CN116385749A - 车辆轮胎纵向花纹比对方法 - Google Patents

车辆轮胎纵向花纹比对方法 Download PDF

Info

Publication number
CN116385749A
CN116385749A CN202310618117.5A CN202310618117A CN116385749A CN 116385749 A CN116385749 A CN 116385749A CN 202310618117 A CN202310618117 A CN 202310618117A CN 116385749 A CN116385749 A CN 116385749A
Authority
CN
China
Prior art keywords
tire
longitudinal
patterns
longitudinal pattern
image
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.)
Granted
Application number
CN202310618117.5A
Other languages
English (en)
Other versions
CN116385749B (zh
Inventor
李龙文
徐其权
戴斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Ruifei Network Technology Co ltd
Original Assignee
Chengdu Ruifei Network Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Ruifei Network Technology Co ltd filed Critical Chengdu Ruifei Network Technology Co ltd
Priority to CN202310618117.5A priority Critical patent/CN116385749B/zh
Publication of CN116385749A publication Critical patent/CN116385749A/zh
Application granted granted Critical
Publication of CN116385749B publication Critical patent/CN116385749B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于数据处理技术领域，公开了一种车辆轮胎纵向花纹比对方法，包括以下步骤：获取轮胎胎面标准图；提取轮胎纵向花纹抠图；计算轮胎纵向花纹特征向量；计算轮胎纵向花纹差异值；将轮胎纵向花纹差异值与阈值对比，得到比对结果。本发明所提供的车辆轮胎纵向花纹比对方法，应用于机动车检验过程中，提出了车辆轮胎花纹的拍摄标准和方法，并结合深度学习像素抠图算法，实现了轮胎纵向花纹的有效提取。

