CN112150434A - 一种轮胎缺陷的检测方法、装置、设备及存储介质 - Google Patents
一种轮胎缺陷的检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112150434A CN112150434A CN202011003217.XA CN202011003217A CN112150434A CN 112150434 A CN112150434 A CN 112150434A CN 202011003217 A CN202011003217 A CN 202011003217A CN 112150434 A CN112150434 A CN 112150434A
- Authority
- CN
- China
- Prior art keywords
- image
- tire
- defect
- detected
- determining
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 155
- 238000001514 detection method Methods 0.000 title claims abstract description 68
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 230000011218 segmentation Effects 0.000 claims description 19
- 230000009467 reduction Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000005520 cutting process Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种轮胎缺陷的检测方法、装置、设备及存储介质。其中，该方法包括：采用垂直投影法识别轮胎X光图像的带束层区域；根据自适应二值化算法，对所述带束层区域进行处理，得到待检测图像；根据预设的缺陷检测模型，从所述待检测图像中确定轮胎缺陷特征，以完成轮胎缺陷检测。本发明实施例通过获取轮胎的带束层区域图像，对带束层区域进行缺陷检测，将待检测图像输入到缺陷检测模型中，得到检测结果。实现了对轮胎带束层缺陷的自动检测，提高缺陷检测的效率。
Description
技术领域
本发明实施例涉及图像处理技术，尤其涉及一种轮胎缺陷的检测方法、装置、设备及存储介质。
背景技术
轮胎作为汽车的关键部件，其内部帘线结构复杂，生产时会出现多种缺陷，直接或间接影响到汽车的行驶安全。
为了保证轮胎的质量合格，轮胎出厂前的缺陷检测是轮胎生产过程中必不可少的环节。目前，通过质检人员观察轮胎的X光图像来检测缺陷已成为轮胎生产企业的常规检测方式，但是人工检测浪费人力和时间，效率低下，而且主观判断影响检测结果的准确性。
发明内容
本发明实施例提供一种轮胎缺陷的检测方法、装置、设备及存储介质，以提高轮胎缺陷的检测效率。
第一方面，本发明实施例提供了一种轮胎缺陷的检测方法，该方法包括：
采用垂直投影法识别轮胎X光图像的带束层区域；
根据自适应二值化算法，对所述带束层区域进行处理，得到待检测图像；
根据预设的缺陷检测模型，从所述待检测图像中确定轮胎缺陷特征，以完成轮胎缺陷检测。
第二方面，本发明实施例还提供了一种轮胎缺陷的检测装置，该装置包括：
区域识别模块，用于采用垂直投影法识别轮胎X光图像的带束层区域；
图像获得模块，用于根据自适应二值化算法，对所述带束层区域进行处理，得到待检测图像；
缺陷确定模块，用于根据预设的缺陷检测模型，从所述待检测图像中确定轮胎缺陷特征，以完成轮胎缺陷检测。
第三方面，本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明任意实施例所述的轮胎缺陷的检测方法。
第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本发明任意实施例所述的轮胎缺陷的检测方法。
本发明实施例通过垂直投影得到轮胎的带束层区域，将带束层区域进行自适应二值化，使带束层区域的二值化图像根据带束层区域中前景和背景的不同而改变，将二值化后的待检测图像输入到缺陷检测模型中，输出轮胎的缺陷特征。解决了现有技术中人工识别轮胎X光图像所造成的识别精度低的问题，节约人力和时间，实现轮胎缺陷的自适应检测和自动检测，提高轮胎缺陷检测效率和灵活性。
附图说明
图1是本发明实施例一中的一种轮胎缺陷的检测方法的流程示意图；
图2是本发明实施例一中的轮胎的部分X光图像；
图3是本发明实施例一中的轮胎垂直投影示意图；
图4是本发明实施例一中的缺陷检测模型的示意图；
