CN107239831B - 一种轮胎是否漏气的检测方法、检测***及检测装置 - Google Patents
一种轮胎是否漏气的检测方法、检测***及检测装置 Download PDFInfo
- Publication number
- CN107239831B CN107239831B CN201710536793.2A CN201710536793A CN107239831B CN 107239831 B CN107239831 B CN 107239831B CN 201710536793 A CN201710536793 A CN 201710536793A CN 107239831 B CN107239831 B CN 107239831B
- Authority
- CN
- China
- Prior art keywords
- tire
- area
- image
- sample data
- data set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明公开一种轮胎是否漏气的检测方法、检测***及检测装置,检测方法,检测方法包括:分别获取被测轮胎的第一轮胎面积和第二轮胎面积,其中,获取第一轮胎面积的时刻与获取第二轮胎面积的时刻相差设定的时间间隔;根据第一轮胎面积和第二轮胎面积确定被测轮胎的面积变化率;判断面积变化率是否大于第一设定阈值;若是,则确定被测轮胎漏气;若否,则确定被测轮胎不漏气。本发明提供的检测方法、检测***及检测装置,能够根据被测轮胎在设定时间间隔内的面积变化率来自动判断内轮胎是否漏气,不仅能提高工作效率,而且还能避免手工操作中由于个体差异性带来的误差,从而提高漏气检测的准确性。
Description
技术领域
本发明涉及机器视觉领域,特别是涉及一种轮胎是否漏气的检测方法、检测***及检测装置。
背景技术
随着社会的快速发展,汽车迅速成为人们生活中不可缺少的一部分。橡胶轮胎是汽车的重要组成部分,然而橡胶轮胎的内胎在生产时会因为工艺等方面的原因,生产出一些漏气的不合格内轮胎,而这些不合格品就需要被准确的筛选出来。目前,厂家检测的方法主要通过对内轮胎充气,然后静置24小时,查看是否出现瘪胎来判断待测内轮胎是否漏气。这种方法存在几个明显的缺点:第一,厂家每天的内轮胎产量很大,这样会占据很大的空间;第二,轮胎放置的时间过久,影响生产效率;第三,整个过程都是工人手工作业,效率低下,而且通过这样的方法得到的结果依旧不可靠,内轮胎品质不稳定,这将会给生产厂家带来名誉损失。综上所述,现有的检测轮胎是否漏气的方法,无法准确高效地筛选出漏气轮胎。
因此,如何准确高效地筛选出漏气轮胎,成为本领域技术人员亟需解决的技术问题。
发明内容
本发明的目的是提供一种轮胎是否漏气的检测方法,能够准确高效地筛选出漏气轮胎。
为实现上述目的,本发明提供了如下方案:
一种轮胎是否漏气的检测方法,所述检测方法包括:
分别获取被测轮胎的第一轮胎面积和第二轮胎面积,其中,获取所述第一轮胎面积的时刻与获取所述第二轮胎面积的时刻相差设定的时间间隔;
根据所述第一轮胎面积和所述第二轮胎面积确定所述被测轮胎的面积变化率;
判断所述面积变化率是否大于第一设定阈值;
如果所述面积变化率大于第一设定阈值,则确定所述被测轮胎漏气;
如果所述面积变化率小于或等于第一设定阈值,则确定所述被测轮胎不漏气。
可选的,确定所述第一设定阈值的方法包括:
获取样本数据集,所述样本数据集包括多组样本数据,其中,一组所述样本数据包括已知是否漏气的一个轮胎的面积变化率和所述轮胎的漏气标记;
将所述样本数据集分为测试样本数据集和校验样本数据集,其中,所述测试样本数据集包括所述样本数据集中的若干组样本数据,所述校验样本数据集包括所述样本数据集中、除所述测试样本数据集以外的样本数据;
选择BP神经网络模型,并利用所述测试样本数据集训练所述BP神经网络模型,得到初选阈值,并根据所述初选阈值更新所述BP神经网络模型;
利用所述校验样本数据集对所述BP神经网络模型进行漏气标记校验,如果所述BP神经网络模型输出的漏气标记的错误率小于或等于第二设定阈值,将所述第一设定阈值设定为所述初选阈值;
如果所述BP神经网络模型输出的漏气标记的错误率大于第二设定阈值,重新选择BP神经网络模型。
可选的,所述根据所述第一轮胎面积和所述第二轮胎面积确定所述被测轮胎的面积变化率具体包括:
根据公式:W=(S1-S2)/S2,确定所述被测轮胎的面积变化率,其中,W表示所述被测轮胎的面积变化率,S1表示所述第一轮胎面积,S2表示所述第二轮胎面积。
可选的,所述分别获取被测轮胎的第一轮胎面积和第二轮胎面积之前还包括:
