CN115147348B - 基于改进的YOLOv3的轮胎缺陷检测方法及系统 - Google Patents

Abstract

本发明实施例提供一种基于改进的YOLOv3的轮胎缺陷检测方法及系统，属于图像识别技术领域。所述检测方法包括：获取生产线上每个轮胎的X光图像；划分所述X光图像为训练集、验证集；采用所述训练集、验证集训练预设的神经网络模型；采用测试集测试所述神经网络模型的精度；判断所述精度是否满足预设要求；在判断所述精度满足预设要求的情况下，输出并采用所述神经网络模型执行轮胎缺陷检测操作；在判断所述精度不满足所述预设要求的情况下，采用公式(1)至公式(10)更新所述神经网络模型，并再次返回执行采用所述训练集、验证集和测试集预设的神经网络模型的步骤。该检测方法及系统能够准确、高效地检测轮胎缺陷。

Description

基于改进的YOLOv3的轮胎缺陷检测方法及系统

技术领域

本发明涉及图像识别技术领域，具体地涉及一种基于改进的YOLOv3的轮胎缺陷检测方法及系统。

背景技术

目前，乘用车及卡客车轮胎普遍使用子午线轮胎，但子午线轮胎的制作工艺流程复杂，在生产过程中易受到各种生产因素的影响而产生胎圈变形、胎内气泡、胎内异物、接头不良、稀线、以及劈缝等不同类型的缺陷，影响轮胎的寿命和使用，进而危及驾驶人员安全。因此，在轮胎制造过程中必须对轮胎的质量进行在线检测，提高轮胎成品质量。目前国内的大部分工厂普遍采用人工观察轮胎的X光图像进行肉眼识别的方式，存在识别效率低、劳动强度大、人工成本高与识别结果受主观因素影响等问题。因此，一些学者与机构研究了基于计算机视觉技术和统计学的方法，实现轮胎缺陷的无损检测，可以提高检测工作的效率与精度。然而，轮胎图像具有纹理复杂、缺陷多样等特点，传统的图像识别如模板匹配等方法需对每一种缺陷分别设计算法与参数，算法普适性较差。基于传统统计机器学习如支持向量机和人工神经网络等分类方法，由于其浅层结构难以学习到轮胎复杂的纹理特征，且这类方法只能判断缺陷类别，无法识别缺陷位置。

发明内容

本发明实施例的目的是提供一种基于改进的YOLOv3的轮胎缺陷检测方法及系统，该检测方法及系统能够准确、高效地检测轮胎缺陷。

为了实现上述目的，本发明实施例提供一种基于改进的YOLOv3的轮胎缺陷检测方法，所述检测方法包括：

获取生产线上每个轮胎的X光图像；

划分所述X光图像为训练集、验证集；

采用所述训练集、验证集训练预设的神经网络模型；

采用测试集测试所述神经网络模型的精度；

判断所述精度是否满足预设要求；

在判断所述精度满足预设要求的情况下，输出并采用所述神经网络模型执行轮胎缺陷检测操作；

在判断所述精度不满足所述预设要求的情况下，采用公式(1)至公式(10)更新所述神经网络模型，并再次返回执行采用所述训练集、验证集和测试集预设的神经网络模型的步骤，

V_dw＝βV_dw+(1-β)·dW， (1)

V_db＝βV_db+(1-β)·db， (2)

S_dW＝βS_dW+(1-β)dW²， (3)

S_db＝βS_db+(1-β)db²， (4)

其中，V_dw、V_db、S_dW、S_db分别为损失函数迭代前累计的梯度动量，β为梯度累积指数，

和/>

分别为损失函数迭代后累计的梯度动量，α、β₁、β₂、ε为超参数，/>

为第t轮迭代过程中的超参数修正后的指数，W′、W、b′、b为迭代前后的参数值。

可选地，获取生产线上每个轮胎的X光图像包括：

采用公式(11)处理所述X光图像，

其中，yk为所述处理后的第k级灰度的像素输出，H为所述X光图像的高的像素个数，W为所述X光图像的宽的像素个数，m_i为第k级灰度的像素，i为索引序号。

可选地，获取生产线上每个轮胎的X光图像包括：

从所述X光图像的一个直角边将所述X光图像分割成尺寸相同的多个正方形图像，且在所述X光图像被分割后的剩余图像不足以构成的正方形图像的情况下，以所述X光图像剩余的边缘为正方形图像的一边，分割出所述正方形图像。

