CN111127439A - 车辆轮胎的胎纹检测方法、装置、电子设备及存储介质 - Google Patents
车辆轮胎的胎纹检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111127439A CN111127439A CN201911354495.7A CN201911354495A CN111127439A CN 111127439 A CN111127439 A CN 111127439A CN 201911354495 A CN201911354495 A CN 201911354495A CN 111127439 A CN111127439 A CN 111127439A
- Authority
- CN
- China
- Prior art keywords
- area
- determining
- elliptical
- target
- circular
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013135 deep learning Methods 0.000 claims abstract description 34
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 238000013145 classification model Methods 0.000 claims abstract description 20
- 230000015654 memory Effects 0.000 claims description 17
- 238000011176 pooling Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 230000001605 fetal effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 230000005291 magnetic effect Effects 0.000 description 4
- 238000002372 labelling Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000003936 working memory Effects 0.000 description 1
Images
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
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本申请涉及车辆检测领域，公开了一种车辆轮胎的胎纹检测方法、装置、电子设备及存储介质。其中，车辆轮胎的胎纹检测方法，包括：获取待检测车辆的轮胎图像；根据所述轮胎图像确定候选胎冠区域；采用基于深度学习的目标分类模型，对所述候选胎冠区域的胎纹进行分类；根据分类结果，确定所述胎纹是否合格。本申请还提供了一种车辆轮胎的胎纹检测装置、电子设备及存储介质；可以自动检测车辆轮胎是否处于合格状态，提高检测效率和准确率。
Description
技术领域
本申请涉及车辆检测领域，特别涉及一种车辆轮胎的胎纹检测方法、装置、电子设备及存储介质。
背景技术
随着人民生活水平的持续提高和社会经济的不断发展，城市机动车保有量迅猛增长。其中，机动车车辆检测(比如车辆年检)的工作量也随之迅速增大。
然而，发明人发现相关技术中至少存在如下问题：
传统的车辆检测中，对车辆胎冠的胎纹检测主要依赖于人工检测，因而往往存在着人工成本高、易疲劳、易疏忽等弊端，严重影响检测结果的准确率和效率。因此，如何准确、快速的对车辆胎冠的胎纹检测进行检测，同时避免人工检测过程中的成本高、易疲劳、易疏忽等弊端，是目前形势下亟需解决的技术问题。
发明内容
本申请的一个目的是提供一种车辆轮胎的胎纹检测方法、装置、电子设备及存储介质，可以自动检测车辆轮胎是否处于合格状态，提高检测效率和准确率。
根据本申请的一个方面，提供了一种车辆轮胎的胎纹检测方法，包括：获取待检测车辆的轮胎图像；根据所述轮胎图像确定候选胎冠区域；采用基于深度学习的目标分类模型，对所述候选胎冠区域的胎纹进行分类；根据分类结果，确定所述胎纹是否合格。
根据本申请另一个方面，还提供了一种车辆轮胎的胎纹检测装置，包括：获取模块，用于获取待检测车辆的轮胎图像；确定模块，用于根据所述轮胎图像确定候选胎冠区域；分类模块，用于采用基于深度学习的目标分类模型，对所述候选胎冠区域的胎纹进行分类；判断模块，用于根据分类结果，确定所述胎纹是否合格。
根据本申请另一个方面，还提供了一种电子设备，包括：一个或多个处理器；以及存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行如上述的车辆轮胎的胎纹检测方法。
根据本申请另一个方面，还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述的车辆轮胎的胎纹检测方法。
