CN110945337A

CN110945337A - 轮胎图像识别方法和轮胎图像识别装置

Info

Publication number: CN110945337A
Application number: CN201880048281.4A
Authority: CN
Inventors: 西井雅之; 大泽靖雄; 若尾泰通
Original assignee: Bridgestone Corp
Current assignee: Bridgestone Corp
Priority date: 2017-08-10
Filing date: 2018-08-07
Publication date: 2020-03-31
Also published as: EP3667286A1; EP3667286A4; US11176408B2; JP2019035626A; JP7132701B2; WO2019031503A1; US20200125887A1

Abstract

根据本发明：获得轮胎类型和轮胎状态中的任一者或这两者彼此不同的多个轮胎图像，所获得的图像被作为教师图像；将所述教师图像转换成预定像素数的大小；使用转换后的多个教师图像的数据作为学习图像、利用卷积神经网络来进行学习，并且设置所述卷积神经网络的参数；获得识别对象轮胎的轮胎图像，并且将所获得的轮胎图像转换成与所述教师图像的大小相同的大小；以及将所述识别对象轮胎的转换后的轮胎图像输入到所述卷积神经网络，并且判断所述识别对象轮胎的轮胎类型和轮胎状态中的任一者或这两者。

Description

轮胎图像识别方法和轮胎图像识别装置

技术领域

本发明涉及用于识别轮胎图像的方法和装置。

背景技术

已建议在发生由于磨损引起的胎面橡胶的减少、或者由于外伤或劣化引起的损坏的情况下用新轮胎更换轮胎，以确保轮胎性能和安全性。上述现象的判断所用的信息获取主要通过利用视觉检查的外观观察来进行。

在磨损量的判断中，尽管该判断对于轮胎的行驶性能和安全性能是重要的，但很难说驾驶员的检查每天根据需要频繁地进行。

因此，代替人的视觉检查，如果可以从诸如照相机等的机器所产生的图像中识别诸如磨损量等的轮胎信息，则不仅可以期待检查的省力化，而且还可以期待管理成本的降低。

近年来，图像处理技术和图像识别技术已显著进步，并且已开始例如以下的针对向轮胎检查的应用的研究：拍摄轮胎的胎面花纹并且分析该胎面花纹的高宽比和胎面沟槽深度以识别轮胎磨损量(例如，参见专利文献1)。

现有技术文献

专利文献

专利文献1：US 2016/0343126

发明内容

发明要解决的问题

然而，存在如下的问题：在专利文献1中，由于预先通过诸如开发者等的人的介入来设置诸如胎面花纹的边缘和线等的作为特征几何信息的特征量，因此不仅分析参数局限于个体情况，而且花费大量时间来分析大量轮胎。

另外，分析精度已受诸如所使用的图像的亮度、角度或大小等的个体图像状态影响。

本发明是有鉴于传统问题而作出的，并且目的在于提供一种可以从轮胎的图像容易地且可靠地识别轮胎类型和磨损状态的方法和装置。

用于解决问题的方案

本发明提供一种轮胎图像识别方法，包括以下步骤：获得轮胎类型和轮胎状态中的任一者或这两者彼此不同的多个轮胎图像，所获得的图像被作为教师图像；将各个教师图像转换成预定像素数的大小；使用转换后的多个教师图像的数据作为学习图像、利用卷积神经网络来进行学习，并且设置所述卷积神经网络的参数；获得识别对象轮胎的轮胎图像，并且将所获得的轮胎图像转换成与所述教师图像的大小相同的大小；以及将所述识别对象轮胎的转换后的轮胎图像输入到所述卷积神经网络，并且判断所述识别对象轮胎的轮胎类型和轮胎状态中的任一者或这两者。

