轮胎缺陷视觉检测方法探析

随着自动化技术的发展,基于视觉的轮胎缺陷检测方法也越来越成熟,成功取代了人工缺陷检测。胎里气泡、轮胎裂纹、外缘尺寸偏差和胎面花纹沟槽深度偏差是四种常见的轮胎缺陷。由于各种缺陷特征不同,使现有的视觉轮胎缺陷检测方法并不完全适用于上述四种缺陷。针对以上问题,本文总结了二维视觉检测手段和三维点云检测手段对每种缺陷的应用,进而得知轮胎缺陷检测的具体情况,并探析了各种算法的优劣性。同时,在总结现有轮胎缺陷视觉检测方法的基础上,本文提出结合二维数据和三维数据的优势实现融合检测,为更准确高效的轮胎缺陷检测方法指出了发展方向。

基于卷积神经网络的轮胎缺陷X光图像分类

轮胎缺陷的类型直接决定着轮胎是否为残次品或废品,对于轮胎定级具有重要参考价值,探索高性能的轮胎缺陷分类方法至关重要。采用卷积神经网络技术,提出一个端到端的图像自动分类算法。首先,从国内某轮胎生产线上通过现场运行的轮胎X光射线缺陷检测系统采集胎侧异物缺陷、胎冠异物缺陷、气泡缺陷、胎冠劈缝、胎侧开根5种最常见缺陷类型和1种正常胎侧图像作为分类目标,并且依据缺陷图像的缺陷尺度,将每幅图像缩放到127×127像素的统一大小;然后,设计含有5个卷积层、3个池化层、3个全连接层的网络结构。最后,用采集的缺陷样本对所设计的深度网络进行训练学习与测试。并将该算法和大量传统分类算法进行实验对比,取得更好的分类效果,平均测试识别率高达96.51%。

多路卷积神经网络的轮胎缺陷图像分类

针对轮胎质量定级中因人工判断缺陷类型导致轮胎质量误判的缺点,提出多对比度卷积神经网络的轮胎缺陷X光图像自动分类算法。为探索高性能的轮胎缺陷分类方法,构造单路CNN网络;利用4种对比度图像处理方法预处理原缺陷图像,对原图像及预处理图像进行扭曲处理,分别作为各单路网络的输入数据;将多个在不同预处理数据库上训练的卷积神经网络组合成一个多对比度卷积神经网络,使该系统对各种噪声具有鲁棒性。实验结果表明,在轮胎缺陷分类任务上,对比度卷积神经网络优于大量传统分类算法及BP卷积神经网络,测试识别率高达98.43%。

基于深度学习的轮胎缺陷检测算法

针对轮胎缺陷目标检测问题中,由于轮胎自身固有的结构性底纹,背景底纹与缺陷纹理容易产生混叠难以辨别,本文提出一种基于Faster-rcnn的轮胎缺陷检测算法。通过引入ROI Align池化,准确地对轮胎缺陷进行定位与分类,实验结果表明轮胎缺陷识别的严判率、漏识率与准确率有显著改善。

基于计算机视觉的轮胎缺陷检测

利用计算机视觉实现轮胎X光图像的质量缺陷检测,是当前轮胎生产质量监控自动化的关键环节。通过对大量正常轮胎图像纹理特征的研究,发现其X-光图像纹理呈现明显的准周期性和规则性,鉴于此设计了能反映该规律性的小波函数,实现对轮胎内存在异物和钢丝帘线分布不匀等异常检测。实验结果与传统的灰度共生矩阵法相比,本文方法具有对缺陷位置定位精确、运算快速等优点。

基于激光散斑干涉的轮胎缺陷无损检测

针对子午线轮胎缺陷无损检测问题,基于激光散斑干涉无损检测理论,采用实验的方法获取了某型子午线轮胎在不同充气压力、放气时间、检测部位和载荷条件下的钢丝断裂缺陷相位图,分析了这些因素对缺陷检测效果的影响,探索了轮胎缺陷图谱的建立方法。

基于改进Faster R-CNN的轮胎缺陷检测方法

轮胎生产过程中出现的胎侧异物、胎冠异物、气泡、胎冠开根以及胎侧开根等缺陷会影响轮胎出厂后的使用,所以出厂使用前需要对每条轮胎进行无损检测。为了实现在工业中对于轮胎缺陷进行自动检测,提出了一种基于改进Faster R-CNN的轮胎缺陷自动检测方法。首先,在预处理阶段,用直方图均衡化方法对轮胎图象的灰度进行拉伸,提高数据集的对比度,使图像目标和背景的灰度值产生明显差异;其次,为提高轮胎缺陷位置检测和识别的准确率,对Faster R-CNN结构进行改进,即把ZF卷积神经网络中第三层的卷积特征和第五层的卷积特征结合后输出,并将其作为区域建议网络层的输入;然后,在RoI pooling层之后引入在线难例挖掘(OHEM)算法,使轮胎缺陷检测的准确率得到进一步的提高。实验结果表明,改进后的Faster R-CNN的轮胎缺陷检测方法可以准确地分类和定位轮胎X射线图像缺陷,平均测试准确率可以达到95.7%。此外,还可以通过对网络进行微调来获得新的检测模型以检测其他类型的缺陷。

一种轮胎缺陷智能检测系统

由朝阳浪马轮胎有限责任公司申请的专利(公开号CN 109738452A,公开日期2019-05-10)“一种轮胎缺陷智能检测系统”,包括监控窗口、缺陷列表区、缺陷分类区和缺陷位置。监控窗口与缺陷分类统计饼图、数据统计区、时间轴统计区、复检列表区、检测数据列表区、标签核对区、轮胎识别监控系统和检测结果详情查看窗口之间均为电性连接,且缺陷列表区、缺陷分类区和缺陷位置与检测结果详情查看窗口之间均为电性连接。

