CN113390882A - 一种基于机器视觉和深度学习算法的轮胎内侧缺陷检测仪 - Google Patents
一种基于机器视觉和深度学习算法的轮胎内侧缺陷检测仪 Download PDFInfo
- Publication number
- CN113390882A CN113390882A CN202110645955.2A CN202110645955A CN113390882A CN 113390882 A CN113390882 A CN 113390882A CN 202110645955 A CN202110645955 A CN 202110645955A CN 113390882 A CN113390882 A CN 113390882A
- Authority
- CN
- China
- Prior art keywords
- defect
- deep learning
- learning algorithm
- image
- embedded
- 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 105
- 238000013135 deep learning Methods 0.000 title claims abstract description 44
- 238000011161 development Methods 0.000 claims abstract description 27
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 21
- 238000012706 support-vector machine Methods 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 230000018109 developmental process Effects 0.000 claims description 25
- 238000001914 filtration Methods 0.000 claims description 16
- 238000000034 method Methods 0.000 claims description 11
- 239000012535 impurity Substances 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 19
- 238000012372 quality testing Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005452 bending Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
-
- G06T5/70—
-
- G06T5/90—
-
- 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
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
一种基于机器视觉和深度学习算法的轮胎内侧缺陷检测仪,涉及轮胎质量检测技术领域,包括手柄、机身、自动对焦摄像头、探照灯、嵌入式报警单片机、嵌入式深度学习算法开发板、以及显示屏。所述的嵌入式深度学习算法开发板设有图像预处理模块、基于卷积神经网络和支持向量机分类优化的改进算法模块、以及缺陷识别及定位模块。本发明能够对自动采集的轮胎内侧图像信息自动解读,实现轮胎内侧缺陷的高效准确识别,并自动提取位置信息,绘制缺陷边界、计算缺陷面积大小、发出报警声音,使得轮胎内侧缺陷得探测识别工作简单化、自动化、智能化、高效化,降低轮胎内侧缺陷检测的时间和人力成本。
Description
技术领域
本发明涉及轮胎质量检测技术领域,具体涉及一种基于机器视觉和深度学习算法的轮胎内侧缺陷检测仪。
背景技术
轮胎在生产制造过程中,因操作失误或生产设备等因素影响,可能出现多种缺陷,例如胎稀、帘线弯曲、杂质裂纹、气泡等。为保障车辆的行驶安全,轮胎出厂前会进行各种缺陷检测,目的是将存在缺陷的轮胎挑选出来。
现有的轮胎缺陷检测技术大多聚焦于轮胎的外部缺陷检测,而针对轮胎内部的缺陷多采用人工目测的方法。显而易见,轮胎内部的缺陷同样关系到车辆的行驶安全,而且由于轮胎内部避光,采用人工目测的方法很容易导致检测失误,而且检测效率低,检测方式与行业的科技发展趋势不符。