此外，本发明提供一种轮胎图像识别装置，包括：轮胎图像拍摄部件，用于拍摄多个教师图像和识别对象图像，所述多个教师图像是轮胎类型和轮胎状态中的任一者或这两者彼此不同的轮胎图像；图像数据转换部件，用于将所述教师图像和所述识别对象图像转换成预定像素数的大小；特征量提取部件，用于提取所述图像数据转换部件转换后的图像的特征量；以及判断部件，用于将所述识别对象图像的特征量与所述教师图像的特征量进行比较，以判断对象轮胎的轮胎类型和轮胎状态中的任一者或这两者，其中，所述特征量提取部件包括所述教师图像被配置为学习图像的卷积神经网络的卷积层和池化层，以及其中，所述判断部件包括所述卷积神经网络的全连接层。

本发明的发明内容部分并未列举本发明所需的所有特征，并且这些特征的子组合也可以成为本发明。

附图说明

图1是示出根据本发明实施方式的轮胎图像识别装置的图；

图2是示出切出转换图像的方法的图；

图3是用于说明卷积层的操作的图；

图4是用于说明池化层的操作的图；

图5是用于说明全连接层的操作的图；

图6是示出用于通过深度学习来识别轮胎图像的方法的流程图；

图7是示出根据实施例1(磨损识别1)的轮胎图像和学习图像的图；

图8是示出根据实施例2(磨损识别2)的轮胎图像和学习图像的图；

图9是示出根据实施例4(轮胎类型识别)的轮胎图像和学习图像的图；以及

图10是示出根据实施例5(胎面花纹识别)的轮胎图像和学习图像的示例的图。

具体实施方式

图1是示出轮胎图像识别装置10的结构的功能图。

轮胎图像识别装置10包括轮胎图像拍摄部件11、图像数据转换部件12、图像存储部件13、轮胎识别和判断部件14、以及显示部件15，并且根据轮胎的所拍摄到的图像来判断轮胎的磨损状态。

作为轮胎图像拍摄部件11，例如，使用诸如数字照相机或智能电话等的摄像装置，并且显示部件15由显示器等构成。顺便提及，通过拍摄诸如视频等的运动图片，可以使用该运动图片的静止图像。

此外，从图像数据转换部件12到轮胎识别和判断部件14的各个部件均由诸如只读存储器(ROM)和随机存取存储器(RAM)等的存储装置以及微计算机程序构成。

轮胎图像拍摄部件11通过拍摄轮胎20的表面的图像来获得轮胎图像。更具体地，轮胎图像拍摄部件11通过拍摄轮胎20的圆周的多个位置(例如，六个位置)来获得多个图像。

色调可以是灰度和RGB中的任一个，然而，在本实施方式中，由于轮胎是黑色，因此使用灰度图像。这样，由于仅需要一个通道，因此可以减少图像信息的量。顺便提及，作为图像等级，使用通过在0～1的范围内对灰度255等级进行归一化所获得的图像。

轮胎图像拍摄部件11拍摄用于获得卷积神经网络的学习数据的、在磨损量上彼此不同的多个基准轮胎、以及用于识别和判断磨损量的识别对象轮胎。

在本实施方式中，基准轮胎的图像数量是6张，并且识别对象轮胎的图像数量是2张。

此外，图像的大小和像素数不受特别限制，然而，在本实施方式中，所拍摄到的图像的大小被设置为480×640个像素。尽管摄像范围也不受特别限制，但期望在整个图像中拍摄到胎面的任何部分。如果在图像中拍摄到了除轮胎20以外的诸如风景和车辆等的物体，则期望提取出轮胎部分并使其成为新的轮胎图像。

图像数据转换部件12将所拍摄到的图像转换成预定大小的图像。

更具体地，如图2所示，图像数据转换部件12从所拍摄到的轮胎图像G₀中在矩形或正方形的范围内切出大小小于轮胎图像G₀的大小的多个图像G₁～G_n，以获得转换图像。此时，期望在各个转换图像G₁～G_n中包括构成胎面花纹的至少一个最小周期的花纹。

