本發(fā)明屬于圖像識(shí)別和檢測(cè)技術(shù)領(lǐng)域，具體地說(shuō)，涉及一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的輪胎x光病疵檢測(cè)方法。

背景技術(shù)：

如今基于大數(shù)據(jù)的深度學(xué)習(xí)方法已經(jīng)遠(yuǎn)遠(yuǎn)超越了傳統(tǒng)的識(shí)別和檢測(cè)方法，卷積神經(jīng)網(wǎng)絡(luò)(convolutionalneuralnetwork，簡(jiǎn)稱cnn)是深度學(xué)習(xí)當(dāng)前較為熱門(mén)的方法之一，是一種前饋神經(jīng)網(wǎng)絡(luò)，它的人工神經(jīng)元可以響應(yīng)一部分覆蓋范圍內(nèi)的周圍單元，對(duì)于大型圖像處理有出色表現(xiàn)。深度學(xué)習(xí)(deeplearning)是機(jī)器學(xué)習(xí)的分支，它試圖使用包含復(fù)雜結(jié)構(gòu)或由多重非線性變換構(gòu)成的多個(gè)處理層對(duì)數(shù)據(jù)進(jìn)行高層抽象的算法。

卷積神經(jīng)網(wǎng)絡(luò)通過(guò)對(duì)圖像交替進(jìn)行卷積和池化操作，逐漸提取圖像的高層特征，再使用神經(jīng)網(wǎng)絡(luò)對(duì)特征分類，完成識(shí)別的功能。相比于傳統(tǒng)的輪胎質(zhì)量檢測(cè)方法，基于卷積神經(jīng)網(wǎng)絡(luò)的輪胎x光質(zhì)量檢測(cè)方法將輪胎圖像提取到的高層特征能應(yīng)對(duì)一定程度的偏移、尺度變化和形變，并且卷積神經(jīng)網(wǎng)絡(luò)通過(guò)從大樣本中學(xué)習(xí)到輪胎的本質(zhì)特征，保證特征具有較強(qiáng)可分性；另外，由于特征的可分性強(qiáng)，卷積神經(jīng)網(wǎng)絡(luò)使用簡(jiǎn)單的分類器就能得到令人滿意的檢測(cè)結(jié)果，降低了模型的復(fù)雜度。

中國(guó)發(fā)明專利cn105869135a公開(kāi)了一種輪胎缺陷的檢測(cè)方法和裝置。該輪胎缺陷的檢測(cè)方法包括：獲取輪胎的x光圖像；對(duì)x光圖像進(jìn)行圖像預(yù)處理，以區(qū)分顯示x光圖像中的第一圖像與背景圖像，得到處理后的圖像；對(duì)處理后的圖像的像素進(jìn)行聚類分析，得到用于表示第一圖像的像素所在的區(qū)域；判斷區(qū)域內(nèi)的像素的個(gè)數(shù)是否大于預(yù)設(shè)閾值；以及如果區(qū)域內(nèi)的像素的個(gè)數(shù)大于預(yù)設(shè)閾值，則確定區(qū)域?yàn)檩喬サ娜毕莸膱D像。通過(guò)該發(fā)明，解決了現(xiàn)有技術(shù)中無(wú)法準(zhǔn)確檢測(cè)輪胎缺陷的問(wèn)題，達(dá)到了準(zhǔn)確檢測(cè)輪胎缺陷的效果。但是該方法需要通過(guò)提取輪胎x光圖像的一些特征，特征最終決定系統(tǒng)的性能，而好的特征需要很好的先驗(yàn)知識(shí)和設(shè)計(jì)經(jīng)驗(yàn)，在實(shí)際系統(tǒng)開(kāi)發(fā)中很難設(shè)計(jì)最優(yōu)的具有區(qū)分度的特征。