可选地，所述神经网络模型包括特征提取主干网络、多尺度检测分支、上采样及卷积单元和concat单元；

所述特征提取主干网络包括第一残差卷积层、第二残差卷积层、第三残差卷积层和二维卷积层，其中，所述第一残差卷积层的一端用于输入待识别的图像，所述第二残差卷积层、二维卷积层以及第三残差卷积层一一对应，依次串接于所述第一残差卷积层后，且第三残差卷积层的一端还与对应的第二残差卷积层的另一端连接；

首个所述上采样及卷积单元的一端与最后一个所述第三残差卷积层的另一端连接，所述concat单元与前一级的上采样及卷积单元的另一端连接，其余的所述上采样及卷积单元的一端与前一级的所述concat单元连接，其余的所述上采样及卷积单元的另一端与后一级的所述concat单元的一端连接；

所述多尺度检测分支包括卷积及池化模块、第一矩阵乘法模块、全局平均池化模块、一维卷积模块、映射模块、第二矩阵乘法模块、卷积模块，其中，首个所述多尺度检测分支的卷积及池化模块的一端与最后一个所述第三残差卷积层的另一端连接，首个所述多尺度检测分支的第一矩阵乘法模块的第一端与最后一个所述第三残差卷积层的另一端连接，所述卷积及池化模块的另一端与对应的所述第一矩阵乘法模块的第二端连接，所述第一矩阵乘法模块的第三端与对应的所述全局平均池化模块的一端连接，所述全局平均池化模块的另一端与所述一维卷积模块的一端连接，所述一维卷积模块的另一端与所述映射模块的一端连接，所述映射模块的另一端与所述第二矩阵乘法模块的第一端连接，所述第二矩阵乘法模块的第二端与所述第一矩阵乘法模块的第三端连接，所述第二矩阵乘法模块的第三端与所述卷积模块的一端连接，所述卷积模块的另一端用于输出当前尺度下的预测特征，其余的所述多尺度检测分支的卷积及池化模块的一端和第一矩阵乘法模块的第一端与对应级的concat单元连接。

可选地，所述多尺度检测分支的数量为三个，所述concat单元和上采样及卷积单元的数量为两个。

可选地，所述第二残差卷积层、第三残差卷积层和二维卷积层构成组合的数量为5组，且第一组的所述第二卷积层和第三残差卷积层的数量为一个，第二组的所述第二卷积层和第三残差卷积层的数量为两个，第三组的所述第二卷积层和第三残差卷积层的数量为8个，第四组的所述第二卷积层和第三残差卷积层的数量为8个，第五组的所述第二卷积层和第三残差卷积层的数量为4个。

