張素智 ?？? 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(wèn)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(shí)別的方法，并設(shè)計(jì)了一個(gè)智能的破損輪胎圖像識(shí)別系統(tǒng)。首先，對(duì)破損輪胎圖像進(jìn)行圖像灰度化、圖像去噪、圖像增強(qiáng)的預(yù)處理操作。接著，在CBR系統(tǒng)中進(jìn)行案例檢索、相似度計(jì)算、案例匹配等，以匹配出最佳案例，自動(dòng)輸出輪胎的破損原因。實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)切實(shí)可行，彌補(bǔ)了傳統(tǒng)人工鑒定的不足。

關(guān)鍵詞：圖像處理;CBR系統(tǒng);輪胎破損識(shí)別

中圖分類號(hào)：TP29文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：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(lái)，隨著汽車行業(yè)的發(fā)展，我國(guó)輪胎工業(yè)也得到了空前發(fā)展，輪胎總產(chǎn)量已居于世界前列。在輪胎使用過(guò)程中，由于司機(jī)操作不當(dāng)、路面不平整、載貨過(guò)重等原因，會(huì)造成輪胎某些部位不同程度的破損。工廠需要對(duì)破損輪胎進(jìn)行鑒定。目前，各大工廠使用最多的方式仍是人工鑒定：根據(jù)個(gè)人經(jīng)驗(yàn)觀察破損輪胎表面以對(duì)輪胎破損原因進(jìn)行判斷。人工鑒定程序煩瑣、費(fèi)時(shí)費(fèi)力、效率不高，而且依賴工人的經(jīng)驗(yàn)，具有很強(qiáng)的主觀性，誤差較大。

目前，國(guó)內(nèi)外有關(guān)輪胎破損分類鑒定的研究還處于起步階段，對(duì)于利用計(jì)算機(jī)自動(dòng)識(shí)別輪胎破損圖像的研究還比較少。徐啟蕾提出了一種根據(jù)小區(qū)域內(nèi)灰度分布的相似性分割出氣泡大致位置，然后進(jìn)行區(qū)域標(biāo)記和區(qū)域生長(zhǎng)來(lái)分割氣泡的方法。實(shí)驗(yàn)證明，該方法運(yùn)算簡(jiǎn)單，對(duì)噪聲干擾不敏感，能有效解決實(shí)際問(wèn)題[1]。殷列棟提出了一種融合Faster-RCNN算法、PCA算法以及數(shù)值統(tǒng)計(jì)方法的輪胎X光圖像瑕疵多模型協(xié)同識(shí)別方法，通過(guò)多種模型混合檢測(cè)彌補(bǔ)單一模型的不足[2]。陳夢(mèng)焱提出一種改進(jìn)的YOLOv3算法進(jìn)行流水線輪胎的缺陷識(shí)別，通過(guò)滑動(dòng)窗口切割原始圖像，采取非極大壓抑得到最合適的檢測(cè)框并回歸輸出輪胎缺陷檢測(cè)圖像，解決了YOLOv3在圖像分辨率大而缺陷小上識(shí)別率較低的問(wèn)題[3]。但是，這些文獻(xiàn)對(duì)于輪胎的研究都沒(méi)有涉及輪胎破損原因識(shí)別問(wèn)題。由此，本文提出基于案例推理（Case-Based Reasoning，CBR）技術(shù)的破損輪胎圖像識(shí)別方法[4-5]，以期改善現(xiàn)有輪胎破損原因鑒定識(shí)別的不足。

1 系統(tǒng)設(shè)計(jì)