图5是本发明实施例二中的一种轮胎缺陷的检测装置的结构框图；
图6是本发明实施例三中的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种轮胎缺陷的检测方法的流程示意图，本实施例可适用于检测轮胎缺陷的情况，该方法可以由一种轮胎缺陷的检测装置来执行，如图1所示，该方法具体包括如下步骤：
步骤110、采用垂直投影法识别轮胎X光图像的带束层区域。
其中，带束层是指在子午线轮胎和带束斜交轮胎的胎面基部下，沿胎面中心线圆周方向箍紧胎体的材料层，可以起缓和冲击的作用，是保障行驶安全的一个重要部分。可以通过轮胎X光检测设备旋转扫描轮胎内部生成轮胎的X光图像，图2为轮胎的部分X光图像，采用垂直投影法对X光图像进行带束层区域的识别。由于X图像整体较暗且灰度值偏小，不利于观察，因此，在识别带束层区域之前，可以对X光图像进行伽马变换，增强轮胎图像的对比度，有利于识别带束层区域。通过垂直投影确定轮胎胎侧与胎肩的边界，图3为轮胎垂直投影示意图。图3中虚线框两侧的白色像素数呈现垂直下降处分别为胎肩两侧的边界，因此通过垂直投影可以从轮胎X光图像中分割出带束层区域。
步骤120、根据自适应二值化算法，对带束层区域进行处理，得到待检测图像。
其中，对带束层区域的X光图像或伽马变化后的X光图像进行二值化处理，实现带束层分割的效果，二值化后的带束层图像即为待检测图像。由于轮胎带束层部分的灰度分布不均匀，如果用同一个分割阈值直接进行二值化的话，二值化的效果会导致带束层区域内的图像内容出现误差，影响缺陷检测精度。因此，可以采用自适应二值化的方法对图像进行二值化。分割阈值是对像素值进行二值化的分界像素值，例如，将像素值小于122的像素点二值转换为0，将像素值等于或大于122的像素点二值转换为255，则像素值122为分割阈值。
本实施例中，可选的，根据自适应二值化算法，对带束层区域进行处理，包括：将带束层区域划分为至少两个窗口；根据窗口中每个灰度级像素的像素点个数，确定每个灰度级像素在窗口中的比例；根据预设的阈值确定算法确定窗口中前景和背景的分割阈值；根据分割阈值对窗口的像素点进行二值化处理。
具体的，将带束层区域划分为至少两个窗口，例如，窗口大小可以是s×s个像素，s可以设置为图像宽度的八分之一，s为窗口的边长。可以先在带束层区域划分出一个窗口，在完成一个窗口的二值化处理后，将该窗口进行滑动，继续进行带束层区域其他部分的二值化处理，直至整个带束层区域二值化处理完毕。统计窗口中的像素点，确定每个灰度级像素的像素点个数，例如，确定像素值为0的像素点个数，确定像素值为1的像素点个数。确定每个灰度级像素在窗口的所有像素点中所占的比例，例如，像素值为0的像素点为10个，窗口中的所有像素点为100个，则确定像素值为0的像素点在窗口中所占比例为10％。根据每个灰度级像素在窗口中的比例，采用预设的阈值确定算法，可以是OSTU(大津算法)算法，确定窗口中前景和背景的分割阈值。前景是指带束层区域中帘线的部分，背景是指带束层区域中除帘线以外的部分。确定前景中的像素点数，根据前景中的像素点数确定前景像素点数占窗口图像中像素点的比例；确定背景中的像素点数，根据背景中的像素点数确定背景像素点数占窗口图像中像素点的比例。确定窗口中前景和背景的平均灰度值，以及窗口总的平均灰度值。计算得到前景和背景图象的方差，对窗口图像进行垂直投影，得到垂直投影直方图，选择方差最大时对应的垂直投影直方图的灰度值作为窗口的分割阈值。方差的计算公式如下：
u＝w0×u0+w1×u1；
g＝w0×(u0-u)2+w1×(u1-u)2；
联立上述两式可得：
g＝w0×w1×(u0-u1)2；
其中，w0为前景像素点数占窗口图像中像素点比例，w1为背景像素点数占窗口图像中像素点比例，u0为窗口中前景平均灰度，u1为窗口中背景平均灰度，g为前景图像和背景图象的方差，u为窗口图像的总平均灰度。
在得到分割阈值后，对窗口内的像素点进行二值化处理，将像素值小于该分割阈值的像素点设为0，将像素值等于或大于该分割阈值的像素点设为255。在完成该窗口的二值化处理后，滑动窗口到带束层区域的另一个部分，继续进行方差的计算以及分割阈值的确定，直至整个带束层区域的二值化处理完成。这样设置的有益效果在于，根据每个窗口的分割阈值对窗口进行二值化操作，通过自适应二值化处理，适应轮胎带束层部分的灰度分布不均匀的情况，有利于区分带束层区域中的带束层边界，二值化效果显著提高。
本实施例中，可选的，对带束层区域进行处理，得到待检测图像，还包括：采用形态学运算，对二值化处理后的带束层区域进行噪声消除，确定带束层区域的带束层边界；根据带束层区域中的带束层边界，分割带束层区域，得到待检测图像。