可选地，所述检测方法还包括：

在判断所述精度不满足所述预设要求的情况下，根据公式(12)计算验证集损失值，

其中，J(θ)为所述验证集损失值，θ为所述神经网络模型的参数集，K为所述神经网络模型的网格的边长，

分别为所述神经网络模型的真实框的高和宽，x_i，y_i分别为真实框的坐标，/>

分别为候选框的坐标，λ₁、λ₂为权重系数，/>

为用于指示所述神经网络模型的候选框内是否有物体的指示变量，/>

为候选框的高和宽，/>

为候选框的置信度，C_i为用于指示所述神经网络模型的决定框内是否有物体的指示变量，

为标记为第c类的预测值，class为轮胎缺陷的类别数，i、j、c为索引序号，p_i(c)为标记为第c类的真实值，α为正则化惩罚系数，N为所述候选框的数量。

可选地，所述检测方法还包括：

在判断所述精度不满足所述预设要求的情况下，判断当前计算出的验证集损失值是否小于历史迭代过程中的最小的验证集损失值；

在判断当前计算出的验证集损失值小于最小的验证集损失值的情况下，保存当前的所述神经网络模型，并采用公式(1)至公式(10)更新所述神经网络模型。

可选地，所述检测方法还包括：

在判断当前计算出的验证集损失值大于或等于所述验证集最小验证集损失值的情况下，确定当前计算出的验证集损失值大于或等于所述验证集最小验证集损失值的连续次数；

判断所述连续次数是否大于或等于预设的次数阈值；

在判断所述连续次数大于或等于所述次数阈值的情况下，输出验证集最小验证集损失值对应的所述神经网络模型。

另一方面，本发明还提供一种基于改进的特征提取主干网络的轮胎缺陷检测系统，所述检测系统包括处理器，所述处理器被配置成执行如上述任一所述的检测方法。

通过上述技术方案，本发明提供的一种基于改进的YOLOv3的轮胎缺陷检测方法及系统通过对生产线上的X光图像进行预处理，再结合预设的神经网络模型的训练，并在训练的过程中通过损失函数的计算，实现较少次数的迭代。相较于现有技术而言，该方法一方面通过对神经网络模型的改进，实现了X光图像的精准识别；另一方面，该方法还通过对损失函数的计算，提高了神经网络的训练效率。

本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：

图1是根据本发明的一个实施方式的一种基于改进的YOLOv3的轮胎缺陷检测方法的流程图；

图2是根据本发明的一个实施方式的X光图像划分为正方形的划分步骤示意图；

图3是根据本发明的一个实施方式的神经网络模型的结构框图；

图4是根据本发明的一个实施方式的一种基于改进的YOLOv3的轮胎缺陷检测方法的部分流程图；

图5根据本发明的一个实施方式的实验数据的示例图。

具体实施方式

以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。

图1是根据本发明的一个实施方式的一种基于改进的YOLOv3的轮胎缺陷检测方法的流程图。在该图1中，该方法可以包括：

在步骤S10中，获取生产线上每个轮胎的X光图像；

在步骤S11中，划分X光图像为训练集、验证集；

在步骤S12中，采用训练集、验证集训练预设的神经网络模型；

在步骤S13中，采用测试集测试神经网络模型的精度；

在步骤S14中，判断精度是否满足预设要求；

在步骤S15中，在判断精度满足预设要求的情况下，输出并采用神经网络模型执行轮胎缺陷检测操作；

在步骤S16中，在判断精度不满足预设要求的情况下，采用公式(1)至公式(10)更新神经网络模型，并再次返回执行采用训练集、验证集和测试集预设的神经网络模型的步骤，

V_dw＝βV_dw+(1-β)·dW， (1)

V_db＝βV_db+(1-β)·db， (2)

S_dW＝βS_dW+(1-β)dW²， (3)

S_db＝βS_db+(1-β)db²， (4)

其中，V_dw、V_db、S_dW、S_db分别为损失函数迭代前累计的梯度动量，β为梯度累积指数，

和/>

分别为损失函数迭代后累计的梯度动量，α、β₁、β₂、ε为超参数，/>

为第t轮迭代过程中的超参数修正后的指数，W′、W、b′、b为迭代前后的参数值，在本发明的一个优选示例中，β₁的值可以为0.9，β₂的值可以为0.999。

在该如图1所示出的方法中，步骤S10可以用于获取生产线上每个轮胎的X光图像。其中，考虑到X光图像本身存在灰度层级过多的问题，在神经网络训练的过程中，灰度层级过多会导致神经网络的训练迭代次数提高，因此可以采用同时(1)对该X光图像进行识别，