另外，所述基于深度学习的目标分类模型，具体通过如下方式获取：在基于深度学习的LeNet分类网络之后依次添加一第一卷积层、一第二卷积层和一池化层，在所述池化层后连接一输出维度控制在512维的第一全连接层，在所述第一全连接层之后连接一输出维度控制在2维的第二全连接层；在所述第二全连接层之后连接一Loss层，得到调整后的基于深度学习的LeNet分类网络；根据所述调整后的基于深度学习的LeNet分类网络，训练得到所述基于深度学习的目标分类模型。
另外，根据所述轮胎图像确定候选胎冠区域，具体包括：判断所述轮胎图像中是否存在圆形区域；若存在，则根据所述圆形区域确定目标圆形区域，并将所述目标圆形区域的外接矩形表征的区域作为所述候选胎冠区域；若不存在，则判断所述轮胎图像中是否存在椭圆形区域；若存在，则根据所述椭圆形区域确定目标椭圆形区域，并将所述目标椭圆形区域的外接矩形表征的区域作为所述候选胎冠区域。
另外，所述根据所述圆形区域确定目标圆形区域，具体包括：通过计算所述圆形区域的圆心的数量，确定所述圆形区域的数量；若所述数量大于或者等于2，则保留各所述圆形区域中面积最大的圆形区域；根据所述面积最大的圆形区域，确定目标圆形区域；所述根据所述椭圆形区域确定目标椭圆形区域，具体包括：通过计算所述椭圆形区域的中心点的数量，确定所述椭圆形区域的数量；若所述数量大于或者等于2，则保留各所述椭圆形区域中面积最大的椭圆形区域；根据所述面积最大的椭圆形区域，确定目标椭圆形区域。
另外，所述根据所述面积最大的圆形区域，确定目标圆形区域，具体包括：获取所述面积最大的圆形区域的若干连通域；对所述若干连通域中的每一连通域分别执行预设操作；所述预设操作包括：获取当前连通域的边缘的点集；根据所述点集进行圆形拟合，得到所述圆形的结构体；根据所述圆形的结构体，确定目标圆形区域；所述根据所述面积最大的椭圆形区域，确定目标椭圆形区域，具体包括：获取所述面积最大的椭圆形区域的若干连通域；对所述若干连通域中的每一连通域分别执行预设操作；所述预设操作包括：获取当前连通域的边缘的点集；根据所述点集进行椭圆形拟合，得到所述椭圆形的结构体；根据所述椭圆形的结构体，确定目标椭圆形区域。
另外，所述根据所述圆形的结构体，确定目标圆形区域，具体包括：获取基于所述待检测车辆的胎冠区域设定的第一条件阈值；判断各所述圆形的结构体是否满足所述第一条件阈值；删除不满足所述第一条件阈值的圆形的结构体，得到所述目标圆形区域；所述根据所述椭圆形的结构体，确定目标椭圆形区域，具体包括：获取基于所述待检测车辆的胎冠区域设定的第二条件阈值；判断所述各所述椭圆形的结构体是否满足所述第二条件阈值；删除不满足所述第二条件阈值的椭圆形的结构体，得到所述目标椭圆形区域。
另外，在所述根据所述轮胎图像确定候选胎冠区域之前，还包括：将所述轮胎图像转换为二值化图像；所述根据所述轮胎图像确定候选胎冠区域，具体为：根据所述二值化图像确定候选胎冠区域。
本申请的有益效果是：可以应用于机动车车辆年检中车辆的胎纹检测，可以自动检测车辆的胎冠的胎纹是否处于合格状态，从而既可以节约人力成本，又可以加快检测速度，保证检测工作的公正、公开，提高检测效率和准确率。
附图说明：
一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。
图1是根据本申请的一个方面提供的一种车辆轮胎的胎纹检测方法的流程图；
图2是根据本申请的一实际场景提供的一种车辆轮胎的胎纹检测方法的流程图。
具体实施方式：
为使本发明实施例的目的、技术方案和优点更加清楚，下面将基于附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要保护的技术方案。
图1示出根据本申请的一个方面提供的一种车辆轮胎的胎纹检测方法，该方法包括步骤101至步骤104：
在步骤101中，获取待检测车辆的轮胎图像；
在步骤102中，根据所述轮胎图像确定候选胎冠区域；
在步骤103中，采用基于深度学习的目标分类模型，对所述候选胎冠区域的胎纹进行分类；在此，基于深度学习的目标分类模型，具体可以通过如下方式获取：
(1)准备训练数据：获取不同拍摄条件(比如光照、角度、种类和图像质量)的候选胎冠区域的图像；
(2)数据标注：对候选胎冠区域的胎纹是否合格进行标注分类；
(3)模型训练：使用标注后的图像，训练得到基于深度学习的目标分类模型。
其中，在对候选胎冠区域的胎纹是否合格进行标注分类的步骤中，可以用人工分类的方法标注候选胎冠区域的胎纹是否合格，如果合格，则可以标定为数字1，否则，可以标定为数字0。在使用标注后的图像，训练得到基于深度学习的目标分类模型的步骤中，可以将初始学习率base_lr设置为0.1，然后基于损失的大小逐步调整学习率的大小。
在步骤104中，根据分类结果，确定所述胎纹是否合格；在此，若所述分类结果的值为第一标志，则确定所述胎纹合格；若所述分类结果的值为第二标志，则确定所述胎纹不合格；其中，所述第一标志和所述第二标志不同。在一些例子中，若分类结果的值为1，则表明所述胎纹处于完好状态，确定所述胎纹合格；若分类结果的值为0，则确定所述胎纹不合格。在确定所述胎纹不合格的情况下，可以说明所述胎纹已被磨平，即已无胎痕，需要车主对轮胎进行更换。