具体的，在得到二值化处理的带束层区域后，处理后的图像中可能会存在噪音，因此，可以再对二值化后的图像做形态学滤波的运算。形态学运算可以消除多余的噪声并分割带束层，采用形态学运算对二值化后的图像进行形态学滤波消除噪声，得到更清晰的带束层边界。通过3次形态学闭运算就可以消除二值化产生的噪声，并确定最终的带束层边界。根据带束层区域中的带束层边界，对带束层区域进行分割，得到带束层区域的待检测图像。这样设置的有益效果在于，通过形态学运算使带束层边界更精确，避免图像噪声对带束层缺陷检测的影响，提高轮胎带束层缺陷检测的精度。
步骤130、根据预设的缺陷检测模型，从待检测图像中确定轮胎缺陷特征，以完成轮胎缺陷检测。
其中，将待检测图像输入到预设的缺陷检测模型中，缺陷检测模型可以用于识别轮胎缺陷，并对轮胎缺陷进行分类，得到轮胎缺陷的检测结果。
本实施例中，可选的，预设的缺陷检测模型的缺陷检测过程包括：获取待检测图像；将至少两个卷积层输出的特征图像进行叠加，得到叠加图像；将叠加图像输入到网络输出层，得到待检测图像中轮胎缺陷的目标框和缺陷分类结果。
具体的，可以采用一种基于深度学习的卷积神经网络，例如，采用Faster R-CNN(Faster Region-based Convolutional Network method，更快速的基于区域的卷积网络方法)模型作为轮胎带束层的缺陷检测模型，并选用VGG16网络作为卷积层进行特征提取。VGG16中可以包括至少两个卷积层，将待检测图像输入至预设的缺陷检测模型中，可以得到多个卷积层分别输出的特征图像，例如，存在五个卷积层，可以得到后三层卷积层的特征图像，输出的特征图像中包括最后一层卷积层的特征图像。将多个特征图像进行叠加，得到叠加图像，可以使不同卷积层提取出的特征存在于同一张图像上。可以将多个特征图像按照预设的尺寸大小要求进行调整，调整为相同尺寸的图像再进行叠加。将叠加图像输入到缺陷检测模型的网络输出层，输出得到待检测图像的轮胎缺陷的目标框，确定轮胎缺陷的位置以及缺陷分类结果。缺陷检测模型中可以预设有不同缺陷的图像和缺陷名称，可以将检测出的缺陷图像与预设的缺陷图像进行对比，确定检测出的缺陷的名称。这样设置的有益效果在于，使用卷积神经网络进行缺陷的检测与识别，减少人工检测的过程，节约人力和时间，避免人工对缺陷主观判断影响结果准确性，提高缺陷检测的效率和精度。
本实施例中，可选的，将至少两个卷积层输出的特征图像进行叠加，得到叠加图像，包括：根据最后一个卷积层输出的第一特征图像的尺寸，对其他卷积层输出的第二特征图像进行调整；其中，其他卷积层是指至少两个卷积层中除最后一个卷积层之外的卷积层；将第一特征图像与调整后的第二特征图像进行叠加，生成叠加图像。
具体的，卷积层输出的特征图像为至少两个，其中一个是最后一层卷积层输出的特征图像。最后一层卷积层输出的特征图像为第一特征图像，除最后一层卷积层之外的其他卷积层输出的特征图像为第二特征图像。以第一特征图像的尺寸大小为依据，调整第二特征图像的尺寸，使第二特征图像的尺寸与第一特征图像一致。例如，可以将最后三个卷积层的特征图像进行融合，通过ROI Pooling(Region of Interest Pooling，感兴趣区域池化层)将三个不同维度的特征图变成相同尺存，将相同尺存的特征图像进行叠加融合，得到叠加图像。这样设置的有益效果在于，待检测图像经过多层卷积后，逐步进行特征提取，图像中不明显的轮胎缺陷被逐渐模糊，经过多层特征图像的叠加，使各特征图像中的特征聚集在同一张图像上，避免缺陷的遗漏，提高缺陷检测的精度和效率。
在将至少两个卷积层输出的特征图像进行叠加，得到叠加图像时，还可以采用区域推荐网络，对第一特征图像进行候选框的提取。
具体的，在得到叠加图像时，还可以将最后一层卷积层输出的第一特征图像输入到RPN(Region Proposal Network，区域推荐网络)中。可以采用VGG16网络来进行卷积，最后一层卷积层输出的特征图像就是VGG16的输出图像。通过RPN网络对第一特征图像进行候选框的提取，第一特征图像与叠加图像的尺寸大小相同，图像内容可以相互映射，根据第一特征图像的候选框，得到叠加图像的候选框，以便于对叠加图像进行缺陷检测，提高轮胎缺陷检测效率。
本实施例中，可选的，将叠加图像输入到网络输出层，得到待检测图像中轮胎缺陷的目标框和缺陷分类结果，包括：利用卷积层对叠加图像进行降维；将降维后的叠加图像输入到网络输出层中，输出待检测图像中轮胎缺陷图像的目标框；根据预设的轮胎缺陷类别与轮胎缺陷图像的关联关系，确定目标框中轮胎缺陷图像的缺陷类别。
具体的，在得到叠加图像后，可以再利用一个卷积层对叠加图像进行降维，使叠加图像的维度符合网络输出层的输入维度，网络输出层用于输出轮胎缺陷的检测结果，可以输出待检测图像中轮胎缺陷所在位置的目标框。可以预设轮胎缺陷类别与轮胎缺陷图像的关联关系，根据检测到的目标框，查找与该目标框内轮胎缺陷图像相匹配的缺陷类别。这样设置的有益效果在于，通过卷积降维，避免网络输出层无法确定检测结果的情况，且可以对缺陷类别进行自动识别，节约人力检测的时间，有效提高缺陷检测的效率。