本領(lǐng)域技術(shù)人員有必要開(kāi)發(fā)一種檢測(cè)偶然性小，可靠性高，能精確檢測(cè)輪胎缺陷的x光病疵檢測(cè)方法。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的就是為了克服現(xiàn)有輪胎x光病疵檢測(cè)方法的不足，提供了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的輪胎x光病疵檢測(cè)方法，以解決現(xiàn)有傳統(tǒng)輪胎x光病疵檢測(cè)方法需要很強(qiáng)的先驗(yàn)知識(shí)來(lái)輔助提取有區(qū)分度特征，存在偶然性強(qiáng)，可靠性低，無(wú)法精確檢測(cè)輪胎缺陷的問(wèn)題。

為了解決上述技術(shù)問(wèn)題，本發(fā)明通過(guò)下述技術(shù)方案得以解決：

一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的輪胎x光病疵檢測(cè)方法，包括步驟如下：

s1、圖片預(yù)處理：將原始的圖片進(jìn)行銳化處理。

s2、數(shù)據(jù)清洗：對(duì)現(xiàn)有的輪胎病疵圖片進(jìn)行切割，將病疵圖片中的病疵部分切割出來(lái)，當(dāng)作負(fù)樣本；將圖片中的正常部分切割出來(lái)，當(dāng)作正樣本。

s3、卷積神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)和訓(xùn)練：設(shè)計(jì)四種卷積神經(jīng)網(wǎng)絡(luò)模型，兩種卷積神經(jīng)網(wǎng)絡(luò)模型分別用于檢測(cè)胎面或胎側(cè)部位圖片是否有病疵；另外兩種卷積神經(jīng)網(wǎng)絡(luò)模型分別用于判斷胎面或胎側(cè)部位圖片的病疵類型；針對(duì)每一種病疵的位置特點(diǎn)，有針對(duì)的選擇圖片位置進(jìn)行訓(xùn)練。

s4、參數(shù)調(diào)節(jié)：使用s3中預(yù)先訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)，作為分類器，將s2處理好的圖片輸入進(jìn)神經(jīng)網(wǎng)絡(luò)，針對(duì)神經(jīng)網(wǎng)絡(luò)模型對(duì)結(jié)果預(yù)測(cè)的準(zhǔn)確度，調(diào)整卷積神經(jīng)網(wǎng)絡(luò)參數(shù)。

s5、輸入圖片預(yù)處理：利用candy邊緣檢測(cè)方法，將原始的圖片切分成胎面和胎側(cè)部分。

s6、模型訓(xùn)練：對(duì)步驟s3中的四種卷積神經(jīng)網(wǎng)絡(luò)模型采用多卷積層，小卷積核的方法進(jìn)行模型訓(xùn)練。

s7、模型測(cè)試：采用滑動(dòng)窗口的方法，針對(duì)分類的結(jié)果，結(jié)合圖片的病疵分布進(jìn)行判斷；對(duì)判斷出的輪胎病疵，模型能實(shí)時(shí)顯示出病疵的位置和分布情況。

作為優(yōu)選，步驟s3中所述卷積神經(jīng)網(wǎng)絡(luò)設(shè)置為16層結(jié)構(gòu)，包括1個(gè)輸入層、1個(gè)輸出層、8個(gè)用于特征提取的卷積層、3個(gè)用于特征優(yōu)化選取的抽樣層、2個(gè)用于表示特征的全連接層和1個(gè)用于計(jì)算輸出和目標(biāo)損失值的損失層。

作為優(yōu)選，步驟s5進(jìn)一步包括如下步驟：

s51、利用candy邊緣檢測(cè)方法，將原始的圖片切分成胎面和胎側(cè)部分，并切去全黑的無(wú)信息內(nèi)容的圖片。

s52、根據(jù)病疵位置特點(diǎn)，選用兩側(cè)的胎側(cè)圖片進(jìn)行訓(xùn)練分類各種胎側(cè)病疵；選用胎面部分的圖片進(jìn)行訓(xùn)練分類各種胎面病疵。

s53、將每種病疵圖片切割成像素大小為96x96的圖片，對(duì)訓(xùn)練圖像進(jìn)行均值濾波和歸一化處理，進(jìn)行下一步的模型訓(xùn)練。