借助案例推理（Case-Based Reasoning，CBR）技術(shù)，本文設(shè)計(jì)了一個(gè)輪胎破損圖像識(shí)別系統(tǒng)。整個(gè)系統(tǒng)由訓(xùn)練部分和測(cè)試部分組成：訓(xùn)練部分將破損輪胎圖像規(guī)范樣本與輪胎病因一一對(duì)應(yīng)做成案例存放在案例庫(kù)中;測(cè)試部分則先對(duì)測(cè)試集圖像進(jìn)行一系列預(yù)處理，得到規(guī)范的圖像后，在CBR系統(tǒng)中經(jīng)過(guò)案例檢索、相似度計(jì)算及案例匹配過(guò)程后輸出最相似案例，并得到輪胎破損類型。一般來(lái)說(shuō)，測(cè)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(tǒng)的具體組成結(jié)構(gòu)如圖1所示。

2 數(shù)據(jù)采集

在進(jìn)行輪胎破損圖像識(shí)別算法研究前，需要采集相當(dāng)數(shù)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(shí)別系統(tǒng)的案例庫(kù)樣本（規(guī)范樣本）。一般來(lái)說(shuō)，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(shí)例如圖2所示。

本文利用互聯(lián)網(wǎng)爬蟲(chóng)技術(shù)，在網(wǎng)上爬取破損輪胎圖像及其相關(guān)信息，以及輪胎生產(chǎn)商通過(guò)用戶反饋利用智能手機(jī)拍攝的圖像及記錄信息。經(jīng)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(xùn)練集進(jìn)行案例表示并存入案例庫(kù)，剩余的58張作為測(cè)試集。數(shù)據(jù)集的具體分類如表1所示。

3 圖像預(yù)處理

在數(shù)據(jù)集采集時(shí)，由于圖像獲取環(huán)境復(fù)雜，獲取圖像沒(méi)有相對(duì)統(tǒng)一的標(biāo)準(zhǔn)，再加上在圖像成像過(guò)程中會(huì)使圖像出現(xiàn)一定程度的質(zhì)量損失，因此，應(yīng)用之前需要先對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理操作。

本文對(duì)圖像的預(yù)處理主要包括：采取加權(quán)平均法對(duì)圖像進(jìn)行灰度化處理，利用中值濾波來(lái)去除圖像采集或傳輸過(guò)程中產(chǎn)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(guò)以上三個(gè)圖像預(yù)處理操作，可以使圖像質(zhì)量得到明顯改善。

4 基于CBR的輪胎破損圖像識(shí)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(lǐng)域，仿照人類處理問(wèn)題的方式進(jìn)行機(jī)器學(xué)習(xí)，然后運(yùn)用過(guò)往的經(jīng)驗(yàn)和知識(shí)解決實(shí)際問(wèn)題。人們把以往的經(jīng)驗(yàn)和知識(shí)傳達(dá)給大腦，大腦對(duì)以上信息進(jìn)行存儲(chǔ);而后遇到相似問(wèn)題時(shí)，就可以根據(jù)大腦中存儲(chǔ)的信息進(jìn)行搜尋匹配，找出相似案例，為問(wèn)題的解決提供可借鑒的經(jīng)驗(yàn)。CBR系統(tǒng)一般包括檢索、重用、修正、保留四個(gè)循環(huán)過(guò)程。新案例輸入時(shí)，CBR系統(tǒng)首先會(huì)計(jì)算目標(biāo)案例與案例庫(kù)中案例的相似性，并輸出案例庫(kù)中與目標(biāo)案例相似性最高的案例，為解決問(wèn)題提供經(jīng)驗(yàn)幫助;同時(shí)，修正先前案例的解法，而新的解決問(wèn)題的方法和目標(biāo)案例都會(huì)被系統(tǒng)記錄并存儲(chǔ)，案例庫(kù)也得到了更新。這種增量式學(xué)習(xí)方法使得CBR系統(tǒng)的學(xué)習(xí)能力不斷提高，解決問(wèn)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(shí)別的過(guò)程。

4.2 建立案例庫(kù)

在案例推理中，首先需要建立案例庫(kù)。利用互聯(lián)網(wǎng)爬蟲(chóng)技術(shù)，在網(wǎng)上獲取輪胎破損圖及其相關(guān)信息，以此建立案例庫(kù)。每個(gè)案例可包含多個(gè)屬性數(shù)據(jù)。在案例庫(kù)中，每個(gè)案例都是由兩部分組成的：?jiǎn)栴}的描述（如輪胎圖片的數(shù)據(jù)）和問(wèn)題的解決（破損原因分類）。一個(gè)案例可以表達(dá)為：