在本申请一实施例中，在步骤103中，所述基于深度学习的目标分类模型，具体通过如下方式获取：在基于深度学习的LeNet分类网络之后依次添加一第一卷积层、一第二卷积层和一池化层，在所述池化层后连接一输出维度控制在512维的第一全连接层，在所述第一全连接层之后连接一输出维度控制在2维的第二全连接层；在所述第二全连接层之后连接一Loss层，得到调整后的基于深度学习的LeNet分类网络；根据所述调整后的基于深度学习的LeNet分类网络，训练得到所述基于深度学习的目标分类模型；在此，本实施例中的基于深度学习的LeNet分类网络可以参见表1所示：
| 输入 | 核尺寸 |
| Conv1 | 3×3 |
| Pool1 | 2×2 |
| Conv2 | 3×3 |
| Pool2 | 2×2 |
| Conv3 | 3×3 |
| Conv4 | 3×3 |
| Pool3 | 2×2 |
| Fc1 | 512 |
| Fc2 | 2 |
| loss | softmax |
表1
其中，在基于深度学习的LeNet分类网络之后依次添加的一第一卷积层为表中的Conv3、一第二卷积层为Conv4、一池化层为Pool3，在所述池化层后连接的一第一全连接层为Fc1，在所述第一全连接层Fc1之后连接的第二全连接层为Fc2，在所述第二全连接层Fc2之后连接一Loss层。本实施例中，Loss层并不限于为softmax层，比如还可以为softmaxwithloss层，另外，本实施例中可以采用随机梯度下降方法(Stochastic GradientDescent，简称“SGD”)的优化器进行优化。经实验证明，当采用SGD方法的优化器进行优化，Loss层层为softmaxwithloss层，初始学习率设定为0.001，学习策略选择multistep，时间间隔stepvalue设置为三个级别：(10000～15000)、(20000～25000)、(35000～40000)，且显示器参数Gamma调整为0.1时，随着迭代的进行，学习率会基于学习策略而进行调整，经过每个时间间隔(即stepvalue)，学习率下降为原来的1/10，会逐步变成(0.0001，0.00001，0.000001)，将动量Momentum设置为0.9，经过几十次迭代后，损失会下降到1.3，达到实际的使用效果。
在本申请一实施例中，在步骤102中，根据所述轮胎图像确定候选胎冠区域，具体包括：判断所述轮胎图像中是否存在圆形区域；若存在，则根据所述圆形区域确定目标圆形区域，并将所述目标圆形区域的外接矩形表征的区域作为所述候选胎冠区域；若不存在，则判断所述轮胎图像中是否存在椭圆形区域；若存在，则根据所述椭圆形区域确定目标椭圆形区域，并将所述目标椭圆形区域的外接矩形表征的区域作为所述候选胎冠区域。在此，在一些例子中，在将所述目标圆形区域的外接矩形表征的区域作为所述候选胎冠区域、在将所述目标椭圆形区域的外接矩形表征的区域作为所述候选胎冠区域之前，可以分别对所述目标圆形区域的外接矩形表征的区域以及所述目标椭圆形区域的外接矩形表征的区域进行数据扩充，并基于数据扩充后的图像作为相应的候选胎冠区域。本实施例中，通过先判断所述轮胎图像中是否存在圆形区域，若不存在，再判断所述轮胎图像中是否存在椭圆形区域，可以简化计算量，提高检测效率。
然而需要说明的是，在本申请的其他实施例中，可以既判断所述轮胎图像中是否存在圆形区域，又判断所述轮胎图像中是否存椭圆形区域，并将获取到的圆形区域及椭圆形区域的外接矩形表征的区域，作为所述候选胎冠区域。
可见，通过判断所述轮胎图像中是否存在圆形区域和/或椭圆形区域，可以为了准确的定位到轮胎的具体位置，进而便于根据轮胎的具体位置，确定候选胎冠区域。
继续接上述实施例，所述根据所述圆形区域确定目标圆形区域，具体可以包括：通过计算所述圆形区域的圆心的数量，确定所述圆形区域的数量；若所述数量大于或者等于2，则保留各所述圆形区域中面积最大的圆形区域；根据所述面积最大的圆形区域，确定目标圆形区域；在此，若所述数量等于1，则可以直接将该区域确定为目标圆形区域。在一些例子中，可以通过HoughCircles函数检测各圆形区域的圆心，并结合参数minRadius和参数maxRadius指定最小和最大的圆半径，来辅助圆检测的效果，从而确定各圆形区域的半径，以便进一步基于各圆形区域的面积大小进行排序，并保留各所述圆形区域中面积最大的圆形区域。
所述根据所述椭圆形区域确定目标椭圆形区域，具体可以包括：通过计算所述椭圆形区域的中心点的数量，确定所述椭圆形区域的数量；若所述数量大于或者等于2，则保留各所述椭圆形区域中面积最大的椭圆形区域；根据所述面积最大的椭圆形区域，确定目标椭圆形区域。在此，若所述数量等于1，则可以直接将该区域确定为目标椭圆形区域。