Description

车辆轮胎纵向花纹比对方法
技术领域
本发明属于数据处理技术领域，具体涉及一种车辆轮胎纵向花纹比对方法。
背景技术
机动车轮胎花纹设计是为了提高车辆行驶性能和安全性，现有大量各种形式的轮胎花纹设计，包括对称和非对称花纹、单导向花纹、块状花纹、综合花纹、全纵向花纹、全横向花纹轮胎等，但车辆轮胎花纹不一致会导致安全隐患，不同花纹的轮胎在行驶中的抓地力不同，可能导致车辆高速行驶不稳，增加交通事故风险，如果因轮胎混装引发交通事故，保险公司也可能会拒绝赔偿。在机动车年检过程中，轮胎花纹一致性检验是其中一个重要环节。
机动车检验过程一般由车主到指定检测站，然后检测站把检验过程数据和图像上传到地市车管所综合应用平台，再由地市车管所审核人员在后台对检验过程和数据进行一一复核。
粗略统计，各地车管所平均一天审核量大约在2000-4000辆车之间，其中车管所人工审核的大量时间花费在多图检验项目的审核比对上，比如花纹花纹比对，需要依次反复查看比对所有轮胎的花纹图像，根据审核要求，就轮胎花纹比对这个项目的审核就需要1分钟以上，很多车管所受人力限制，在审核业务繁忙时只能放松对此类项目的复核要求，在车辆的安全技术检验环节复核上存在一定的风险。
发明内容
本发明旨在至少在一定程度上解决上述技术问题。为此，本发明目的在于提供一种车辆轮胎纵向花纹比对方法。
本发明所采用的技术方案为：
一种车辆轮胎纵向花纹比对方法，包括以下步骤：
S1、获取轮胎胎面标准图；
S2、提取轮胎纵向花纹抠图；
S3、计算轮胎纵向花纹特征向量；
S4、计算轮胎纵向花纹差异值；
S5、将轮胎纵向花纹差异值与阈值对比，得到比对结果。
优选地，所述步骤S1包括以下步骤：
S11、将待拍摄车轮垫高；
S12、使待拍摄车轮接近零度偏转；
S13、调整摄像机拍摄角度和位置，使待拍摄车轮的轮胎胎面两侧与拍摄图像两侧边缘紧贴；
S14、拍摄图像，获得车辆所有轮胎的胎面标准图。
优选地，所述步骤S2中，将胎面标准图输入到轮胎纵向花纹抠图网络模型得到轮胎纵向花纹抠图。
优选地，所述轮胎纵向花纹抠图网络模型的训练步骤为：
缩放胎面标准图到预设宽度和预设高度；对不同侧的轮胎胎面标准图进行镜像翻转；得到胎面图像样本；对胎面图像样本进行纵向花纹像素标注；将标注后的胎面图像样本生成灰度二值图；通过灰度二值图和胎面标准图构建训练样本集；
构建抠图网络模型，网络架构采用MODNET抠图网络，网络输入图像尺寸修改为预设宽度和预设高度，主干网络采用Resnet50，并DCNv2卷积；
用训练样本集训练抠图网络模型，得到训练好的轮胎纵向花纹抠图网络模型。
优选地，所述步骤S3包括以下步骤：
S31、将轮胎纵向花纹抠图生成灰度二值图；
S32、使用OpenCV轮廓检测算法检测灰度二值图中的轮廓；
S33、根据轮廓宽高判断是否为纵向花纹，并且过滤掉横向或误提取花纹，判断方法为：
Figure SMS_1
，
其中，
Figure SMS_2
为轮廓宽，/>
Figure SMS_3
为轮廓高，/>
Figure SMS_4
为图像宽，/>
Figure SMS_5
为图像高；
S34、比对同一车辆的轮胎纵向花纹数量，若数量相同且大于1，则进入步骤S35，否则判定比对不通过；
S35、对步骤S31中的灰度二值图进行像素值误差修正；将步骤S33中判定为非纵向花纹的轮廓区域像素值修改为0；
S36、基于修正后的灰度二值图，从首行到末行，统计连续像素值255和0的数量，去掉每行首尾像素0统计，最终形成矩阵G：
Figure SMS_6
，
其中，
Figure SMS_7
为连续255像素数，/>
Figure SMS_8
为连续0像素数，/>
Figure SMS_9
为纵向花纹数；
S37、对矩阵G的列数据使用KMeans聚类算法求数据中心值，得到纵向花纹与间隙的预估宽度向量W：
Figure SMS_10
，
其中，
Figure SMS_11
，为纵向花纹预估宽；
Figure SMS_12
，为间隙预估宽；
S38、计算纵向花纹与间隙的预估宽度向量W相邻列的比值，做为轮胎纵向花纹的特征向量R：