在t1时刻采集所述被测轮胎的第一测量图像;
在t1+Δt时刻采集所述被测轮胎的第二测量图像,其中,Δt表示所述设定的时间间隔;
分别对所述第一测量图像和所述第二测量图像进行图像二值化处理,得到对应的二值化第一图像和二值化第二图像;
分别提取所述二值化第一图像和所述二值化第二图像的轮廓线,得到对应的第一轮廓图像和第二轮廓图像;
根据所述第一轮廓图像确定所述第一轮胎面积,并根据所述第二轮廓图像确定所述第二轮胎面积。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供的检测方法,根据被测轮胎在设定时间间隔内的面积变化率来自动判断内轮胎是否漏气,不仅能提高工作效率,而且还能避免手工操作中由于个体差异性带来的误差,从而提高漏气检测的准确性。
本发明的目的还在于提供一种轮胎是否漏气的检测***,能够准确高效地筛选出漏气轮胎。
为实现上述目的,本发明提供了如下方案:
一种轮胎是否漏气的检测***,所述检测***包括:
面积获取模块,用于分别获取被测轮胎的第一轮胎面积和第二轮胎面积,其中,获取所述第一轮胎面积的时刻与获取所述第二轮胎面积的时刻相差设定的时间间隔;
变化率确定模块,用于根据所述第一轮胎面积和所述第二轮胎面积确定所述被测轮胎的面积变化率;
变化率判断模块,用于判断所述面积变化率是否大于第一设定阈值;
漏气情况确定模块,用于如果所述面积变化率大于第一设定阈值,则确定所述被测轮胎漏气,如果所述面积变化率小于或等于第一设定阈值,则确定所述被测轮胎不漏气。
可选的,所述检测***还包括与所述变化率判断模块连接的第一阈值确定模块,用于
获取样本数据集,所述样本数据集包括多组样本数据,其中,一组所述样本数据包括已知是否漏气的一个轮胎的面积变化率和所述轮胎的漏气标记;
将所述样本数据集分为测试样本数据集和校验样本数据集,其中,所述测试样本数据集包括所述样本数据集中的若干组样本数据,所述校验样本数据集包括所述样本数据集中、除所述测试样本数据集以外的样本数据;
选择BP神经网络模型,并利用所述测试样本数据集训练所述BP神经网络模型,得到初选阈值,并根据所述初选阈值更新所述BP神经网络模型;
利用所述校验样本数据集对所述BP神经网络模型进行漏气标记校验,如果所述BP神经网络模型输出的漏气标记的错误率小于或等于第二设定阈值,将所述第一设定阈值设定为所述初选阈值;
如果所述BP神经网络模型输出的漏气标记的错误率大于第二设定阈值,重新选择BP神经网络模型。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供的检测***,漏气情况确定模块根据被测轮胎在设定时间间隔内的面积变化率来自动判断内轮胎是否漏气,不仅能提高工作效率,而且还能避免手工操作中由于个体差异性带来的误差,从而提高漏气检测的准确性。
本发明的目的还在于提供一种轮胎是否漏气的检测装置,能够准确高效地筛选出漏气轮胎。
为实现上述目的,本发明提供了如下方案:
一种轮胎是否漏气的检测装置,所述检测装置包括:
传送装置,用于将被测轮胎传送到设定的第一图像采集区域和第二图像采集区域;
图像采集装置,对应所述第一图像采集区域和所述第二图像采集区域设置,用于分别采集所述第一图像采集区域中的被测轮胎的第一测量图像和所述第二图像采集区域中的被测轮胎的第二测量图像,其中,采集所述第一测量图像的时刻和采集所述第二测量图像的时刻相差设定的时间间隔;
图像处理装置,与所述图像采集装置连接,用于根据所述第一测量图像确定所述被测轮胎的第一轮胎面积,并根据所述第二测量图像确定所述被测轮胎的第二轮胎面积。
权利要求5或6所述的检测***,与所述图像处理装置连接,用于确定所述被测轮胎是否漏气。
可选的,所述检测装置还包括分别对应所述第一图像采集区域和所述第二图像采集区域设置的位置传感器,且所述位置传感器与所述检测***连接,用于当所述被测轮胎进入所述第一图像采集区域时或所述被测轮胎进入所述第二图像采集区域时,给所述检测***发送位置信号;
所述检测***根据所述位置信号控制所述传送装置停止运动。
可选的,所述检测装置还包括分别对应所述第一图像采集区域和所述第二图像采集区域设置的位置传感器,且所述位置传感器与所述检测***连接,用于当所述被测轮胎进入所述第一图像采集区域时或所述被测轮胎进入所述第二图像采集区域时,给所述检测***发送位置信号;
所述检测***根据所述位置信号控制所述图像采集装置采集所述第一测量图像或采集所述第二测量图像。