其中，y_k为处理后的第k级灰度的像素输出，H为X光图像的高的像素个数，W为X光图像的宽的像素个数，m_i为第k级灰度的像素，i为索引序号。

另外，由于神经网络本身对于输入图像的要求，需要将输入的图像转换为正方形图像。因此，在该步骤S10中，可以从X光图像的一个直角边将X光图像分割成尺寸相同的多个正方形图像，且在X光图像被分割后的剩余图像不足以构成的正方形图像的情况下，以X光图像剩余的边缘为正方形图像的一边，分割出正方形图像。举例来说，如图2所示，当初始的图像在划分出正方形a、b、c后，剩余的部分已经无法再划分出完整的正方形，此时可以以剩余的边缘重新划分，从而得到重叠部分当前已划分区域的正方形d，从而得到划分出的正方形a、b、c、d。

步骤S11可以将包含多个X光图像的数据集划分为训练集、验证集和测试集。对于该训练集、验证集和测试集之间的比例，则可以是本领域人员所知的多种比例，例如3:1:1、7:2:1等。

步骤S12可以用于采用训练集合验证集训练预设的神经网络模型。至于训练过程的具体方法，则可以是本领域人员所知的多种形式。对于该神经网络模型的具体结构，虽然也可以是本领域人员所知的多种形式。但是，在本发明的一个优选示例中，该神经网络模型的结构可以是如图3所示。在该图3中，该神经网络模型可以包括特征提取主干网络10、多尺度检测分支20、上采样及卷积单元30和concat单元31。其中，特征提取主干网络可以包括第一残差卷积层11、第二残差卷积层12、第三残差卷积层13以及二维卷积层14。其中，第一残差卷积层11的一端可以用于输入待识别的图像，第二残差卷积层12、二维卷积层14以及第三残差卷积层13一一对应，依次串接于第一残差卷积层11后，且第三残差卷积层13的一端还与对应的第二残差卷积层12的另一端连接。更具体地，第一残差卷积层11的尺寸可以是32*416*416。在第一组由第二残差卷积层12、第三残差卷积层13和二维卷积层14构成的组合中，第二残差卷积层12的尺寸可以是64*208*208，第三残差卷积层13的尺寸可以是64*208*208。在第二个由第二残差卷积层12、第三残差卷积层13和二维卷积层14构成的组合中，二维卷积层14和第三残差卷积层12的数量可以是2个，第二残差卷积层12的尺寸可以是128*108*108，第三残差卷积层13的尺寸可以是128*108*108。在第三个由第二残差卷积层12、第三残差卷积层13和二维卷积层14构成的组合中，二维卷积层14和第三残差卷积层12的数量可以是8个，第二残差卷积层12的尺寸可以是256*52*52，第三残差卷积层13的尺寸可以是256*52*52。在第四个由第二残差卷积层12、第三残差卷积层13和二维卷积层14构成的组合中，二维卷积层14和第三残差卷积层12的数量可以是8个，第二残差卷积层12的尺寸可以是512*26*26，第三残差卷积层13的尺寸可以是512*26*26。在第五个由第二残差卷积层12、第三残差卷积层13和二维卷积层14构成的组合中，二维卷积层14和第三残差卷积层12的数量可以是4个，第二残差卷积层12的尺寸可以是1024*13*13，第三残差卷积层13的尺寸可以是1024*13*13。在该如图3所示出的神经网络模型中，第一残差卷积层11、第二残差卷积层12、第三残差卷积层13以及二维卷积层14均是用于执行卷积操作，但每个卷积操作的尺度不同。此外，

上采样及卷积单元30可以用于执行上采样及卷积操作，concat单元31可以用于将输入的两个向量作为低层特征和高层特征执行concat操作。首个上采样及卷积单元30的一端可以与最后一个第三残差卷积层13的另一端连接，concat单元31可以与前一级的上采样及卷积单元30的另一端连接，其余的上采样及卷积单元30的一端可以与前一级的concat单元31连接，其余的上采样及卷积单元30的另一端可以与后一级的concat单元31的一端连接。