Figure SMS_13
，
其中，
Figure SMS_14
，/>
Figure SMS_15
是纵向花纹与间隙宽的比或间隙宽与纵向花纹的比。
优选地，生成灰度二值图的转换算式为：
Figure SMS_16
，
其中，
Figure SMS_17
为转换前像素值，/>
Figure SMS_18
为转换后像素值。
优选地，所述步骤S4包括以下步骤：
S41、计算轮胎A与B的向量距离
Figure SMS_19
：
Figure SMS_20
，
其中，
Figure SMS_21
为轮胎A的纵向花纹的特征向量，/>
Figure SMS_22
为轮胎B的纵向花纹的特征向量；
S42、计算轮胎纵向花纹差异值
Figure SMS_23
：
Figure SMS_24
，
其中，n为纵向花纹数。
本发明的有益效果为：
本发明所提供的车辆轮胎纵向花纹比对方法，应用于机动车检验过程中，提出了车辆轮胎花纹的拍摄标准和方法，并结合深度学习像素抠图算法，实现了轮胎纵向花纹的有效提取。本发明还提供了轮胎纵向花纹特征向量的计算方法，并提供了基于该特征向量计算轮胎纵向花纹差异值的方法，通过这种方法得到的差异值可以准确量化轮胎纵向花纹的差异。
附图说明
图1是本发明车辆轮胎纵向花纹比对方法的流程图。
图2是本发明获取轮胎胎面标准图的示意图。
图3是本发明轮胎纵向花纹抠图网络模型的训练流程图。
图4是本发明MODNET抠图网络头部输出结构图。
图5是本发明计算轮胎纵向花纹特征向量的示意图。
具体实施方式
下面将结合本发明中的附图，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
应当理解，还应当注意到实施例中，所出现的功能/动作可能与附图出现的顺序不同。例如，取决于所涉及的功能/动作，实际上可以实质上并发地执行，或者有时可以以相反的顺序来执行连续示出的两个图。
如图1至图5所示，本实施例的车辆轮胎纵向花纹比对方法，具体包括以下步骤：
S1、获取轮胎胎面标准图。
如图2所示，步骤S1包括以下步骤：
S11、在拍摄场地布置高50mm减速带，将待拍摄车轮停至减速带上，垫高待拍摄车轮；
S12、调整车辆方向，使待拍摄车轮接近零度偏转；
S13、调整摄像机拍摄角度和位置，使待拍摄车轮的轮胎胎面两侧与拍摄图像两侧边缘紧贴；
S14、拍摄图像，得到轮胎的胎面标准图，依次对所有轮胎重复以上步骤，以获得获得车辆所有轮胎的胎面标准图。
S2、提取轮胎纵向花纹抠图；轮胎在使用过程中胎面持续磨损，横纹、杂纹由于设计以浅细纹为主，磨损后不易提取，而轮胎纵向花纹作为主花纹，花纹设计更宽更耐磨，所以更加适合像素提取，因此本发明采用深度学习像素抠图算法来提取轮胎纵向主花纹作为比对基础。
步骤S2中，将胎面标准图输入到轮胎纵向花纹抠图网络模型得到轮胎纵向花纹抠图。如图3所示，轮胎纵向花纹抠图网络模型的训练步骤为：
缩放胎面标准图到预设宽度
Figure SMS_25
像素以及预设高度/>
Figure SMS_26
像素；基于缩放后的胎面标准图，对右侧的轮胎胎面标准图进行镜像翻转，以使不同轮胎花纹方向保持一致，得到胎面图像样本；收集胎面图像样本20000张，这些胎面图像样本需涵盖各类轮胎花纹，包括以下轮胎花纹：对称和非对称花纹、单导向花纹、块状花纹、综合花纹、全纵向花纹、全横向花纹等。
对收集的胎面图像样本进行纵向花纹像素标注；标注方法是擦除非纵向花纹像素后另存图像副本。将标注后的胎面图像样本生成灰度二值图；擦除像素取值0，保留像素（即纵向花纹像素）取值255。
通过灰度二值图和胎面标准图构建训练样本集；具体的，按8:2的比例形成16000组训练样本集和4000组测试样本集。
构建抠图网络模型，如图4所示，网络架构采用MODNET抠图网络，网络输入图像尺寸修改为预设宽度
Figure SMS_27
和预设高度/>
Figure SMS_28
，主干网络采用Resnet50，并DCNv2卷积，以使其有效提取轮胎纵向花纹细长、分离的特征。
用训练样本集训练抠图网络模型，得到训练好的轮胎纵向花纹抠图网络模型。
