基于CBR的破損輪胎圖像識別系統設計

張素智 常俊 吳玉紅

摘 要：鑒于人工鑒定破損輪胎具有效率低下、誤判率高、鑒定流程煩瑣的問題，本文提出了一種基于案例推理（Case-Based Reasoning，CBR）的破損輪胎圖像識別的方法，并設計了一個智能的破損輪胎圖像識別系統。首先，對破損輪胎圖像進行圖像灰度化、圖像去噪、圖像增強的預處理操作。接著，在CBR系統中進行案例檢索、相似度計算、案例匹配等，以匹配出最佳案例，自動輸出輪胎的破損原因。實驗結果表明，該系統切實可行，彌補了傳統人工鑒定的不足。

關鍵詞：圖像處理;CBR系統;輪胎破損識別

中圖分類號：TP29文獻標識碼：A文章編號：1003-5168（2021）01-0009-04

Abstract： In view of the low efficiency， high misjudgment rate and tedious identification process of manual identification of damaged tires， this paper proposed a method of image recognition of damaged tires based on CBR， and designed an intelligent image recognition system of damaged tires. Firstly， the image of damaged tire was preprocessed by graying， image denoising and image enhancement. Then， case retrieval， similarity calculation， case matching and other processes were carried out in CBR system to match the best case and automatically output the cause of tire damage. The experimental results showed that the system was feasible and makes up for the deficiency of traditional manual identification.

Keywords： image processing;CBR system;tire damage identification

近年來，隨著汽車行業的發展，我國輪胎工業也得到了空前發展，輪胎總產量已居于世界前列。在輪胎使用過程中，由于司機操作不當、路面不平整、載貨過重等原因，會造成輪胎某些部位不同程度的破損。工廠需要對破損輪胎進行鑒定。目前，各大工廠使用最多的方式仍是人工鑒定：根據個人經驗觀察破損輪胎表面以對輪胎破損原因進行判斷。人工鑒定程序煩瑣、費時費力、效率不高，而且依賴工人的經驗，具有很強的主觀性，誤差較大。

目前，國內外有關輪胎破損分類鑒定的研究還處于起步階段，對于利用計算機自動識別輪胎破損圖像的研究還比較少。徐啟蕾提出了一種根據小區域內灰度分布的相似性分割出氣泡大致位置，然后進行區域標記和區域生長來分割氣泡的方法。實驗證明，該方法運算簡單，對噪聲干擾不敏感，能有效解決實際問題[1]。殷列棟提出了一種融合Faster-RCNN算法、PCA算法以及數值統計方法的輪胎X光圖像瑕疵多模型協同識別方法，通過多種模型混合檢測彌補單一模型的不足[2]。陳夢焱提出一種改進的YOLOv3算法進行流水線輪胎的缺陷識別，通過滑動窗口切割原始圖像，采取非極大壓抑得到最合適的檢測框并回歸輸出輪胎缺陷檢測圖像，解決了YOLOv3在圖像分辨率大而缺陷小上識別率較低的問題[3]。但是，這些文獻對于輪胎的研究都沒有涉及輪胎破損原因識別問題。由此，本文提出基于案例推理（Case-Based Reasoning，CBR）技術的破損輪胎圖像識別方法[4-5]，以期改善現有輪胎破損原因鑒定識別的不足。

1 系統設計

借助案例推理（Case-Based Reasoning，CBR）技術，本文設計了一個輪胎破損圖像識別系統。整個系統由訓練部分和測試部分組成：訓練部分將破損輪胎圖像規范樣本與輪胎病因一一對應做成案例存放在案例庫中;測試部分則先對測試集圖像進行一系列預處理，得到規范的圖像后，在CBR系統中經過案例檢索、相似度計算及案例匹配過程后輸出最相似案例，并得到輪胎破損類型。一般來說，測試集案例和所輸出的相似案例具有相同的輪胎破損類型。系統的具體組成結構如圖1所示。