在本实施方式中，轮胎图像G₀的大小被设置为480×640个像素且转换图像G₁～G_n的大小被设置为256×256个像素，并且从一个轮胎图像G₀中切出6张转换图像G₁～G₆。因而，转换图像的数量变为36张。

图像存储部件13存储由图像数据转换部件12转换后的学习数据的转换图像G_L1～G_Ln和识别数据的转换图像G_S1～G_Sn。另外，学习数据的转换图像G_L1～G_Ln是通过被分割成教师数据G_L1～G_Lm和测试数据G_Lm+1～G_Ln来存储的，其中该教师数据G_L1～G_Lm用于确定后面要说明的卷积层和池化层的滤波器以及全连接层的参数，以及该测试数据G_Lm+1～G_Ln用于确认卷积神经网络的判断精度。作为教师数据的数量m，期望设置为学习数据的总数n的2/3以上。

在本实施方式中，级别数量被设置为2，并且数量m被设置为27。也就是说，使36×2张学习图像中的27×2张作为教师图像，并且使其余的9×2张作为测试图像。

轮胎识别和判断部件14包括特征量提取单元14A以及识别和判断单元14B。

特征量提取单元14A包括具有卷积滤波器F₁(在这种情况下为F₁₁、F₁₂)的卷积层和具有矩形滤波器F₂(在这种情况下为F₂₁、F₂₂)的池化层。特征量提取单元14A从由图像数据转换部件12转换后的识别数据的转换图像G_S(G_S1～G_Sn)中提取作为用作识别对象的轮胎的图像的识别对象图像的特征量，之后将各个像素的值展开成一维，并将这些值发送至识别和判断单元14B。

识别和判断单元14B包括输入层、隐藏层和输出层这三个全连接层。识别和判断单元14B将识别对象图像的特征量与教师图像的特征量进行比较，识别和判断识别对象轮胎的磨损状态，并且将判断结果以“概率”的形式从输出层输出至显示部件15。

各个全连接层由图1中的圆圈所示的多个单元(称为“神经元”)构成，其中这些单元各自具有特定功能，并且与前一全连接层的所有单元连接。输出层的单元的数量等于磨损状态的级别数量。

这里，磨损状态的级别数量被设置为新产品(磨损量0mm)和大磨损量(磨损量11mm)这两个级别。

另外，全连接层的数量可以是两层或者四层以上。

此外，可以通过使用教师数据G_L1～G_Lk的深度学习来获得用于将卷积滤波器F₁₁、F₁₂与矩形滤波器F₂₁、F₂₂连接以及用于连接全连接层的相互单元的参数(权重)。

后面将说明卷积神经网络和深度学习的详情。

显示部件15将轮胎识别和判断部件14的判断结果显示在显示画面15G上。

接着，关于卷积神经网络来给出说明。

卷积神经网络是由卷积层和池化层的组合形成的前馈型神经网络，其中该卷积层通过对输入图像进行使用滤波器的卷积处理来输出特征图像，以及该池化层通过降低所提取的特征的位置敏感度来提高针对位置变化的识别能力。在卷积神经网络中，在重复卷积层和池化层数次之后，配置全连接层。另外，卷积层和池化层不一定是成对的，例如，可以采用卷积层-卷积层-池化层的组合。

卷积层是用于对输入图像进行滤波(卷积)的层，并且为了精确地掌握输入图像的特征，期望使用多个滤波器。

卷积所用的滤波器用于对适当大小的区域中所包括的各像素值进行加权并将这些像素值相加在一起，并且可以由四维张量表示。

另一方面，池化层使矩形滤波器在输入图像内偏移，取出该矩形中的最大值，并且输出新图像(MAX池化(最大池化))，以降低所提取的特征的位置敏感度。顺便提及，可以进行用于对矩形中的值求平均的平均值池化。