图4为缺陷检测模型的示意图。特征提取模块401有五层卷积层，后三层卷积层用于将各自的特征图像输出到特征图像模块402中，最后一层卷积层输出的第一特征图像通过RPN网络模块403得到候选框，在特征图像模块402中调整特征图像的尺寸，在叠加模块404中生成叠加图像，可以根据RPN网络模块403生成的候选框确定叠加图像的候选框。将叠加图像404发送给卷积降维模块405，卷积降维模块405可以采用尺度为1的卷积进行降维，使叠加图像的维度与网络输出层406可以接收的图像维度一致，卷积降维模块405中采用的是1×1的卷积。在对叠加图像进行降维后，将降维后的叠加图像输入至网络输出层模块406，网络输出层模块406可以输出轮胎缺陷位置处的图像，以目标框对轮胎缺陷位置处进行标注，来显示出轮胎缺陷的位置和轮胎缺陷处的图像，并展示轮胎缺陷的分类结果。例如，轮胎缺陷可以是帘线的打折、交叉或断裂等。
在对缺陷检测模型进行使用之前，可以先构建缺陷数据样本集，对Faster R-CNN网络进行训练。可以对缺陷样本数据集进行水平、垂直或镜面翻转，增大样本数量。对样本集中的样本图像增加缺陷标注框，将样本图像中的缺陷进行标注。将缺陷样本数据集中的样本图像以1200像素的高度进行裁剪，使每个样本图像中都包含有至少一个缺陷标注框，并以滑动裁剪的方式将一张样本图像裁成多张训练样本。使用处理完成的训练样本训练Faster R-CNN模型，可以在深度学习框架下实现，学习率设为0.001，最大迭代次数为15万次，最终得到缺陷检测模型。
本实施例的技术方案，通过垂直投影得到轮胎的带束层区域，将带束层区域进行自适应二值化，使带束层区域的二值化图像根据带束层区域中前景和背景的不同而改变，将二值化后的待检测图像输入到缺陷检测模型中，输出轮胎的缺陷特征。解决了现有技术中人工识别轮胎X光图像所造成的识别精度低的问题，节约人力和时间，实现对轮胎缺陷的自适应检测和自动检测，提高轮胎缺陷检测效率和灵活性。
实施例二
图5为本发明实施例二所提供的一种轮胎缺陷的检测装置的结构框图，可执行本发明任意实施例所提供的轮胎缺陷的检测方法，具备执行方法相应的功能模块和有益效果。如图5所示，该装置具体包括：
区域识别模块501，用于采用垂直投影法识别轮胎X光图像的带束层区域；
图像获得模块502，用于根据自适应二值化算法，对带束层区域进行处理，得到待检测图像；
缺陷确定模块503，用于根据预设的缺陷检测模型，从待检测图像中确定轮胎缺陷特征，以完成轮胎缺陷检测。
可选的，图像获得模块502，包括：
窗口划分单元，用于将带束层区域划分为至少两个窗口；
像素比例确定单元，用于根据窗口中每个灰度级像素的像素点个数，确定每个灰度级像素在窗口中的比例；
分割阈值确定单元，用于根据预设的阈值确定算法确定窗口中前景和背景的分割阈值；
二值化处理单元，用于根据分割阈值对窗口的像素点进行二值化处理。
可选的，图像获得模块502，还包括：
噪声消除单元，用于采用形态学运算，对二值化处理后的带束层区域进行噪声消除，确定带束层区域的带束层边界；
待检测图像确定单元，用于根据带束层区域中的带束层边界，分割带束层区域，得到待检测图像。
可选的，预设的缺陷检测模型的子模块以及缺陷检测过程包括：
图像获取子模块，用于获取所述待检测图像；
图像叠加子模块，用于将至少两个卷积层输出的特征图像进行叠加，得到叠加图像；
结果输出子模块，用于将叠加图像输入到网络输出层，得到待检测图像中轮胎缺陷的目标框和缺陷分类结果。
可选的，图像叠加子模块，具体用于：
根据最后一个卷积层输出的第一特征图像的尺寸，对其他卷积层输出的第二特征图像进行调整；其中，其他卷积层是指至少两个卷积层中除最后一个卷积层之外的卷积层；
将第一特征图像与调整后的第二特征图像进行叠加，生成叠加图像。
可选的，结果输出子模块，具体用于：
利用卷积层对叠加图像进行降维；
将降维后的叠加图像输入到网络输出层中，输出待检测图像中轮胎缺陷图像的目标框；
根据预设的轮胎缺陷类别与轮胎缺陷图像的关联关系，确定目标框中轮胎缺陷图像的缺陷类别。
本发明实施例通过垂直投影得到轮胎的带束层区域，将带束层区域进行自适应二值化，使带束层区域的二值化图像根据带束层区域中前景和背景的不同而改变，将二值化后的待检测图像输入到缺陷检测模型中，输出轮胎的缺陷特征。解决了现有技术中人工识别轮胎X光图像所造成的识别精度低的问题，节约人力和时间，实现轮胎缺陷的自适应检测和自动检测，提高轮胎缺陷检测效率和灵活性。
实施例三
