基于语义分割的轮胎缺陷无损检测方法研究

作     者：孙英伟 

作者单位：青岛科技大学 

学位级别：硕士

导师姓名：张岩

授予年度：2023年

学科分类：08[工学] 080203[工学-机械设计及理论] 080204[工学-车辆工程] 0802[工学-机械工程] 

主      题：轮胎缺陷检测 语义分割 多尺度特征提取 注意力机制 Transformer 

摘      要：轮胎的质量对机动车行驶的安全性和稳定性至关重要。轮胎内部缺陷是影响轮胎安全性能的关键。传统的轮胎缺陷检测主要采用X射线成像技术,通过人工目视检测轮胎X射线图像中可能存在的缺陷。但人工目视检测难以保证检测的准确性且检测结果受劳动强度和主观影响。计算机视觉技术虽然可以提高准确性和效率,但轮胎X射线图像具有复杂纹理背景,缺陷与纹理背景之间的对比度较低,且轮胎缺陷具有类间相似性和类内多样性的特点,增加了检测难度。如何快速、准确定位缺陷的位置并描述其几何特征,是轮胎缺陷无损检测中需解决的问题,对于轮胎制造商发现产品质量问题、改善生产工艺具有重大意义。本文以轮胎X射线图像作为研究对象,基于深度学习技术,利用语义分割和注意力机制提出了两种轮胎缺陷检测方法。经过与目前先进的主流算法进行对比,证明了所提方法在轮胎缺陷检测方面的有效性。主要工作内容如下:(1)提出一种基于注意力引导的多尺度聚合网络,用于轮胎缺陷的像素级检测。由于轮胎X射线图像背景复杂,传统卷积神经网络对缺陷与纹理背景的几何特征表征较差。为了解决这一问题,提出一种基于注意力引导的多尺度聚合网络。首先,使用Res Net50作为骨干特征提取网络提取图像特征信息。提出一种空间聚合金字塔模块用以提取高级特征的多尺度信息,并使用注意力细化分支选择有效的缺陷特征。其次,设计一种双注意上采样模块用以逐步恢复缺陷特征的边缘细节,同时考虑特征的语义信息。最后,为了捕获通道之间的特征映射依赖关系,提出一种语义增强模块来聚合多尺度特征,通过通道特征矩阵提供特定语义的特征表示,从而引导特征进行增强,更好地表征缺陷特征。消融实验表明,所提出的各个模块均有效提升了网络模型性能。对比实验结果进一步表明,相对于当前主流的分割网络,本文提出的方法在分割精度和分类准确率方面均取得了较好的表现,分别达到了89.13%和98.65%。此外,本文提出的方法的平均检测时间为0.0280s/幅,能够有效实现产品智能质量控制。(2)传统卷积神经网络存在固有的归纳偏置,无法对轮胎X射线图像中长距离像素点之间进行建模,缺乏捕获图像全局信息的能力。本文提出一种基于轻量级Transformer的轮胎缺陷检测方法,利用自注意力机制提高模型捕获长距离依赖关系的能力。首先,提出一种基于卷积神经网络和Transformer混合结构的骨干特征提取网络DP-Transformer,用于学习缺陷特征的局部和全局关系。其次,提出一种多尺度融合Transformer和空间交叉Transformer,并在此基础上构建了特征解码器。在解码器中,多尺度融合Transformer为空间交叉Transformer提供了有价值的空间信息,使得不同层级的特征图可以通过空间交叉Transformer来细化像素的相关性。实验结果表明,本章方法获得了85.56%的分割精度和98.57%的分类准确率,对缺陷的几何形状具有良好的表征能力,且平均检测时间为0.0189s/幅。该方法首次将Transformer应用于轮胎缺陷检测领域,并且网络模型轻量化的设计为后续的部署工作提供了理论支持。