基于CBR的破损轮胎图像识别系统设计

张素智 常俊 吴玉红

摘 要：鉴于人工鉴定破损轮胎具有效率低下、误判率高、鉴定流程烦琐的问题，本文提出了一种基于案例推理（Case-Based Reasoning，CBR）的破损轮胎图像识别的方法，并设计了一个智能的破损轮胎图像识别系统。首先，对破损轮胎图像进行图像灰度化、图像去噪、图像增强的预处理操作。接着，在CBR系统中进行案例检索、相似度计算、案例匹配等，以匹配出最佳案例，自动输出轮胎的破损原因。实验结果表明，该系统切实可行，弥补了传统人工鉴定的不足。

关键词：图像处理;CBR系统;轮胎破损识别

中图分类号：TP29文献标识码：A文章编号：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

近年来，随着汽车行业的发展，我国轮胎工业也得到了空前发展，轮胎总产量已居于世界前列。在轮胎使用过程中，由于司机操作不当、路面不平整、载货过重等原因，会造成轮胎某些部位不同程度的破损。工厂需要对破损轮胎进行鉴定。目前，各大工厂使用最多的方式仍是人工鉴定：根据个人经验观察破损轮胎表面以对轮胎破损原因进行判断。人工鉴定程序烦琐、费时费力、效率不高，而且依赖工人的经验，具有很强的主观性，误差较大。

目前，国内外有关轮胎破损分类鉴定的研究还处于起步阶段，对于利用计算机自动识别轮胎破损图像的研究还比较少。徐启蕾提出了一种根据小区域内灰度分布的相似性分割出气泡大致位置，然后进行区域标记和区域生长来分割气泡的方法。实验证明，该方法运算简单，对噪声干扰不敏感，能有效解决实际问题[1]。殷列栋提出了一种融合Faster-RCNN算法、PCA算法以及数值统计方法的轮胎X光图像瑕疵多模型协同识别方法，通过多种模型混合检测弥补单一模型的不足[2]。陈梦焱提出一种改进的YOLOv3算法进行流水线轮胎的缺陷识别，通过滑动窗口切割原始图像，采取非极大压抑得到最合适的检测框并回归输出轮胎缺陷检测图像，解决了YOLOv3在图像分辨率大而缺陷小上识别率较低的问题[3]。但是，这些文献对于轮胎的研究都没有涉及轮胎破损原因识别问题。由此，本文提出基于案例推理（Case-Based Reasoning，CBR）技术的破损轮胎图像识别方法[4-5]，以期改善现有轮胎破损原因鉴定识别的不足。

1 系统设计

借助案例推理（Case-Based Reasoning，CBR）技术，本文设计了一个轮胎破损图像识别系统。整个系统由训练部分和测试部分组成：训练部分将破损轮胎图像规范样本与轮胎病因一一对应做成案例存放在案例库中;测试部分则先对测试集图像进行一系列预处理，得到规范的图像后，在CBR系统中经过案例检索、相似度计算及案例匹配过程后输出最相似案例，并得到輪胎破损类型。一般来说，测试集案例和所输出的相似案例具有相同的轮胎破损类型。系统的具体组成结构如图1所示。

2 数据采集

在进行轮胎破损图像识别算法研究前，需要采集相当数量的破损轮胎图像及其信息（如尺寸、分辨率）作为破损轮胎图像识别系统的案例库样本（规范样本）。一般来说，破损轮胎有4大类型，分别是肩空、胎肩啃伤、胎冠破裂、胎体缺失。具体的轮胎破损图像样本实例如图2所示。

本文利用互联网爬虫技术，在网上爬取破损轮胎图像及其相关信息，以及轮胎生产商通过用户反馈利用智能手机拍摄的图像及记录信息。经初步筛选后，一共得到189张破损轮胎图像，将其中的131张作为训练集进行案例表示并存入案例库，剩余的58张作为测试集。数据集的具体分类如表1所示。

3 图像预处理

在数据集采集时，由于图像获取环境复杂，获取图像没有相对统一的标准，再加上在图像成像过程中会使图像出现一定程度的质量损失，因此，应用之前需要先对数据集进行预处理操作。

本文对图像的预处理主要包括：采取加权平均法对图像进行灰度化处理，利用中值滤波来去除图像采集或传输过程中产生的噪声，选择直方图均衡化方法减少图像的失真和变形。通过以上三个图像预处理操作，可以使图像质量得到明显改善。

4 基于CBR的轮胎破损图像识别算法

4.1 CBR原理

Roger Shank在1982年提出案例推理（Case-Based Reasoning，CBR）。该算法属于人工智能领域，仿照人类处理问题的方式进行机器学习，然后运用过往的经验和知识解决实际问题。人们把以往的经验和知识传达给大脑，大脑对以上信息进行存储;而后遇到相似问题时，就可以根据大脑中存储的信息进行搜寻匹配，找出相似案例，为问题的解决提供可借鉴的经验。CBR系统一般包括检索、重用、修正、保留四个循环过程。新案例输入时，CBR系统首先会计算目标案例与案例库中案例的相似性，并输出案例库中与目标案例相似性最高的案例，为解决问题提供经验帮助;同时，修正先前案例的解法，而新的解决问题的方法和目标案例都会被系统记录并存储，案例库也得到了更新。这种增量式学习方法使得CBR系统的学习能力不断提高，解决问题的能力也随之得到提升。图3为基于CBR的破损轮胎图像识别的过程。