图6是本发明实施例三提供的一种计算机设备的结构示意图。图6示出了适于用来实现本发明实施方式的示例性计算机设备600的框图。图6显示的计算机设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，计算机设备600以通用计算设备的形式表现。计算机设备600的组件可以包括但不限于：一个或者多个处理器或者处理单元601，系统存储器602，连接不同系统组件(包括系统存储器602和处理单元601)的总线603。
总线603表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备600典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备600访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器602可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)604和/或高速缓存存储器605。计算机设备600可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统606可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线603相连。存储器602可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块607的程序/实用工具608，可以存储在例如存储器602中，这样的程序模块607包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块607通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备600也可以与一个或多个外部设备609(例如键盘、指向设备、显示器610等)通信，还可与一个或者多个使得用户能与该计算机设备600交互的设备通信，和/或与使得该计算机设备600能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口611进行。并且，计算机设备600还可以通过网络适配器612与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图6所示，网络适配器612通过总线603与计算机设备600的其它模块通信。应当明白，尽管图6中未示出，可以结合计算机设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元601通过运行存储在系统存储器602中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的轮胎缺陷的检测方法，包括：
采用垂直投影法识别轮胎X光图像的带束层区域；
根据自适应二值化算法，对带束层区域进行处理，得到待检测图像；
根据预设的缺陷检测模型，从待检测图像中确定轮胎缺陷特征，以完成轮胎缺陷检测。
实施例四
本发明实施例四还提供一种包含计算机可执行指令的存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所提供的轮胎缺陷的检测方法，包括：
采用垂直投影法识别轮胎X光图像的带束层区域；
根据自适应二值化算法，对带束层区域进行处理，得到待检测图像；
根据预设的缺陷检测模型，从待检测图像中确定轮胎缺陷特征，以完成轮胎缺陷检测。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或计算机设备上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种轮胎缺陷的检测方法，其特征在于，所述方法包括：
采用垂直投影法识别轮胎X光图像的带束层区域；
根据自适应二值化算法，对所述带束层区域进行处理，得到待检测图像；
根据预设的缺陷检测模型，从所述待检测图像中确定轮胎缺陷特征，以完成轮胎缺陷检测。
2.根据权利要求1所述的方法，其特征在于，根据自适应二值化算法，对所述带束层区域进行处理，包括：
将所述带束层区域划分为至少两个窗口；
根据所述窗口中每个灰度级像素的像素点个数，确定每个灰度级像素在所述窗口中的比例；
根据预设的阈值确定算法确定所述窗口中前景和背景的分割阈值；
根据所述分割阈值对所述窗口的像素点进行二值化处理。
3.根据权利要求2所述的方法，其特征在于，对所述带束层区域进行处理，得到待检测图像，还包括：
采用形态学运算，对二值化处理后的带束层区域进行噪声消除，确定带束层区域的带束层边界；
根据所述带束层区域中的带束层边界，分割所述带束层区域，得到待检测图像。
4.根据权利要求1所述的方法，其特征在于，所述预设的缺陷检测模型的缺陷检测过程包括：
