轮胎检测方法、设备、系统、程序产品及存储介质与流程

计算;推算;计数设备的制造及其应用技术1.本技术涉及轮胎质检技术领域，尤其涉及一种轮胎检测方法、设备、系统、程序产品及存储介质。背景技术：2.轮胎的制造对工艺流程要求高，在制造过程中容易受到操作失误或生产设备等因素的影响，导致轮胎质量不合格。轮胎可能存在多种缺陷，如帘线重叠、接头胎稀、杂物、胎侧或胎肩气泡等。3.目前轮胎工业中，经常通过x光来检测生产出的轮胎是否包含缺陷。但是，目前依赖肉眼识别轮胎x光图像，误检现象非常严重。技术实现要素：4.本技术的多个方面提供一种轮胎检测方法、设备、系统、程序产品及存储介质，用以提高轮胎质量检测准确度，降低误检概率。5.本技术实施例提供一种轮胎检测方法，包括：获取待检测图像；所述待检测图像为待检测轮胎的x光图像；利用图像重构模型对所述待检测图像进行图像重构，以获取所述待检测图像的重构图像；所述图像重构模型是以正常轮胎的历史x光图像为样本训练得到的；计算所述待检测图像与所述重构图像之间的相似度；以及，根据所述待检测图像与所述重构图像之间的相似度，确定所述待检测轮胎的质量。6.本技术实施例还提供一种检测方法，包括：获取待检测图像；所述待检测图像为待检测对象的图像；利用图像重构模型对所述待检测图像进行图像重构，以获取所述待检测图像的重构图像；其中，所述图像重构模型是以正常对象的历史图像训练得到的；计算所述待检测图像与所述重构图像之间的相似度；以及，根据所述待检测图像与所述重构图像之间的相似度，确定所述待检测对象的质量。7.本技术实施例还提供一种轮胎检测系统，包括：x光机和计算机设备；8.所述x光机，用于向待检测轮胎发生x射线；并接收所述x射线穿透所述待检测轮胎产生的辐射信号；以及将所述辐射信号转换为x光图像；并将所述x光图像提供给所述计算机设备；9.所述计算机设备，用于利用图像重构模型对所述x光图像进行图像重构，以获取所述x光图像的重构图像；计算所述x光图像与所述重构图像之间的相似度；根据所述x光图像与所述重构图像之间的相似度，确定所述待检测轮胎的质量；其中，所述图像重构模型是以正常轮胎的历史x光图像为样本训练得到的。10.本技术实施例还提供一种x光机，包括：机械本体；所述机械本体设置有容纳腔；所述容纳腔中设置有x光发射器和x光探测器；11.所述机械本体上还设置有信号采集单元和处理单元；所述信号采集单元电连接于所述x光探测器和所述处理单元之间；12.其中，所述容纳腔用于承载待检测轮胎；所述x光发射器，用于向外发射x射线；所述x射线可穿透所述待检测轮胎；13.所述x光探测器，用于接收所述x射线穿透所述待检测轮胎产生的辐射信号；14.所述信号采集单元，用于采集所述辐射信号，并将所述辐射信号转换为x光图像；以及，将所述x光图像提供给所述处理单元；15.所述处理单元，用于利用图像重构模型对所述x光图像进行图像重构，以获取所述x光图像的重构图像；计算所述x光图像与所述重构图像之间的相似度；并根据所述x光图像与所述重构图像之间的相似度，确定所述待检测轮胎的质量；其中，所述图像重构模型是以正常轮胎的历史x光图像为样本训练得到的。16.本技术实施例还提供一种计算机设备，包括：存储器和处理器；其中，所述存储器，用于存储计算机程序；17.所述处理器耦合至所述存储器，用于执行所述计算机程序以用于执行上述各检测方法中的步骤。18.本技术实施例还提供一种存储有计算机指令的计算机可读存储介质，当所述计算机指令被一个或多个处理器执行时，致使所述一个或多个处理器执行上述轮胎检测方法和/或检测方法中的步骤。19.本技术实施例还提供一种计算机程序产品，包括：计算机程序；所述计算机程序被处理器执行用于实现上述轮胎检测方法和/或检测方法。20.在本技术实施例中，利用以正常轮胎的历史x光图像为样本训练得到的图像重构模型，对待检测轮胎的x光图像进行图像重构，得到x光图像的重构图像。