可选的,所述图像采集装置具体包括第一图像采集装置和第二图像采集装置,其中,所述第一图像采集装置对应所述第一图像采集区域设置,用于采集所述第一测量图像;所述第二图像采集装置对应所述第二图像采集区域设置,用于采集所述第二测量图像。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明利用检测***控制传送装置将被测轮胎传输到图像采集区域,并根据图像采集装置采集的被测轮胎的图像判断轮胎是否漏气,实现了漏气检测的自动化,能够提高漏气检测的效率和准确度。与现有的基于人工的漏气检测技术相比,不仅为工厂节省了大量的人力和空间,而且为工厂的自动化升级改造提供了方便。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例1的流程图;
图2为本发明实施例1确定第一设定阈值的流程图;
图3为本发明实施例3的结构框图;
图4为本发明实施例4的流程图;
图5为本发明实施例5检测装置的结构示意图;
图6为本发明实施例5中遮光盒的结构示意图;
图7为本发明实施例5中LED灯的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种轮胎是否漏气的检测方法、检测***及检测装置,能够准确高效地筛选出漏气轮胎。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1:
如图1所述,一种轮胎是否漏气的检测方法包括:
步骤11:分别获取被测轮胎的第一轮胎面积和第二轮胎面积,其中,获取所述第一轮胎面积的时刻与获取所述第二轮胎面积的时刻相差设定的时间间隔,可选地,设定的时间间隔的范围是3~7分钟,优选地,设定的时间间隔为5分钟;
步骤12:根据所述第一轮胎面积和所述第二轮胎面积确定所述被测轮胎的面积变化率,本实施例中,根据公式:W=(S1-S2)/S2,确定所述被测轮胎的面积变化率,其中,W表示所述被测轮胎的面积变化率,S1表示所述第一轮胎面积,S2表示所述第二轮胎面积;
步骤13:判断所述面积变化率是否大于第一设定阈值;
步骤14:如果所述面积变化率大于第一设定阈值,则确定所述被测轮胎漏气,将所述被测轮胎标记为漏气轮胎;
步骤15:如果所述面积变化率小于或等于第一设定阈值,则确定所述被测轮胎不漏气,将所述被测轮胎标记为合格轮胎。
具体地,如图2所示,确定所述第一设定阈值的方法包括:
步骤131:获取样本数据集,所述样本数据集包括多组样本数据,其中,一组所述样本数据包括已知是否漏气的一个轮胎的面积变化率和所述轮胎的漏气标记;
步骤132:将所述样本数据集分为测试样本数据集和校验样本数据集,其中,所述测试样本数据集包括所述样本数据集中的若干组样本数据,所述校验样本数据集包括所述样本数据集中、除所述测试样本数据集以外的样本数据;
步骤133:选择BP神经网络模型,并利用所述测试样本数据集训练所述BP神经网络模型,得到初选阈值,并根据所述初选阈值更新所述BP神经网络模型;
步骤134:利用所述校验样本数据集对所述BP神经网络模型进行漏气标记校验;
步骤135:判断所述BP神经网络模型输出的漏气标记的错误率是否大于第二设定阈值;
若是,返回步骤133;
否则,执行步骤136;
步骤136:将所述第一设定阈值设定为所述初选阈值。
本实施例中,在执行步骤11之前还包括:
步骤101:在t1时刻采集所述被测轮胎的第一测量图像;
步骤102:在t1+Δt时刻采集所述被测轮胎的第二测量图像,其中,Δt表示所述设定的时间间隔;
步骤103:分别对所述第一测量图像和所述第二测量图像进行图像二值化处理,得到对应的二值化第一图像和二值化第二图像;
步骤104:分别提取所述二值化第一图像和所述二值化第二图像的轮廓线,得到对应的第一轮廓图像和第二轮廓图像;
步骤105:根据所述第一轮廓图像确定所述第一轮胎面积,并根据所述第二轮廓图像确定所述第二轮胎面积。
本发明提供的检测方法,根据被测轮胎在设定时间间隔内的面积变化率来自动判断内轮胎是否漏气,不仅能提高工作效率,而且还能避免手工操作中由于个体差异性带来的误差,从而提高漏气检测的准确性。
实施例2:
一种轮胎是否漏气的检测***包括:
面积获取模块21,用于分别获取被测轮胎的第一轮胎面积和第二轮胎面积,其中,获取所述第一轮胎面积的时刻与获取所述第二轮胎面积的时刻相差设定的时间间隔;
变化率确定模块22,用于根据所述第一轮胎面积和所述第二轮胎面积确定所述被测轮胎的面积变化率;
变化率判断模块23,用于判断所述面积变化率是否大于第一设定阈值;
漏气情况确定模块,用于如果所述面积变化率大于第一设定阈值,则确定所述被测轮胎漏气,如果所述面积变化率小于或等于第一设定阈值,则确定所述被测轮胎不漏气。
本实施例中,所述检测***还包括与所述变化率判断模块23连接的第一阈值确定模块,用于