多尺度检测分支20可以包括卷积及池化模块23、第一矩阵乘法模块21、全局平均池化模块22、一维卷积模块24、映射模块25、第二矩阵乘法模块26、卷积模块27。其中，其中，卷积及池化模块23可以用于执行卷积及池化操作，全局平局池化模块22可以用于执行全局平均池化操作，一维卷积模块24、卷积模块27可以用于执行卷积操作，映射模块25可以用于执行激活操作(sigmoid函数)，第一矩阵乘法模块21、第二矩阵乘法模块26可以用于执行乘法操作。首个多尺度检测分支20的卷积及池化模块23的一端可以与最后一个第三残差卷积层13的另一端连接，首个多尺度检测分支20的第一矩阵乘法模块21的第一端可以与最后一个第三残差卷积层13的另一端连接，卷积及池化模块23的另一端可以与对应的第一矩阵乘法模块21的第二端连接，第一矩阵乘法模块21的第三端可以与对应的全局平均池化模块22的一端连接，全局平均池化模块22的另一端可以与一维卷积模块24的一端连接，该一维卷积模块24的另一端可以与映射模块25的一端连接，该映射模块25的另一端可以与第二矩阵乘法模块26的第一端连接，该第二矩阵乘法模块26的第二端可以与第一矩阵乘法模块21的第三端连接，第二矩阵乘法模块26的第三端可以与卷积模块27的一端连接，卷积模块27的另一端可以用于输出当前尺度下的预测特征，其余的多尺度检测分支的卷积及池化模块23的一端和第一矩阵乘法模块21的第一端与对应级的concat单元31连接。

对于该多尺度检测分支20的数量，虽然可以是本领域人员所知的多个数值。但是在本发明的一个优选示例中，该多尺度检测分支20的数量可以是三个，且对应的concat单元31和上采样及卷积单元30的数量为两个。

步骤S14可以用于判断当前神经网络模型是否满足预设要求。具体地，可以是通过测试集的测试确定当前神经网络模型的预测精度，并在预测精度大于预设值的情况下，确定该神经网络模型满足预设要求。反之，在判断精度不满足预设要求的情况下，为了避免神经网络模型反复训练仍无法达到精度要求，该检测方法还可以包括如图4所示出的步骤。在该图4中，该检测方法可以包括：

在步骤S20中，根据公式(12)计算验证集损失值，

其中，J(θ)为验证集损失值，θ为神经网络模型的参数集，K为神经网络模型的网格的边长，

分别为神经网络模型的真实框的高和宽，x_i，y_i分别为真实框的坐标，/>

分别为候选框的坐标，λ₁、λ₂为权重系数，/>

为用于指示神经网络模型的候选框内是否有物体的指示变量，/>

为候选框的高和宽，/>

为候选框的置信度，C_i为用于指示神经网络模型的决定框内是否有物体的指示变量，/>

为标记为第c类的预测值，class为轮胎缺陷的类别数，i、j、c为索引序号，p_i(c)为标记为第c类的真实值，α为正则化惩罚系数，N为候选框的数量；

在步骤S21中，判断当前计算出的验证集损失值是否小于历史迭代过程中的最小的验证集损失值；

在步骤S22中，在判断当前计算出的验证集损失值小于最小的验证集损失值的情况下，保存当前的神经网络模型，并采用公式(1)至公式(10)更新神经网络模型。

在步骤S23中，在判断当前计算出的验证集损失值大于或等于验证集最小验证集损失值的情况下，确定当前计算出的验证集损失值大于或等于验证集最小验证集损失值的连续次数；

在步骤S24中，判断连续次数是否大于或等于预设的次数阈值；

在步骤S25中，在判断连续次数大于或等于次数阈值的情况下，输出验证集最小验证集损失值对应的神经网络模型；

在步骤S26中，在判断连续次数小于次数阈值的情况下，采用公式(1)至公式(10)更新神经网络模型。

在步骤S14判断该神经网络模型的精度满足预设要求的情况下，此时可以输出并采用该神经网络模型执行轮胎检测操作。由于本发明所采用的神经网络模型为图3中所示出的结构，该结构为通过YOLOv3模型进行改进的端到端的轮胎缺陷检测模型，该模型由于结合多尺度检测分支，增强了模型对轮胎缺陷目标的捕捉能力，使其能够聚焦于关键区域，克服轮胎的纹理复杂、缺陷变化大等特点，同时有效地融合网络中浅层和深层的特征，使模型更关注重要的特征。如图5即为实验中该模型识别出的部分缺陷。

