應用深度學習檢查輪胎缺陷

10.29428/9789860544169.201801.0076

張傳育；黃振珂；王薇鈞

影像辨識 ； 輪胎氣泡檢查 ； 卷積神經網路 ； Image Recognition ； Tire Bubble Detection ； Convolutional Neural Networks

NCS 2017 全國計算機會議

2017（2018 / 01 / 01）

400 - 404

繁體中文

數位剪像術時常被用於突顯出檢測物的內部缺陷，最常見的例子便是找出輪胎內部的氣泡缺陷，數位剪像術雖然幫助輪胎製造廠突顯出可能有氣泡的位置，但氣泡的判定目前仍然需要藉由現場人員的經驗及肉眼的觀察，需要耗費許多的人力，且效率較不好。在本文中，我們使用重疊滑動窗口的方式，將輪胎的影像分割成數個區塊，並且利用卷積神經網路，幫助我們自動判別每個區塊影像是否含有氣泡，以此方式達到系統將不同的氣泡缺陷影像完全檢出，並且降低對於非氣泡缺陷影像的誤判率，幫助輪胎製造廠減少需要人工檢查的時間與人力，同時有效地幫助輪胎製造廠，將這些品質不良的輪胎排除。

Digital shearography is a non-destructive method, which has been used to detect internal defects in many products. Although shearography can reveal bubble defects, but it still rely on experienced staffs to judge by naked eye in the actual manufacturing process. With the rapid development of deep learning, automatic inspection becomes practicable. In this paper, we apply two convolutional neural networks for detecting tire bubble defects. Experimental results show that the proposed bubble defect detection system can complete detect the bubble defects and reduce the false positive of the non-bubble defects.