4.3 模糊集及案例的表達(dá)

對(duì)于一個(gè)目標(biāo)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(guò)程是根據(jù)相似性來(lái)進(jìn)行的。當(dāng)目標(biāo)案例與案例庫(kù)中某個(gè)案例都具有全部相同的特征時(shí)，則兩個(gè)案例完全相同，輪胎破損類型也是相同的。但在現(xiàn)實(shí)問(wèn)題中，很難找到完全相同的新舊案例。為了解決這個(gè)問(wèn)題，可以利用模糊數(shù)學(xué)的方法。利用模糊方法來(lái)進(jìn)行識(shí)別分類具有更高的分類精度，可以減少各種誤差在分類過(guò)程中的傳遞。將模糊集引進(jìn)案例表達(dá)中，案例表達(dá)式修改為：

4.4 計(jì)算相似度

本文采用K近鄰法（K-Nearest Neighbor，KNN）進(jìn)行案例檢索，即計(jì)算目標(biāo)案例與案例庫(kù)中現(xiàn)有案例的各個(gè)特征屬性匹配程度，進(jìn)而從案例庫(kù)中找出與目標(biāo)案例距離最近的案例方法。該方法具有簡(jiǎn)單有效的特點(diǎn)。

目標(biāo)案例[x]與案例庫(kù)中現(xiàn)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(quán)重）;[xk]是新案例[x]的[k]特征;[lk]是現(xiàn)有案例[l]的[k]特征;[EDk]為案例庫(kù)中所有案例的[k]特征的標(biāo)準(zhǔn)偏差。

4.5 案例匹配及推理

CBR圖像識(shí)別分類就是通過(guò)匹配運(yùn)算在案例庫(kù)中搜索，提取與目標(biāo)案例最接近的現(xiàn)有案例，從而確定目標(biāo)案例的輪胎破損類型。在案例庫(kù)中，所有案例是根據(jù)它們從屬不同的輪胎破損類型來(lái)分成不同的組別（見(jiàn)圖3）。由于[siml，x]的取值范圍是[0，1]，因此可以把它當(dāng)作隸屬函數(shù)。當(dāng)兩個(gè)案例完全一樣時(shí)，其值為1。因此，對(duì)于輪胎破損類型[Cx]，目標(biāo)案例[x]和現(xiàn)有案例[l]的隸屬函數(shù)公式為：

對(duì)某種輪胎破損類型，一個(gè)目標(biāo)案例可以對(duì)應(yīng)案例庫(kù)中若干類似的現(xiàn)有案例。根據(jù)式（4）計(jì)算出目標(biāo)案例與它們之間的隸屬函數(shù)值。利用最大值求出目標(biāo)案例屬于輪胎破損類型[Cx]的隸屬函數(shù)值，公式為：

對(duì)不同的輪胎破損類型，一個(gè)目標(biāo)案例可有不同的隸屬函數(shù)。由最大值來(lái)推理出其最后所屬的輪胎破損類型，公式為：

當(dāng)一個(gè)目標(biāo)案例與案例庫(kù)中現(xiàn)有案例有較大的區(qū)別時(shí)，可將其保存到案例庫(kù)中。同時(shí)，還可以對(duì)分類效果進(jìn)行評(píng)價(jià)，將過(guò)時(shí)或不適合的案例剔除，以不斷更新案例庫(kù)中的案例，使得案例庫(kù)能獲得更好的分類效果。