基于主成分分析的轮胎缺陷检测算法研究

针对X光射线轮胎图片中出现的灰度特征缺陷,提出基于主成分分析的轮胎缺陷检测算法.该算法首先通过图像增强技术使轮胎的缺陷特征更加明显;然后,采用主成分分析技术设置阈值,保留整幅图片的主要特征,再通过重构图像将轮胎图片映射到更少的相互正交的向量空间中,将原图与重构图像的像素值矩阵进行差分,得到初步定位的含有缺陷的图像;最后,初步定位的图像经过阈值分割和腐蚀得到只含有缺陷的图像,实现精确定位.对200幅具有不同灰度缺陷形状的X射线轮胎图片进行缺陷检测,实验结果表明:该算法能有效地检测出缺陷所在位置,且算法时效性优于其他算法.

基于轮胎X光图像样本重采样图像缺陷检测

针对生成对抗网络轮胎X光图像缺陷检测,训练阶段生成器会丢失部分图像特征,并且难以确定样本的潜在空间维度,导致部分不必要的图像特征重建。为了解决这些问题,构建了样本重采样生成对抗网络SRGAN(Sample Resampling Generate Adversarial Networks),生成器以VQ-VAE为基本框架,利用注意力特征融合模块(Atten-tion Feature Fusion,AFF)搭建了新的跳连层,并在SRGAN的生成器中加入了转换损失函数LVQ。最后,使用自制的轮胎X光图像数据集对SRGAN和已经提出的部分生成对抗网络模型进行训练和测试,并将得到的AUC值进行对比,进一步证明了SRGAN具有更好的图像缺陷检测能力。

基于FAMGAN的轮胎X光图像缺陷检测

针对气泡缺陷特征和图像背景像素差异较小、检测困难的问题,以Skip-GANomaly为基础框架,提出了融合注意力机制生成对抗网络(FAMGAN),首先,生成器中编码器和解码器之间的跳连层由注意力特征融合模块(AFF)和注意力机制模块(CBAM)构成,提高了对目标特征的关注、减少了图像特征丢失;然后,在判别器中加入联合上采样模块(JPU),提高了模型检测图像缺陷的速度。最后,将本文提出的FAMGAN网络与近几年经典的生成对抗网络在自制的轮胎缺陷数据集上进行训练、测试和评估。实验结果表明,本文提出的网络对轮胎气泡缺陷检测的精度达到0.837,相比于Skip-GANomaly网络提高了近30%。

基于YOLOv5网络的轮胎面缺陷检测分析

当前时有发生因轮胎面缺陷导致汽车在行驶中发生严重的交通事故,轮胎面缺陷智能检测对避免这类交通事故的发生具有重要意义。深度学习技术被越来越多地用于目标检测领域,文章基于卷积神经网络模型YOLOv5提出一种轮胎面缺陷智能检测方法。首先建立具有4种轮胎面缺陷特征的数据集,然后通过YOLOv5网络训练数据集,最后用训练好的网络模型在测试集上检测。实验结果显示,在检测轮胎面缺陷任务中,YOLOv5网络模型的平均检测精度(mAP)达到65.4%,检测速度可达到38FPS,相较于YOLOv4网络模型与Faster-RCNN网络模型分别提高约4.1%与31.6%。对进一步研究更有效的轮胎面缺陷智能检测方法提供了参考。

橡胶轮胎内部缺陷检测技术研究

轮胎的质量与道路交通安全有直接关系。因此,轮胎内部缺陷检测成为国内外轮胎制造企业的普遍关注的问题。本文重点介绍基于X光图像特征的橡胶轮胎内部缺陷技术,针对常见的橡胶轮胎内部缺陷特征探讨基于纹理提取的X光轮胎内部缺陷图像识别算法,经过应用分析证明算法的准确率均在98%以上,符合实际应用要求。

轮胎X射线检测系统的图像识别与算法研究

随着汽车需求量的快速增长,轮胎的需求量也相应地增加,对轮胎的性能和质量也提出了更高的要求。轮胎X射线检测是轮胎质量检测的主要方法 ,本文主要介绍了应用于轮胎X射线检测图像识别的计算机视觉识别技术,主要包括轮胎X射线检测计算机视觉识别的基本原理和算法,并且对检测得到的各类轮胎缺陷图像进行了归类分析。

基于深度学习网络U-Net的轮胎带束层分割算法研究

轮胎成型工艺中的带束层贴合情况影响成品轮胎的质量,而现有的带束层缺陷检测算法存在检测精度低,速度慢的缺点。为了快速精确的分割带束层,提出了一种基于U-Net的带束层分割算法。首先对带束层进行鼓面去除预处理,然后结合带束层区域的特点,对比基于数学形态学的传统图像分割方法与深度学习语义分割网络U-Net,对带束层进行分割。研究结果表明,两种方法都可以很好地标识带束层区域和背景区域,但U-Net稳定性更强,可以满足工程中精度与实时性的要求。

COLLMANN2824轮胎检测X光机U形探测器及硬件升级

轮胎X射线检测机随着使用年限的增加,故障会逐步增多,维护费用和维护难度也在增长,特别是设备最核心的成像系统会出现电路板和传感器老化现象,使轮胎X射线图像出现模糊、区域过亮或过暗、黑条或白条(传感器整块宽度图像丢失)、竖线(传感器像素宽度图像丢失)等故障,导致检测效果变差甚至会出现检测盲区,最终出现漏检现象。