继续接上述实施例，所述根据所述面积最大的圆形区域，确定目标圆形区域，具体包括：获取所述面积最大的圆形区域的若干连通域；对所述若干连通域中的每一连通域分别执行预设操作；所述预设操作包括：获取当前连通域的边缘的点集；根据所述点集进行圆形拟合，得到所述圆形的结构体；根据所述圆形的结构体，确定目标圆形区域；所述根据所述面积最大的椭圆形区域，确定目标椭圆形区域，具体包括：获取所述面积最大的椭圆形区域的若干连通域；对所述若干连通域中的每一连通域分别执行预设操作；所述预设操作包括：获取当前连通域的边缘的点集；根据所述点集进行椭圆形拟合，得到所述椭圆形的结构体；根据所述椭圆形的结构体，确定目标椭圆形区域。在此，可以基于findcontours函数检测连通域，在获取检测到的连通域的边缘的点集后，其中，可以采用Opencv自带的函数FitEllipse对点集进行椭圆形拟合，从而得所述椭圆形的结构体。
继续接上述实施例，所述根据所述圆形的结构体，确定目标圆形区域，具体可以包括：获取基于所述待检测车辆的胎冠区域设定的第一条件阈值；判断各所述圆形的结构体是否满足所述第一条件阈值；删除不满足所述第一条件阈值的圆形的结构体，得到所述目标圆形区域；在此，在一些例子中，第一条件阈值具体可以为预设的圆形的半径、直径的值，以便对本实施中的圆形的结构体的半径、直径进行相应地筛选，得到目标圆形区域。
所述根据所述椭圆形的结构体，确定目标椭圆形区域，具体可以包括：获取基于所述待检测车辆的胎冠区域设定的第二条件阈值；判断所述各所述椭圆形的结构体是否满足所述第二条件阈值；删除不满足所述第二条件阈值的椭圆形的结构体，得到所述目标椭圆形区域。在此，在一些例子中，第二条件阈值具体可以为：将预设的椭圆形的长半径与短半径之比，和/或，椭圆的面积的值，以便根据本实施中的椭圆形的结构体的长半径与短半径之比、椭圆形的结构体的面积的值进行相应地筛选，得到目标椭圆形区域。
在本申请一实施例中，在步骤102之前，还可以将所述轮胎图像转换为二值化图像：在步骤102中，所述根据所述轮胎图像确定候选胎冠区域，可以为：根据所述二值化图像确定候选胎冠区域。在此，通过将轮胎图像转换为二值化图像，可以更加方便地提取图像中的信息，增加识别效率。其中，将所述轮胎图像转换为二值化图像，可以包括：对所述轮胎图像进行高斯平滑、均值平滑处理，以便去除所述轮胎图像中的噪声点；将去除噪声点后的轮胎图像转换为灰度图像，采用自适应阈值处理的方式对灰度图像执行二值化操作，得到候选胎冠区域的前景区域；对候选胎冠区域的前景区域进行腐蚀、膨胀处理，过滤掉孤立点，连接断开的连通域，得到本实施例中的所述二值化图像。
在本申请一实际场景应用中，如图2所示，可以包括：
S1、获取待检测车辆轮胎的图像；
S2、将所述轮胎图像转换为二值化图像；
S3、根据所述二值化图像获取存在符合条件的圆形轮廓和/或椭圆形轮廓；
S4、获取符合条件的圆形轮廓和/或椭圆形轮廓的外接矩形；
S5、根据外接矩形确定候选胎冠区域；
S6、采用基于深度学习的目标分类模型，对所述候选胎冠区域的胎纹进行分类；
S7、根据分类结果，确定所述胎纹是否合格。
可见，本申请提供的一种车辆轮胎的胎纹检测方法，可以应用于机动车的车辆年检，替代传统的人工检测的方式，自动检测车辆轮胎的胎冠上的胎纹是否处于完好状态，从而既可以节约人力成本，又可以加快检测速度，保证检测工作的公正、公开，提高检测效率和准确率。
此外，在本申请一实施例中，还提供了一种车辆轮胎的胎纹检测装置，包括：获取模块，用于获取待检测车辆的轮胎图像；确定模块，用于根据所述轮胎图像确定候选胎冠区域；分类模块，用于采用基于深度学习的目标分类模型，对所述候选胎冠区域的胎纹进行分类；判断模块，用于根据分类结果，确定所述胎纹是否合格。
在一些例子中，所述基于深度学习的目标分类模型，具体通过如下方式获取：在基于深度学习的LeNet分类网络之后依次添加一第一卷积层、一第二卷积层和一池化层，在所述池化层后连接一输出维度控制在512维的第一全连接层，在所述第一全连接层之后连接一输出维度控制在2维的第二全连接层；在所述第二全连接层之后连接一Loss层，得到调整后的基于深度学习的LeNet分类网络；根据所述调整后的基于深度学习的LeNet分类网络，训练得到所述基于深度学习的目标分类模型。
在一些例子中，根据所述轮胎图像确定候选胎冠区域，具体包括：判断所述轮胎图像中是否存在圆形区域；若存在，则根据所述圆形区域确定目标圆形区域，并将所述目标圆形区域的外接矩形表征的区域作为所述候选胎冠区域；若不存在，则判断所述轮胎图像中是否存在椭圆形区域；若存在，则根据所述椭圆形区域确定目标椭圆形区域，并将所述目标椭圆形区域的外接矩形表征的区域作为所述候选胎冠区域。
在一些例子中，所述根据所述圆形区域确定目标圆形区域，具体包括：通过计算所述圆形区域的圆心的数量，确定所述圆形区域的数量；若所述数量大于或者等于2，则保留各所述圆形区域中面积最大的圆形区域；根据所述面积最大的圆形区域，确定目标圆形区域；所述根据所述椭圆形区域确定目标椭圆形区域，具体包括：通过计算所述椭圆形区域的中心点的数量，确定所述椭圆形区域的数量；若所述数量大于或者等于2，则保留各所述椭圆形区域中面积最大的椭圆形区域；根据所述面积最大的椭圆形区域，确定目标椭圆形区域。