作為優(yōu)選，步驟s6進(jìn)一步包括如下步驟：

s61、針對(duì)不同的分類目標(biāo)，構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型。

s62、使用s5得到的圖片數(shù)據(jù)訓(xùn)練模型，模型分為如下四種卷積神經(jīng)網(wǎng)絡(luò)模型：

模型一：判斷胎側(cè)部位圖片是否有病疵的卷積神經(jīng)網(wǎng)絡(luò)模型。

模型二：判斷胎面部位是否有病疵的卷積神經(jīng)網(wǎng)絡(luò)。

模型三：運(yùn)行對(duì)胎側(cè)部分的病疵分類的卷積神經(jīng)網(wǎng)絡(luò)模型，分類各種胎側(cè)病疵。

模型四：對(duì)胎面部分的模型病疵分類的卷積神經(jīng)網(wǎng)絡(luò)模型，分類各種胎面病疵。

進(jìn)一步的，步驟s62中所述模型一的訓(xùn)練包括步驟如下：

s621、構(gòu)建用于區(qū)分胎側(cè)部位的圖片是否有病疵的卷積神經(jīng)網(wǎng)絡(luò)模型。

s622、將所有的胎側(cè)部分的病疵圖片和非病疵圖片當(dāng)做訓(xùn)練集和驗(yàn)證集，訓(xùn)練s621中的卷積神經(jīng)網(wǎng)絡(luò)模型。

s623、多次重復(fù)s622的步驟，取模型分類效果最優(yōu)的深度卷積神經(jīng)網(wǎng)絡(luò)模型，當(dāng)作最終的胎側(cè)病疵判斷模型。

進(jìn)一步的，步驟s62中所述模型二的訓(xùn)練包括步驟如下：

s624、構(gòu)建用于區(qū)分胎面部位的圖片是否有病疵的卷積神經(jīng)網(wǎng)絡(luò)模型。

s625、將所有的胎面部分的病疵圖片和非病疵圖片當(dāng)做訓(xùn)練集和驗(yàn)證集，訓(xùn)練s624中的卷積神經(jīng)網(wǎng)絡(luò)模型。

s626、多次重復(fù)s625的步驟，取模型分類效果最優(yōu)的深度卷積神經(jīng)網(wǎng)絡(luò)模型，當(dāng)作最終的胎面病疵判斷模型。

進(jìn)一步的，步驟s62中所述模型三的訓(xùn)練包括步驟如下：

s627、構(gòu)建用于區(qū)分各種胎側(cè)病疵的卷積神經(jīng)網(wǎng)絡(luò)。

s628、將各種胎側(cè)病疵的胎側(cè)圖片當(dāng)做訓(xùn)練集和驗(yàn)證集，訓(xùn)練s627中的卷積神經(jīng)網(wǎng)絡(luò)。

s629、多次重復(fù)s628的步驟，取模型分類效果最優(yōu)的深度卷積神經(jīng)網(wǎng)絡(luò)模型，當(dāng)作最終的分類模型。

進(jìn)一步的，步驟s62中所述模型四的訓(xùn)練包括步驟如下：

s6210、構(gòu)建用于區(qū)分各種胎面病疵的卷積神經(jīng)網(wǎng)絡(luò)。

s6211、將各種胎面病疵的胎面圖片當(dāng)做訓(xùn)練集和驗(yàn)證集，訓(xùn)練s6210中的卷積神經(jīng)網(wǎng)絡(luò)。