由于图像重构模型是以正常轮胎的历史x光图像为样本训练得到的，因此，针对有缺陷的轮胎，其重构图像和x光图像差异较大。基于此，可计算待检测轮胎的x光图像与重构图像之间的相似度；并根据待检测轮胎的x光图像与重构图像之间的相似度，确定待检测轮胎的质量，实现了轮胎质量的自动化检测，无需依赖人工经验，有助于提高轮胎质量检测的准确度。附图说明21.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：22.图1a为本技术实施例提供的轮胎检测系统的结构示意图；23.图1b为本技术实施例提供的图像重构模型的内部结构示意图；24.图1c为本技术实施例提供的编码器的内部结构示意图；25.图1d为本技术实施例提供的解码器的内部结构示意图；26.图1e为本技术实施例提供的轮胎检测过程示意图；27.图1f和图1g为本技术实施例提供的图像重构模型的训练过程示意图；28.图1h为本技术实施例提供的相似度计算过程示意图；29.图2为本技术实施例提供的轮胎检测方法的流程示意图；30.图3为本技术实施例提供的检测方法的流程示意图；31.图4为本技术实施例提供的计算机设备的结构示意图；32.图5为本技术实施例提供的x光机的结构框图。具体实施方式33.为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术具体实施例及相应的附图对本技术技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。34.针对现有轮胎质量检测依赖于人工经验，检测准确度较低的技术问题，在本技术一些实施例中，利用以正常轮胎的历史x光图像为样本训练得到的图像重构模型，对待检测轮胎的x光图像进行图像重构，得到x光图像的重构图像。由于图像重构模型是以正常轮胎的历史x光图像为样本训练得到的，因此，针对有缺陷的轮胎，其重构图像和x光图像差异较大。基于此，可计算待检测轮胎的x光图像与重构图像之间的相似度；并根据待检测轮胎的x光图像与重构图像之间的相似度，确定待检测轮胎的质量，实现了轮胎质量的自动化检测，无需依赖人工经验，有助于提高轮胎质量检测的准确度。35.以下结合附图，详细说明本技术各实施例提供的技术方案。36.应注意到：相同的标号在下面的附图以及实施例中表示同一物体，因此，一旦某一物体在一个附图或实施例中被定义，则在随后的附图和实施例中不需要对其进行进一步讨论。37.轮胎的制造对工艺流程要求高，在制造过程中容易受到操作失误或生产设备等因素的影响，导致轮胎质量不合格。轮胎可能存在多种缺陷，如帘线重叠、接头胎稀、杂物、胎侧或胎肩气泡等。38.基于x光的轮胎内部无损探伤是轮胎质量检测的常用方法。x光射线具有强穿透性，而轮胎内部包含多种复合材料，如钢丝带束层、冠带层、胎体帘布层等，不同材质由于密度、厚度不同，对x射线的吸收量不同，因此，在x光探测器上接收到的穿透轮胎不同部位的辐射量不同。基于此，进一步，通过光电转换器将辐射量转换为对应的电信号，紧接着通过一系列模数转换、降噪等操作即可得到对应的数字图像。39.图1a为本技术实施例提供的轮胎检测系统的结构示意图。如图1a所示，该系统包括：x光机11和计算机设备12。40.x光机11是产生x光、并将x光探测到的物体的辐射信号转换为对应的x光图像的设备。在本实施例中，x光机11可向外发射x射线。由于x射线具有强穿透性，因此，可应用于物体内部探伤。本实施例提供的x光机11除了可向外发射x射线之外，还可接收物体由于x射线穿透所产生的辐射信号；并将辐射信号转换为对应的x光图像。41.计算机设备12是指具有通信和数据处理功能的电子设备。计算机设备12可为终端设备，也可为服务端设备。其中，终端设备可以智能手机、平板电脑、个人电脑或穿戴设备等。服务端设备可为单一服务器设备，也可以云化的服务器阵列，或者为云化的服务器阵列中运行的虚拟机(virtual machine，vm)。