4.2 建立案例库

在案例推理中，首先需要建立案例库。利用互联网爬虫技术，在网上获取轮胎破损图及其相关信息，以此建立案例库。每个案例可包含多个属性数据。在案例库中，每个案例都是由两部分组成的：问题的描述（如轮胎图片的数据）和问题的解决（破损原因分类）。一个案例可以表达为：

4.3 模糊集及案例的表达

对于一个目标案例，给出其特征（图像信息），就能推断其轮胎破损类型。其推理过程是根据相似性来进行的。当目标案例与案例库中某个案例都具有全部相同的特征时，则两个案例完全相同，轮胎破损类型也是相同的。但在现实问题中，很难找到完全相同的新旧案例。为了解决这个问题，可以利用模糊数学的方法。利用模糊方法来进行识别分类具有更高的分类精度，可以减少各种误差在分类过程中的传递。将模糊集引进案例表达中，案例表达式修改为：

4.4 计算相似度

本文采用K近邻法（K-Nearest Neighbor，KNN）进行案例检索，即计算目标案例与案例库中现有案例的各个特征属性匹配程度，进而从案例库中找出与目标案例距离最近的案例方法。该方法具有简单有效的特点。

目标案例[x]与案例库中现有案例[l]的相似度公式为：

式中，[SAkl]是案例[l]的[k]特征的重要性（权重）;[xk]是新案例[x]的[k]特征;[lk]是现有案例[l]的[k]特征;[EDk]为案例库中所有案例的[k]特征的标准偏差。

4.5 案例匹配及推理

CBR图像识别分类就是通过匹配运算在案例库中搜索，提取与目标案例最接近的现有案例，从而确定目标案例的轮胎破损类型。在案例库中，所有案例是根据它们从属不同的轮胎破损类型来分成不同的组别（见图3）。由于[siml，x]的取值范围是[0，1]，因此可以把它当作隶属函数。当两个案例完全一样时，其值为1。因此，对于轮胎破损类型[Cx]，目标案例[x]和现有案例[l]的隶属函数公式为：

对某种轮胎破损类型，一个目标案例可以对应案例库中若干类似的现有案例。根据式（4）计算出目标案例与它们之间的隶属函数值。利用最大值求出目标案例属于轮胎破损类型[Cx]的隶属函数值，公式为：

对不同的轮胎破损类型，一个目标案例可有不同的隶属函数。由最大值来推理出其最后所属的轮胎破损类型，公式为：

当一个目标案例与案例库中现有案例有较大的区别时，可将其保存到案例库中。同时，还可以对分类效果进行评价，将过时或不适合的案例剔除，以不断更新案例库中的案例，使得案例库能获得更好的分类效果。

5 实验结果

由于本系统最终只需识别破损轮胎图像的类型，因此不需要进行复杂的权值分配，将轮胎图像权值设为100%即可，仅根据图像在CBR系统中做相似度计算和匹配以得到破损轮胎类型。输入目标案例后在CBR系统中进行案例匹配，输出轮胎破损类型，测试结果如表2所示。

实验结果显示，基于CBR的破损轮胎图像识别系统对轮胎位置和破损类型的识别成功率并不相同，轮胎肩空的识别率最高，达到78.9%，胎冠破裂的识别成功率最低，仅有69.2%，但总体识别率在70%以上。虽然识别率不高，但在识别破损轮胎图像方面仍取得了进展，且鉴于CBR的特殊性，后期在案例库足够大的情况下，破损轮胎图像识别率一定会有所提高。

6 结语

为改善人工鉴定破损轮胎原因的不足，设计一个基于CBR的破损轮胎识别系统。本文将CBR方法与图像处理技术相结合，首先对破损轮胎图像进行一系列预处理，接下来进入CBR系统中进行相似度计算及匹配，以识别出轮胎破损类型。对实验数据进行分析可得，利用CBR方法对破损轮胎图像进行识别是可行的，达到了预期效果。利用CBR识别过的案例可以经过系统本身的学习存入案例库中繼续使用，这就逐渐扩大了案例库的规模，逐渐提高了识别成功率。

当然本文也有一些不足，规范案例库初始阶段的样本较少，对识别的成功率有所影响。在案例匹配进行的同时，新的目标案例将存入案例库，案例库样本增多使后续的匹配计算规模增大，时间也会有所增加。后期研究中在不断增加案例库样本数量的同时，还要改善案例质量，在案例库中进行更加规范、清晰的案例表示，以期本系统有更高的识别率。

参考文献：

[1]徐启蕾，张海燕，刘川来.轮胎胎侧气泡的自动识别[J].青岛科技大学学报（自然科学版），2006（1）：54-57.

[2]殷列栋，郭培林，陈金水，等.基于FRCNN-PCA模型的轮胎X光图像瑕疵识别[C]//中国自动化学会过程控制专业委员会.第30届中国过程控制会议（CPCC2019）摘要集.2019.

[3]陈梦焱，李少远，高岳.流水线轮胎X光图像的大分辨率缺陷识别[C]//中国自动化学会过程控制专业委员会.第30届中国过程控制会议（CPCC2019）摘要集.2019.

[4]宋凯，苏杭，周静，等.基于CBR的车牌识别技术的研究[J].沈阳理工大学学报，2010（6）：1-4，33.

[5]黎夏，叶嘉安，廖其芳.利用案例推理（CBR）方法对雷达图像进行土地利用分类[J].遥感学报，2004（3）：246-253.