接着，关于卷积层的操作来给出说明。采用直到识别对象图像G_k由第一卷积层进行卷积处理以获得第一卷积图像G_k(F₁₁)的处理为止的操作作为示例来给出说明。

作为卷积滤波器F₁₁，通常使用大小为p×p的正方形滤波器。卷积滤波器F₁₁的方格的大小对应于识别对象图像G_k的像素，并且方格中的数字(滤波器值)a_1,1～a_p,p是通过学习可以更新的参数。也就是说，在学习过程中，更新参数a_1,1～a_p,p，以能够提取图像的特征量。

如图3所示，通过使用具有预定滑动宽度的卷积滤波器F₁₁对作为输入图像的识别对象图像G_k进行滤波来获得第一卷积图像G_k(F₁₁)。通过已由卷积滤波器F₁₁进行了滤波的p×p的正方形中的识别对象图像G_k的像素值与滤波器值的内积来给出第一卷积图像G_k(F₁₁)的像素值。另外，由于上述的卷积处理，第一卷积图像G_k(F₁₁)的大小变得小于识别对象图像G_k的大小。

顺便提及，用于使用卷积滤波器F12从后面要要说明的第二池化图像G_k(F₂₁)获得第二卷积图像G_k(F₁₂)的操作与上述的操作相同。

作为卷积滤波器F₁₁和F₁₂，使用用于检测水平方向上的边缘的水平方向微分滤波器或用于检测垂直方向上的边缘的垂直方向微分滤波器等。

接着，关于池化层的操作，采用直到第一卷积图像G_k(F₁₁)由第一池化层进行池化处理以获得作为输出图像的第一池化图像的处理为止的操作作为示例来给出说明。

在本实施方式中，如图4所示，进行MAX池化，其中在该MAX池化中，在作为输入图像的第一卷积图像G_k(F₁₁)内，使q×q的矩形滤波器F₂₁偏移了预定滑动宽度，从已由卷积滤波器F₂₁进行了滤波的q×q的正方形中的第一卷积图像G_k(F₁₁)的像素值中取出最大值，并且输出作为新图像的第一池化图像G_k(F₂₁)。还在池化处理中，第一池化图像G_k(F₂₁)的大小变得小于第一卷积图像G_k(F₁₁)的大小。

用于使用矩形滤波器F₂₂来从第二卷积图像G_k(F₁₂)获得第二池化图像G_k(F₂₂)的操作与上述操作相同。

顺便提及，在学习过程中要更新的参数在池化过程中不存在。

全连接层是具有输入层、隐藏层和输出层的神经网络，这些层各自由多个单元构成，并且全连接层针对输入数据来对作为二维图像且已转换成一维矢量的第二池化图像G_k(F₂₂)进行模式分类(pattern classification)。

如图5所示，由图5中的白色圆圈表示的全连接层的各单元利用通过学习可以更新的参数来与前一层和下一层的所有单元连接。

如果输入层的单元数量和隐藏层的单元数量分别是N₁、N₂，作为用于将输入层的从顶部起的第m个(m＝1～N₂)单元与隐藏层的从顶部起的第n个单元连接的参数的权重是W_m,n，并且输入层的各单元的值是u_1,k(k＝1～N₁)，则向着隐藏层的从顶部起的第n个单元的输入值u_2,m变为u_2,m＝W_1,m×u_1,1+W_2,m×u_1,2+......+W_Ni,m×u_1,N1。实际上，向输入值u_2,m加上偏差b_2,n。偏差b_2,n是也可以通过学习而更新的参数。

在神经网络中，通过经由激活函数输出这样获得的输入值u_2,m，增强了非线性并且提高了分类的判断精度。

这同样适用于存在多个隐藏层的情况、以及隐藏层和输出层之间的关系。

作为激活函数，使用tanh或Sigmoid函数等，然而，在本实施方式中，使用与tanh相比更快且性能更高的修正线性单元(ReLU)函数。

顺便提及，在输出层中，使用Softmax函数作为激活函数。

Softmax函数是仅用于输出层并且将输出层的输出值的组合转换为概率的特殊激活函数。即，Softmax函数转换输出层的输出值，使得输出值变为0～1，并且输出值的总和变为1(100％)。