另外，服务端设备也可以指具备相应服务能力的其他计算设备，例如电脑等终端设备(运行服务程序)等。42.在本实施例中，计算机设备12与x光机11通信连接。其中，计算机设备12可部署于云端，也可部署于x光机11所在的地理位置，即x光机11本地。x光机11和计算机设备12之间可以是无线或有线连接。可选地，x光机11可以通过移动网络和计算机设备12通信连接，相应地，移动网络的网络制式可以为2g(gsm)、2.5g(gprs)、3g(wcdma、td-scdma、cdma2000、utms)、4g(lte)、4g+(lte+)、5g、wimax等中的任意一种。可选地，x光机11也可以通过蓝牙、wifi、红外线等方式和计算机设备12通信连接。43.在本实施例中，x光机11可向待检测轮胎发射x射线。x射线可穿透轮胎。由于轮胎内部包含多种复合材料，如钢丝带束层、冠带层、胎体帘布层等，不同材质由于密度、厚度不同，对x射线的吸收量不同，因此，轮胎不同部位的辐射量不同。因此，轮胎经x射线穿透，不同部位产生的辐射量不同。基于此，x光机11还可接收x射线穿透轮胎不同部位的辐射信号，并将辐射信号将辐射量转换为对应的电信号。接着，对电信号进行处理，得到轮胎的x光图像。可选地，x光机11可对电信号进行模数转换、降噪等处理，得到对应的数字图像，即轮胎的x光图像。44.轮胎在制造过程中容易受到操作失误或生产设备等因素的影响，导致轮胎质量不合格，存在多种缺陷，如帘线重叠、接头胎稀、杂物、胎侧或胎肩气泡等，而这些缺陷都会表现在轮胎x光图像上。基于此，x光机11可将待检测轮胎的x光图像提供给计算机设备12，由计算机设备12基于待检测轮胎的x光图像对待检测轮胎进行质量检测。下面对基于待检测轮胎的x光图像对待检测轮胎进行质量检测的过程进行说明。45.如图1a所示，计算机设备12利用以正常轮胎的历史x光图像为样本训练得到的图像重构模型，对待检测轮胎的x光图像进行图像重构，以获取待检测轮胎的x光图像的重构图像。在本技术实施例中，正常轮胎是指轮胎内部无损的轮胎，也可认为是无缺陷轮胎，这些轮胎符合轮胎质量检测标准，不存在上述列举的轮胎内部缺陷。46.可选地，在图像重构模型中，可对待检测轮胎的x光图像进行特征提取，以获取待检测轮胎的x光图像的图像特征；并利用待检测轮胎的x光图像的图像特征进行图像重构，以获取x光图像的重构图像。47.可选地，如图1b所示，在图像重构模型中，可利用编码器对待检测轮胎的x光图像(x)编码，以提取待检测轮胎的x光图像的图像特征z；进一步，将x光图像的图像特征z输入解码器进行解码，得到x光图像的重构图像g(x)。48.通过编码器提取输入图像的特征可表示为：49.η＝en(x)ꢀꢀꢀ(a)50.在式(a)中，x为输入的x光图像，en表示为编码器，η为下采样后得到的特征图(future map)，即上述x光图像的图像特征z。51.在本技术实施例中，不限定编码器和解码器的网络架构。可选地，如图1c所示，编码器可由多个下采样模块和池化层构成。多个是指2个或2个以上。其中，每个下采样模块可包括：卷积层，批规范化层和激活函数层等。激活函数层可采用rule函数、sigmoid函数或tanh函数等。在本实施例中，不限定下采样模块的卷积层的步长。可选地，卷积层的步长可为2等。可选地，针对输入的大小为256*256的x光图像，经编码器编码后可下采样为4*4的特征图，特征图中的点可归一化到0～1。52.其中，解码器通过上采样将得到的特征图复原到原始图像大小：53.g(x)＝de(η)ꢀꢀꢀ(b)54.在式(b)中，de为解码器，g(x)为生成的重构图像，η为特征图。55.如图1d所示，解码器由多个上采样模块组成。多个是指2个或2个以上。其中，图1d以4个上采样模块进行图示。可选地，上采样模块可包括：反卷积层，批规范层和激活函数层。其中，反卷积层的步长与上述编码器的下采样模块中卷积层的步长相同。激活函数层采用的激活函数也与上述编码器的下采样模块采用的激活函数相同。