基于语义分割与矩阵恢复的轮胎自动缺陷检测研究
发布时间：2021-11-14 12:36
轮胎是汽车的重要组成部件,具有承担重量,传送牵引力和制动扭矩的重要作用,因此对汽车轮胎的承载能力,缓冲性能力和耐磨耐久性能等有很高要求。轮胎的质量对车辆运行安全有重要影响,轮胎产品的质量检验应当引起足够重视。当前,视觉检查已广泛用于诊断轮胎产品中的缺陷,但轮胎缺陷的视觉诊断方法仍不完善。由于轮胎中存在许多的缺陷类别和各向异性纹理,因此自动的轮胎视觉缺陷检测特别具有挑战性。本文分析了轮胎X射线图像的帘线纹理分布和低秩特性,提出了一种基于语义分割和低秩矩阵恢复的自动轮胎X射线缺陷检测系统。轮胎X射线图像纹理具有各向异性但纹理分区明显的特点,纹理区域分割有利于增强图像低秩特性,降低缺陷检测难度,提高算法检测精度。本文将经典语义分割网络在经预处理的轮胎X射线图像数据集上训练,并将神经网络结果优化得到高精度的自动纹理区域分割算法。低秩矩阵恢复算法是利用矩阵的低秩子空间分解原理,能够将轮胎X射线图像矩阵分解为低秩背景矩阵和包含缺陷的稀疏矩阵。纹理分割有利于提高低秩分解算法的质量和计算效率,分割后的图像块具有较强的低秩特性。本文研究并优化了传统求解鲁棒主成分分析问题（RPCA）的非精确增广拉格朗日乘...
【文章来源】：青岛科技大学山东省
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
国外X射线轮胎缺陷检测设备Fig.1-1ForeignX-raytiredefectdetectionequipment
青岛科技大学研究生学位论文92基于语义分割的轮胎X射线图像分割子午线轮胎由多种材料复合组成，且内部钢丝帘线编制工艺不同，其X射线成像具有大量的各向异性纹理。复杂多变的背景纹理为缺陷检测算法带来阻碍，不同纹理区域交织容易被算法误算为缺陷，自动纹理区域分割能明显降低检测问题难度，提高缺陷检测算法准确率。传统纹理图像分割算法难以应对种类繁多的背景纹理，相比之下，基于深度神经网络训练的语义分割网络具有较高的泛化能力，能够有监督的实现轮胎X射线纹理区域划分。本章内容以轮胎X射线图像为研究对象，利用图像纹理分析技术依照轮胎X射线图像的不同结构进行分割，避免不同纹理区域交织造成的障碍，降低缺陷检测算法的难度。2.1子午线轮胎结构及X射线成像的特点子午线轮胎由橡胶、尼龙、钢丝等多种复合材料构成，不同部位的钢丝帘线密度和排布明显不同，其复杂的结构决定了轮胎X射线图像的多纹理分布的特点。如图2-1所示，以常用的子午线轮胎为例，其组织结构由胎冠胎肩橡胶层、锦纶带束层、钢丝带束层、胎体帘布层和缓冲橡胶条等不同复合材料层构成，且不同部位的胶料的成分和厚度均有所差异。图2-1子午线轮胎结构示意图Fig.2-1Radialtirestructure
基于语义分割与矩阵恢复的轮胎自动缺陷检测研究10当强度均匀的X射线穿透成分、厚度及密度不同的结构时，由于对X射线吸收程度不同，如图2-2所示，在X射线胶片上或荧屏上显出具有黑白（或明暗）对比、层次差异的X射线影像。图2-2轮胎X射线图像及纹理分区Fig.2-2X-rayimageoftireandtexturepartition子午线轮胎不同部位具有不同功能，对应的胶料厚度和钢丝帘线密度均有所差异。从图像纹理的角度可以将轮胎X射线图像分为胎冠、胎肩、胎侧和胎圈区域，除了胎肩与胎侧区域纹理相近，其余每个图像区域纹理的方向、周期、粗糙度等各不相同。轮由于生产过程中产生缺陷的不确定性，轮胎缺陷的类型主要分为异物缺陷，帘线纹理缺陷和气泡缺陷三大类，其中异物缺陷主要有钉子，杂物等渗入橡胶，帘线纹理缺陷有胎体劈缝，带束层散丝，胎体接头开裂，钢丝帘线稀线，弯曲变形和交叉等，气泡多为工艺中产生的气泡存留在橡胶中。