接着，关于用于使用教师图像而自更新(self-update)诸如滤波器值a_1,1～a_p,p和权重W_m,n等的参数的方法来给出说明。

首先，通过损失函数来将在针对各个级别的输出值的“正确回答”的输出值与通过输入教师图像所获得的输出值之间的差进行数字化。在本实施方式中，由于教师图像是27×2张，因此更新参数，以使得在54张的数据通过卷积网络时发生的误差的总和变为最小。在本实施方式中，使用交叉熵损失函数作为损失函数。

此外，在本实施方式中，作为用于减小误差的方法，使用随机梯度下降法(SGD)，并且使用反向传播的算法来修改损失函数的梯度。

随机梯度下降法从所有数据中以小批量为单位仅提取少量样本，并且在将这些样本视为所有数据的情况下更新参数。

此外，在反向传播中，通过从输出到输入地顺次获得梯度、而不是直接计算梯度，可以高速地获得梯度。

顺便提及，在数据数量大的情况下，如果在计算全连接层时、使用假定仿佛一部分的单元不存在一样进行计算的丢弃(Dropout)的技术，则可以防止过度训练。

此外，学习次数不受特别限制，然而，期望进行至少十次。如果正确地进行学习，则在每次进行学习时，损失函数的值减小。

接着，通过参考图6的流程图来关于轮胎图像识别方法给出说明。

首先，确认卷积神经网络(CNN)的学习是否结束(步骤S10)。

如果学习没有结束，则处理进入步骤S11，而如果学习已结束，则处理进入步骤S21。

在步骤S11中，拍摄磨损量不同的多个基准轮胎的表面，以获得基准轮胎的图像。

接着，在将所获得的基准轮胎的图像转换为预定大小的多个图像(步骤S12)之后，将转换后的图像划分为多个教师图像和测试图像(步骤S13)。

然后，通过使用这些多个教师图像，进行深度学习，并且自更新卷积层和池化层的滤波器值、以及全连接层的诸如权重等的CNN的参数以获得学习参数(步骤S14)，并且通过使用所获得的这些学习参数，来配置与图1中的轮胎识别和判断部件相对应的磨损量判断装置(步骤S15)。

然后，在学习完成时，通过使用测试图像来确认磨损量判断装置的判断精度(步骤S16)。

在确认了判断精度之后，处理进入步骤S21，并且拍摄作为用于识别和判断磨损量的对象的轮胎的表面以获得识别对象轮胎的图像。

接着，将所获得的识别对象轮胎的图像转换为预定大小的多个图像(步骤S22)。

然后，在将这些转换后的图像的数据输入至在步骤S15中配置的磨损量判断装置并且识别和判断识别对象轮胎(步骤S23)之后，将判断结果显示在诸如显示器的显示画面上(步骤S24)，并且终止处理。

顺便提及，对于下一轮胎的识别和判断，进行步骤S21～步骤S24的处理就足够了。

尽管已经通过使用实施方式说明了本发明，但本发明的技术范围不限于上述实施方式中所述的范围。本领域技术人员显而易见，可以向上述实施方式添加各种修改和改进。从权利要求书还显而易见，具有这样的修改或改进的实施方式也可以属于本发明的技术范围。

例如，在上述实施方式中，磨损状态的级别数量被设置为新产品(磨损量0mm)和大磨损量(磨损量11mm)这两个级别，然而，级别数量可以是三个以上的级别。

例如，在代替磨损状态而期望确定磨损量的情况下，通过针对磨损量的级别数量而按1～2mm的增量来标记并学习已磨损的多个级别的轮胎的图像作为教师数据、并且通过使用这些参数来判断要判断的轮胎的实际磨损量，这就足够了。