在一些例子中，所述根据所述面积最大的圆形区域，确定目标圆形区域，具体包括：获取所述面积最大的圆形区域的若干连通域；对所述若干连通域中的每一连通域分别执行预设操作；所述预设操作包括：获取当前连通域的边缘的点集；根据所述点集进行圆形拟合，得到所述圆形的结构体；根据所述圆形的结构体，确定目标圆形区域；所述根据所述面积最大的椭圆形区域，确定目标椭圆形区域，具体包括：获取所述面积最大的椭圆形区域的若干连通域；对所述若干连通域中的每一连通域分别执行预设操作；所述预设操作包括：获取当前连通域的边缘的点集；根据所述点集进行椭圆形拟合，得到所述椭圆形的结构体；根据所述椭圆形的结构体，确定目标椭圆形区域。
在一些例子中，所述根据所述圆形的结构体，确定目标圆形区域，具体包括：获取基于所述待检测车辆的胎冠区域设定的第一条件阈值；判断各所述圆形的结构体是否满足所述第一条件阈值；删除不满足所述第一条件阈值的圆形的结构体，得到所述目标圆形区域；所述根据所述椭圆形的结构体，确定目标椭圆形区域，具体包括：获取基于所述待检测车辆的胎冠区域设定的第二条件阈值；判断所述各所述椭圆形的结构体是否满足所述第二条件阈值；删除不满足所述第二条件阈值的椭圆形的结构体，得到所述目标椭圆形区域。
在一些例子中，在所述根据所述轮胎图像确定候选胎冠区域之前，还包括：将所述轮胎图像转换为二值化图像；所述根据所述轮胎图像确定候选胎冠区域，具体为：根据所述二值化图像确定候选胎冠区域。
在本申请一实施例中，还提供了一种电子设备，包括：一个或多个处理器；以及存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行如上述任一所述的车辆轮胎的胎纹检测方法。
本申请实施例还提供了一种计算机可读介质，所述计算机程序被处理器执行时实现上述任一所述的车辆轮胎的胎纹检测方法。
例如，计算机可读指令在被执行时使所述一个或多个处理器：
获取待检测车辆的轮胎图像；
根据所述轮胎图像确定候选胎冠区域；
采用基于深度学习的目标分类模型，对所述候选胎冠区域的胎纹进行分类；
根据分类结果，确定所述胎纹是否合格。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
需要注意的是，本申请可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本申请的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本申请的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
另外，本申请的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本申请的方法和/或技术方案。而调用本申请的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此，根据本申请的一个实施例包括一个装置，该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该装置运行基于前述根据本申请的多个实施例的方法和/或技术方案。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
在本申请一个典型的配置中，终端、服务网络的设备和可信方均包括一个或多个处理器(例如中央处理器(Central Processing Unit，CPU))、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RandomAccess Memory，RAM)和/或非易失性内存等形式，如只读存储器(Read Only Memory，ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(Phase-Change RAM，PRAM)、静态随机存取存储器(Static Random Access Memory，SRAM)、动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、数字多功能光盘(Digital Versatile Disk，DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。
以上显示和描述了本方案的基本原理和主要特征和本方案的优点。本行业的技术人员应该了解,本方案不受上述实施例的限制,上述实施例和说明书中描述的只是说明本方案的原理,在不脱离本方案精神和范围的前提下,本方案还会有各种变化和改进,这些变化和改进都落入要求保护的本方案范围内。本方案要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种车辆轮胎的胎纹检测方法，其特征在于，包括：
获取待检测车辆的轮胎图像；
根据所述轮胎图像确定候选胎冠区域；
采用基于深度学习的目标分类模型，对所述候选胎冠区域的胎纹进行分类；
根据分类结果，确定所述胎纹是否合格。