2 數據采集

在進行輪胎破損圖像識別算法研究前，需要采集相當數量的破損輪胎圖像及其信息（如尺寸、分辨率）作為破損輪胎圖像識別系統的案例庫樣本（規范樣本）。一般來說，破損輪胎有4大類型，分別是肩空、胎肩啃傷、胎冠破裂、胎體缺失。具體的輪胎破損圖像樣本實例如圖2所示。

本文利用互聯網爬蟲技術，在網上爬取破損輪胎圖像及其相關信息，以及輪胎生產商通過用戶反饋利用智能手機拍攝的圖像及記錄信息。經初步篩選后，一共得到189張破損輪胎圖像，將其中的131張作為訓練集進行案例表示并存入案例庫，剩余的58張作為測試集。數據集的具體分類如表1所示。

3 圖像預處理

在數據集采集時，由于圖像獲取環境復雜，獲取圖像沒有相對統一的標準，再加上在圖像成像過程中會使圖像出現一定程度的質量損失，因此，應用之前需要先對數據集進行預處理操作。

本文對圖像的預處理主要包括：采取加權平均法對圖像進行灰度化處理，利用中值濾波來去除圖像采集或傳輸過程中產生的噪聲，選擇直方圖均衡化方法減少圖像的失真和變形。通過以上三個圖像預處理操作，可以使圖像質量得到明顯改善。

4 基于CBR的輪胎破損圖像識別算法

4.1 CBR原理

Roger Shank在1982年提出案例推理（Case-Based Reasoning，CBR）。該算法屬于人工智能領域，仿照人類處理問題的方式進行機器學習，然后運用過往的經驗和知識解決實際問題。人們把以往的經驗和知識傳達給大腦，大腦對以上信息進行存儲;而后遇到相似問題時，就可以根據大腦中存儲的信息進行搜尋匹配，找出相似案例，為問題的解決提供可借鑒的經驗。CBR系統一般包括檢索、重用、修正、保留四個循環過程。新案例輸入時，CBR系統首先會計算目標案例與案例庫中案例的相似性，并輸出案例庫中與目標案例相似性最高的案例，為解決問題提供經驗幫助;同時，修正先前案例的解法，而新的解決問題的方法和目標案例都會被系統記錄并存儲，案例庫也得到了更新。這種增量式學習方法使得CBR系統的學習能力不斷提高，解決問題的能力也隨之得到提升。圖3為基于CBR的破損輪胎圖像識別的過程。

4.2 建立案例庫

在案例推理中，首先需要建立案例庫。利用互聯網爬蟲技術，在網上獲取輪胎破損圖及其相關信息，以此建立案例庫。每個案例可包含多個屬性數據。在案例庫中，每個案例都是由兩部分組成的：問題的描述（如輪胎圖片的數據）和問題的解決（破損原因分類）。一個案例可以表達為：

4.3 模糊集及案例的表達

對于一個目標案例，給出其特征（圖像信息），就能推斷其輪胎破損類型。其推理過程是根據相似性來進行的。當目標案例與案例庫中某個案例都具有全部相同的特征時，則兩個案例完全相同，輪胎破損類型也是相同的。但在現實問題中，很難找到完全相同的新舊案例。為了解決這個問題，可以利用模糊數學的方法。利用模糊方法來進行識別分類具有更高的分類精度，可以減少各種誤差在分類過程中的傳遞。將模糊集引進案例表達中，案例表達式修改為：

4.4 計算相似度

本文采用K近鄰法（K-Nearest Neighbor，KNN）進行案例檢索，即計算目標案例與案例庫中現有案例的各個特征屬性匹配程度，進而從案例庫中找出與目標案例距離最近的案例方法。該方法具有簡單有效的特點。

目標案例[x]與案例庫中現有案例[l]的相似度公式為：

式中，[SAkl]是案例[l]的[k]特征的重要性（權重）;[xk]是新案例[x]的[k]特征;[lk]是現有案例[l]的[k]特征;[EDk]為案例庫中所有案例的[k]特征的標準偏差。