S3、计算轮胎纵向花纹特征向量，基于步骤S2中得到的轮胎纵向花纹抠图，获取轮胎纵向花纹数量与排列间隙的特征向量。
如图5所示，步骤S3包括以下步骤：
S31、将轮胎纵向花纹抠图生成灰度二值图；生成灰度二值图的转换算式为：
Figure SMS_29
，
其中，
Figure SMS_30
为转换前像素值，/>
Figure SMS_31
为转换后像素值。
S32、基于生成的灰度二值图，使用OpenCV轮廓检测算法（CHAIN_APPROX_NONE）检测灰度二值图中的轮廓；
S33、根据轮廓宽高判断是否为纵向花纹，并且过滤掉横向或误提取花纹，判断方法为：
Figure SMS_32
，
其中，
Figure SMS_33
为轮廓宽，/>
Figure SMS_34
为轮廓高，/>
Figure SMS_35
为图像宽，/>
Figure SMS_36
为图像高；
S34、比对同一车辆的轮胎纵向花纹数量，若数量相同且大于1，则进入步骤S35，否则判定比对不通过；
S35、对步骤S31中的灰度二值图进行像素值误差修正；将步骤S33中判定为非纵向花纹的轮廓区域像素值修改为0；
S36、基于修正后的灰度二值图，从首行到末行，统计连续像素值255和0的数量，去掉每行首尾像素0统计，最终形成矩阵G：
Figure SMS_37
，
其中，
Figure SMS_38
为连续255像素数，/>
Figure SMS_39
为连续0像素数，/>
Figure SMS_40
为纵向花纹数；
S37、对矩阵G的列数据使用KMeans聚类算法求数据中心值，得到纵向花纹与间隙的预估宽度向量W：
Figure SMS_41
，
其中，
Figure SMS_42
，为纵向花纹预估宽；
Figure SMS_43
，为间隙预估宽；
S38、计算轮胎纵向花纹的特征向量；轮胎纵向花纹特征包括花纹宽度和排列间隙，花纹宽度和排列间隙在可控的视角偏差下具有稳定的比值表现，由步骤S37中纵向花纹与间隙的预估宽度向量W，计算纵向花纹与间隙的预估宽度向量W相邻列比值，做为轮胎纵向花纹的特征向量R：
Figure SMS_44
，
其中，
Figure SMS_45
为纵向花纹数，/>
Figure SMS_46
是第i个纵向花纹与间隙宽的比或者第i个间隙宽与纵向花纹宽的比，即/>
Figure SMS_47
，w和b是步骤S37中的纵向花纹预估宽和间隙预估宽。
S4、计算轮胎纵向花纹差异值。
步骤S4包括以下步骤：
S41、基于步骤S38中的轮胎纵向花纹的特征向量R，计算轮胎A与B的向量距离
Figure SMS_48
：
Figure SMS_49
，
其中，
Figure SMS_50
为轮胎A的纵向花纹的特征向量，/>
Figure SMS_51
为轮胎B的纵向花纹的特征向量；
S42、轮胎A与B的向量距离
Figure SMS_52
与纵向花纹数量成正比例关系，因此轮胎纵向花纹差异值/>
Figure SMS_53
为：
Figure SMS_54
，
其中，n为纵向花纹数。
S5、将轮胎纵向花纹差异值与阈值对比，判定比对轮胎纵向花纹是否一致，得到比对结果。
通过统计100000组以上同轴轮胎纵向花纹差异值，比对通过率达到95%的阈值为0.426，因此选择该值作为优选的阈值，即当轮胎纵向花纹差异值大于0.426认定比对轮胎的纵向花纹不一致。
上述的车辆轮胎纵向花纹比对方法对车辆多个轮胎胎面正拍图像，应用深度学习的像素抠图算法来提取轮胎纵向花纹，再通过KMeans聚类算法得到纵向花纹宽与纵向花纹间隙宽，形成比例特征向量，通过计算向量距离来精准比对同一车辆多个轮胎的纵向花纹是否一致。该车辆轮胎纵向花纹比对方法可以用于辅助机动车安全技术检验审核过程中对车辆多个轮胎花纹一致性的人工审核工作，提升人工审核效率，同时也可用作人工审核之外的机器二次复核。
本发明不局限于上述可选实施方式，任何人在本发明的启示下都可得出其他各种形式的产品，但不论在其形状或结构上作任何变化，凡是落入本发明权利要求界定范围内的技术方案，均落在本发明的保护范围之内。