在上述实施方式中，轮胎状态由胎面磨损状态确定，然而，关于在侧胎面中是否存在裂纹等，可以通过识别正常产品和缺陷产品来判断。

此外，在期望从胎面花纹识别轮胎类型的情况下，学习轮胎类型的数量作为标签并使用这些标签来进行判断，这就足够了。

应当注意，如果将所输出的判断结果存储在服务器或云等中，则可以将所输出的判断结果用于诸如向现场用户通告结果信息、或者根据结果来建议轮胎更换等的服务。

[实施例1]

关于在针对同一类型的轮胎、轮胎磨损量被设置为新轮胎和大磨损量这两个级别的情况下的识别结果来给出说明。

注意，识别方法遵循图6所示的流程图。

轮胎的规格如下所示。

·轮胎1

大小：245/70R19.5

花纹：A

磨损量：0mm(新轮胎)

·轮胎2

大小：245/70R19.5

花纹：A

磨损量：11mm

·拍摄图像

利用智能电话的照相机来随机拍摄各轮胎的周长的六个图片。

图7的(a)是轮胎1的图像，并且图7的(b)是轮胎2的图像。

图像的大小各自是480×640个像素。

·图像等级

在0～1的范围内对灰度255等级进行归一化。

在图7的(c)和(d)中示出数据转换之后的图像。

数据转换之后的图像的大小各自是256×256个像素。

对于两种类型的轮胎，分别如下分配数据。

Pic0,1.jpeg～Pic4,3.jpeg：教师图像27张

Pic4,4.jpeg～Pic5,6.jpeg：测试图像9张

·深度学习条件

卷积数量：2

滤波器大小：分别为16、6

池化数量：2

池化区域：分别为7、3

全连接层的大小

第一层(输入层)：400×1×27

第二层(隐藏层)：50×1×27

第三层(输出层)：2×1×27

在从第一层到第二层的计算中，采用丢弃法。

通过softmax函数将输出值转换为随机元素。

作为损失函数，使用交叉熵函数来估计相对于教师数据的误差。

通过梯度反向传播来更新滤波器和加权函数。

重复上述的学习循环十次以获得学习参数。

·结果

在以下的表1中示出将所获得的学习参数用于测试图像的识别测试的结果。

[表1]

学习次数	损失函数的值
		1	0.430
2	0.017
		3	0.028
4	0.0029
		5	0.0013
6	0.0014
		7	0.00069
8	0.00060
		9	0.00092
10	0.00059

如表1所示，确认了：在每次学习次数增加时误差接近零，并且学习已进展。

此外，判断正确回答率为100％。

换句话说，全部正确地识别并分类了测试轮胎1的9个图像和测试轮胎2的9个图像的总共18张。

[实施例2]

识别磨损量大的轮胎2和磨损量中等的轮胎3。

·轮胎2

大小：245/70R19.5

花纹：A

磨损量：11mm

·轮胎3

大小：245/70R19.5

花纹：A

磨损量：8mm

图8的(a)和(b)是轮胎2和轮胎3的拍摄图像，并且图8的(c)和(d)是数据转换之后的图像。

·实现条件符合实施例1。

·结果

判断正确回答率为96％。

换句话说，在测试轮胎2的9个图像和测试轮胎3的9个图像的总共18张中，正确地识别并分类了17张。

[实施例3]

识别新轮胎1、磨损量大的轮胎2和磨损量中等的轮胎3。

·轮胎1

大小：245/70R19.5

花纹：A

磨损量：0mm(新轮胎)

·轮胎2

大小：245/70R19.5

花纹：A

磨损量：11mm

·轮胎3

大小：245/70R19.5

花纹：A

磨损量：8mm

顺便提及，轮胎1至轮胎3的拍摄图像以及数据转换之后的图像与图7的(a)～(d)和图8的(a)～(d)所示的拍摄图像以及数据转换之后的图像相同。

·实现条件符合实施例1。

·结果

判断正确回答率为96％。

换句话说，在测试轮胎1的9个图像、测试轮胎2的9个图像和测试轮胎3的9个图像的总共27张中，正确地识别并分类了26张。

[实施例4]

