视觉/图像重磅干货，第一时间送达
导 读
本文主要介绍一个基于深度学习轮胎缺陷检测系统方案。
背景介绍
由于全球制造业面临着在最短的时间内向市场推出多种最高质量产品的压力，因此所有职能向人工智能驱动的自动化的转变已成为必然。
在质量检测方面，人工智能驱动的计算机视觉系统已经能够简化生产流程，使产品符合公司制定的质量标准。这反过来又带来了更高效率、更低运营成本的优势，同时实现 24/7 生产和更快的决策。
全球轮胎制造商一直是质量保证等各个领域人工智能技术的早期采用者之一。人工智能的主要应用之一是使用基于深度学习的计算机视觉系统进行轮胎缺陷检测。由于轮胎制造过程中使用的原材料的性质，轮胎部件可能会受到金属或非金属杂质（例如钢丝、螺钉和塑料碎片）、气泡和重叠的污染。当轮胎有缺陷的车辆高速行驶时，这些缺陷会导致轮胎寿命缩短，甚至爆胎。
轮胎缺陷检测
要准确检测轮胎缺陷，需要解决的主要问题是：
模仿手动测试并集成到现有的制造和质量控制流程中
具有机械夹具，可自动调整以适应操作员放置的不同轮胎尺寸，并旋转，以便在一次旋转中捕获轮胎的内壁和外壁。
以最佳旋转速度捕获图像、处理、分析和检测故障。
在每个故障位置停车并在轮胎上标记缺陷
轻松安全地释放轮胎
轮胎缺陷类型
在轮胎制造过程中常见的 80 多种可能存在的缺陷中，我们会进行隔离以创建严重程度集合。各个轮胎制造商根据其独特的化学配方和机械制造工艺，有自己特定的分类方法。通常，大约 30 多个此类类别被认为是高度严重的。下图描述了这些缺陷类别的有限样本：
图 1：有缺陷的轮胎：从左到右：SWC — 侧壁裂纹、RLC — 轮辋线裂纹、SWB — 侧壁气泡、模板编号偏移、倒角缺陷图 1：有缺陷的轮胎：从左到右：SWC — 侧壁裂纹、RLC — 轮辋线裂纹、SWB — 侧壁气泡、模板编号偏移、倒角缺陷
轮胎缺陷检测
轮胎质量检查的典型方法是使用 X 射线机并使用加权纹理差异等技术。然而，X 光机需要很大的空间并且非常昂贵。相反，我们使用 RGB 相机来捕捉轮胎的图像。为了解决轮胎缺陷检测问题，选择了实例分割（对象检测和分割的结合），以便可以识别图像中每个缺陷的每个实例，而不是像语义分割那样对每个像素进行分类。
数据生成
为了生成数据，使用了从已识别和标记缺陷的多个轮胎捕获的图像。使用 1080p 分辨率的摄像头来拍摄有缺陷的图像和“良好”图像的视频。从不同角度进行图像捕捉以提高概括性。
数据准备
数据准备是在处理和分析之前清理和转换原始数据的过程。这是处理之前的重要步骤，通常涉及标记数据、重新格式化数据和对数据进行更正。数据是通过从几个生成的视频中转储帧来收集的。然后使用LabelMe等标记工具标记感兴趣区域 (ROI) 内的缺陷部分。
实例分割
实例分割是一种检测对象然后在单个像素级别进行屏蔽的技术。它结合了 1) 对象检测，其中对帧中的每个单独对象进行分类和定位，以及 2. 语义分割，其中将每个像素分为预定义的类别。实例分割允许将标签附加到图像的每个像素。
Mask-RCNNMask-RCNN
Mask-RCNN 是一种深度神经网络，用于解决计算机视觉中的实例分割问题。Mask R-CNN 结合了两种著名的网络拓扑——Faster R-CNN 和全连接网络 (FCN)。Mask-RCNN 遵循两步过程。第一步，对于每个输入图像，生成有关对象可能存在的区域的建议。在第二步中，预测对象的类别，并根据第一步生成的建议为对象生成像素级掩模。
执行
我们使用 Mask-RCNN 的定制变体构建推理管道。基本的 Keras 实现可以在https://github.com/matterport/Mask_RCNN.git找到，相应的参考论文可以在https://arxiv.org/pdf/1703.06870.pdf找到
推理时间
未优化模型的推理时间如下表所示。
通过模型优化技术，每张图像的延迟可降低至 150 毫秒以下。
准确性
我们的定制模型能够实现 96% 的检测准确率。
结论
这项检测轮胎缺陷的研发工作表明，实现轮胎质量检测过程的显着自动化是可能的。在实际系统中，如果需要高检测吞吐量，则需要自动检测夹具。这将包括多个摄像头，用于同时查看轮胎的外表面和内表面，一个用于将轮胎旋转 360 度的电机组件，以及一个可以同步轮胎运动、图像捕获和检测的控制系统。
—THE END—
觉得有用，麻烦给个赞和在看