2.如权利要求1所述的车辆轮胎的胎纹检测方法，其特征在于，所述基于深度学习的目标分类模型，具体通过如下方式获取：
在基于深度学习的LeNet分类网络之后依次添加一第一卷积层、一第二卷积层和一池化层，在所述池化层后连接一输出维度控制在512维的第一全连接层，在所述第一全连接层之后连接一输出维度控制在2维的第二全连接层；在所述第二全连接层之后连接一Loss层，得到调整后的基于深度学习的LeNet分类网络；
根据所述调整后的基于深度学习的LeNet分类网络，训练得到所述基于深度学习的目标分类模型。
3.如权利要求1所述的车辆轮胎的胎纹检测方法，其特征在于，根据所述轮胎图像确定候选胎冠区域，具体包括：
判断所述轮胎图像中是否存在圆形区域；
若存在，则根据所述圆形区域确定目标圆形区域，并将所述目标圆形区域的外接矩形表征的区域作为所述候选胎冠区域；
若不存在，则判断所述轮胎图像中是否存在椭圆形区域；
若存在，则根据所述椭圆形区域确定目标椭圆形区域，并将所述目标椭圆形区域的外接矩形表征的区域作为所述候选胎冠区域。
4.如权利要求3所述的车辆轮胎的胎纹检测方法，其特征在于，所述根据所述圆形区域确定目标圆形区域，具体包括：
通过计算所述圆形区域的圆心的数量，确定所述圆形区域的数量；
若所述数量大于或者等于2，则保留各所述圆形区域中面积最大的圆形区域；
根据所述面积最大的圆形区域，确定目标圆形区域；
所述根据所述椭圆形区域确定目标椭圆形区域，具体包括：
通过计算所述椭圆形区域的中心点的数量，确定所述椭圆形区域的数量；
若所述数量大于或者等于2，则保留各所述椭圆形区域中面积最大的椭圆形区域；
根据所述面积最大的椭圆形区域，确定目标椭圆形区域。
5.如权利要求4所述的车辆轮胎的胎纹检测方法，其特征在于，所述根据所述面积最大的圆形区域，确定目标圆形区域，具体包括：
获取所述面积最大的圆形区域的若干连通域；
对所述若干连通域中的每一连通域分别执行预设操作；所述预设操作包括：获取当前连通域的边缘的点集；根据所述点集进行圆形拟合，得到所述圆形的结构体；
根据所述圆形的结构体，确定目标圆形区域；
所述根据所述面积最大的椭圆形区域，确定目标椭圆形区域，具体包括：
获取所述面积最大的椭圆形区域的若干连通域；
对所述若干连通域中的每一连通域分别执行预设操作；所述预设操作包括：获取当前连通域的边缘的点集；根据所述点集进行椭圆形拟合，得到所述椭圆形的结构体；
根据所述椭圆形的结构体，确定目标椭圆形区域。
6.如权利要求5所述的车辆轮胎的胎纹检测方法，其特征在于，所述根据所述圆形的结构体，确定目标圆形区域，具体包括：
获取基于所述待检测车辆的胎冠区域设定的第一条件阈值；
判断各所述圆形的结构体是否满足所述第一条件阈值；
删除不满足所述第一条件阈值的圆形的结构体，得到所述目标圆形区域；
所述根据所述椭圆形的结构体，确定目标椭圆形区域，具体包括：
获取基于所述待检测车辆的胎冠区域设定的第二条件阈值；
判断所述各所述椭圆形的结构体是否满足所述第二条件阈值；
删除不满足所述第二条件阈值的椭圆形的结构体，得到所述目标椭圆形区域。
7.如权利要求1所述的车辆轮胎的胎纹检测方法，其特征在于，在所述根据所述轮胎图像确定候选胎冠区域之前，还包括：
将所述轮胎图像转换为二值化图像；
所述根据所述轮胎图像确定候选胎冠区域，具体为：根据所述二值化图像确定候选胎冠区域。
8.一种车辆轮胎的胎纹检测装置，其特征在于，包括：
获取模块，用于获取待检测车辆的轮胎图像；
确定模块，用于根据所述轮胎图像确定候选胎冠区域；
分类模块，用于采用基于深度学习的目标分类模型，对所述候选胎冠区域的胎纹进行分类；
判断模块，用于根据分类结果，确定所述胎纹是否合格。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；以及
存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行如权利要求1至7中任一项所述的车辆轮胎的胎纹检测方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的车辆轮胎的胎纹检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911354495.7A CN111127439A (zh) | 2019-12-22 | 2019-12-22 | 车辆轮胎的胎纹检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911354495.7A CN111127439A (zh) | 2019-12-22 | 2019-12-22 | 车辆轮胎的胎纹检测方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111127439A true CN111127439A (zh) | 2020-05-08 |
Family
ID=70503264