在轮胎X射线图像中缺陷的大小和形状各异，一般分布在50×50～200×500像素大小范围内，异物缺陷多为块状黑色显著区域，帘线缺陷呈现纹理的错乱，不规则，气泡缺陷显示为浅色球状区域。三种缺陷的分布随机，物理模型不统一。以上轮胎X射线图像纹理的各向异性和缺陷的物理模型不统一等特点为轮胎缺陷检测带来了巨大挑战：（1）子午线轮胎由胎体帘布层、锦纶带束层、钢丝带束层和冠带层等不同复合材料层构成，轮胎不同部分的结构、厚度和橡胶材料的差别使其X射线图像具有亮度非均匀、非平稳性、非线性和多尺度性等特点；（2）子午线轮胎中可能存在的缺陷类型不同，如气泡缺陷，异物缺陷，各种帘线缺陷和裂纹缺陷等，不同缺陷的形状、亮度和尺度特征具有较大差异性，这为设计全面的缺陷检测算法带来巨大挑战；
【参考文献】：
期刊论文
[1]基于深度学习的图像语义分割方法综述[J]. 田萱,王亮,丁琪. 软件学报. 2019(02)
[2]基于GLCM算法的轮胎0°带束层接头缺陷检测[J]. 张元刚,刘中华. 橡胶工业. 2018(12)
[3]基于穿线法的轮胎胎侧帘线稀疏缺陷的检测[J]. 陈仁龙,赵鹏鹏,李金屏. 济南大学学报(自然科学版). 2018(05)
[4]基于卷积神经网络的交通场景语义分割方法研究[J]. 李琳辉,钱波,连静,郑伟娜,周雅夫. 通信学报. 2018(04)
[5]基于穿线法的轮胎帘线断裂缺陷检测[J]. 张潘杰,郑修楠,李金屏. 济南大学学报(自然科学版). 2018(02)
[6]轮胎帘线交叉重叠缺陷检测[J]. 于向茹,丁健配,李金屏. 济南大学学报(自然科学版). 2017(06)
[7]基于全变分模型的子午线轮胎X射线图像胎侧缺陷自动检测方法[J]. 张岩,李涛,李庆领. 青岛科技大学学报(自然科学版). 2017(03)
[8]基于深度学习的无人车夜视图像语义分割[J]. 高凯珺,孙韶媛,姚广顺,赵海涛. 应用光学. 2017(03)
[9]张量低秩表示和时空稀疏分解的视频前景检测[J]. 隋中山,李俊山,张姣,樊少云,孙胜永. 光学精密工程. 2017(02)
[10]基于图像处理的轮胎X光图像杂质检测技术[J]. 张斌,林森,高书征. 橡塑技术与装备. 2016(09)
博士论文
[1]基于深度学习的轮胎缺陷无损检测与分类技术研究[D]. 崔雪红.青岛科技大学 2018
[2]基于聚类分析的图像分割算法研究[D]. 许晓丽.哈尔滨工程大学 2012
本文编号：3494649
【文章来源】：青岛科技大学山东省
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
国外X射线轮胎缺陷检测设备Fig.1-1ForeignX-raytiredefectdetectionequipment
青岛科技大学研究生学位论文92基于语义分割的轮胎X射线图像分割子午线轮胎由多种材料复合组成，且内部钢丝帘线编制工艺不同，其X射线成像具有大量的各向异性纹理。复杂多变的背景纹理为缺陷检测算法带来阻碍，不同纹理区域交织容易被算法误算为缺陷，自动纹理区域分割能明显降低检测问题难度，提高缺陷检测算法准确率。传统纹理图像分割算法难以应对种类繁多的背景纹理，相比之下，基于深度神经网络训练的语义分割网络具有较高的泛化能力，能够有监督的实现轮胎X射线纹理区域划分。本章内容以轮胎X射线图像为研究对象，利用图像纹理分析技术依照轮胎X射线图像的不同结构进行分割，避免不同纹理区域交织造成的障碍，降低缺陷检测算法的难度。2.1子午线轮胎结构及X射线成像的特点子午线轮胎由橡胶、尼龙、钢丝等多种复合材料构成，不同部位的钢丝帘线密度和排布明显不同，其复杂的结构决定了轮胎X射线图像的多纹理分布的特点。如图2-1所示，以常用的子午线轮胎为例，其组织结构由胎冠胎肩橡胶层、锦纶带束层、钢丝带束层、胎体帘布层和缓冲橡胶条等不同复合材料层构成，且不同部位的胶料的成分和厚度均有所差异。图2-1子午线轮胎结构示意图Fig.2-1Radialtirestructure