s6212、多次重復(fù)s6211的步驟，取模型分類效果最優(yōu)的深度卷積神經(jīng)網(wǎng)絡(luò)模型，當(dāng)作最終的模型。

作為優(yōu)選，步驟s7進(jìn)一步包括：

s71、采用邊緣檢測(cè)方法，將圖片切分成左中右三部分，切去全黑的冗余內(nèi)容圖片，對(duì)測(cè)試圖片，使用滑動(dòng)窗口的方法，窗口像素大小為96x96，步長(zhǎng)為96，每滑動(dòng)一次，截取出用于測(cè)試的小圖。

s72、對(duì)s71得到的小圖，第一步將胎側(cè)小圖和胎面小圖通過(guò)s6中的模型一或模型二進(jìn)行判斷，判斷該小圖是否有病疵，如果判斷結(jié)果為正常，則無(wú)病疵，反之，則進(jìn)行下一階段測(cè)試。

s73、對(duì)s72得到有病疵小圖，根據(jù)該小圖的胎側(cè)或胎面位置，使用模型三或四進(jìn)行測(cè)試，得到其病疵類型。

s74、利用病疵的特點(diǎn)，將滑動(dòng)窗口判斷的結(jié)果中，出現(xiàn)多個(gè)病疵窗口聚集的地方判斷為有病疵的位置。

采用上述技術(shù)方案的本發(fā)明與現(xiàn)有技術(shù)相比，帶來(lái)的意料不到的技術(shù)效果如下：

1、卷積神經(jīng)網(wǎng)絡(luò)用來(lái)識(shí)別位移、縮放及其他形式扭曲不變性的二維圖形。cnn在特征提取方面存在優(yōu)勢(shì)。由于cnn的特征檢測(cè)層通過(guò)訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)，避免了顯示的特征抽取，而是隱式地從訓(xùn)練數(shù)據(jù)中進(jìn)行學(xué)習(xí)；再者由于同一特征映射面上的神經(jīng)元權(quán)值相同，所以網(wǎng)絡(luò)可以并行學(xué)習(xí)，這也是卷積網(wǎng)絡(luò)相對(duì)于神經(jīng)元彼此相連網(wǎng)絡(luò)的一大優(yōu)勢(shì)。

2、本發(fā)明采用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行輪胎x光圖像分類，與傳統(tǒng)方法相比優(yōu)勢(shì)如下：卷積神經(jīng)網(wǎng)絡(luò)在進(jìn)行訓(xùn)練的時(shí)候會(huì)自動(dòng)學(xué)習(xí)圖片特征，避免了需要人工選擇特征的缺點(diǎn)，最終的效果也遠(yuǎn)優(yōu)于傳統(tǒng)方法。

而傳統(tǒng)方法進(jìn)行輪胎x光圖像分類時(shí)，需要通過(guò)提取輪胎x光圖像的一些特征，特征最終決定系統(tǒng)的性能，而好的特征需要很好的先驗(yàn)知識(shí)和設(shè)計(jì)經(jīng)驗(yàn)，在實(shí)際系統(tǒng)開(kāi)發(fā)中很難提取得到最優(yōu)的具有最佳效果的區(qū)分度特征。

3、卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用在圖片分類的突出特點(diǎn)是在訓(xùn)練模型的時(shí)候需要耗費(fèi)大量的時(shí)間，但是在使用卷積神經(jīng)網(wǎng)絡(luò)模型的時(shí)候只需要花費(fèi)很短的時(shí)間。這也很符合工程的需求。

當(dāng)然，實(shí)施本發(fā)明的任一產(chǎn)品必不一定需要同時(shí)達(dá)到以上所述的所有技術(shù)效果。

附圖說(shuō)明

此處所說(shuō)明的附圖用來(lái)提供對(duì)本申請(qǐng)的進(jìn)一步理解，構(gòu)成本申請(qǐng)的一部分，本申請(qǐng)的示意性實(shí)施例及其說(shuō)明用于解釋本申請(qǐng)，并不構(gòu)成對(duì)本申請(qǐng)的不當(dāng)限定。在附圖中：