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911354495.7A Pending CN111127439A (zh) | 2019-12-22 | 2019-12-22 | 车辆轮胎的胎纹检测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111127439A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112197707A (zh) * | 2020-11-12 | 2021-01-08 | 北京逸驰科技有限公司 | 一种轮胎磨损检测方法、计算机设备及可读存储介质 |
| TWI769485B (zh) * | 2020-07-15 | 2022-07-01 | 國立雲林科技大學 | 光學檢測系統及其檢測方法 |
| US20220343527A1 (en) * | 2021-04-21 | 2022-10-27 | Toyo Tire Corporation | Tire groove measurement device and tire groove measurement method |
| CN118237293A (zh) * | 2024-02-27 | 2024-06-25 | 钛玛科（北京）工业科技有限公司 | 轮胎分拣方法及装置 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0971107A (ja) * | 1995-04-27 | 1997-03-18 | Bridgestone Corp | 空気入りラジアルタイヤ |
| CN201716009U (zh) * | 2010-08-16 | 2011-01-19 | 长安大学 | 一种胎面花纹检测装置 |
| CN202826988U (zh) * | 2012-09-06 | 2013-03-27 | 厦门正新橡胶工业有限公司 | 摩托车室外竞技用充气轮胎 |
| CN206231165U (zh) * | 2016-11-27 | 2017-06-09 | 青岛奥诺轮胎有限公司 | 一种具有防噪功能的农用轮胎 |
| CN106918299A (zh) * | 2017-03-15 | 2017-07-04 | 深圳市安车检测股份有限公司 | 一种线结构光机器视觉轮胎磨损测量方法 |
| 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 |
| CN108628902A (zh) * | 2017-03-23 | 2018-10-09 | 北京爱德盛业科技有限公司 | 一种基于云平台的汽车保养数字检测报告生成方法及系统 |
| CN109785313A (zh) * | 2019-01-21 | 2019-05-21 | 山东女子学院 | 一种基于lbp的轮胎合格检测方法 |
| CN110059751A (zh) * | 2019-04-19 | 2019-07-26 | 南京链和科技有限公司 | 一种基于机器学习的胎码和轮胎状态识别方法 |
| CN110136101A (zh) * | 2019-04-17 | 2019-08-16 | 杭州数据点金科技有限公司 | 一种基于孪生距离比对的轮胎x光病疵检测方法 |
-
2019
- 2019-12-22 CN CN201911354495.7A patent/CN111127439A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0971107A (ja) * | 1995-04-27 | 1997-03-18 | Bridgestone Corp | 空気入りラジアルタイヤ |
| CN201716009U (zh) * | 2010-08-16 | 2011-01-19 | 长安大学 | 一种胎面花纹检测装置 |
| CN202826988U (zh) * | 2012-09-06 | 2013-03-27 | 厦门正新橡胶工业有限公司 | 摩托车室外竞技用充气轮胎 |
| CN206231165U (zh) * | 2016-11-27 | 2017-06-09 | 青岛奥诺轮胎有限公司 | 一种具有防噪功能的农用轮胎 |
| CN106918299A (zh) * | 2017-03-15 | 2017-07-04 | 深圳市安车检测股份有限公司 | 一种线结构光机器视觉轮胎磨损测量方法 |
| CN108628902A (zh) * | 2017-03-23 | 2018-10-09 | 北京爱德盛业科技有限公司 | 一种基于云平台的汽车保养数字检测报告生成方法及系统 |
| 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 |
| CN109785313A (zh) * | 2019-01-21 | 2019-05-21 | 山东女子学院 | 一种基于lbp的轮胎合格检测方法 |