Claims (10)

1.一种车辆轮胎纵向花纹比对方法，其特征在于，包括以下步骤：
S1、获取轮胎胎面标准图；
S2、提取轮胎纵向花纹抠图；
S3、计算轮胎纵向花纹特征向量；
S4、计算轮胎纵向花纹差异值；
S5、将轮胎纵向花纹差异值与阈值对比，得到比对结果。
2.根据权利要求1所述的车辆轮胎纵向花纹比对方法，其特征在于：所述步骤S1包括以下步骤：
S11、将待拍摄车轮垫高；
S12、使待拍摄车轮接近零度偏转；
S13、调整摄像机拍摄角度和位置，使待拍摄车轮的轮胎胎面两侧与拍摄图像两侧边缘紧贴；
S14、拍摄图像，获得车辆所有轮胎的胎面标准图。
3.根据权利要求1所述的车辆轮胎纵向花纹比对方法，其特征在于：所述步骤S2中，将胎面标准图输入到轮胎纵向花纹抠图网络模型得到轮胎纵向花纹抠图。
4.根据权利要求3所述的车辆轮胎纵向花纹比对方法，其特征在于：所述轮胎纵向花纹抠图网络模型的训练步骤为：
缩放胎面标准图到预设宽度和预设高度；对不同侧的轮胎胎面标准图进行镜像翻转；得到胎面图像样本；对胎面图像样本进行纵向花纹像素标注；将标注后的胎面图像样本生成灰度二值图；通过灰度二值图和胎面标准图构建训练样本集；
构建抠图网络模型，网络架构采用MODNET抠图网络，网络输入图像尺寸修改为预设宽度和预设高度，主干网络采用Resnet50，并DCNv2卷积；
用训练样本集训练抠图网络模型，得到训练好的轮胎纵向花纹抠图网络模型。
5.根据权利要求4所述的车辆轮胎纵向花纹比对方法，其特征在于：预设宽度
Figure QLYQS_1
像素，预设高度/>
Figure QLYQS_2
像素。
6.根据权利要求4所述的车辆轮胎纵向花纹比对方法，其特征在于：胎面图像样本至少包括以下轮胎花纹：对称和非对称花纹、单导向花纹、块状花纹、综合花纹、全纵向花纹、全横向花纹。
7.根据权利要求1所述的车辆轮胎纵向花纹比对方法，其特征在于：
所述步骤S3包括以下步骤：
S31、将轮胎纵向花纹抠图生成灰度二值图；
S32、使用OpenCV轮廓检测算法检测灰度二值图中的轮廓；
S33、根据轮廓宽高判断是否为纵向花纹，并且过滤掉横向或误提取花纹，判断方法为：
Figure QLYQS_3
，
其中，
Figure QLYQS_4
为轮廓宽，/>
Figure QLYQS_5
为轮廓高，/>
Figure QLYQS_6
为图像宽，/>
Figure QLYQS_7
为图像高；
S34、比对同一车辆的轮胎纵向花纹数量，若数量相同且大于1，则进入步骤S35，否则判定比对不通过；
S35、对步骤S31中的灰度二值图进行像素值误差修正；将步骤S33中判定为非纵向花纹的轮廓区域像素值修改为0；
S36、基于修正后的灰度二值图，从首行到末行，统计连续像素值255和0的数量，去掉每行首尾像素0统计，最终形成矩阵G：
Figure QLYQS_8
，
其中，
Figure QLYQS_9
为连续255像素数，/>
Figure QLYQS_10
为连续0像素数，/>
Figure QLYQS_11
为纵向花纹数；
S37、对矩阵G的列数据使用KMeans聚类算法求数据中心值，得到纵向花纹与间隙的预估宽度向量W：
Figure QLYQS_12
，
其中，
Figure QLYQS_13
，为纵向花纹预估宽；
Figure QLYQS_14
，为间隙预估宽；
S38、计算纵向花纹与间隙的预估宽度向量W相邻列的比值，做为轮胎纵向花纹的特征向量R：
Figure QLYQS_15
，
其中，
Figure QLYQS_16
，/>
Figure QLYQS_17
是纵向花纹与间隙宽的比或间隙宽与纵向花纹的比。
8.根据权利要求4或7所述的车辆轮胎纵向花纹比对方法，其特征在于：生成灰度二值图的转换算式为：
Figure QLYQS_18
，
其中，
Figure QLYQS_19
为转换前像素值，/>
Figure QLYQS_20
为转换后像素值。
9.根据权利要求7所述的车辆轮胎纵向花纹比对方法，其特征在于：
所述步骤S4包括以下步骤：
S41、计算轮胎A与B的向量距离
Figure QLYQS_21
：
Figure QLYQS_22
，
其中，
Figure QLYQS_23
为轮胎A的纵向花纹的特征向量，/>
Figure QLYQS_24
为轮胎B的纵向花纹的特征向量；
S42、计算轮胎纵向花纹差异值
Figure QLYQS_25
：
Figure QLYQS_26
，
其中，n为纵向花纹数。
10.根据权利要求1所述的车辆轮胎纵向花纹比对方法，其特征在于：所述阈值为0.426，当轮胎纵向花纹差异值大于0.426认定比对轮胎的纵向花纹不一致。
CN202310618117.5A 2023-05-30 2023-05-30 车辆轮胎纵向花纹比对方法 Active CN116385749B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310618117.5A CN116385749B (zh) 2023-05-30 2023-05-30 车辆轮胎纵向花纹比对方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310618117.5A CN116385749B (zh) 2023-05-30 2023-05-30 车辆轮胎纵向花纹比对方法