圖1為本發(fā)明輪胎x光病疵檢測(cè)方法中訓(xùn)練過(guò)程流程示意圖。

圖2為本發(fā)明輪胎x光病疵檢測(cè)方法中檢測(cè)過(guò)程流程示意圖。

圖3為本發(fā)明輪胎的原始圖片。

圖4為本發(fā)明輪胎的原始圖片切出來(lái)的檢測(cè)圖片。

圖5為本發(fā)明卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。

圖6為本發(fā)明神經(jīng)網(wǎng)絡(luò)層結(jié)構(gòu)示意圖。

具體實(shí)施方式

以下將配合附圖及實(shí)施例來(lái)詳細(xì)說(shuō)明本申請(qǐng)的實(shí)施方式，借此對(duì)本申請(qǐng)如何應(yīng)用技術(shù)手段來(lái)解決技術(shù)問(wèn)題并達(dá)成技術(shù)功效的實(shí)現(xiàn)過(guò)程能充分理解并據(jù)以實(shí)施。

一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的輪胎x光病疵檢測(cè)方法，步驟如下：

s1、圖片預(yù)處理：參見(jiàn)圖3，將原始的圖片進(jìn)行銳化處理。原始的圖片中有不清晰的情況，經(jīng)銳化處理后，圖片紋路更加清晰，病疵部分更明顯。

s2、數(shù)據(jù)清洗：對(duì)現(xiàn)有的輪胎病疵圖片進(jìn)行切割，將病疵圖片中的病疵部分切割出來(lái)，當(dāng)作負(fù)樣本；將圖片中的正常部分切割出來(lái)，當(dāng)作正樣本。

s3、卷積神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)和訓(xùn)練：參見(jiàn)圖1，設(shè)計(jì)四種卷積神經(jīng)網(wǎng)絡(luò)模型，兩種卷積神經(jīng)網(wǎng)絡(luò)模型分別用于檢測(cè)胎面或胎側(cè)部位圖片是否有病疵；另外兩種卷積神經(jīng)網(wǎng)絡(luò)模型分別用于判斷胎面或胎側(cè)部位圖片的病疵類型；針對(duì)每一種病疵的位置特點(diǎn)，有針對(duì)的選擇圖片位置進(jìn)行訓(xùn)練。

其中，步驟s3中卷積神經(jīng)網(wǎng)絡(luò)設(shè)置為16層結(jié)構(gòu)，包括1個(gè)輸入層、1個(gè)輸出層、8個(gè)用于特征提取的卷積層、3個(gè)用于特征優(yōu)化選取的抽樣層、2個(gè)用于表示特征的全連接層和1個(gè)用于計(jì)算輸出和目標(biāo)損失值的損失層。

s4、參數(shù)調(diào)節(jié)：使用s3中預(yù)先訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)，作為分類器，將s2處理好的圖片輸入進(jìn)神經(jīng)網(wǎng)絡(luò)，針對(duì)神經(jīng)網(wǎng)絡(luò)模型對(duì)結(jié)果預(yù)測(cè)的準(zhǔn)確度，調(diào)整卷積神經(jīng)網(wǎng)絡(luò)參數(shù)。

s5、輸入圖片預(yù)處理：利用candy邊緣檢測(cè)方法，將原始的圖片切分成胎面和胎側(cè)部分。

步驟s5進(jìn)一步的子步驟如下：

s51、利用candy邊緣檢測(cè)方法，參見(jiàn)圖4,將原始的圖片切分成胎面和胎側(cè)部分，并切去全黑的無(wú)信息內(nèi)容的圖片。

s52、根據(jù)病疵位置特點(diǎn)，選用兩側(cè)的胎側(cè)圖片進(jìn)行訓(xùn)練分類各種胎側(cè)病疵；選用胎面部分的圖片進(jìn)行訓(xùn)練分類各種胎面病疵。

s53、將每種病疵圖片切割成像素大小為96x96的圖片，對(duì)訓(xùn)練圖像進(jìn)行均值濾波和歸一化處理，進(jìn)行下一步的模型訓(xùn)練。

s6、模型訓(xùn)練：參見(jiàn)圖2，圖5和圖6，對(duì)步驟s3中的四種卷積神經(jīng)網(wǎng)絡(luò)模型采用多卷積層，小卷積核的方法進(jìn)行模型訓(xùn)練。