可选地，如图1d所示，在对特征图进行上采样之前，还可将其输入其它网络层。如图1d所示的反卷积层、批规范层和relu激活函数层等，但不限于此。可选地，此处的反卷积层可由步长不同的多个反卷积层组成。如步长为2的反卷积层和步长为1的反卷积层等。56.可选地，如图1d所示，经过上采样后的特征图还可输入其它网络层。如图1d所示的反卷积层和sigmoid激活函数层等。其中，该处的反卷积层可为步长为2的反卷积层。57.由于图像重构模型是以正常轮胎的历史x光图像为样本训练得到的，因此，对于正常轮胎来说，其x光图像和x光图像的重构图像之间的相似度较高。相应地，对于有缺陷的轮胎来说，由于图像重构模型未学习有缺陷的轮胎的x光图像，因此，无法对x光图像的缺陷区域进行重构，因此，有缺陷的轮胎的x光图像和x光图像的重构图像之间的差异较大，相似度较低。58.基于上述分析，计算机设备12可计算待检测轮胎的x光图像与该x光图像的重构图像之间的相似度；并根据待检测轮胎的x光图像与该x光图像的重构图像之间的相似度，确定待检测轮胎的质量，实现了轮胎质量的自动化检测。该检测过程无需依赖人工经验，有助于提高轮胎质量检测的准确度。59.另一方面，对于依赖人工经验对轮胎的x光图像进行肉眼识别，判断轮胎是否存在缺陷的检测方式，一方面工作机械且工作强度高；另一方面，肉眼识别结果容易受人工经验、人员状态等因素影响，误检漏检现象严重。而本实施例提供的检测方式，检测系统性能稳定，有助于降低漏检概率。60.另外，对于利用缺陷轮胎的x光图像(定义为缺陷x光图像)进行模型训练的模型进行轮胎质量检测的方式，由于轮胎x光图像存在缺陷的样本较少，因此训练得到的模型进行质量检测的准确度较低。另一方面，由于轮胎的缺陷多种多样，缺陷x光图像中的缺陷可能不能涵盖轮胎所有的缺陷类型，因此，针对未学习的缺陷，模型无法检测，导致缺陷轮胎的漏检，影响检测准确度。而且，对缺陷样本进行标注的成本也极高。61.而本实施例利用以正常轮胎的历史x光图像(定义为正常x光图像)为样本训练得到的图像重构模型进行质量检测，一方面，正常x光图像样本容易获取，且数量较多，因此，训练出的图像重构模型的准确度较高；另一方面，由于图像重构模型未学习缺陷x光图像的图像特征，因此，无论何种缺陷的轮胎其x光图像的重构图像与x光图像之间的差异都较大，因此，本实施例提供的轮胎检测方式可检测任何缺陷，泛用性较好，可进一步降低漏检概率。另外，由于正常x光图像无需样本标注，可降低样本标注成本。62.在本技术实施例中，在利用图像重构模型对待检测轮胎的x光图像进行图像重构之前，还可对图像重构模型进行训练。对图像重构模型进行训练的过程，可以为离线训练过程，也可为在线训练过程。下面对图像重构模型的训练过程进行示例性说明。63.在本实施例中，如图1e所示，计算机设备12可获取正常轮胎的历史x光图像。可选地，如图1e所示，计算机设备12可从历史图像库中获取正常轮胎的历史x光图像。进一步，计算机设备12可利用正常轮胎的历史x光图像进行模型训练，得到图像重构模型。64.在本技术实施例中，不限定图像重构模型的实现形式。可选地，可以正常轮胎的历史x光图像为训练样本，对生成式对抗网络(gan)进行生成式对抗训练，直至满足设定的停止条件；并将满足设定的停止条件时的生成式对抗网络中的生成器，作为图像重构模型。下面结合图1f对生成式对抗训练过程进行示例性说明。如图1f所示，生成式对抗训练过程主要包括如下步骤：65.s1、以第一损失函数最小化为训练目标，以正常轮胎的历史x光图像为训练样本，对当前生成器进行训练，以得到目标生成器。66.其中，第一损失函数为生成器的损失函数，可根据历史x光图像和当前生成器生成的重构图像确定的。67.可选地，第一损失函数可由生成器的损失函数由两部分组成：一致性损失和生成对抗损失。68.一致性损失：生成器的目标是生成与无缺陷图像尽可能相似的重构图，可通过残差计算最小化输入的x光图像和重构图像之间的像素差异。