Publications (2)

Publication Number Publication Date
CN116385749A true CN116385749A (zh) 2023-07-04
CN116385749B CN116385749B (zh) 2023-08-11

Family

ID=86980934

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310618117.5A Active CN116385749B (zh) 2023-05-30 2023-05-30 车辆轮胎纵向花纹比对方法

Country Status (1)

Country Link
CN (1) CN116385749B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002228423A (ja) * 2001-01-31 2002-08-14 Matsushita Electric Ind Co Ltd タイヤ検出方法および装置
CN101855530A (zh) * 2007-11-12 2010-10-06 万泰克股份有限公司 确定车辆轮胎压力和花纹深度的方法
CN203805638U (zh) * 2014-01-02 2014-09-03 腾森橡胶轮胎（威海）有限公司 车辆轮胎的胎面结构及车辆轮胎
US20150139498A1 (en) * 2013-01-07 2015-05-21 Tread Gauge Ptr, LLC Apparatus and method for tire sidewall crack analysis
CN108000762A (zh) * 2017-12-21 2018-05-08 山东豪迈机械科技股份有限公司 一种无气孔轮胎模具花纹块及轮胎模具
CN110766075A (zh) * 2019-10-23 2020-02-07 上海眼控科技股份有限公司 轮胎区域图像比对方法、装置、计算机设备和存储介质
CN111127503A (zh) * 2019-12-31 2020-05-08 上海眼控科技股份有限公司 检测车辆轮胎的花纹的方法、设备和存储介质
CN111985559A (zh) * 2020-08-19 2020-11-24 合肥工业大学 一种基于边界特性的轮胎花纹结构相似性检测方法
CN115908304A (zh) * 2022-11-14 2023-04-04 江苏理工学院 汽车轮胎胎面花纹缺陷检测***和方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002228423A (ja) * 2001-01-31 2002-08-14 Matsushita Electric Ind Co Ltd タイヤ検出方法および装置
CN101855530A (zh) * 2007-11-12 2010-10-06 万泰克股份有限公司 确定车辆轮胎压力和花纹深度的方法
US20150139498A1 (en) * 2013-01-07 2015-05-21 Tread Gauge Ptr, LLC Apparatus and method for tire sidewall crack analysis
CN203805638U (zh) * 2014-01-02 2014-09-03 腾森橡胶轮胎（威海）有限公司 车辆轮胎的胎面结构及车辆轮胎
CN108000762A (zh) * 2017-12-21 2018-05-08 山东豪迈机械科技股份有限公司 一种无气孔轮胎模具花纹块及轮胎模具
CN110766075A (zh) * 2019-10-23 2020-02-07 上海眼控科技股份有限公司 轮胎区域图像比对方法、装置、计算机设备和存储介质
CN111127503A (zh) * 2019-12-31 2020-05-08 上海眼控科技股份有限公司 检测车辆轮胎的花纹的方法、设备和存储介质
CN111985559A (zh) * 2020-08-19 2020-11-24 合肥工业大学 一种基于边界特性的轮胎花纹结构相似性检测方法
CN115908304A (zh) * 2022-11-14 2023-04-04 江苏理工学院 汽车轮胎胎面花纹缺陷检测***和方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
"轮胎缺陷视觉检测方法探析", 《橡塑技术与装备》, pages 1 - 5 *
ALESSANDRO MASSARO 等: "Comparative Analysis among Discrete Fourier Transform, K-Means and Artificial Neural Networks Image Processing Techniques Oriented on Quality Control of Assembled Tires", 《ORDER ARTICLE REPRINTS》, pages 1 - 21 *
YUAN YU 等: "Research on Tire Marking Point Completeness Evaluation Based on K-Means Clustering Image Segmentation", 《SENSOR》, pages 1 - 16 *
刘颖 等: "基于小样本学习的图像分类技术综述", 《自动化学报》, pages 297 - 315 *
王国林 等: "图像处理技术在轮胎接地几何特征测量中的应用", 《江苏大学学报(自然科学版)》, pages 139 - 143 *