识别类型不同的轮胎1和轮胎4。

·轮胎1

大小：245/70R19.5

花纹：A

磨损量：0mm(新轮胎)

·轮胎4

大小：205/65R15

花纹：B

磨损量：0mm(新轮胎)

图9的(a)和(b)是轮胎1和轮胎4的拍摄图像，并且图9的(c)和(d)是数据转换之后的图像。

·实现条件符合实施例1。

·结果

判断正确回答率为100％。

换句话说，全部正确地识别并分类了测试轮胎1的9个图像和测试轮胎4的9个图像的总共18张。

[实施例5]

识别胎面花纹不同的轮胎4和轮胎5。

·轮胎4

大小：205/65R15

花纹：B

磨损量：0mm(新轮胎)

·轮胎5

大小：205/65R15

花纹：C

磨损量：0mm(新轮胎)

图10的(a)和(b)是轮胎4和轮胎5的拍摄图像，并且图10的(c)和(d)是数据转换之后的图像。

·与图像有关的实现条件与实施例1相同。

·深度学习条件

卷积数量：4

滤波器大小：分别为8、5、4、4

池化数量：4

池化区域：分别为5、4、4、4

全连接层的大小

第一层(输入层)：2304×1×27

第二层(隐藏层)：无

第三层(输出层)：2×1×27

其它学习条件符合实施例1。

·结果

判断正确回答率为100％。

换句话说，全部正确地识别并分类了测试轮胎4的9个图像和测试轮胎5的9个图像的总共18张。

[比较例]

利用不具有卷积构造的轮胎识别装置识别新轮胎1、磨损量大的轮胎2和磨损量中等的轮胎3。

·轮胎1

大小：245/70R19.5

花纹：A

磨损量：0mm(新轮胎)

·轮胎2

大小：245/70R19.5

花纹：A

磨损量：11mm

·轮胎3

大小：245/70R19.5

花纹：A

磨损量：8mm

·与图像有关的实现条件与实施例1相同。

·深度学习条件

卷积：无

全连接层的大小

第一层(输入层)：65536×1×27

第二层(隐藏层)：50×1×27

第三层(输出层)：2×1×27

其它学习条件符合实施例1。

·结果

判断正确回答率为59％。

换句话说，在测试轮胎1的9个图像、测试轮胎2的9个图像和测试轮胎3的9个图像的总共27张中，正确地识别出仅16张。

总之，可以如下描述本发明。也就是说，本发明提供一种轮胎图像识别方法，包括以下步骤：获得轮胎类型和轮胎状态中的任一者或这两者彼此不同的多个轮胎图像，所获得的图像被作为教师图像；将各个教师图像转换成预定像素数的大小；使用转换后的多个教师图像的数据作为学习图像、利用卷积神经网络来进行学习，并且设置所述卷积神经网络的参数；获得识别对象轮胎的轮胎图像，并且将所获得的轮胎图像转换成与所述教师图像的大小相同的大小；以及将所述识别对象轮胎的转换后的轮胎图像输入到所述卷积神经网络，并且判断所述识别对象轮胎的轮胎类型和轮胎状态中的任一者或这两者。

这样，由于在识别轮胎图像时使用了在利用卷积层和池化层从所输入的轮胎图像数据提取特征量之后通过全连接层(传统的神经网络)来进行判断的卷积神经网络，因此不仅由于神经网络中的参数大幅减少因而加快了计算速度，而且可以在不设置诸如胎面花纹的边缘和线等的特征几何信息的情况下精确地识别和判断诸如轮胎类型和磨损量等的轮胎信息。

此外，在卷积神经网络中，在学习时，更新和优化神经网络的参数，以通过使用梯度下降法(GD)或随机梯度下降法(SGD)等通过反向传播来使针对教师图像数据的集合的误差最小化。因而，可以大幅提高识别对象轮胎的判断的精度。