获取样本数据集,所述样本数据集包括多组样本数据,其中,一组所述样本数据包括已知是否漏气的一个轮胎的面积变化率和所述轮胎的漏气标记;
将所述样本数据集分为测试样本数据集和校验样本数据集,其中,所述测试样本数据集包括所述样本数据集中的若干组样本数据,所述校验样本数据集包括所述样本数据集中、除所述测试样本数据集以外的样本数据;
选择BP神经网络模型,并利用所述测试样本数据集训练所述BP神经网络模型,得到初选阈值,并根据所述初选阈值更新所述BP神经网络模型;
利用所述校验样本数据集对所述BP神经网络模型进行漏气标记校验,如果所述BP神经网络模型输出的漏气标记的错误率小于或等于第二设定阈值,将所述第一设定阈值设定为所述初选阈值;
如果所述BP神经网络模型输出的漏气标记的错误率大于第二设定阈值,重新选择BP神经网络模型。
本发明提供的轮胎是否漏气的检测***,可以将原有依靠人工检测内轮胎漏气状况的方式转变为依靠机器,实现实时检测,提高检测效率和准确率。
实施例3:
如图3所示,一种轮胎是否漏气的检测装置,包括:传送装置31、图像采集装置32、位置传感器33、检测***34和图像处理装置35,其中,
传送装置31将被测轮胎传送到设定的第一图像采集区域和第二图像采集区域;图像采集装置32,对应所述第一图像采集区域和所述第二图像采集区域设置,用于分别采集所述第一图像采集区域中的被测轮胎的第一测量图像和所述第二图像采集区域中的被测轮胎的第二测量图像,其中,采集所述第一测量图像的时刻和采集所述第二测量图像的时刻相差设定的时间间隔;
位置传感器33,分别对应所述第一图像采集区域和所述第二图像采集区域设置,且所述位置传感器33与所述检测***34连接,用于当所述被测轮胎进入所述第一图像采集区域时或所述被测轮胎进入所述第二图像采集区域时,给所述检测***34发送位置信号;
图像处理装置35与所述图像采集装置32连接,用于根据所述第一测量图像确定所述被测轮胎的第一轮胎面积,并根据所述第二测量图像确定所述被测轮胎的第二轮胎面积;
所述检测***34与图像处理装置35连接诶,用于根据所述位置信号控制所述传送装置31停止运动或者根据所述位置信号控制所述图像采集装置32采集所述第一测量图像或采集所述第二测量图像;
根据所述第一轮胎面积和所述第二轮胎面积确定所述被测轮胎的面积变化率;
判断所述面积变化率是否大于第一设定阈值;
如果所述面积变化率大于第一设定阈值,则确定所述被测轮胎漏气;
如果所述面积变化率小于或等于第一设定阈值,则确定所述被测轮胎不漏气。
本实施例中,所述图像采集装置32具体包括第一图像采集装置321和第二图像采集装置322,其中,所述第一图像采集装置321对应所述第一图像采集区域设置,用于采集所述第一测量图像;所述第二图像采集装置322对应所述第二图像采集区域设置,用于采集所述第二测量图像。
所述检测***34根据被测轮胎的重量调节所述传送装置31的运动速度,使所述被测轮胎到达所述第一图像采集区域的时刻与所述被测轮胎到达所述第二图像采集区域的时刻相差所述设定的时间间隔。
本发明根据内轮胎在一定时间的面积变化率来判断内轮胎漏气与否,极大地提高了漏气检测的准确性和便捷性。
实施例4:
如图4所示,一种轮胎是否漏气的检测方法,包括:
步骤41:通过图像采集***,采集测量平面A1上内轮胎的图像数据,采集结束后通过传送装置将内轮胎传送至测量平面A2,再次获取内轮胎的图像数据,通过对内轮胎图像数据的处理,包括:提取测量平面、图像二值化、提取轮廓、计算面积,得到相应的内轮胎面积S1和S2,其中,测量平面A1、A2为提前构造的两个相同的测量平面,其上均安装有图像采集***,该平面根据内轮胎的大小制作,两平面通过传送装置相连;
步骤42:通过公式:W=(S1-S2)/S2,得到面积变化率,其中,W表示所述被测轮胎的面积变化率,S1表示所述第一轮胎面积,S2表示所述第二轮胎面积;
步骤43:将待测内轮胎的面积变化率,与漏气阈值即第一设定阈值进行比较,若得到的面积变化率大于此阈值,则此内轮胎为漏气内轮胎,若小于或等于此阈值,则此内轮胎为正常轮胎。
本实施例中,确定漏气阈值的方法为:选取一定数量不同型号的正常内轮胎,按照步骤41和步骤42的操作得到面积变化率W1,比较各个内轮胎的面积变化率W1,选取其中最大的变化率W1 1,作为漏气阈值下限T1,轻微旋转气门芯,保证内轮胎的漏气速度较慢,对其进行相同操作得到各个内轮胎的面积变化率W2,选取其中最小的变化率W2 1作为内轮胎的漏气阈值上限T2,在漏气阈值下限T1至漏气阈值上限T2的范围内选取一个合适的值作为内轮胎漏气阈值T,具体实施步骤如下:
