本發(fā)明涉及輪胎檢測的相關領域，尤其是涉及一種基于u-net判別器的輪胎圖像缺陷檢測方法。

背景技術：

1、子午線輪胎是機動車輛的重要部件，在高速公路上輪胎損壞而導致的公共交通意外事件占總交通事故率的55％，面對輪胎故障造成的高事故率，各企業(yè)開始改進更新輪胎缺陷檢測設備。在輪胎生產(chǎn)過程中，缺陷檢測是非常重要的一個環(huán)節(jié)。研究先進的缺陷檢測技術，可以有效地保證產(chǎn)品質(zhì)量，保持生產(chǎn)的穩(wěn)定性。目前的缺陷檢測設備大都基于激光剪切散斑干涉技術、超聲波探測技術和x光掃描技術研制。盡管超聲波探測技術能夠快速、廉價地檢測厚度較大的材料，還能準確地定位和量化缺陷，但在輪胎缺陷檢測方面，由于波形的限制，其應用存在一定困難。x光掃描技術具有極高的穿透性，能夠在不同厚度和紋理的輪胎上產(chǎn)生光密度差異，輪胎掃描成像細節(jié)可見度高、缺陷目標直觀性強。隨著深度學習技術的發(fā)展，基于深度學習進行圖像缺陷檢測已經(jīng)取得了重大成果。與監(jiān)督學習、半監(jiān)督學習相比，無監(jiān)督學習不需要進行圖像標注，節(jié)省了大量的人力資源。

2、目前基于生成對抗網(wǎng)絡(gan)的異常檢測方法已經(jīng)取得了非常大的突破，生成對抗網(wǎng)絡是一種經(jīng)典的無監(jiān)督學習方法，該方法目前被廣泛應用于制造業(yè)、視頻監(jiān)控和視頻監(jiān)控等多個領域。schleg等人首次提出使用anogan進行圖像缺陷檢測，隨后又有學者在此基礎上陸續(xù)提出了ganomaly、f-anogan、magad、magan和srgan等模型結構。2019年，akcay[提出了skip-ganomaly，該模型可以減少在進行圖像重建時，生成器丟失的圖像特征數(shù)量。然而，這幾種新興的生成對抗網(wǎng)絡都存在以下缺點。例如，anogan需要重復迭代進行優(yōu)化，導致耗時的迭代過程顯著增加了模型推理時間。ganomaly在獲得較好的檢測結果的同時，需要對生成器進行較長時間的訓練，并且檢測精度還有待提高。skip-ganomaly增強了檢測能力，但是它的性能在不同類型的數(shù)據(jù)中表現(xiàn)出很大的差異，并且重建的異常圖像攜帶過多的缺陷信息，使得不適合實際的缺陷檢測任務，以致于在輪胎檢測過程中，缺陷圖像形狀和紋理與真實圖像難以區(qū)分。

技術實現(xiàn)思路

1、本發(fā)明實施例的目的是本發(fā)明提出一種基于u-net判別器的輪胎圖像缺陷檢測方法，以緩解現(xiàn)有技術中存在的在輪胎檢測過程中，缺陷圖像形狀和紋理與真實圖像難以區(qū)分的技術問題。

2、為解決上述技術問題，本發(fā)明實施例提供如下技術方案：

3、本發(fā)明第一方面提供一種基于u-net判別器的輪胎圖像缺陷檢測方法，該方法包括如下步驟：

4、s10.在判別器中引入編碼與解碼，編碼器模塊執(zhí)行逐圖像分類，解碼器模塊輸出逐像素分類決策，向生成器提供空間相干反饋；

5、s20.在skip-ganomaly算法的基礎上，將注意力機制添加至生成器中，并采用跳連層傳遞輪胎圖像信息；將生成器分割成下采樣網(wǎng)絡和上采樣網(wǎng)絡所組成的結構；

6、在生成器的編碼階段，注意力機制通過計算特征圖中每個位置的重要性分數(shù)，并使用這些分數(shù)來加權原始特征，以實現(xiàn)對關鍵信息的強調(diào)和對不重要信息的抑制；

