基于人工智能的汽车轮胎缺陷检测解决方案

发布时间: 2020-09-03 11:35:39   行业解决方案   作者:猎维科技

导读: 全世界每年有124万人死于交通事故,其中91%的死亡交通事故发生在低收入和中等收入国家,我国也是世界上受道路交通安全伤害最严重的国家之一。

全世界每年有124万人死于交通事故,其中91%的死亡交通事故发生在低收入和中等收入国家,我国也是世界上受道路交通安全伤害最严重的国家之一。

据统计,我国的高速公路交通事故70%由轮胎故障引起,120码以上爆胎生还几率为零,轮胎安全已成为全民关注的问题。2019 年 9 月 28 日上午,G25 长深高速 2154KM 处一辆满载的大客车左前轮突然爆胎,冲破道路中央隔离带驶入对向车道并与一辆半挂货车相撞,造成 36 人死亡、36 人受伤。整个搜救历经 8 个多小时,事故现场触目惊心……

猎维科技解决方案

事实上,越来越多的产品,仅靠人工几乎不可能达到完全准确的质量判断,而一个很小的缺陷不仅会影响到整个制造商的生产效率和利润率,更重要的是,假设这些不合格的产品不小心流入市场,带给用户的将是不可想象的安全风险。

中国目前大约有600家轮胎制造商,每年生产将近8亿个轮胎,占全球轮胎年产总量的三分之一。在这种规模上,要保证产品质量的一致,属实是一个巨大的挑战。

从业内整体情况来看,目前大多数公司都依靠人工检查。但这种方法既耗费人力财力,又不够可靠。具体来说,培训一个检查员要花费3个月的时间,而检查工作最多占用他们80%的时间。为什么轮胎检测如此复杂困难,以至于训练有素的检查员都无法达到更高的准确率? 

猎维科技车胎缺陷检测

为何人工检测难度大?效率低?

业内人士指出,在轮胎的生产过程中,轮胎表面的字符、色点标识会存在各式各样的缺陷问题,比如位置偏移、标识不清、凹坑、裂口等。再加上轮胎上的字符跟背景色相近。传统的人工检查方法在缺陷判别上存在个体与个体间的差异,并且有检查员视力疲劳等因素,很多产品的微小瑕疵并不能高效地被识别。人工检测精准性低会增加昂贵的返工成本,也会限制产量的扩大、甚至可能会造成召回问题,影响公司声誉。

用AI代替人工检测,事半功倍!

近年来,以卷积神经网络(ConvolutionalNeural Networks, CNN)为代表的深度学模型在汽车轮胎缺陷检测得到广泛的应用,利用AI相关前沿技术既能够对整个社会带来的价值,取代大量的重复性的目视检查工作,同时工业质检这个行业仍然存在很多问题没有被解决,有机会通过新技术的进步来解决。

  • 获取需要更多的数据集。
  • 工业相机选型:由于厂商水线作业,速度比较快,因此选用逐行扫描相机
  • 光源选型:目前广泛应用于市场上的光源包括:LED光源,卤素灯(光纤光源)、高频荧光灯等。在综合成本和性能方面考虑灯源的选择。

如何处理这些收集的数据?

图像数据集预处理

轮胎检测预处理的目的是消除数据获取过程中由于误操作导致数据模糊。同时针对采集数据质量情况,可以针对工业相机进行校正。

汽车轮胎检测

对海量的图片进行标注轮胎缺陷,生成目标真值框,即利用质检员目视解译勾绘误差的边界。标注时包含了从工业相机获取的所有缺陷轮胎数据。缺陷轮胎标注情况如图所示。(位置偏移、标识不清、凹坑、裂口等问题。)

汽车轮胎检测

缺陷轮胎标注示意图

样本增强

卷积神经网络是数据饥渴型模型,需要大规模样本进行训练,当训练数据较少时,可通过剪切、旋转、改变对比度、加噪音等方法扩充数据集样本的数量,对提高模型检测性能和泛化能力有着重要的作用。

猎维科技数据增强效果示意图

缺陷轮胎质量检测方法

缺陷轮胎质量检测方法我们主要采用“卷积神经网络”。卷积神经网络(Convolutional Neural Networks, CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(FeedforwardNeural Networks),是深度学习(deep learning)的代表算法之一 。卷积神经网络具有表征学习(representationlearning)能力,能够按其阶层结构对输入信息进行平移不变分类(shift-invariantclassification),因此也被称为“平移不变人工神经网络(Shift-Invariant Artificial Neural Networks, SIANN)”。卷积神经网络训练图四如下:

猎维科技卷积神经网络示意图

参数初始化在开始训练前,所有的权都应该用一些不同的随机数进行初始化。训练基本流程选定训练组,从样本集中分别随机地寻求N个样本作为训练组;将各权值、阈值,置成小的接近于0的随机值,并初始化精度控制参数和学习率;从训练组中取一个输入模式加到网络,并给出它的目标输出向量;调整权值和调整阈值;当经历M后,判断指标是否满足精度要求,如果不满足,则返回网络中,继续迭代;如果满足就进入下一步;训练结束,将权值和阈值保存在文件中。这时可以认为各个权值已经达到稳定,分类器已经形成。再一次进行训练,直接从文件导出权值和阈值进行训练,不需要进行初始化。

深度学习卷积神经网络

模拟卷积神经网络训练过程

将训练数据与验证数据按照7:3的数量关系,将获取的89967张轮胎图像及对应标注文件按照7:3分为训练样本集合和验证样本集合。数据覆盖全部轮胎花纹,材质类型。主观评价为安排十名水平参差不齐的质检员,通过人工质检的方式在计算机中筛选出存在瑕疵的轮胎;客观评价从误检与漏检两个方面对目标检测效果进行定量评价,选择的指标包括recall(检测率)、虚警率与mAP的指标。

卷积神经网络回归曲线图

对于神经网络而言,随着网络变大,通道增加,精度会有所上升,但达到一定程度后会饱和;当精度下降时则会突然陷入无法学习的情况。建议使用小型神经网络能使硬件满足网络需求的性能,实现高性能功耗比。少channel,引入1×1卷积等操作来实现计算力要求低且精度也有保障的效果。

卷积神经网络示意图

可以看到的是,基于卷积神经网络实现了对汽车轮胎的检测,既可以节省人力成本的同时,又大大提高了检测质量。是真正意义上具备推广价值的商用模式。


猎维科技整体解决方案