步骤431:选取大量不同型号且已知漏气及不漏气内轮胎作为测试样本,选取大量不同型号的正常内轮胎作为构造样本,并将其等分成两组,一组轻微旋转气门芯,保证该内轮胎的漏气速度较慢,一组保持不变。将测试样本和构造样本的内轮胎逐个放置于测量平面A1,通过图像采集***得到该内轮胎的面积{S1、S2、S3...},采集结束后工控机自动控制传送带将轮胎传送至测量平面A2,得到内轮胎面积通过公式得到第i个内轮胎的面积变化率Wi,及每个轮胎的漏气标记Ti(即非漏气内轮胎Ti=1,漏气内轮胎Ti=0),其中,S1 i表示第i个内轮胎通过测量平面A1时的面积,S2 i表示第i个内轮胎通过测量平面A2时的面积;
步骤432:选择BP神经网络初始模型,将所得的已知漏气与否的面积变化率Wi作为输入变量,漏气标记Ti为输出变量,的双曲正切S型(Tan-Sigmoid)型函数为神经元的激活函数,建立具有输入层、隐藏层及输出层的BP神经网络初始模型,其中n为上层神经元与权值的乘积。
本实施例中,BP神经网络中使用的传递函数为tan-sigmoid函数,输出层的传递函数为线性(linear)函数。允许训练的最大次数为10000次,学习速率为0.01,网路输出与目标值的均方误差小于0.01。
步骤433:初始化BP神经网络初始模型并进行参数设置:初始化BP神经网络初始模型的连接权值和阀值,对BP神经网络初始模型的学习速率、期望误差、最大步数参数进行设置;
步骤434:对输入变量数据进行归一化处理得到训练集,利用该训练集进行网络学习训练,直到网络学习训练的均方误差达到要求,确定BP神经网络的连接权值和阀值,得到BP神经网络最终模型;
步骤435:选取所得的构造样本的面积变化率Wi对最终模型进行检验,得到构造样本的漏气标记的正确率,决定是否重新建立最终模型。
为了防止***老化使得内轮胎面积变化率不断增大,可以每隔30天,对上述最终得到的神经网络模型进行重新训练,得到新的模型。
本发明提出的基于机器视觉算法的在线内胎漏气检测方法,与过去的人工检测方法相比,能够极大地提高检测效率。
实施例5:
如图5~图7所示,一种轮胎是否漏气的检测装置,所述检测装置具体包括图像采集装置、传送装置、位置传感器和工控机,在所述传送装置上还设置有遮光盒,将遮光盒内的传送平面设置为测量平面,即图像采集区域。图像采集装置设置在传送装置的上方。遮光盒顶部的两侧拥有锁扣,可以和图像采集装置结合,前部和后部均为遮光的挡板。放置于传送装置上表面的内轮胎可以推开挡板进入遮光盒内即设定的图像采集区域,同时安装于挡板处的弹簧可以将挡板复位,其两端安装有位置传感器,本实施例中位置传感器为红外传感器。当所测内轮胎遮挡红外传感器所发出的光线时,光控开关关闭,传送装置停止运作,使所测内轮胎在指定位置停止,从而使图像采集装置可以采集图像。本实施例还设置有安装于遮光盒顶部的面阵光源,如LED灯,图像采集装置即工控相机安装于LED灯的中心位置。其中,传送装置的传送平台表面干净无污渍。
工控机可以控制传送装置,实现图像采集时,传送装置停止,内轮胎处于遮光盒内的测量平面上,图像采集结束后传送装置移动,图像采集装置,如相机和光源被固定在测量平面正上方,且相机相对测量平面处于正中间位置,相机视场满足最大型号内轮胎测量的要求。
具体应用中,可根据实际需要设计传送装置的长度,以确保待测内轮胎由测量平面A1通过该传送装置到达测量平面A2的时间间隔为5分钟以上。
本实施例提供的测量装置的工作过程如下:
将待测内轮胎放置于传送装置,传送装置自动将内轮胎传送至待测平面A1上方,此时工控机控制传送装置停止工作,工业数字相机对测量平面进行拍摄,对拍摄的图像进行处理,最终获得待测内轮胎的面积S1。对拍摄的图片进行预处理,提取图片感兴趣部分,在该步骤中需事先确定内轮胎处于测量平面的范围,其方法为在测量平面上划定测量矩形,内轮胎测量位置仅处于该测量矩形内,在所拍摄的图片中截取该测量矩形,即得感兴趣部分。对所得感兴趣部分,进行二值化处理,得到待测内轮胎的二值图像,通过对该图像进行轮廓查找和筛选得到待测内轮胎轮廓,从而计算得到处于测量平面A1内轮胎的面积S1;
得到待测内轮胎面积S1后,工控机控制传送装置开始工作,将待测内轮胎传送至待测平面A2,传送装置停止工作,工业数字相机对测量平面进行拍摄,获得待测内轮胎的面积S2;
通过公式:W=(S1-S2)/S2,计算得到该待测内轮胎的面积变化率,与内轮胎漏气阈值T进行比较,若所得面积变化率W大于内轮胎漏气阈值T,则该内轮胎为漏气轮胎,若所得面积变化率W小于内轮胎漏气阈值T,则该内轮胎为正常轮胎。
