基于改进YOLO-v5模型的子午线轮胎X光图像病疵自动检测方法

技术特征：
1.一种基于改进yolo-v5模型的子午线轮胎x光图像病疵自动检测方法，其特征在于，包括如下步骤：步骤1、采集子午线轮胎x光图像进行分割处理，统一分辨率，制作模型训练样本数据；步骤2、进行图像复原处理；步骤3、设计改进yolo-v5模型；步骤4、采用子午线轮胎病疵数据进行模型训练；步骤5、利用训练完成的模型进行实际应用场景的轮胎病疵检测。2.根据权利要求1所述基于改进yolo-v5模型的子午线轮胎x光图像病疵自动检测方法，其特征在于，所述步骤1的具体步骤为：步骤1.1、首先，对于一张子午线轮胎x光图像原图，将其宽度缩小至1900像素，高度等比缩小，对应的病疵描述文件中的真实标注框也进行对应的缩小操作；步骤1.2、采用1900*1900的窗口沿高度方向在原始图像中滑动，设置窗口滑动10次；步骤1.3、如果窗口在滑动时不包含任何病疵，则继续向前滑动；否则，修正病疵的位置信息，生成子图以及所对应的相关病疵描述文件。3.根据权利要求1所述基于改进yolo-v5模型的子午线轮胎x光图像病疵自动检测方法，其特征在于，所述步骤2的具体步骤为：设子午线轮胎x光图像为一个三阶张量n1、n2、n3分别表示各阶的维数，所构建的复原模型为：其中，为待求解的干净的图像，n代表张量的阶数，fctn为全连接张量网络，表示由张量全连接分解得到的n个因子张量，是基于深度学习的隐式正则化器，λ为正则化权重参数，σ为去噪参数，ω代表中观测到的像素点索引集合，代表按ω进行映射；该模型通过以下算法进行交替迭代更新求解：其中，表示在自然图像数据集上训练的二维去噪卷积神经网络，q代表迭代次数，i＝1,
…
,n表示每个因子张量，ρ是近端参数，ω
c
表示集合ω的补集。4.根据权利要求1所述基于改进yolo-v5模型的子午线轮胎x光图像病疵自动检测方法，其特征在于，所述步骤3中，
改进yolo-v5模型的结构包括输入端、主干网络、瓶颈网络和预测端；输入端表示输入的图片，该阶段进行图像预处理，将输入图像缩放到网络的输入大小，并进行归一化操作；主干网络用来提取一些通用的特征表示；瓶颈网络位于主干网络和预测端的中间位置，用于进一步提升特征的多样性及鲁棒性；预测端用来完成目标检测结果的输出；yolo-v5模型改进过程为：步骤3.1、在原始yolo-v5模型基础上，增加第四个检测层，对输出尺度最大的特征图进行上采样处理，继续扩大特征图，同时将获得的尺度最大的特征图与主干网络中相同尺寸的特征图进行级联融合；步骤3.2、在每个检测层特征处理阶段增加注意力模块；注意力模块的工作过程为：中间特征图谱t在空间维度分别进行maxpool最大池化和avepool平均池化，得到两个池化向量，然后将其输入到共享多层映射神经网络mlp中进行非线性映射，结果分别得到两个新的向量；之后对这两个向量进行逐位相加操作后再通过sigmoid激活函数对其进行非线性映射，最终获得通道注意力模块，变换公式如下：a1(t)＝σ1{mlp[avgpool(t)] mlp[maxpool(t)]}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)其中，a1表示通道注意力模块，σ1表示sigmoid函数；中间特征图谱t分别在通道维度上进行maxpool最大池化和avepool平均池化操作，然后进行堆叠，再通过卷积操作将其映射到一个单波段、相同尺寸的模型上，之后获得空间注意力模块a2；其中，表示采用1
×
1的卷积神经网络进行特征变换，σ1代表sigmoid函数，函数方程为：其中，x表示输入张量；步骤3.3、改进损失函数；加入影响因子，在检测框宽高比的数据上进行了度量，进一步使用了更加符合回归机制的diou_p，公式为：其中，iou表示预测框与真实框的交叠率，b和b
gt
分别表示检测框和目标框的中心点；ρ1表示两个中心点之间的欧式距离；c表示能够同时包含预测框和真实框的最小闭包区域的对角线距离；μ为用于平衡比例的参数；m用来衡量预测框和真实框的宽和高之间的比例一致性。5.根据权利要求4所述基于改进yolo-v5模型的子午线轮胎x光图像病疵自动检测方法，其特征在于，所述步骤4的具体步骤为：步骤4.1、对步骤1中制作的模型训练样本数据进行处理，建立包括不同子午线轮胎x光图像病疵的数据集，对图像信息进行标注并做好分类得到待训练数据集；步骤4.2、搭建改进yolo-v5的网络模型，设置训练路径，读取训练的参数；步骤4.3、加载预训练模型，获得初始化网络模型参数；步骤4.4、选择训练优化器；
步骤4.5、加载训练集；步骤4.6、开始训练，更新网络模型参数，直至迭代结束，模型训练结束。6.根据权利要求4所述基于改进yolo-v5模型的子午线轮胎x光图像病疵自动检测方法，其特征在于，所述步骤5的具体步骤为：步骤5.1、实时获取当前原始子午线轮胎x光图像，进行图像预处理：包括图像分割，统一分辨率、图像复原；步骤5.2、获得了预处理后的图像后，输入到训练完成的改进yolo-v5模型中，然后进行图像分区；步骤5.3、根据病疵出现的区域位置不同，分为局部类病疵和全局类病疵；通过在轮胎的不同区域上进一步提取细节特征，进行相应病疵检测，模型给出检测信息，包含病疵在图像中的位置信息，预测得到的各类置信度；步骤5.4、然后进行置信度筛选，根据预先设置的阈值，只保留置信度大于该阈值的候选框，展示在当前检测图像上，从而获得当前轮胎病疵检测情况。

技术总结
本发明公开了一种基于改进YOLO-v5模型的子午线轮胎X光图像病疵自动检测方法，属于子午线轮胎检测技术领域，包括如下步骤：步骤1、采集子午线轮胎X光图像进行分割处理，统一分辨率，制作模型训练样本数据；步骤2、针对X光机不稳定造成的图像条状、块状缺失，从而影响检测效果的问题，进行图像复原处理；步骤3、设计改进YOLO-v5模型，包括增加第四个检测层、增加注意力模块，以及改进损失函数；步骤4、采用子午线轮胎病疵数据进行模型训练；步骤5、利用训练完成的模型进行实际应用场景的轮胎病疵检测。本发明是一种自动检测方法，基于改进模型能够自动识别多种病疵，针对不同病疵进行检测分类，检测效率和准确率较高。检测效率和准确率较高。检测效率和准确率较高。


技术研发人员：赵建立 姚路通 张天恒 李浩
受保护的技术使用者：山东科技大学
技术研发日：2022.10.26
技术公布日：2023/2/3