一种基于改进残差网络的轮胎激光散斑缺陷识别方法技术

本发明专利技术公开了一种基于改进残差网络的轮胎激光散斑缺陷识别方法，该方法基于改进的Resnet50模型，利用其结构简单，恒等映射增加基本不降低网络的特点，实现了计算机来代替人眼判别当前轮胎激光散斑图像是否有缺陷并将其通过分类器实现二分类。本发明专利技术的方法可避免因为人的因素造成的轮胎检测效率低，提高缺陷的查准率。从而大大提高轮胎的安全性，而且能减轻质检人员的工作压力。减轻质检人员的工作压力。减轻质检人员的工作压力。

【技术实现步骤摘要】
一种基于改进残差网络的轮胎激光散斑缺陷识别方法


[0001]本专利技术属于计算机视觉和工业检测
，涉及一种基于改进残差网络的轮胎激光散斑缺陷识别方法，是一种基于深度学习的缺陷识别方法，使计算机可以代替人工识别轮胎激光散斑图像中的缺陷。

技术介绍

[0002]轮胎激光散斑检测仪属于轮胎制造过程的最后一个质量监控阶段，现在各大生产商一般都是采取三班轮换制来控制这个阶段的质量。具体的流程是，轮胎送到轮胎激光散斑检测通道，轮胎激光散斑检测仪给轮胎拍摄轮胎激光散斑图像，质量监测人员在显示器前就看到轮胎激光散斑图像，然后质检人员就会根据轮胎激光散斑图像判断是否有缺陷，如果有缺陷则当前这条轮胎会送入到专门的通道进行处理，否则轮胎进入下一个流程。目前国内轮胎生产商的质检方式主要存在以下问题：首先，效率比较低下，一个轮胎激光散斑图像一般都比较大，熟练的质检人员要完全判别一个轮胎是否有病疵都需要消耗数十秒的时间；其次，判别准确度不高，误判、漏判多，长期看显示屏屏幕人容易疲劳，在这种情况下，有可能出现将有缺陷的图像判别为正常，造成漏判或者造成误判。误判和漏判这两种情况中最关键的是要解决漏判问题，这也是工业界最关心的一个问题，缺陷类别判断错了，由于没有卖给商家，所以不会造成安全问题，但是漏判了，一旦到了商家手里就可能有安全隐患；最后长期进行人工判别，对质检人员健康损伤较大。长期对着显示屏会对眼睛造成伤害，导致质检人员出现头晕目眩的情况。
[0003]根据近三年的统计，人员检测X光图片的漏判率大约为2 .3％，所谓的漏判率即将有缺陷的图片判别为正常。近几年，由于深度学习的崛起得到飞速发展，提出了很多基于卷积神经网络的分类算法。但是在轮胎激光散斑识别方面识别缺陷的精度不太高。