本实施例通过将工控机和传送装置结合,实现了内胎漏气检测的自动化,为工厂的自动化升级改造提供了方便,也为工程节省了人力和空间。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种轮胎是否漏气的检测方法,其特征在于,所述检测方法包括:
分别获取轮胎的第一轮胎面积和第二轮胎面积,其中,获取所述第一轮胎面积的时刻与获取所述第二轮胎面积的时刻相差设定的时间间隔;
根据所述第一轮胎面积和所述第二轮胎面积确定所述轮胎的面积变化率;具体包括:
在t1时刻采集所述轮胎的第一测量图像;
在t1+Δt时刻采集所述轮胎的第二测量图像,其中,Δt表示设定的时间间隔;
分别对所述第一测量图像和所述第二测量图像进行图像二值化处理,得到对应的二值化第一图像和二值化第二图像;
分别提取所述二值化第一图像和所述二值化第二图像的轮廓线,得到对应的第一轮廓图像和第二轮廓图像;
根据所述第一轮廓图像确定所述第一轮胎面积,并根据所述第二轮廓图像确定所述第二轮胎面积;
根据公式:W=(S1-S2)/S2,确定所述轮胎的面积变化率,其中,W表示所述轮胎的面积变化率,S1表示所述第一轮胎面积,S2表示所述第二轮胎面积;
判断所述面积变化率是否大于第一设定阈值;
如果所述面积变化率大于第一设定阈值,则确定所述轮胎漏气;
如果所述面积变化率小于或等于第一设定阈值,则确定所述轮胎不漏气。
2.根据权利要求1所述的轮胎是否漏气的检测方法,其特征在于,确定所述第一设定阈值的方法包括:
获取样本数据集,所述样本数据集包括多组样本数据,其中,一组所述样本数据包括已知是否漏气的一个轮胎的面积变化率和所述轮胎的漏气标记;
将所述样本数据集分为测试样本数据集和校验样本数据集,其中,所述测试样本数据集包括所述样本数据集中的若干组样本数据,所述校验样本数据集包括所述样本数据集中、除所述测试样本数据集以外的样本数据;
选择BP神经网络模型,并利用所述测试样本数据集训练所述BP神经网络模型,得到初选阈值,并根据所述初选阈值更新所述BP神经网络模型;
利用所述校验样本数据集对所述BP神经网络模型进行漏气标记校验,如果所述BP神经网络模型输出的漏气标记的错误率小于或等于第二设定阈值,将所述第一设定阈值设定为所述初选阈值;
如果所述BP神经网络模型输出的漏气标记的错误率大于第二设定阈值,重新选择BP神经网络模型。
3.一种轮胎是否漏气的检测***,其特征在于,所述检测***包括:
面积获取模块,用于分别获取轮胎的第一轮胎面积和第二轮胎面积,其中,获取所述第一轮胎面积的时刻与获取所述第二轮胎面积的时刻相差设定的时间间隔;所述面积获取模块在t1时刻采集所述轮胎的第一测量图像,在t1+Δt时刻采集所述轮胎的第二测量图像;其中,Δt表示所述设定的时间间隔,所述面积获取模块分别对所述第一测量图像和所述第二测量图像进行图像二值化处理,得到对应的二值化第一图像和二值化第二图像;所述面积获取模块分别提取所述二值化第一图像和所述二值化第二图像的轮廓线,得到对应的第一轮廓图像和第二轮廓图像;根据所述第一轮廓图像确定所述第一轮胎面积,并根据所述第二轮廓图像确定所述第二轮胎面积;
变化率确定模块,用于根据所述第一轮胎面积和所述第二轮胎面积确定所述轮胎的面积变化率;
变化率判断模块,用于判断所述面积变化率是否大于第一设定阈值;
漏气情况确定模块,用于如果所述面积变化率大于第一设定阈值,则确定所述轮胎漏气,如果所述面积变化率小于或等于第一设定阈值,则确定所述轮胎不漏气。
4.根据权利要求3所述的轮胎是否漏气的检测***,其特征在于,所述检测***还包括与所述变化率判断模块连接的第一阈值确定模块,用于
获取样本数据集,所述样本数据集包括多组样本数据,其中,一组所述样本数据包括已知是否漏气的一个轮胎的面积变化率和所述轮胎的漏气标记;
将所述样本数据集分为测试样本数据集和校验样本数据集,其中,所述测试样本数据集包括所述样本数据集中的若干组样本数据,所述校验样本数据集包括所述样本数据集中、除所述测试样本数据集以外的样本数据;
选择BP神经网络模型,并利用所述测试样本数据集训练所述BP神经网络模型,得到初选阈值,并根据所述初选阈值更新所述BP神经网络模型;
利用所述校验样本数据集对所述BP神经网络模型进行漏气标记校验,如果所述BP神经网络模型输出的漏气标记的错误率小于或等于第二设定阈值,将所述第一设定阈值设定为所述初选阈值;
如果所述BP神经网络模型输出的漏气标记的错误率大于第二设定阈值,重新选择BP神经网络模型。
5.一种轮胎是否漏气的检测装置,其特征在于,所述检测装置包括:
传送装置,用于将轮胎传送到设定的第一图像采集区域和第二图像采集区域;
图像采集装置,对应所述第一图像采集区域和所述第二图像采集区域设置,用于分别采集所述第一图像采集区域中的所述轮胎的第一测量图像和所述第二图像采集区域中的所述轮胎的第二测量图像,其中,采集所述第一测量图像的时刻和采集所述第二测量图像的时刻相差设定的时间间隔;