关于轮胎缺陷的检测技术大多是经过人工分析,并依据主观经验来确定轮胎是否损伤以及损伤位置,而轮胎缺陷检测的自动化研究工作大多通过轮胎的X光图像来实现,且均聚焦于外部缺陷。现有技术的具体实施步骤为:借助仪器完成轮胎表面的X光图像采集,然后依据人工视觉和经验对图像进行损伤识别。该类检测仪器的训练数据集多是采用基于X射线下的成像图片,提取诸如杂物、钢丝帘线分布不均、弯曲和交叉等缺陷的特征,并辅助一些图像处理算法减少噪声带来的干扰,提高特征识别的精确度,进而设计开发基于X射线成像的缺陷检测系统。虽然采用X射线的条件下可以实现轮胎磨损定位与识别,但存在下列局限:
1、识别过程需要全程放置于发射X射线功能的仪器下,需要的设备比较多,系统复杂,灵活性较差,对环境、仪器和工人的操作过程要求高;
2、无法适应轮胎内部的损伤识别;而只能针对轮胎表面缺陷,内部缺陷还是需要人工进行检测。
发明内容
本发明提出了一种基于机器视觉和深度学习算法的轮胎内侧缺陷检测仪,目的是解决现有技术中存在的问题。
为了达到上述目的,本发明的技术方案为:
一种基于机器视觉和深度学习算法的轮胎内侧缺陷检测仪,包括:手柄、连接于手柄上端的机身、设于机身前端的自动对焦摄像头、设于机身前端邻近自动对焦摄像头的探照灯、分别设于机身上的嵌入式报警单片机和嵌入式深度学习算法开发板、以及显示屏,所述的机身内部还设有蓄电池,所述的自动对焦摄像头、探照灯、嵌入式报警单片机和嵌入式深度学习算法开发板分别通过导线与蓄电池电路连接,所述的自动对焦摄像头通过导线与嵌入式深度学习算法开发板电路连接,所述的嵌入式深度学习算法开发板通过导线分别与嵌入式报警单片机、及显示屏电路连接,所述的手柄上还设有按压式开关。
优选的,所述的嵌入式深度学习算法开发板设有图像预处理模块、基于卷积神经网络和支持向量机分类优化的改进算法模块、以及缺陷识别及定位模块。
优选的,所述的图像预处理模块包括依次连接的图像滤波子模块、图像增强子模块、图像分割子模块,自动对焦摄像头采集的视频信息经由图像预处理模块进入缺陷识别及定位模块,缺陷识别及定位模块依据基于卷积神经网络和支持向量机分类优化的改进算法模块对缺陷图像进行识别与定位;所述的缺陷识别及定位模块针对轮胎内部的气泡、裂纹、杂质和正常花纹进行识别分类,其中气泡、裂纹、杂质为缺陷;
优选的,所述的图像滤波子模块中,采用35pt×35pt窗口大小对其进行高斯滤波,从原始图片的左上角开始平移滑动,计算每个滤波窗口中所有像素灰度值的高斯加权平均值,并将计算结果赋予窗口的中心像素;
其中,高斯加权平均值的计算式见式(1):
式(1)中:gi,j为窗口中像素的灰度值;Fi,j为中心像素灰度值;G(i,j)由式(2)计算得到;i与j为滤波窗口所在的图片位置:
式(2)中:σ为正态分布的标准偏差。
优选的,所述的图像增强子模块中,采用直方图均衡化算法对图像进行增强。
优选的,所述的基于卷积神经网络和支持向量机分类优化的改进算法模块中,卷积神经网络的网络结构包括1个输入层、3个卷积层、3个池化层及1个全连接层;所述的池化层和全连接层中间插入以防止过拟合的dropout,上述各层均选用Relu激活函数;且各层参数分别从大数据集内随机选择,组合相关参数后放入卷积网络结构,以获得最优的参数模型。
优选的,所述的基于卷积神经网络和支持向量机分类优化的改进算法模块中,在寻得最优参数模型和经过第3个池化层之后,连接支持向量机网络模型,最终输出无缺陷与各缺陷种类对应的置信度,选择置信度的最大值所对应的类别为最终网络识别的输入图像类别。
优选的,所述的缺陷识别及定位模块识别分类的方法为:对采集并预处理后的原图,按照75×75像素的裁剪框对每一区域进行裁剪,并以75×75方框内完全涵盖灰色突变边界为准,按照5个像素点的步长,从左上向右下移动裁剪框,每张原图约获取100~200张样本图片。
优选的,经过缺陷识别与定位后,如果缺陷识别及定位模块判断为无缺陷,将相关视频信息在显示屏显示;如果判断有缺陷,则进一步对图像进行分割识别,并获取缺陷所在区域以及缺陷种类,并向嵌入式报警单片机发出信号,嵌入式报警单片机进行报警,同时,嵌入式深度学习算法开发板将相关缺陷图像在显示屏上显示。
本发明一种基于机器视觉和深度学习算法的轮胎内侧缺陷检测仪的有益效果为:
(1)本发明能够对采集的图像信息自动解读,实现轮胎内侧损伤类别的高效准确识别,并自动提取位置信息、获得缺陷累呗、绘制缺陷范围、提供面积信息等,使得轮胎内侧缺陷探测简单化、自动化、智能化、高效化,降低轮胎损伤检测的时间和人力成本;
(2)本发明设计的图像预处理模块,通过对摄像头采集的图片实施图像滤波、图像增强、图像降噪、图像分割等图像处理方法,尽可能地减少图片背景得噪点干扰,最大限度地突出有用信息,将疑似损伤目标区域从原始图像中识别出来,有效降低识别模型得图片输入数据量,提高算法得识别效率;
