[发明专利]轮胎X射线图像杂质缺陷检测方法

说明书

本发明涉及轮胎X射线图像杂质缺陷检测方法，其包括以下步骤S1:建立包含杂质缺陷的图像数据集；S2:使用旋转、镜像和亮度变换对数据集进行了增强；S3:搭建改进的YOLOv4‑tiny网络；S4:设置超参数和网络参数进行训练；S5:输入待检测图像进行缺陷检测；本发明实现了端到端的轮胎杂质缺陷定位，能够满足轮胎缺陷实时检测的需求，极大提高了生产效率。

技术领域

本发明涉及轮胎X射线图像杂质缺陷检测方法，具体而言涉及一种基于改进YOLOv4-tiny的轮胎X射线图像杂质缺陷检测方法。

背景技术

近年来，随着生活水平的提高，我国汽车保有量逐年增加，预计2021年将超越美国成为世界上汽车保有量最大的国家。汽车作为人们出行必备的交通工具，在人们生活中扮演着不可或缺的作用。

轮胎作为汽车的主要部件，也是汽车唯一与地面接触的部件，承担着缓解冲击，承载汽车重量的作用。轮胎质量关系着驾驶员的安全。目前国内各轮胎制造厂主要依靠进口国外的X光机辅助人工对轮胎进行质量评估，受国外技术的封锁，国内相应的轮胎缺陷自动检测算法还不完善，少数企业仍然以人工裸眼检测为主，人工肉眼检测效率较低，受人为主观性影响较大。由于轮胎多纹理各向异性的复杂背景，缺陷的形态各异，缺陷在纹理背景中占比不到1％，这些都为缺陷的检测提出了挑战。

现有的轮胎缺陷算法以传统的缺陷检测算法为主，主要分为基于统计的算法、基于频域的算法和基于模型的算法，这些算法的参数设置依赖于人为实验探索，参数的变化对实验的结果影响很大，同时算法难以实现对缺陷和背景对比度较低缺陷的检测，如位于胎面的杂质缺陷的检测，对于整张轮胎X射线图像的检测效率较低，这些都无法满足工业实时的检测要求。

随着深度学习的发展，基于深度学习的方法逐渐被运用到了诸多领域，例如医学病变区域的检测、智能驾驶道路场景分析和遥感图像的分割等，但是在轮胎缺陷检测领域基于深度学习的方法运用不多，由于深度学习方法强大的特征提取和参数自优化能力，深度学习的方法在上述领域取得了巨大的成功，也为轮胎缺陷的检测提供了参照。为提高检测精度，满足轮胎实时检测的需求，本发明提出了一种基于改进的YOLOv4-tiny算法应用于对轮胎杂质缺陷的检测。

YOLOv4的主要目的在于设计一个能够应用于实际工作环境中的快速目标检测系统，且能够被并行优化，并没有很刻意的去追求理论上的低计算量(BFLOP)。

发明内容

根据上述提出的轮胎缺陷检测领域的缺陷检测算法不完善、检测实时性差、检测精度不高，不少企业还依赖人工裸眼检测的现象，本发明提出基于改进的YOLOv4-tiny网络框架，提出了一种自动的轮胎杂质缺陷检测方法，其思想是为适应小目标轮胎杂质缺陷的检测，通过K-means聚类算法探索了轮胎缺陷的锚框尺寸，在CSPdarknet53_tiny主干特征提取网络间嵌入通道注意力机制(CAM)，增大有用特征的权值以提高检测精度，所提的方法在保证检测效率的同时，检测精度得以提升，能够满足轮胎杂质缺陷实时自动化的检测。

本发明所要解决的技术问题总的来说是提供一种轮胎X射线图像杂质缺陷检测方法。

为解决上述问题，本发明所采取的技术方案是：

提高一套基于改进YOLOv4-tiny的轮胎X射线图像杂质缺陷检测方法，包括以下步骤：

S1，对X光机采集的2469*11400的X射线轮胎图像截取416*416的包含杂质图像建立数据集；

S11，首先，在X光机上360°扫描轮胎内部一圈；然后，通过计算机采集到的2469*11400大小的轮胎X射线图像；其次，从采集的轮胎X射线图像中选取包含杂质缺陷的X射线图像；再次，从包含杂质缺陷的X射线图像中截取416*416大小且包含杂质小图，数量为387张，作为数据集图片，并文件夹命名为JPEG Images；