图像处理装置,与所述图像采集装置连接,用于根据所述第一测量图像确定所述轮胎的第一轮胎面积,并根据所述第二测量图像确定所述轮胎的第二轮胎面积;
权利要求3或4所述的轮胎是否漏气的检测***,与所述图像处理装置连接,用于确定所述轮胎是否漏气。
6.根据权利要求5所述的轮胎是否漏气的检测装置,其特征在于,所述检测装置还包括分别对应所述第一图像采集区域和所述第二图像采集区域设置的位置传感器,且所述位置传感器与所述检测***连接,用于当所述轮胎进入所述第一图像采集区域时或所述轮胎进入所述第二图像采集区域时,给所述检测***发送位置信号;
所述检测***根据所述位置信号控制所述传送装置停止运动。
7.根据权利要求5所述的轮胎是否漏气的检测装置,其特征在于,所述检测装置还包括分别对应所述第一图像采集区域和所述第二图像采集区域设置的位置传感器,且所述位置传感器与所述检测***连接,用于当所述轮胎进入所述第一图像采集区域时或所述轮胎进入所述第二图像采集区域时,给所述检测***发送位置信号;
所述检测***根据所述位置信号控制所述图像采集装置采集所述第一测量图像或采集所述第二测量图像。
8.根据权利要求5、7任一项所述的轮胎是否漏气的检测装置,其特征在于,所述图像采集装置具体包括第一图像采集装置和第二图像采集装置,其中,所述第一图像采集装置对应所述第一图像采集区域设置,用于采集所述第一测量图像;所述第二图像采集装置对应所述第二图像采集区域设置,用于采集所述第二测量图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710536793.2A CN107239831B (zh) | 2017-07-04 | 2017-07-04 | 一种轮胎是否漏气的检测方法、检测***及检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710536793.2A CN107239831B (zh) | 2017-07-04 | 2017-07-04 | 一种轮胎是否漏气的检测方法、检测***及检测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107239831A CN107239831A (zh) | 2017-10-10 |
CN107239831B true CN107239831B (zh) | 2020-10-13 |
Family
ID=59990870
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710536793.2A Expired - Fee Related CN107239831B (zh) | 2017-07-04 | 2017-07-04 | 一种轮胎是否漏气的检测方法、检测***及检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107239831B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111323174B (zh) * | 2020-03-30 | 2022-01-28 | 山东省振泰集团股份有限公司 | 一种轮胎制造成型后检测***及检测方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6393897B1 (en) * | 2000-09-22 | 2002-05-28 | The Goodyear Tire & Rubber Company | Accelerated leakage testing |
CN101183899B (zh) * | 2007-12-19 | 2010-09-01 | 天津大学 | 基于bp网络用于光纤管道泄漏监测装置的管道安全识别方法 |
KR20110089231A (ko) * | 2010-01-30 | 2011-08-05 | 강희종 | 타이어 외관 검사 방법 및 외관 검사 보조장치 |
CN103115736B (zh) * | 2013-02-05 | 2015-12-09 | 广州丰力橡胶轮胎有限公司 | 轮胎气密性能检测装置及检测方法 |
CN104527337A (zh) * | 2014-12-01 | 2015-04-22 | 深圳市元征科技股份有限公司 | 一种轮胎胎压的检测方法、装置及移动设备和照相设备 |