(3)本发明克服了人工对轮胎内侧进行缺陷检测的“识别效率低、人力成本高、主观因素多、稳定性差、识别误差大”等缺点,通过研发图像预处理模块、基于卷积神经网络和支持向量机分类优化的改进算法模块、缺陷识别及定位模块,提高轮胎内侧损伤检测的效率和准确率。
附图说明
图1、本发明的结构示意图;
图2、本发明的轮胎缺陷检测流程框图;
图3、采集的原始轮胎内侧图;
图4、经高斯滤波处理与边缘识别后的轮胎内侧效果图;
图5、经直方图均衡化算法增强后的高斯滤波效果图;
图6、轮胎内侧边缘识别后的效果图;
图7、基于卷积神经网络和支持向量机分类优化改进算法的网络结构图;
图8、缺陷显示效果图;
1、手柄;2、机身;3、自动对焦摄像头;4、探照灯;5、嵌入式报警单片机;6、嵌入式深度学习算法开发板;7、显示屏;8、按压式开关;9、图像预处理模块;10、基于卷积神经网络和支持向量机分类优化的改进算法模块;11、缺陷识别及定位模块。
具体实施方式
以下所述,是以阶梯递进的方式对本发明的实施方式详细说明,该说明仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
本发明的描述中,需要说明的是,术语“上”“下”“左”“右”“顶”“底”“内”“外”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、以及特定的方位构造和操作,因此不能理解为对本发明的限制。
一种基于机器视觉和深度学习算法的轮胎内侧缺陷检测仪,如图1所示,包括手柄1、连接于手柄1上端的机身2、设于机身2前端的自动对焦摄像头3、设于机身2前端邻近自动对焦摄像头3的探照灯4、分别设于机身上的嵌入式报警单片机5和嵌入式深度学习算法开发板6、以及显示屏7,所述的机身内部还设有蓄电池,所述的自动对焦摄像头3、探照灯4、嵌入式报警单片机5和嵌入式深度学习算法开发板6分别通过导线与蓄电池电路连接,所述的自动对焦摄像头3通过导线与嵌入式深度学习算法开发板6电路连接,所述的嵌入式深度学习算法开发板6通过导线分别与嵌入式报警单片机5、及显示屏7电路连接,所述的手柄1上还设有按压式开关8;
如图2所示,所述的嵌入式深度学习算法开发板6设有图像预处理模块9、基于卷积神经网络和支持向量机分类优化的改进算法模块10、以及缺陷识别及定位模块11;
如图2所示,所述的图像预处理模块9包括依次连接的图像滤波子模块、图像增强子模块、图像分割子模块,经自动对焦摄像头3采集的视频信息经由图像预处理模块9进入缺陷识别及定位模块11,缺陷识别及定位模块11依据基于卷积神经网络和支持向量机分类优化的改进算法模块10对缺陷图像进行识别与定位;所述的缺陷识别及定位模块11针对轮胎内部的气泡、裂纹、杂质和正常花纹进行识别分类,其中气泡、裂纹、杂质为缺陷;
所述的图像滤波子模块中,采用35pt×35pt窗口大小对其进行高斯滤波,从原始图片的左上角开始平移滑动,计算每一个滤波窗口中所有像素灰度值的高斯加权平均值,并将计算结果赋予窗口的中心像素;
其中高斯加权平均值的计算式见式(1):
式(1)中:gi,j为窗口中像素的灰度值;Fi,j为中心像素灰度值;G(i,j)由式(2)计算得到:i与j为滤波窗口所在的图片位置:
式(2)中:σ为正态分布的标准偏差。
所述的图像增强子模块中,采用直方图均衡化算法对图像进行增强;如图5所示,对轮胎内侧缺陷探测滤波图像进行图像增强的具体方法为:将输入图像的灰度直方图从比较集中的某个灰度区间转变为全部灰度范围内的均匀分布,从而增强图像对比度,提高图像动态范围,使有用信息更加突出;
所述的基于卷积神经网络和支持向量机分类优化的改进算法模块中,卷积神经网络的网络结构包括1个输入层、3个卷积层、3个池化层及1个全连接层;所述的池化层和全连接层中间插入以防止过度拟合的dropout,上述各层均选用Relu激活函数,引入Relu激活函数的目的是为了增加神经网络模型的非线性,给神经元引入非线性因素,使得神经网络可以逼近非线性函数,使得卷积神经网络算法能够应用到其他非线性模型中;各层参数分别从大数据集内随机选择,组合相关参数后放入卷积网络结构内,得到最优参数模型;参数决定了卷积神经网络训练过程对数据的处理并生成的特征图谱,特征图谱在最终分类前采用权重进行连接,好的特征图谱能够准确记录缺陷的信息,并输出准确率更高的分类效果;所述的基于卷积神经网络和支持向量机分类优化的改进算法模块中,由于缺陷信息与原始图像相比属于小感受野,支持向量机算法(SVM)具有针对局部特征更好的敏感性,所以在寻得最优参数模型和经过第3个池化层之后,连接支持向量机网络模型。神经网络最终输出无缺陷与各缺陷种类对应的置信度,置信度为图像对应无缺陷与缺陷种类的特征图谱的图像匹配度,当置信度最高时说明神经网络认为此图像的特征与置信度最高所对应的分类拥有最高的相似度,所以网络最终选择最大置信度值对应的类别为最终网络识别的输入图像类别;