步驟s6進(jìn)一步的子步驟如下：

s61、針對(duì)不同的分類目標(biāo)，構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型。

s62、使用s5得到的圖片數(shù)據(jù)訓(xùn)練模型，模型分為如下四種卷積神經(jīng)網(wǎng)絡(luò)模型：

模型一：判斷胎側(cè)部位圖片是否有病疵的卷積神經(jīng)網(wǎng)絡(luò)模型。

進(jìn)一步的，模型一的訓(xùn)練步驟如下：

s621、構(gòu)建用于區(qū)分胎側(cè)部位的圖片是否有病疵的卷積神經(jīng)網(wǎng)絡(luò)模型。

s622、將所有的胎側(cè)部分的病疵圖片和非病疵圖片當(dāng)做訓(xùn)練集和驗(yàn)證集，訓(xùn)練s621中的卷積神經(jīng)網(wǎng)絡(luò)模型。

s623、多次重復(fù)s622的步驟，取模型分類效果最優(yōu)的深度卷積神經(jīng)網(wǎng)絡(luò)模型，當(dāng)作最終的胎側(cè)病疵判斷模型。

模型二：判斷胎面部位是否有病疵的卷積神經(jīng)網(wǎng)絡(luò)。

進(jìn)一步的，模型二的訓(xùn)練步驟如下：

s624、構(gòu)建用于區(qū)分胎面部位的圖片是否有病疵的卷積神經(jīng)網(wǎng)絡(luò)模型。

s625、將所有的胎面部分的病疵圖片和非病疵圖片當(dāng)做訓(xùn)練集和驗(yàn)證集，訓(xùn)練s624中的卷積神經(jīng)網(wǎng)絡(luò)模型。

s626、多次重復(fù)s625的步驟，取模型分類效果最優(yōu)的深度卷積神經(jīng)網(wǎng)絡(luò)模型，當(dāng)作最終的胎面病疵判斷模型。

模型三：運(yùn)行對(duì)胎側(cè)部分的病疵分類的卷積神經(jīng)網(wǎng)絡(luò)模型，分類各種胎側(cè)病疵。

進(jìn)一步的，模型三的訓(xùn)練步驟如下：

s627、構(gòu)建用于區(qū)分各種胎側(cè)病疵的卷積神經(jīng)網(wǎng)絡(luò)。

s628、將各種胎側(cè)病疵的胎側(cè)圖片當(dāng)做訓(xùn)練集和驗(yàn)證集，訓(xùn)練s627中的卷積神經(jīng)網(wǎng)絡(luò)。

s629、多次重復(fù)s628的步驟，取模型分類效果最優(yōu)的深度卷積神經(jīng)網(wǎng)絡(luò)模型，當(dāng)作最終的分類模型。

模型四：對(duì)胎面部分的模型病疵分類的卷積神經(jīng)網(wǎng)絡(luò)模型，分類各種胎面病疵。

進(jìn)一步的，模型四的訓(xùn)練步驟如下：

s6210、構(gòu)建用于區(qū)分各種胎面病疵的卷積神經(jīng)網(wǎng)絡(luò)。

s6211、將各種胎面病疵的胎面圖片當(dāng)做訓(xùn)練集和驗(yàn)證集，訓(xùn)練s6210中的卷積神經(jīng)網(wǎng)絡(luò)。

s6212、多次重復(fù)s6211的步驟，取模型分類效果最優(yōu)的深度卷積神經(jīng)網(wǎng)絡(luò)模型，當(dāng)作最終的模型。

s7、模型測(cè)試：采用滑動(dòng)窗口的方法，針對(duì)分類的結(jié)果，結(jié)合圖片的病疵分布進(jìn)行判斷；對(duì)判斷出的輪胎病疵，模型能實(shí)時(shí)顯示出病疵的位置和分布情況。