另一方面，本发明还提供一种基于改进的特征提取主干网络的轮胎缺陷检测系统，所述检测系统包括处理器，所述处理器被配置成执行如上述任一所述的检测方法。

通过上述技术方案，本发明提供的一种基于改进的YOLOv3的轮胎缺陷检测方法及系统通过对生产线上的X光图像进行预处理，再结合预设的神经网络模型的训练，并在训练的过程中通过损失函数的计算，实现较少次数的迭代。相较于现有技术而言，该方法一方面通过对神经网络模型的改进，实现了X光图像的精准识别；另一方面，该方法还通过对损失函数的计算，提高了神经网络的训练效率。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器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(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器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(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(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(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁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暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (9)

1.一种基于改进的YOLOv3的轮胎缺陷检测方法，其特征在于，所述检测方法包括：

获取生产线上每个轮胎的X光图像；

划分所述X光图像为训练集、验证集；

采用所述训练集、验证集训练预设的神经网络模型；

采用测试集测试所述神经网络模型的精度；

判断所述精度是否满足预设要求；

在判断所述精度满足预设要求的情况下，输出并采用所述神经网络模型执行轮胎缺陷检测操作；

在判断所述精度不满足所述预设要求的情况下，采用公式(1)至公式(10)更新所述神经网络模型，并再次返回执行采用所述训练集、验证集和测试集预设的神经网络模型的步骤，

V_dw＝βV_dw+(1-β)·dW， (1)

V_db＝βV_db+(1-β)·db， (2)

S_dW＝βS_dW+(1-β)dW²， (3)

S_db＝βS_db+(1-β)db²， (4)

其中，V_dw、V_db、S_dW、S_db分别为损失函数迭代前累计的梯度动量，β为梯度累积指数，

和/>

分别为损失函数迭代后累计的梯度动量，α、β₁、β₂、ε为超参数，/>

为第t轮迭代过程中的超参数修正后的指数，W′、W、b′、b为迭代前后的参数值；

所述神经网络模型包括特征提取主干网络、多尺度检测分支、上采样及卷积单元和concat单元；

所述特征提取主干网络包括第一残差卷积层、第二残差卷积层、第三残差卷积层和二维卷积层，其中，所述第一残差卷积层的一端用于输入待识别的图像，所述第二残差卷积层、二维卷积层以及第三残差卷积层一一对应，依次串接于所述第一残差卷积层后，且第三残差卷积层的一端还与对应的第二残差卷积层的另一端连接；

首个所述上采样及卷积单元的一端与最后一个所述第三残差卷积层的另一端连接，所述concat单元与前一级的上采样及卷积单元的另一端连接，其余的所述上采样及卷积单元的一端与前一级的所述concat单元连接，其余的所述上采样及卷积单元的另一端与后一级的所述concat单元的一端连接；

所述多尺度检测分支包括卷积及池化模块、第一矩阵乘法模块、全局平均池化模块、一维卷积模块、映射模块、第二矩阵乘法模块、卷积模块，其中，首个所述多尺度检测分支的卷积及池化模块的一端与最后一个所述第三残差卷积层的另一端连接，首个所述多尺度检测分支的第一矩阵乘法模块的第一端与最后一个所述第三残差卷积层的另一端连接，所述卷积及池化模块的另一端与对应的所述第一矩阵乘法模块的第二端连接，所述第一矩阵乘法模块的第三端与对应的所述全局平均池化模块的一端连接，所述全局平均池化模块的另一端与所述一维卷积模块的一端连接，所述一维卷积模块的另一端与所述映射模块的一端连接，所述映射模块的另一端与所述第二矩阵乘法模块的第一端连接，所述第二矩阵乘法模块的第二端与所述第一矩阵乘法模块的第三端连接，所述第二矩阵乘法模块的第三端与所述卷积模块的一端连接，所述卷积模块的另一端用于输出当前尺度下的预测特征，其余的所述多尺度检测分支的卷积及池化模块的一端和第一矩阵乘法模块的第一端与对应级的concat单元连接。