所述的缺陷识别及定位模块识别分类的方法为:通过对采集并预处理后的原图按照75×75像素的裁剪框进行裁剪,以75×75方框内完全涵盖灰色突变边界为准,按照5个像素点作为步长,从左上向右下移动裁剪框,每张原图获取100~200张样本图片;
如图2所示,经过缺陷识别与定位后,如果模块9判断为无缺陷,将相关图像信息经由显示屏7显示;如果判断有缺陷,进一步对图像进行分割识别,并获取缺陷所在区域以及缺陷种类,并向嵌入式报警单片机5发出信号,嵌入式报警单片机5进行报警,报警的同时,缺陷识别及定位模块11将相关缺陷图像信息经由显示屏显示;如图8所示,如果轮胎存在气泡、裂纹、杂质,将这些图片通过计算机视觉处理技术进行绘制边框、同时对应的缺陷种类显示在显示模块,以到达识别与定位的目的,同时,嵌入式报警单片机开始工作,提醒操作人员此轮胎存在缺陷,应该挑选出来。
本发明采用的深度学习算法开发板6又名嵌入式AI(Artificial Intelligence),为了便于携带并降低操作工人的技术难度,本发明优选采用整合了图像处理、深度学习算法运算的高性能嵌入式AI。
如图1、8所示,显示屏通过HDMI线与深度学习算法开发板6相连,其显示信息由相应的计算机视觉程序控制,显示预览如图8所示,所显示的图像信息中,一是显示自动对焦摄像头3对准的轮胎内部位置,方便操作者对轮胎内侧进行全面检查;二是将识别的缺陷种类及位置进行显示,操作者可将此信息进行记录,减少之后对轮胎返工的工作量。
本发明涉及的嵌入式报警单片机5基于Arduino单片机开发,程序组成主要包括;串口接收与发送模块、声光报警控制模块、与此相对应的控制模块。嵌入式报警单片机5通过TTL串口的方式与深度学习算法开发板相连,当深度学习算法开发板识别到轮胎存在缺陷时,通过Python串口程序向单片机串口发送识别信息,接着,嵌入式报警单片机5的报警模块会提示操作者存在缺陷,此轮胎需返修。
本发明具体使用时,仅需要通过按压式开关8打开摄像头,将机身端部对准轮胎内侧,通过自动对焦摄像头3与探照灯4采集到较为清晰的轮胎内侧图像,通过观察显示屏的输出信息以及注意嵌入式报警单片机5的报警信息即可实现内侧存在缺陷的轮胎识别分拣,同时,所有信息实时记录和保存,方便、高效。
Claims (9)
1.一种基于机器视觉和深度学习算法的轮胎内侧缺陷检测仪,其特征为:包括手柄、连接于手柄上端的机身、设于机身前端的自动对焦摄像头、设于机身前端邻近自动对焦摄像头的探照灯、分别设于机身上的嵌入式报警单片机和嵌入式深度学习算法开发板、以及显示屏,所述的机身内部还设有蓄电池,所述的自动对焦摄像头、探照灯、嵌入式报警单片机和嵌入式深度学习算法开发板分别通过导线与蓄电池电路连接,所述的自动对焦摄像头通过导线与嵌入式深度学习算法开发板电路连接,所述的嵌入式深度学习算法开发板通过导线分别与嵌入式报警单片机、及显示屏电路连接,所述的手柄上还设有按压式开关。
2.如权利要求1所述的一种基于机器视觉和深度学习算法的轮胎内侧缺陷检测仪,其特征为:所述的嵌入式深度学习算法开发板设有图像预处理模块、基于卷积神经网络和支持向量机分类优化的改进算法模块、以及缺陷识别及定位模块。
3.如权利要求2所述的一种基于机器视觉和深度学习算法的轮胎内侧缺陷检测仪,其特征为:所述的图像预处理模块包括依次连接的图像滤波子模块、图像增强子模块、图像分割子模块,经自动对焦摄像头采集的视频信息经由图像预处理模块进入缺陷识别及定位模块,缺陷识别及定位模块依据基于卷积神经网络和支持向量机分类优化的改进算法模块对缺陷图像进行识别与定位;所述的缺陷识别及定位模块针对轮胎内部的气泡、裂纹、杂质和正常花纹进行识别分类,其中气泡、裂纹、杂质为缺陷。
5.如权利要求4所述的一种基于机器视觉和深度学习算法的轮胎内侧缺陷检测仪,其特征为:所述的图像增强子模块中,采用直方图均衡化算法对图像进行增强。
6.如权利要求5所述的一种基于机器视觉和深度学习算法的轮胎内侧缺陷检测仪,其特征为:所述的基于卷积神经网络和支持向量机分类优化的改进算法模块中,卷积神经网络的网络结构包括1个输入层、3个卷积层、3个池化层及1个全连接层;所述的池化层和全连接层中间插入以防止过度拟合的dropout,上述各层均选用Relu激活函数;且各层参数分别从大数据集内随机选择,组合相关参数后放入卷积网络结构内,获得最优参数模型。