4.5 案例匹配及推理

CBR圖像識別分類就是通過匹配運算在案例庫中搜索，提取與目標案例最接近的現有案例，從而確定目標案例的輪胎破損類型。在案例庫中，所有案例是根據它們從屬不同的輪胎破損類型來分成不同的組別（見圖3）。由于[siml，x]的取值范圍是[0，1]，因此可以把它當作隸屬函數。當兩個案例完全一樣時，其值為1。因此，對于輪胎破損類型[Cx]，目標案例[x]和現有案例[l]的隸屬函數公式為：

對某種輪胎破損類型，一個目標案例可以對應案例庫中若干類似的現有案例。根據式（4）計算出目標案例與它們之間的隸屬函數值。利用最大值求出目標案例屬于輪胎破損類型[Cx]的隸屬函數值，公式為：

對不同的輪胎破損類型，一個目標案例可有不同的隸屬函數。由最大值來推理出其最后所屬的輪胎破損類型，公式為：

當一個目標案例與案例庫中現有案例有較大的區別時，可將其保存到案例庫中。同時，還可以對分類效果進行評價，將過時或不適合的案例剔除，以不斷更新案例庫中的案例，使得案例庫能獲得更好的分類效果。

5 實驗結果

由于本系統最終只需識別破損輪胎圖像的類型，因此不需要進行復雜的權值分配，將輪胎圖像權值設為100%即可，僅根據圖像在CBR系統中做相似度計算和匹配以得到破損輪胎類型。輸入目標案例后在CBR系統中進行案例匹配，輸出輪胎破損類型，測試結果如表2所示。

實驗結果顯示，基于CBR的破損輪胎圖像識別系統對輪胎位置和破損類型的識別成功率并不相同，輪胎肩空的識別率最高，達到78.9%，胎冠破裂的識別成功率最低，僅有69.2%，但總體識別率在70%以上。雖然識別率不高，但在識別破損輪胎圖像方面仍取得了進展，且鑒于CBR的特殊性，后期在案例庫足夠大的情況下，破損輪胎圖像識別率一定會有所提高。

6 結語

為改善人工鑒定破損輪胎原因的不足，設計一個基于CBR的破損輪胎識別系統。本文將CBR方法與圖像處理技術相結合，首先對破損輪胎圖像進行一系列預處理，接下來進入CBR系統中進行相似度計算及匹配，以識別出輪胎破損類型。對實驗數據進行分析可得，利用CBR方法對破損輪胎圖像進行識別是可行的，達到了預期效果。利用CBR識別過的案例可以經過系統本身的學習存入案例庫中繼續使用，這就逐漸擴大了案例庫的規模，逐漸提高了識別成功率。

當然本文也有一些不足，規范案例庫初始階段的樣本較少，對識別的成功率有所影響。在案例匹配進行的同時，新的目標案例將存入案例庫，案例庫樣本增多使后續的匹配計算規模增大，時間也會有所增加。后期研究中在不斷增加案例庫樣本數量的同時，還要改善案例質量，在案例庫中進行更加規范、清晰的案例表示，以期本系統有更高的識別率。

參考文獻：

[1]徐啟蕾，張海燕，劉川來.輪胎胎側氣泡的自動識別[J].青島科技大學學報（自然科學版），2006（1）：54-57.

[2]殷列棟，郭培林，陳金水，等.基于FRCNN-PCA模型的輪胎X光圖像瑕疵識別[C]//中國自動化學會過程控制專業委員會.第30屆中國過程控制會議（CPCC2019）摘要集.2019.

[3]陳夢焱，李少遠，高岳.流水線輪胎X光圖像的大分辨率缺陷識別[C]//中國自動化學會過程控制專業委員會.第30屆中國過程控制會議（CPCC2019）摘要集.2019.

[4]宋凱，蘇杭，周靜，等.基于CBR的車牌識別技術的研究[J].沈陽理工大學學報，2010（6）：1-4，33.

[5]黎夏，葉嘉安，廖其芳.利用案例推理（CBR）方法對雷達圖像進行土地利用分類[J].遙感學報，2004（3）：246-253.