2.根据权利要求1所述的检测方法，其特征在于，获取生产线上每个轮胎的X光图像包括：

采用公式(11)处理所述X光图像，

其中，y_k为处理后的第k级灰度的像素输出，H为所述X光图像的高的像素个数，W为所述X光图像的宽的像素个数，m_i为第k级灰度的像素，i为索引序号。

3.根据权利要求1所述的检测方法，其特征在于，获取生产线上每个轮胎的X光图像包括：

从所述X光图像的一个直角边将所述X光图像分割成尺寸相同的多个正方形图像，且在所述X光图像被分割后的剩余图像不足以构成的正方形图像的情况下，以所述X光图像剩余的边缘为正方形图像的一边，分割出所述正方形图像。

4.根据权利要求1所述的检测方法，其特征在于，所述多尺度检测分支的数量为三个，所述concat单元和上采样及卷积单元的数量为两个。

5.根据权利要求1所述的检测方法，其特征在于，所述第二残差卷积层、第三残差卷积层和二维卷积层构成组合的数量为5组，且第一组的所述二维卷积层和第三残差卷积层的数量为一个，第二组的所述二维卷积层和第三残差卷积层的数量为两个，第三组的所述二维卷积层和第三残差卷积层的数量为8个，第四组的所述二维卷积层和第三残差卷积层的数量为8个，第五组的所述二维卷积层和第三残差卷积层的数量为4个。

6.根据权利要求1所述的检测方法，其特征在于，所述检测方法还包括：

在判断所述精度不满足所述预设要求的情况下，根据公式(12)计算验证集损失值，

其中，J(θ)为所述验证集损失值，θ为所述神经网络模型的参数集，K为所述神经网络模型的网格的边长，h_i、w_i分别为所述神经网络模型的真实框的高和宽，x_i，y_i分别为真实框的坐标，

分别为候选框的坐标，λ₁、λ₂为权重系数，/>

为用于指示所述神经网络模型的候选框内是否有物体的指示变量，/>

为候选框的高和宽，/>

为候选框的置信度，C_i为用于指示所述神经网络模型的决定框内是否有物体的指示变量，/>

为标记为第c类的预测值，class为轮胎缺陷的类别数，i、j、c为索引序号，p_i(c)为标记为第c类的真实值，α为正则化惩罚系数，N为所述候选框的数量。

7.根据权利要求4所述的检测方法，其特征在于，所述检测方法还包括：

在判断所述精度不满足所述预设要求的情况下，判断当前计算出的验证集损失值是否小于历史迭代过程中的最小的验证集损失值；

在判断当前计算出的验证集损失值小于最小的验证集损失值的情况下，保存当前的所述神经网络模型，并采用公式(1)至公式(10)更新所述神经网络模型。

8.根据权利要求5所述的检测方法，其特征在于，所述检测方法还包括：

在判断当前计算出的验证集损失值大于或等于所述验证集最小验证集损失值的情况下，确定当前计算出的验证集损失值大于或等于所述验证集最小验证集损失值的连续次数；

判断所述连续次数是否大于或等于预设的次数阈值；

在判断所述连续次数大于或等于所述次数阈值的情况下，输出验证集最小验证集损失值对应的所述神经网络模型。

9.一种基于改进的特征提取主干网络的轮胎缺陷检测系统，其特征在于，所述检测系统包括处理器，所述处理器被配置成执行如权利要求1至8任一所述的检测方法。

Images