7.如权利要求6所述的一种基于机器视觉和深度学习算法的轮胎内侧缺陷检测仪,其特征为:所述的基于卷积神经网络和支持向量机分类优化的改进算法模块中,在寻得最优参数模型和经过第3个池化层后,连接支持向量机网络模型,最终输出无缺陷与各缺陷对应的置信度,选择置信度最大值所对应的类别为最终网络识别的输入图像类别。
8.如权利要求7所述的一种基于机器视觉和深度学习算法的轮胎内侧缺陷检测仪,其特征为:所述的缺陷识别及定位模块识别分类的方法为:通过对采集并预处理后的原图按照75×75像素的裁剪框对每一区域进行裁剪,并以75×75方框内完全涵盖灰色突变边界为准,按照5个像素点的步长,从左上向右下移动裁剪框,每张原图获取100~200张样本图片。
9.如权利要求8所述的一种基于机器视觉和深度学习算法的轮胎内侧缺陷检测仪,其特征为:经过缺陷识别与定位后,如果缺陷识别及定位模块判断为无缺陷,将相关图像信息经由显示屏显示;如果判断有缺陷,则进一步对图像进行分割识别,获取缺陷所在区域位置以及缺陷种类,并向嵌入式报警单片机发出信号,嵌入式报警单片机进行报警,同时,嵌入式深度学习算法开发板将相关缺陷图像信息经由显示屏显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110645955.2A CN113390882A (zh) | 2021-06-10 | 2021-06-10 | 一种基于机器视觉和深度学习算法的轮胎内侧缺陷检测仪 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110645955.2A CN113390882A (zh) | 2021-06-10 | 2021-06-10 | 一种基于机器视觉和深度学习算法的轮胎内侧缺陷检测仪 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113390882A true CN113390882A (zh) | 2021-09-14 |
Family
ID=77620088
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110645955.2A Pending CN113390882A (zh) | 2021-06-10 | 2021-06-10 | 一种基于机器视觉和深度学习算法的轮胎内侧缺陷检测仪 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113390882A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114740007A (zh) * | 2022-03-23 | 2022-07-12 | 成都飞机工业(集团)有限责任公司 | 一种非接触式表面缺陷检测装置及使用方法 |
CN116429800A (zh) * | 2023-06-15 | 2023-07-14 | 鹰普罗斯叶轮(宜兴)有限公司 | 一种用于铝合金叶轮的无触式探伤方法及其系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203191327U (zh) * | 2013-04-19 | 2013-09-11 | 杭州电子科技大学 | 一种基于机器视觉的pcb板缺陷自动检测装置 |
JP2017156097A (ja) * | 2016-02-29 | 2017-09-07 | 株式会社ブレイン | 塗装検査装置 |
CN207365918U (zh) * | 2017-10-25 | 2018-05-15 | 东莞市微巨自动化设备有限公司 | 一种手持式线宽检测仪 |
CN108628597A (zh) * | 2018-04-25 | 2018-10-09 | 赵宇 | 一种机器视觉系统开发方法及装置 |
CN111652149A (zh) * | 2020-06-04 | 2020-09-11 | 青岛理工大学 | 基于深度卷积神经网络的沉底油声呐探测图像识别方法 |
-
2021
- 2021-06-10 CN CN202110645955.2A patent/CN113390882A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203191327U (zh) * | 2013-04-19 | 2013-09-11 | 杭州电子科技大学 | 一种基于机器视觉的pcb板缺陷自动检测装置 |