获取所述待检测图像；
将至少两个卷积层输出的特征图像进行叠加，得到叠加图像；
将所述叠加图像输入到网络输出层，得到所述待检测图像中轮胎缺陷的目标框和缺陷分类结果。
5.根据权利要求4所述的方法，其特征在于，将至少两个卷积层输出的特征图像进行叠加，得到叠加图像，包括：
根据最后一个卷积层输出的第一特征图像的尺寸，对其他卷积层输出的第二特征图像进行调整；其中，所述其他卷积层是指至少两个卷积层中除最后一个卷积层之外的卷积层；
将第一特征图像与调整后的第二特征图像进行叠加，生成叠加图像。
6.根据权利要求4所述的方法，其特征在于，将所述叠加图像输入到网络输出层，得到所述待检测图像中轮胎缺陷的目标框和缺陷分类结果，包括：
利用卷积层对所述叠加图像进行降维；
将降维后的叠加图像输入到网络输出层中，输出待检测图像中轮胎缺陷图像的目标框；
根据预设的轮胎缺陷类别与轮胎缺陷图像的关联关系，确定所述目标框中轮胎缺陷图像的缺陷类别。
7.一种轮胎缺陷的检测装置，其特征在于，包括：
区域识别模块，用于采用垂直投影法识别轮胎X光图像的带束层区域；
图像获得模块，用于根据自适应二值化算法，对所述带束层区域进行处理，得到待检测图像；
缺陷确定模块，用于根据预设的缺陷检测模型，从所述待检测图像中确定轮胎缺陷特征，以完成轮胎缺陷检测。
8.根据权利要求7所述的装置，其特征在于，所述图像获得模块，包括：
窗口划分单元，用于将所述带束层区域划分为至少两个窗口；
像素比例确定单元，用于根据所述窗口中每个灰度级像素的像素点个数，确定每个灰度级像素在所述窗口中的比例；
分割阈值确定单元，用于根据预设的阈值确定算法确定所述窗口中前景和背景的分割阈值；
二值化处理单元，用于根据所述分割阈值对所述窗口的像素点进行二值化处理。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6中任一所述的轮胎缺陷的检测方法。
10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-6中任一所述的轮胎缺陷的检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011003217.XA CN112150434A (zh) | 2020-09-22 | 2020-09-22 | 一种轮胎缺陷的检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011003217.XA CN112150434A (zh) | 2020-09-22 | 2020-09-22 | 一种轮胎缺陷的检测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112150434A true CN112150434A (zh) | 2020-12-29 |
Family
ID=73896283
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011003217.XA Pending CN112150434A (zh) | 2020-09-22 | 2020-09-22 | 一种轮胎缺陷的检测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112150434A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113066079A (zh) * | 2021-04-19 | 2021-07-02 | 北京滴普科技有限公司 | 木材缺陷自动检测方法、系统及其存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107437243A (zh) * | 2017-06-19 | 2017-12-05 | 中国科学院自动化研究所 | 基于x光图像的轮胎杂质检测方法及装置 |
| CN110120036A (zh) * | 2019-04-17 | 2019-08-13 | 杭州数据点金科技有限公司 | 一种多尺度的轮胎x光病疵检测方法 |
| 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 |
-
2020
- 2020-09-22 CN CN202011003217.XA patent/CN112150434A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107437243A (zh) * | 2017-06-19 | 2017-12-05 | 中国科学院自动化研究所 | 基于x光图像的轮胎杂质检测方法及装置 |
