基于深度学习的轮胎缺陷无损检测与分类技术研究
【摘要】:随着汽车行业快速发展及汽车保有量的持续增长,大大增加了对轮胎的需求,而轮胎质量在很大程度上决定了轮胎的使用寿命,也是在行驶过程中对人们生命财产安全的保障,同时对轮胎进行在线质量检测也便于轮胎生产企业及时发现生产线中存在的不合格产品,以此来调整机械设备甚至轮胎的生产工艺,避免造成生产材料的浪费。因此,检测轮胎质量是轮胎生产过程中必不可缺少的一部分,对轮胎工业的发展和道路交通安全有着重要的研究和经济意义。目前国内外学者在诸多工业应用领域提出了许多无损缺陷检测技术,而基于X射线的轮胎无损缺陷检测技术在轮胎工业中得到了快速的发展并取得了优异的成果。但是,由于轮胎X射线图像的复杂多纹理结构以及轮胎缺陷的多样性,轮胎无损检测方法的研究仍然是从业者及科研人员的一个极大挑战性的研讨课题。本文以轮胎X射线图像为检测对象,利用图像分析、模式识别和深度学习等技术,实现一个真正意义上端到端的轮胎无损自动缺陷检测及分类方法。本文首先通过传统图像分析及分类方法分阶段设计轮胎缺陷的检测和分类任务;然后,利用深度学习技术设计一个端到端的轮胎缺陷检测和分类任务于一体的方法,并与分阶段的传统检测和分类算法进行了对比。论文的主要研究内容及创新性工作如下:1.针对轮胎X射线图像的周期性复杂纹理特征,提出一种基于主成分残余信息逆变换的轮胎X射线图像缺陷检测方法。通过主成分分析方法的前K个较大主成分和其相应矢量重构不含缺陷信息的主纹理图像,重构图像与原图像对比,得到缺陷信息及缺陷位置,通过二值化方法及形态学操作检测出缺陷。实验结果表明,该算法可以快速检测出轮胎中的气泡、杂质缺陷。2.针对轮胎缺陷的复杂多样性难以用预先定义固定不变的基函数表达缺陷特征的问题,提出一种具有自适应生成基函数的轮胎图像特征提取算法,并将其应用于轮胎内部缺陷的自动识别中。利用ICA/TICA(Independent Component Analysis/Topographic Independent Component Analysis,独立成分分析/拓扑独立成分分析)从轮胎缺陷集中学习出自适应的基函数和滤波器,这些基适应于缺陷图像的特点;使用自适应滤波器滤波缺陷图像提取缺陷图像的