JP2017156097A (ja) * | 2016-02-29 | 2017-09-07 | 株式会社ブレイン | 塗装検査装置 |
CN207365918U (zh) * | 2017-10-25 | 2018-05-15 | 东莞市微巨自动化设备有限公司 | 一种手持式线宽检测仪 |
CN108628597A (zh) * | 2018-04-25 | 2018-10-09 | 赵宇 | 一种机器视觉系统开发方法及装置 |
CN111652149A (zh) * | 2020-06-04 | 2020-09-11 | 青岛理工大学 | 基于深度卷积神经网络的沉底油声呐探测图像识别方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114740007A (zh) * | 2022-03-23 | 2022-07-12 | 成都飞机工业(集团)有限责任公司 | 一种非接触式表面缺陷检测装置及使用方法 |
CN116429800A (zh) * | 2023-06-15 | 2023-07-14 | 鹰普罗斯叶轮(宜兴)有限公司 | 一种用于铝合金叶轮的无触式探伤方法及其系统 |
CN116429800B (zh) * | 2023-06-15 | 2023-09-12 | 鹰普罗斯叶轮(宜兴)有限公司 | 一种用于铝合金叶轮的无触式探伤方法及其系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111612737B (zh) | 一种人造板表面瑕疵检测装置及检测方法 | |
CN111145165A (zh) | 一种基于机器视觉的橡胶密封圈表面缺陷检测方法 | |
CN107895362B (zh) | 一种微型接线端子质量检测的机器视觉方法 | |
CN111507426B (zh) | 基于视觉融合特征的无参考图像质量分级评价方法及装置 | |
CN108982512A (zh) | 一种基于机器视觉的电路板检测系统及其方法 | |
CN113390882A (zh) | 一种基于机器视觉和深度学习算法的轮胎内侧缺陷检测仪 | |
CN111738056B (zh) | 一种基于改进YOLO v3的重卡盲区目标检测方法 | |
CN114549981A (zh) | 一种基于深度学习的智能巡检指针式仪表识别及读数方法 | |
CN111160301A (zh) | 基于机器视觉的隧道病害目标智能识别及提取方法 | |
CN113706490B (zh) | 一种晶片缺陷检测方法 | |
CN114972230A (zh) | 一种生产线上电路板缺陷检测方法及系统 | |
CN112862744B (zh) | 一种基于超声图像的电容内部缺陷智能检测方法 | |
CN112927223A (zh) | 一种基于红外热成像仪的玻璃幕墙检测方法 | |
CN111739003B (zh) | 一种用于外观检测的机器视觉方法 | |
CN116228651A (zh) | 一种布匹缺陷检测方法、系统、设备及介质 | |
CN114820626A (zh) | 一种汽车前脸零件配置智能检测方法 | |
CN117197700B (zh) | 智能化无人巡检接触网缺陷识别系统 | |
CN113533372A (zh) | 一种纸张缺陷检测方法、系统、装置及计算机存储介质 | |
CN113052234A (zh) | 一种基于图像特征和深度学习技术的玉石分类方法 | |
CN115731228B (zh) | 一种镀金芯片缺陷检测系统和方法 | |
Huang et al. | Mango surface defect detection based on HALCON | |
Li et al. | Surface defect detection of seals based on K-means clustering algorithm and particle swarm optimization | |
CN115861220A (zh) | 基于改进的ssd算法的冷轧带钢表面缺陷检测方法和系统 | |
CN115131355A (zh) | 利用电子设备数据检测防水布异常的智能方法 | |
CN212646436U (zh) | 一种人造板表面瑕疵检测装置 |
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: 20210914 |
|
RJ01 | Rejection of invention patent application after publication |