基于语义分割与矩阵恢复的轮胎自动缺陷检测研究10当强度均匀的X射线穿透成分、厚度及密度不同的结构时，由于对X射线吸收程度不同，如图2-2所示，在X射线胶片上或荧屏上显出具有黑白（或明暗）对比、层次差异的X射线影像。图2-2轮胎X射线图像及纹理分区Fig.2-2X-rayimageoftireandtexturepartition子午线轮胎不同部位具有不同功能，对应的胶料厚度和钢丝帘线密度均有所差异。从图像纹理的角度可以将轮胎X射线图像分为胎冠、胎肩、胎侧和胎圈区域，除了胎肩与胎侧区域纹理相近，其余每个图像区域纹理的方向、周期、粗糙度等各不相同。轮由于生产过程中产生缺陷的不确定性，轮胎缺陷的类型主要分为异物缺陷，帘线纹理缺陷和气泡缺陷三大类，其中异物缺陷主要有钉子，杂物等渗入橡胶，帘线纹理缺陷有胎体劈缝，带束层散丝，胎体接头开裂，钢丝帘线稀线，弯曲变形和交叉等，气泡多为工艺中产生的气泡存留在橡胶中。在轮胎X射线图像中缺陷的大小和形状各异，一般分布在50×50～200×500像素大小范围内，异物缺陷多为块状黑色显著区域，帘线缺陷呈现纹理的错乱，不规则，气泡缺陷显示为浅色球状区域。三种缺陷的分布随机，物理模型不统一。以上轮胎X射线图像纹理的各向异性和缺陷的物理模型不统一等特点为轮胎缺陷检测带来了巨大挑战：（1）子午线轮胎由胎体帘布层、锦纶带束层、钢丝带束层和冠带层等不同复合材料层构成，轮胎不同部分的结构、厚度和橡胶材料的差别使其X射线图像具有亮度非均匀、非平稳性、非线性和多尺度性等特点；（2）子午线轮胎中可能存在的缺陷类型不同，如气泡缺陷，异物缺陷，各种帘线缺陷和裂纹缺陷等，不同缺陷的形状、亮度和尺度特征具有较大差异性，这为设计全面的缺陷检测算法带来巨大挑战；
【参考文献】：
期刊论文
[1]基于深度学习的图像语义分割方法综述[J]. 田萱,王亮,丁琪. 软件学报. 2019(02)
[2]基于GLCM算法的轮胎0°带束层接头缺陷检测[J]. 张元刚,刘中华. 橡胶工业. 2018(12)
[3]基于穿线法的轮胎胎侧帘线稀疏缺陷的检测[J]. 陈仁龙,赵鹏鹏,李金屏. 济南大学学报(自然科学版). 2018(05)
[4]基于卷积神经网络的交通场景语义分割方法研究[J]. 李琳辉,钱波,连静,郑伟娜,周雅夫. 通信学报. 2018(04)
[5]基于穿线法的轮胎帘线断裂缺陷检测[J]. 张潘杰,郑修楠,李金屏. 济南大学学报(自然科学版). 2018(02)
[6]轮胎帘线交叉重叠缺陷检测[J]. 于向茹,丁健配,李金屏. 济南大学学报(自然科学版). 2017(06)
[7]基于全变分模型的子午线轮胎X射线图像胎侧缺陷自动检测方法[J]. 张岩,李涛,李庆领. 青岛科技大学学报(自然科学版). 2017(03)
[8]基于深度学习的无人车夜视图像语义分割[J]. 高凯珺,孙韶媛,姚广顺,赵海涛. 应用光学. 2017(03)
[9]张量低秩表示和时空稀疏分解的视频前景检测[J]. 隋中山,李俊山,张姣,樊少云,孙胜永. 光学精密工程. 2017(02)
[10]基于图像处理的轮胎X光图像杂质检测技术[J]. 张斌,林森,高书征. 橡塑技术与装备. 2016(09)
博士论文
[1]基于深度学习的轮胎缺陷无损检测与分类技术研究[D]. 崔雪红.青岛科技大学 2018
[2]基于聚类分析的图像分割算法研究[D]. 许晓丽.哈尔滨工程大学 2012
本文编号：3494649
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3494649.html
最近更新
教材专著
