zh) | 智能缺陷识别系统 | |
CN113988573A (zh) | 基于电力系统巡检无人机的风险判断方法、系统和介质 | |
CN112819780A (zh) | 一种丝锭表面缺陷检测方法、检测系统以及丝锭分级系统 | |
CN115619289A (zh) | 基于区块链的配电变压器质量检测结果判别方法及装置 | |
CN114897855A (zh) | 基于x射线图片灰度值分布判定缺陷类型的方法 | |
CN115294136A (zh) | 基于人工智能的纺织布瑕疵检测模型的构建检测方法 | |
CN117421998B (zh) | 一种基于多模态数据的输电架空线路健康状态评估系统 | |
CN116957612B (zh) | 一种纺织品出货的检验系统 | |
CN113996556A (zh) | 一种融合云端的产品分拣系统及方法 | |
CN116833998A (zh) | 机器人的巡检方法、装置、存储介质及电子设备 | |
CN114662619B (zh) | 基于多源数据融合的桥梁监测系统 | |
CN116415864A (zh) | 基于人工智能的智慧型物流快检机 | |
CN116230208A (zh) | 基于深度学习的胃粘膜炎症分型辅助诊断系统 | |
CN116188505A (zh) | 基于紫外红外协同检测的绝缘电力设备在线监测系统 | |
CN110070520B (zh) | 基于深度神经网络的路面裂缝检测模型构建及检测方法 | |
CN117873007B (zh) | 基于工业物联网的制造流程管理方法、系统、设备及介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190510 |
|
RJ01 | Rejection of invention patent application after publication |