相应地，如图1g所示，一致性损失可表示为：69.lossres＝ex～p||x-g(x)||1ꢀꢀꢀ(1)70.在式(1)中，x表示x光图像的像素值，g(x)表示x光图像的重构图像的像素值。||x-g(x)||1表示x光图像与x光图像的重构图像之间像素差异的1范数。71.生成对抗损失：生成对抗损失可以辨别器上计算图像特征之间的距离，从而优化生成器，使生成的重构图像与输入的x光图像更相似，最终生成能够欺骗辨别器的重构图。发明人发现通过图像特征匹配可以降低gan训练的不稳定性，因此，提取辨别器的中间层，将输入的x光图像与该x光图像对应的重构图像的图像特征进行匹配，计算x光图像与该x光图像对应的重构图像的图像特征之间的距离。可选地，可计算x光图像与该x光图像对应的重构图像的图像特征之间的欧式距离或余弦距离等。其中，如图1g所示，生成对抗损失可定义为：72.lossadv＝ex～p||f(x)-f(g(x))||2ꢀꢀꢀ(2)73.在式(2)中，f(x)表示x光图像的图像特征，f(g(x))表示x光图像的重构图像的图像特征。||f(x)-f(g(x))||2表示x光图像与x光图像的重构图像的图像特征之间的距离，用2范数进行表示。74.进一步，生成器的损失函数，即第一损失函数可定义为：75.lg＝lossadv+λ1lossresꢀꢀꢀ(3)76.其中，在式(3)中，λ1是比例因子。77.基于上述第一损失函数，可利用当前辨别器中的编码器对正历史x光图像和当前生成器生成的重构图像进行特征提取，以得到正历史x光图像的图像特征及当前生成器生成的重构图像的图像特征；并计算历史x光图像的图像特征及当前生成器生成的重构图像的图像特征之间的距离；以及，计算历史x光图像和当前生成器生成的重构图像之间的像素差异；并根据历史x光图像和当前生成器生成的重构图像之间的像素差异，以及，历史x光图像的图像特征及当前生成器生成的重构图像的图像特征之间的距离，确定第一损失函数。78.s2、将历史x光图像输入目标生成器进行图像重构，以得到历史x光图像的重构图像。79.s3、利用生成式对抗网络中的当前辨别器甄别历史x光图像与这些x光图像的重构图像。80.s4、计算当前辨别器针对历史x光图像的重构图像的甄别概率。81.其中，当前辨别器针对历史x光图像的重构图像的甄别概率可理解为：当前辨别器对历史x光图像的重构图像甄别正确的图像数量，占历史x光图像的重构图像的总数量的比例。82.s5、判断甄别概率是否小于或等于设定的概率阈值。若判断结果为大于(否)，则执行步骤s6；若判断结果为小于或等于(是)，则执行步骤s9。83.在本技术实施例中，不限定概率阈值的具体取值。优选地，概率阈值小于或等于50％。例如，可取3％、5％、10％或15％等等。84.s6、以第二损失函数最小化为训练目标，以的历史x光图像及历史x光图像的重构图像为训练样本，对当前辨别器进行训练，以得到目标辨别器。85.其中，第二损失函数为辨别器的损失函数，可根据当前辨别器对历史x光图像和历史x光图像的重构图像的实际甄别情况确定。86.在本实施例中，gan的辨别器用于甄别输入至辨别器的图像是x光图像的原图，还是生成器产生的重构图像。因此，选用合适的损失函数可有效提升重构图像的质量。在一些实施例中，可第二损失函数可采用交叉熵损失函数。但是，交叉熵会导致在决策边界被分类为真的(x光图像的原图)、但实际仍远离真实数据的假样本(即生成器生成的重构图像)不会继续迭代，因为它已经成功欺骗了辨别器。因此，在更新生成器的时候就会发生梯度弥散的问题。87.为了解决该问题，在本实施例中，可采用最小二乘损失函数作为第二损失函数。最小二乘损失函数会对处于判别成真的、但实际仍远离真实数据的假样本进行惩罚，把远离决策边界的假样本拉回决策边界，从而提高生成器生成的重构图像的质量。其中，如图1g所示，最小二乘损失函数可表示为：[0088][0089]在式(4)中，d(x)表示x光图像的原图被辨别器甄别为重构图像的概率；d(g(x))表示x光图像的重构图像被辨别器甄别为重构图像的概率。