Also Published As

Publication number Publication date
CN116385749B (zh) 2023-08-11

Similar Documents

Publication Publication Date Title
CN103886308B (zh) 一种使用聚合通道特征和软级联分类器的行人检测方法
CN112348770B (zh) 一种基于多分辨率卷积网络的桥梁裂缝检测方法
CN110070091B (zh) 用于街景理解的基于动态插值重建的语义分割方法及***
CN110097087B (zh) 一种自动钢筋捆扎位置识别方法
CN104732211B (zh) 一种基于自适应阈值的交通标志检测方法
CN103324930A (zh) 一种基于灰度直方图二值化的车牌字符分割方法
CN108010034A (zh) 商品图像分割方法及装置
CN104778446A (zh) 一种图像质量评价与人脸识别效率关系模型的构建方法
CN103824081A (zh) 一种室外恶劣光照条件下的快速鲁棒交通标志检测方法
CN111091548B (zh) 基于深度学习的铁路货车承载鞍错位故障图像识别方法及***
CN114549497A (zh) 基于图像识别的走台板表面缺陷检测方法及人工智能***
CN110276357A (zh) 一种基于卷积神经网络的验证码识别方法
CN114299002A (zh) 一种路面抛洒异常行为智能检测***与方法
CN111738336A (zh) 基于多尺度特征融合的图像检测方法
CN111079675A (zh) 基于目标检测与目标跟踪的行驶行为分析方法
CN111738367A (zh) 一种基于图像识别的零件分类方法
CN111126185B (zh) 一种针对道路卡口场景的深度学习车辆目标识别方法
CN111079630B (zh) 一种铁路货车制动梁安装位置不正确的故障识别方法
CN116385749B (zh) 车辆轮胎纵向花纹比对方法
CN115410258A (zh) 基于注意力图像的人脸表情识别方法
CN112016566B (zh) 一种金融票据大写金额处手写汉字的分割方法
CN113033363A (zh) 一种基于深度学习的车辆稠密目标检测方法
CN112016565B (zh) 一种金融票据的账号处模糊数字的分割方法
CN111091554B (zh) 铁路货车摇枕断裂故障图像识别方法
CN104899898B (zh) 基于多维信息概率模型的路面检测方法

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