步驟s7進(jìn)一步的子步驟如下：

s71、采用邊緣檢測(cè)方法，將圖片切分成左中右三部分，切去全黑的冗余內(nèi)容圖片，對(duì)測(cè)試圖片，使用滑動(dòng)窗口的方法，窗口像素大小為96x96，步長(zhǎng)為96，每滑動(dòng)一次，截取出用于測(cè)試的小圖。

s72、對(duì)s71得到的小圖，第一步將胎側(cè)小圖和胎面小圖通過(guò)s6中的模型一或模型二進(jìn)行判斷，判斷該小圖是否有病疵，如果判斷結(jié)果為正常，則無(wú)病疵，反之，則進(jìn)行下一階段測(cè)試。

s73、對(duì)s72得到有病疵小圖，根據(jù)該小圖的胎側(cè)或胎面位置，使用模型三或四進(jìn)行測(cè)試，得到其病疵類型。

s74、利用病疵的特點(diǎn)，將滑動(dòng)窗口判斷的結(jié)果中，出現(xiàn)多個(gè)病疵窗口聚集的地方判斷為有病疵的位置。

本實(shí)施例采用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行輪胎x光圖像分類，與傳統(tǒng)方法相比優(yōu)勢(shì)如下：卷積神經(jīng)網(wǎng)絡(luò)在進(jìn)行訓(xùn)練的時(shí)候會(huì)自動(dòng)學(xué)習(xí)圖片特征，避免了需要人工選擇特征的缺點(diǎn)，最終的效果也遠(yuǎn)優(yōu)于傳統(tǒng)方法。

而傳統(tǒng)方法進(jìn)行輪胎x光圖像分類時(shí)，需要通過(guò)提取輪胎x光圖像的一些特征，特征最終決定系統(tǒng)的性能，而好的特征需要很好的先驗(yàn)知識(shí)和設(shè)計(jì)經(jīng)驗(yàn)，在實(shí)際系統(tǒng)開(kāi)發(fā)中很難提取得到最優(yōu)的具有最佳效果的區(qū)分度特征。

另外，卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用在圖片分類的突出特點(diǎn)是在訓(xùn)練模型的時(shí)候需要耗費(fèi)大量的時(shí)間，但是在使用卷積神經(jīng)網(wǎng)絡(luò)模型的時(shí)候只需要花費(fèi)很短的時(shí)間。這也很符合工程的需求。

還需要說(shuō)明的是，術(shù)語(yǔ)“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的商品或者系統(tǒng)不僅包括那些要素，而且還包括沒(méi)有明確列出的其他要素，或者是還包括為這種商品或者系統(tǒng)所固有的要素。在沒(méi)有更多限制的情況下，由語(yǔ)句“包括一個(gè)……”限定的要素，并不排除在包括所述要素的商品或者系統(tǒng)中還存在另外的相同要素。

上述說(shuō)明示出并描述了本發(fā)明的若干優(yōu)選實(shí)施例，但如前所述，應(yīng)當(dāng)理解本發(fā)明并非局限于本文所披露的形式，不應(yīng)看作是對(duì)其他實(shí)施例的排除，而可用于各種其他組合、修改和環(huán)境，并能夠在本文所述發(fā)明構(gòu)想范圍內(nèi)，通過(guò)上述教導(dǎo)或相關(guān)領(lǐng)域的技術(shù)或知識(shí)進(jìn)行改動(dòng)。而本領(lǐng)域人員所進(jìn)行的改動(dòng)和變化不脫離本發(fā)明的精神和范圍，則都應(yīng)在本發(fā)明所附權(quán)利要求的保護(hù)范圍內(nèi)。