CN105172494B (zh) * | 2015-09-18 | 2018-06-05 | 浙江宇视科技有限公司 | 一种轮胎安全检测方法及轮胎安全检测*** |
CN105539028A (zh) * | 2015-12-02 | 2016-05-04 | 广东好帮手电子科技股份有限公司 | 一种检测汽车轮胎漏气的方法及*** |
CN105588694A (zh) * | 2016-03-16 | 2016-05-18 | 湖南科技大学 | 一种管状包装产品的密封性检测装置和方法 |
CN205720026U (zh) * | 2016-04-28 | 2016-11-23 | 安徽科技学院 | 一种汽车轮胎检测装置 |
-
2017
- 2017-07-04 CN CN201710536793.2A patent/CN107239831B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN107239831A (zh) | 2017-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11132786B2 (en) | Board defect filtering method based on defect list and circuit layout image and device thereof and computer-readable recording medium | |
CN109724984B (zh) | 一种基于深度学习算法的缺陷检测识别装置和方法 | |
TWI603074B (zh) | 光學薄膜缺陷辨識方法及其系統 | |
US20140283591A1 (en) | Tire shape inspection method and tire shape inspection apparatus | |
KR102168724B1 (ko) | 이미지 검사를 이용한 이상 판별 방법 및 장치 | |
US8284251B2 (en) | Tire type determination method and vehicle inspection method and system using the same | |
CN109946303A (zh) | 检查装置和方法 | |
CN105160754B (zh) | 基于高度测量的硬币表面质量检测装置及其检测方法 | |
IT201800004673A1 (it) | Procedimento e sistema per la rilevazione di difetti in uno pneumatico | |
CN117197141B (zh) | 一种汽车零部件表面缺陷检测方法 | |
CN103792235A (zh) | 漫透射光谱与图像信息融合的蜜瓜内部品质在线检测方法与装置 | |
CN103776841A (zh) | 合成革缺陷自动检测装置及检测方法 | |
CN104483320A (zh) | 工业脱硝催化剂的数字化缺陷检测装置与检测方法 | |
CN110959114A (zh) | 缺陷检查方法及缺陷检查装置 | |
CN103698096A (zh) | 一种烟支漏气性检测方法 | |
CN109461156B (zh) | 基于视觉的螺纹密封塞装配检测方法 | |
CN109584225B (zh) | 一种基于自编码器的无监督缺陷检测方法 | |
CN106018179A (zh) | 一种基于图像处理的胶料表面黏性测量方法及装置 | |
CN107239831B (zh) | 一种轮胎是否漏气的检测方法、检测***及检测装置 | |
CN114359253A (zh) | 基于卷积神经网络的影像脏污检测方法及*** | |
CN115147363A (zh) | 一种基于深度学习算法的影像缺陷检测和分类方法及*** | |
CN111766255A (zh) | 一种柔性电路板瑕疵检测方法及装置 | |
CN108593660B (zh) | 一种冲压铝板缺陷自动检测装置及方法 | |
KR20190119801A (ko) | 차량 헤드라이트 얼라인먼트 보정 및 분류 방법 및 이를 이용한 차량 헤드라이트 불량검사 방법 | |
CN112246681B (zh) | 一种检测数据处理方法、装置及产品检测设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201013 Termination date: 20210704 |