技术实现思路

[0004]专利技术目的：针对现有质检方式存在的上述问题，本专利技术提供了一种基于改进残差网络的轮胎激光散斑缺陷识别方法，用改进的Resnet
‑
50模型解决了缺陷识别精度不高，漏判率仍不低的问题。实现了计算机代替人眼判别当前轮胎激光散斑图像是否是缺陷图像。
[0005]技术方案：一种基于改进残差网络的轮胎激光散斑缺陷识别方法，步骤如下：（1）、获取待检测的轮胎激光散斑图像；（2）、将待检测的轮胎激光散斑图像转化为可输入模型的格式和大小作为样本；并通过图像增强技术再对样本进行扩增处理；（3）构建基于改进的Resnet
‑
50模型，并训练模型；（4）、将步骤（2）中转化之后的待检测的轮胎激光散斑图像输入基于改进的Resnet
‑
50模型，判别输出当前轮胎激光散斑图像是否有缺陷。
[0006]进一步地，步骤（2）中的将待检测的轮胎激光散斑图片转化为可输入模型的格式
和大小：224*224像素。
[0007]进一步地，步骤（2）中所述的图像增强技术增加其样本量如下：将已经转化为可输入模型的格式和大小的待检测的轮胎激光散斑图片经过翻转变换、随机修剪、色彩抖动、平移转换、尺度变换、对比度变换、噪声扰动、旋转处理。
[0008]进一步地，步骤（3）中的基于改进Resnet
‑
50模型构建方式如下：（3.1）、构建基于改进Resnet
‑
50模型，将大小为224
×
224
×
3的输入图像经过 7
×
7 卷积层以及池化层后变为56
×
56
×
64 大小的特征向量，然后经过 3 个block1 残差模块后，转化为56
×
56
×
256 大小；再经过4个 block2 残差模块，转化为28
×
28
×
512 大小；再通过6个block3 残差模块，转化为14
×
14
×
1024 大小；再通过3 个block4 残差模块，转化为 7
×7×
2048 大小；最后通过平均池化以及全连接层将特征图像拉伸为2048个神经元后利用Softmax分类输出，将图片分为正常和缺陷两种类别；（3.3）、训练模型，先使用在ImageNet大规模数据集上对ResNet
‑
50网络进行训练得到的权重，来提取ImageNet大规模数据集上图像的初步特征；再使用迁移学习，迁移Resnet
‑
50在ImageNet大规模数据集上预训练出的Resnet
‑
50权重来训练出本网络的权重；以便运用训练出的权重去预测轮胎激光散斑图像是否是缺陷图像。
[0009]进一步地，步骤（3.2）中采用LeakyRelu激活函数代替Resnet
‑
50中Relu激活函数。
[0010]进一步地，步骤（3.2）中block1 残差模块、block2残差模块、block3残差模块和block4残差模块的排列顺序为批标准化+激活函数+卷积层。
[0011]本专利技术的有益技术效果在于：基于改进残差网络的轮胎激光散斑缺陷识别方法，将经过图像预处理和图像增强的图像通过改进的Resnet
‑
50网络可迅速而且准确地检查出轮胎是否有气泡缺陷，可避免因为人的因素造成的效率低下，一定程度地解决误判问题，从而大大提高轮胎的安全性，并且能减轻质检人员的压力。
附图说明
[0012]图1为基于改进残差网络的轮胎激光散斑缺陷识别方法路程图；图2为改进参差块结构图；图3为轮胎激光散斑气泡缺陷图和正常图。
具体实施方式
[0013]为了更为具体地描述本专利技术，下面结合附图及具体实施例子对本专利技术进行详细说明。
[0014]本实例旨在按本专利技术实现对轮胎激光散斑图像的缺陷识别。该方法流程包括图像预处理、推图像增强、改进Resnet
‑
50模型训练、将待测图片输入模型、得出结果等步骤，如图1所示，具体实现过程如下：（1）将轮胎经过轮胎激光散斑检测仪得到原始的轮胎激光散斑图片。
[0015]（2）图像预处理。经过轮胎激光散斑检测仪一条轮胎可以分为16张1360*1024大小的原始图片，将原始图片转化为可输入模型的格式和格式大小为：224*224，记录缺陷和正常的xml文件。将预处理过的图片经过翻转变换、随机修剪、色彩抖动、平移转换、尺度变换、
对比度变换、噪声扰动、旋转等处理。增加其样本量，使其样本特征增多，有效解决过拟合的问题。
[0016]本专利技术中翻转变换为对图片（0
°‑
360
°
）内随意翻转；随机修剪为使用一个大于（36*36）的窗口对图片进行随机裁剪；色彩抖动是通过随机调整图片的饱和度，亮度，对比度来对产生新的图片；平移转换为横向平移；尺度变换为以最近插值和双线性插值方法进行尺度变换；对比度变换为以直方图均衡化实现对比度变换；噪声扰动以高斯噪声进行处理，以偏移量为0.2，标准差为0.3进行处理；旋转处理为顺时针本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进残差网络的轮胎激光散斑缺陷识别方法，其特征在于：步骤如下：（1）、获取待检测的轮胎激光散斑图像；（2）、将待检测的轮胎激光散斑图像转化为可输入模型的格式和大小作为样本；并通过图像增强技术再对样本进行扩增处理；（3）构建基于改进的Resnet
‑
50模型，并训练模型；（4）、将步骤（2）中转化之后的待检测的轮胎激光散斑图像输入基于改进的Resnet
‑
50模型，判别输出当前轮胎激光散斑图像是否有缺陷。2.根据权利要求1所述的一种基于改进残差网络的轮胎激光散斑缺陷识别方法，其特征在于：步骤（2）中的将待检测的轮胎激光散斑图片转化为可输入模型的格式和大小：224*224像素。3.根据权利要求1所述的一种基于改进残差网络的轮胎激光散斑缺陷识别方法，其特征在于：步骤（2）中所述的图像增强技术增加其样本量如下：将已经转化为可输入模型的格式和大小的待检测的轮胎激光散斑图片经过翻转变换、随机修剪、色彩抖动、平移转换、尺度变换、对比度变换、噪声扰动、旋转处理。4.根据权利要求1所述的一种基于改进残差网络的轮胎激光散斑缺陷识别方法，其特征在于：步骤（3）中的基于改进Resnet
‑
50模型构建方式如下：（3.1）、构建基于改进Resnet
‑
50模型，将大小为224
×
224
×
3的输入图像经过 7
×
7 卷积层以及池化层后变为56
×
56
×
64 大小的特征向量，然后经过 3 个blo...

【专利技术属性】
技术研发人员：刘韵婷，葛忠文，郭辉，
申请(专利权)人：沈阳理工大学，
类型：发明
国别省市：