| CN110136101A (zh) * | 2019-04-17 | 2019-08-16 | 杭州数据点金科技有限公司 | 一种基于孪生距离比对的轮胎x光病疵检测方法 |
| CN110059751A (zh) * | 2019-04-19 | 2019-07-26 | 南京链和科技有限公司 | 一种基于机器学习的胎码和轮胎状态识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| CHAO ZHANG等: "A Quadric Image Segmentation for the Feature Extraction of Tire Surface Wear" * |
| 刘颖等: "基于CNN、SVM和迁移学习的轮胎花纹分类" * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI769485B (zh) * | 2020-07-15 | 2022-07-01 | 國立雲林科技大學 | 光學檢測系統及其檢測方法 |
| CN112197707A (zh) * | 2020-11-12 | 2021-01-08 | 北京逸驰科技有限公司 | 一种轮胎磨损检测方法、计算机设备及可读存储介质 |
| US20220343527A1 (en) * | 2021-04-21 | 2022-10-27 | Toyo Tire Corporation | Tire groove measurement device and tire groove measurement method |
| CN118237293A (zh) * | 2024-02-27 | 2024-06-25 | 钛玛科（北京）工业科技有限公司 | 轮胎分拣方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111127439A (zh) | 车辆轮胎的胎纹检测方法、装置、电子设备及存储介质 | |
| WO2022121531A1 (zh) | 一种产品缺陷检测方法和装置 | |
| CN110378258B (zh) | 一种基于图像的车辆座椅信息检测方法及设备 | |
| CN113240623B (zh) | 一种路面病害检测方法及装置 | |
| CN113160161A (zh) | 目标边缘处缺陷的检测方法和装置 | |
| CN106971185A (zh) | 一种基于全卷积网络的车牌定位方法及装置 | |
| CN110991437B (zh) | 字符识别方法及其装置、字符识别模型的训练方法及其装置 | |
| CN116385380A (zh) | 基于深度特征的缺陷检测方法、系统、设备及存储介质 | |
| CN110796078A (zh) | 车辆的灯光检测方法、装置、电子设备及可读存储介质 | |
| CN116503382B (zh) | 一种显示屏划痕缺陷检测的方法和系统 | |
| CN102214290A (zh) | 车牌定位方法及车牌定位模板训练方法 | |
| CN114820679A (zh) | 图像标注方法、装置、电子设备和存储介质 | |
| CN117058411B (zh) | 电池棱边外形瑕疵识别方法、装置、介质和设备 | |
| CN113436102A (zh) | 一种加工零件表面缺陷检测方法 | |
| CN116823781A (zh) | 一种电解电容夹扁缺陷检测方法、系统、设备及存储介质 | |
| CN117173090A (zh) | 焊接缺陷类型识别方法、装置、存储介质及电子设备 | |
| CN115147642B (zh) | 基于视觉的渣土车检测方法、装置、计算机及存储介质 | |
| CN111126286A (zh) | 车辆动态检测方法、装置、计算机设备及存储介质 | |
| CN114581433B (zh) | 一种获取金属球腔内表面形貌检测图像的方法及系统 | |
| CN114972757B (zh) | 一种隧道渗漏水区域识别方法及系统 | |
| CN114627113B (zh) | 一种印制电路板缺陷检测方法及系统及装置及介质 | |
| CN112329282A (zh) | 孔周网格分类方法、装置及存储介质 | |
| CN111932515B (zh) | 产品残留类缺陷的短路检测方法及系统及缺陷分类系统 | |
| CN111104934A (zh) | 发动机标贴的检测方法、电子设备及计算机可读存储介质 | |
| CN118135470B (zh) | 一种水位识别方法、装置、系统及存储介质 |
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 | ||
| AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20240517 |
|
| AD01 | Patent right deemed abandoned |