| CN110120036A (zh) * | 2019-04-17 | 2019-08-13 | 杭州数据点金科技有限公司 | 一种多尺度的轮胎x光病疵检测方法 |
| 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 |
Non-Patent Citations (3)
| Title |
|---|
| 张斌;林森;高书征;: "基于图像处理的轮胎X光图像杂质检测技术", 橡塑技术与装备, no. 09 * |
| 艾笑天: "基于轮胎X光图像的缺陷自动检测算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, vol. 2019, no. 08, pages 1 - 86 * |
| 郑修楠: "基于X光成像和纹理分析的轮胎带束层缺陷检测", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, vol. 2020, no. 01, pages 1 - 64 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113066079A (zh) * | 2021-04-19 | 2021-07-02 | 北京滴普科技有限公司 | 木材缺陷自动检测方法、系统及其存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110276754B (zh) | 一种表面缺陷检测方法、终端设备及存储介质 | |
| CN114842017B (zh) | 一种hdmi线缆表面质量检测方法及系统 | |
| CN109241867B (zh) | 采用人工智能算法识别数字岩心图像的方法及装置 | |
| US11686703B2 (en) | Automated analysis of analytical gels and blots | |
| CN111861990B (zh) | 一种产品不良外观检测的方法、系统及存储介质 | |
| CN111415339B (zh) | 一种复杂纹理工业产品图像缺陷检测方法 | |
| CN116485779B (zh) | 自适应晶圆缺陷检测方法、装置、电子设备及存储介质 | |
| CN113870202A (zh) | 一种基于深度学习技术的远端芯片缺陷检测系统 | |
| CN112017154A (zh) | 基于Mask R-CNN模型的一种射线缺陷检测方法 | |
| CN113947597B (zh) | 一种基于屏蔽重建的工业缺陷检测方法、装置及介质 | |
| CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
| CN114841974A (zh) | 一种水果内部结构无损检测方法、系统、电子设备及介质 | |
| CN112150434A (zh) | 一种轮胎缺陷的检测方法、装置、设备及存储介质 | |
| CN111914706B (zh) | 一种文字检测输出结果质量检测和控制的方法与装置 | |
| JP2020135051A (ja) | 欠点検査装置、欠点検査方法、欠点検査プログラム、学習装置および学習済みモデル | |
| CN116309561A (zh) | 一种基于防漏电绝缘材料的表面缺陷识别方法 | |
| CN113763384B (zh) | 工业质检中的缺陷检测方法、缺陷检测装置 | |
| CN113516328B (zh) | 数据处理方法、服务提供方法、装置、设备和存储介质 | |
| CN115393589A (zh) | 一种通用dcs工艺流程图识别转换方法、系统以及介质 | |
| CN115345806A (zh) | 对象检测方法、装置、电子设备及可读存储介质 | |
| KR20230036650A (ko) | 영상 패치 기반의 불량 검출 시스템 및 방법 | |
| Lin et al. | Automatic detection of shoulder bending defects in tire X-ray images | |
| CN113420716B (zh) | 基于改进Yolov3算法的违规行为识别预警的方法 | |
| KR101646838B1 (ko) | 트랙 이미지 카운팅 방법 | |
| CN111724352B (zh) | 一种基于核密度估计的贴片led瑕疵标注方法 |
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 |