此外，由于轮胎类型或轮胎状态是胎面花纹、胎面磨损量、胎圈的损坏和侧胎面的裂纹中的任一个，因此可以精确地识别和判断轮胎更换所需的轮胎信息。

此外，由于在教师图像和识别对象轮胎的轮胎图像中拍摄了至少一个花纹周期构造，因此可以利用较少的图像信息量来精确地识别和判断轮胎信息。

此外，由于将教师图像和识别对象轮胎的轮胎图像转换成灰度、并且在0～1的范围内对灰度的等级进行归一化，因此可以减少图像信息量，由此可以缩短计算时间。

另外，本发明提供一种轮胎图像识别装置，包括：轮胎图像拍摄部件，用于拍摄多个教师图像和识别对象图像，所述多个教师图像是轮胎类型和轮胎状态中的任一者或这两者彼此不同的轮胎图像；图像数据转换部件，用于将所述教师图像和所述识别对象图像转换成预定像素数的大小；特征量提取部件，用于提取所述图像数据转换部件转换后的图像的特征量；以及判断部件，用于将所述识别对象图像的特征量与所述教师图像的特征量进行比较，以判断对象轮胎的轮胎类型和轮胎状态中的任一者或这两者，其中，所述特征量提取部件包括所述教师图像被配置为学习图像的卷积神经网络的卷积层和池化层，以及其中，所述判断部件包括所述卷积神经网络的全连接层。

通过采用这样的结构，可以实现能够精确地识别和判断诸如轮胎类型和磨损量等的轮胎信息的轮胎图像识别装置。

附图标记说明

10 轮胎图像识别装置、11 轮胎图像拍摄部件、

12 图像数据转换部件、13 图像存储部件、

14 轮胎识别和判断部件、14A 特征量提取单元、

14B 识别和判断单元、15 显示部件、20 轮胎。

Claims

1.一种轮胎图像识别方法，包括以下步骤：

获得轮胎类型和轮胎状态中的任一者或这两者彼此不同的多个轮胎图像，所获得的图像被作为教师图像；

将各个教师图像转换成预定像素数的大小；

使用转换后的多个教师图像的数据作为学习图像、利用卷积神经网络来进行学习，并且设置所述卷积神经网络的参数；

获得识别对象轮胎的轮胎图像，并且将所获得的轮胎图像转换成与所述教师图像的大小相同的大小；以及

将所述识别对象轮胎的转换后的轮胎图像输入到所述卷积神经网络，并且判断所述识别对象轮胎的轮胎类型和轮胎状态中的任一者或这两者。

2.根据权利要求1所述的轮胎图像识别方法，其中，所述轮胎类型或所述轮胎状态是胎面花纹、胎面磨损量和侧胎面的裂纹中的任一个。

3.根据权利要求1或2所述的轮胎图像识别方法，其中，在所述教师图像和所述识别对象轮胎的轮胎图像中拍摄了至少一个花纹周期性构造。

4.根据权利要求1至3中任一项所述的轮胎图像识别方法，其中，所述教师图像和所述识别对象轮胎的轮胎图像被转换成灰度，并且在0～1的范围内对所述灰度的等级进行归一化。

5.一种轮胎图像识别装置，包括：

轮胎图像拍摄部件，用于拍摄多个教师图像和识别对象图像，所述多个教师图像是轮胎类型和轮胎状态中的任一者或这两者彼此不同的轮胎图像；

图像数据转换部件，用于将所述教师图像和所述识别对象图像转换成预定像素数的大小；

特征量提取部件，用于提取所述图像数据转换部件转换后的图像的特征量；以及

判断部件，用于将所述识别对象图像的特征量与所述教师图像的特征量进行比较，以判断对象轮胎的轮胎类型和轮胎状态中的任一者或这两者，

其中，所述特征量提取部件包括所述教师图像被配置为学习图像的卷积神经网络的卷积层和池化层，以及

其中，所述判断部件包括所述卷积神经网络的全连接层。