5 實(shí)驗(yàn)結(jié)果

由于本系統(tǒng)最終只需識(shí)別破損輪胎圖像的類型，因此不需要進(jìn)行復(fù)雜的權(quán)值分配，將輪胎圖像權(quán)值設(shè)為100%即可，僅根據(jù)圖像在CBR系統(tǒng)中做相似度計(jì)算和匹配以得到破損輪胎類型。輸入目標(biāo)案例后在CBR系統(tǒng)中進(jìn)行案例匹配，輸出輪胎破損類型，測(cè)試結(jié)果如表2所示。

實(shí)驗(yàn)結(jié)果顯示，基于CBR的破損輪胎圖像識(shí)別系統(tǒng)對(duì)輪胎位置和破損類型的識(shí)別成功率并不相同，輪胎肩空的識(shí)別率最高，達(dá)到78.9%，胎冠破裂的識(shí)別成功率最低，僅有69.2%，但總體識(shí)別率在70%以上。雖然識(shí)別率不高，但在識(shí)別破損輪胎圖像方面仍取得了進(jìn)展，且鑒于CBR的特殊性，后期在案例庫(kù)足夠大的情況下，破損輪胎圖像識(shí)別率一定會(huì)有所提高。

6 結(jié)語(yǔ)

為改善人工鑒定破損輪胎原因的不足，設(shè)計(jì)一個(gè)基于CBR的破損輪胎識(shí)別系統(tǒng)。本文將CBR方法與圖像處理技術(shù)相結(jié)合，首先對(duì)破損輪胎圖像進(jìn)行一系列預(yù)處理，接下來(lái)進(jìn)入CBR系統(tǒng)中進(jìn)行相似度計(jì)算及匹配，以識(shí)別出輪胎破損類型。對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行分析可得，利用CBR方法對(duì)破損輪胎圖像進(jìn)行識(shí)別是可行的，達(dá)到了預(yù)期效果。利用CBR識(shí)別過(guò)的案例可以經(jīng)過(guò)系統(tǒng)本身的學(xué)習(xí)存入案例庫(kù)中繼續(xù)使用，這就逐漸擴(kuò)大了案例庫(kù)的規(guī)模，逐漸提高了識(shí)別成功率。

當(dāng)然本文也有一些不足，規(guī)范案例庫(kù)初始階段的樣本較少，對(duì)識(shí)別的成功率有所影響。在案例匹配進(jìn)行的同時(shí)，新的目標(biāo)案例將存入案例庫(kù)，案例庫(kù)樣本增多使后續(xù)的匹配計(jì)算規(guī)模增大，時(shí)間也會(huì)有所增加。后期研究中在不斷增加案例庫(kù)樣本數(shù)量的同時(shí)，還要改善案例質(zhì)量，在案例庫(kù)中進(jìn)行更加規(guī)范、清晰的案例表示，以期本系統(tǒng)有更高的識(shí)別率。

參考文獻(xiàn)：

[1]徐啟蕾，張海燕，劉川來(lái).輪胎胎側(cè)氣泡的自動(dòng)識(shí)別[J].青島科技大學(xué)學(xué)報(bào)（自然科學(xué)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(shí)別[C]//中國(guó)自動(dòng)化學(xué)會(huì)過(guò)程控制專業(yè)委員會(huì).第30屆中國(guó)過(guò)程控制會(huì)議（CPCC2019）摘要集.2019.

[3]陳夢(mèng)焱，李少遠(yuǎn)，高岳.流水線輪胎X光圖像的大分辨率缺陷識(shí)別[C]//中國(guó)自動(dòng)化學(xué)會(huì)過(guò)程控制專業(yè)委員會(huì).第30屆中國(guó)過(guò)程控制會(huì)議（CPCC2019）摘要集.2019.

[4]宋凱，蘇杭，周靜，等.基于CBR的車牌識(shí)別技術(shù)的研究[J].沈陽(yáng)理工大學(xué)學(xué)報(bào)，2010（6）：1-4，33.

[5]黎夏，葉嘉安，廖其芳.利用案例推理（CBR）方法對(duì)雷達(dá)圖像進(jìn)行土地利用分類[J].遙感學(xué)報(bào)，2004（3）：246-253.