7、在生成器的解碼階段，通過注意力機制逐步細化生成圖像的細節(jié)；

8、s30.采用損失函數(shù)提升輸入圖像和生成圖像的魯棒性。

9、在本發(fā)明第一方面的一些變更實施方式中，注意力機制為simam,其步驟如下：

10、s21.定義神經(jīng)元，表達式如下：

11、

12、s22.將步驟s31中的表達式采用二值標簽，并添加正則項，其表達式為：

13、

14、解析式為：

15、

16、

17、s23.對輸入特征在h和w兩個維度上計算均值和方差；

18、

19、計算過程的表達式為：

20、

21、在本發(fā)明第一方面的一些變更實施方式中，損失函數(shù)對生成器的優(yōu)化步驟為：

22、s31.對于模型輸入圖像和生成圖像，ssim值的表達式為：

23、

24、其中μx和μy分別表示x和y的均值，σx和σy分別表示x和y的方差，σxy分別表示x和y的協(xié)方差，c1和c2表示常數(shù)；

25、s32.建立損失函數(shù)，其表達式為：

26、lssim(x,y)＝1-ssim(x,y)；

27、損失函數(shù)lssim使用了lcon損失和lssim損失聯(lián)合函數(shù)作為圖像重建損失，其表達式為：

28、l＝wadvladv+wreconlrecon+wlatllat；

29、其中，wadv、wrecon和wlat均為權重參數(shù)，用于調(diào)整各損失對總優(yōu)化目標函數(shù)的影響。

30、在本發(fā)明第一方面的一些變更實施方式中，圖像重建損失lrecon的表達式為：

31、

32、對抗損失ladv的表達式為：

33、

34、潛在損失llat的表達式為：

35、

36、其中，px為正態(tài)數(shù)據(jù)的分布，x為服從的px正態(tài)數(shù)據(jù)，為x經(jīng)過生成器重構后的數(shù)據(jù)；d為鑒別器，α為權重參數(shù)，f(x)和分別為從測試樣本和重構圖像輸入鑒別器中得到的瓶頸特征。

37、本發(fā)明提出一種基于u-net判別器的網(wǎng)絡模型的輪胎圖像檢測方法，即udganomaly，首先在判別器中引入編碼與解碼，編碼器模塊執(zhí)行逐圖像分類，解碼器模塊輸出逐像素分類決策，向生成器提供空間相干反饋，而實現(xiàn)對輪胎缺陷的檢測。其次，在生成器的編碼器和解碼器中引入自注意，進一步關注多尺度特征中包含的代表性信息。最后，設計了一種改進的基于結構相似性的生成器損失函數(shù)來解決視覺上的不一致性，從而提高不規(guī)則紋理檢測的魯棒性。

38、在該方法中，從精度上看，本發(fā)明加入了注意力機制，即生成器的編碼階段，注意力機制通過計算特征圖中每個位置的重要性分數(shù)，并使用這些分數(shù)來加權原始特征，以實現(xiàn)對關鍵信息的強調(diào)和對不重要信息的抑制在生成器的解碼階段，通過注意力機制逐步細化生成圖像的細節(jié)；同時，本發(fā)明還基于為生成器設計了改進的損失函數(shù)，以解決僅使用歐氏距離度量重建誤差導致的視覺不一致問題，提高不規(guī)則紋理缺陷檢測的魯棒性。

39、因此，本發(fā)明緩解了現(xiàn)有技術中存在的缺陷圖像形狀和問題與真實圖像難以區(qū)分的技術問題，達到了提升輪胎缺陷檢測的精度的技術效果。

技術特征：

1.一種基于u-net判別器的輪胎圖像缺陷檢測方法，其特征在于：該方法包括如下步驟：

2.根據(jù)權利要求1所述的基于u-net判別器的輪胎圖像缺陷檢測方法，其特征在于：在步驟s20中，注意力機制為simam,其步驟如下：

3.根據(jù)權利要求1所述的基于u-net判別器的輪胎圖像缺陷檢測方法，其特征在于：損失函數(shù)對生成器的優(yōu)化步驟為：

4.根據(jù)權利要求3所述的基于u-net判別器的輪胎圖像缺陷檢測方法，其特征在于：

技術總結
本發(fā)明提出一種基于U?Net判別器的網(wǎng)絡模型的輪胎圖像檢測方法，設計輪胎檢測的技術領域，該方法中，本發(fā)明加入了注意力機制，即生成器的編碼階段，注意力機制通過計算特征圖中每個位置的重要性分數(shù)，并使用這些分數(shù)來加權原始特征，以實現(xiàn)對關鍵信息的強調(diào)和對不重要信息的抑制在生成器的解碼階段，通過注意力機制逐步細化生成圖像的細節(jié)；同時，本發(fā)明還基于為生成器設計了改進的損失函數(shù)，以解決僅使用歐氏距離度量重建誤差導致的視覺不一致問題，提高不規(guī)則紋理缺陷檢測的魯棒性；因此，本發(fā)明緩解了現(xiàn)有技術中存在的缺陷圖像形狀和問題與真實圖像難以區(qū)分的技術問題，達到了提升輪胎缺陷檢測的精度的技術效果。

技術研發(fā)人員：劉韻婷,張興偉
受保護的技術使用者：沈陽理工大學
技術研發(fā)日：
技術公布日：2025/1/9