其中，式(4)中对应的辨别器，在理想情况下，x光图像的原图被辨别器甄别为重构图像的概率为0；x光图像的重构图像被辨别器甄别为重构图像的概率为1。[0090]基于上述第二损失函数，可根据当前辨别器对所述历史x光图像和历史x光图像的重构图像的实际甄别情况，计算当前辨别器甄别历史x光图像和历史x光图像的重构图像的最小二乘损失函数，作为第二损失函数。[0091]s7、判断当前循环次数是否达到设定的轮次。若判断结果为否，则执行步骤s8；若判断结果为是，则执行步骤s10。[0092]s8、将目标生成器作为当前生成器，将目标辨别器作为当前辨别器，将当前循环次数j增加1；即j＝j+1，并返回执行步骤s1。[0093]s9、将目标生成器作为图像重构模型；并将当前辨别器作为训练完成的辨别器。[0094]s10、将目标生成器作为图像重构模型；并将目标辨别器作为训练完成的辨别器。[0095]上述步骤s1-s10中的历史x光图像均为正常轮胎的x光图像，即作为图像重构模型训练样本的x光图像。[0096]可选地，如图1e所示，在图像重构模型训练完成后，还可从历史图像库中获取测试用历史x光图像；来测试训练好的图像重构模型的判别效果，以此来评价模型的检测效果。[0097]进一步，在图像重构模型训练完成后，便可应用于实际轮胎质量的检测。即将待检测轮胎的x光图像输入上述图像重构模型；并利用图像重构模型对输入的x光图像进行图像重构，得到待检测轮胎的x光图像的重构图像。[0098]进一步，计算机设备12可计算待检测轮胎的x光图像与其重构图像之间的相似度；并根据待检测轮胎的x光图像与其重构图像之间的相似度，确定待检测轮胎的质量。[0099]在一些实施例中，计算机设备12可计算待检测轮胎的x光图像与其重构图像之间的像素差异，作为待检测轮胎的x光图像与其重构图像之间的相似度。其中，可选地，待检测轮胎的x光图像与其重构图像之间的像素差异越小，待检测轮胎的x光图像与其重构图像之间的相似度越大。[0100]可选地，如图1h所示，可计算待检测轮胎的x光图像与其重构图像之间的像素差异均值，作为x光图像与所述重构图像之间的相似度。其计算公式可表示为：[0101]r(x)＝mean(|x-g(x)|)ꢀꢀꢀ(5)[0102]在式(5)中，x表示x光图像的像素值，g(x)表示x光图像的重构图像的像素值。mean(|x-g(x)|)表示x光图像与x光图像的重构图像之间像素差异的均值。[0103]在另一些实施例中，如图1h所示，可获取待检测轮胎的x光图像的图像特征及该x光图像的重构图像的图像特征。可选地，可将待检测轮胎的x光图像及其重构图像分别输入训练完成的图像重构模型的编码器中，在该编码器中分别对待检测轮胎的x光图像的图像特征及该x光图像的重构图像进行编码，以得到待检测轮胎的x光图像的图像特征及该x光图像的重构图像的图像特征。[0104]进一步，计算待检测轮胎的x光图像的图像特征及其重构图像的图像特征之间的距离，作为待检测轮胎的x光图像与其重构图像之间的相似度。其中，待检测轮胎的x光图像的图像特征及其重构图像的图像特征之间的距离最短，待检测轮胎的x光图像与其重构图像之间的相似度越大。[0105]可选地，如图1h所示，可计算待检测轮胎的x光图像与其重构图像的图像特征之间的距离均值，作为待检测轮胎的x光图像与其重构图像之间的相似度，对应的计算公式可表示为：[0106]d(x)＝mean(|en(x)-en(g(x))|)ꢀꢀꢀ(6)[0107]在式(6)中，en(x)表示x光图像的图像特征，en(g(x))表示x光图像的重构图像的图像特征。mean(|en(x)-en(g(x))|)表示x光图像与x光图像的重构图像的图像特征之间距离的均值。[0108]针对上述两种相似度计算方式，在实际应用中可择一实施，也可两者结合进行实施。在两者结合实施时，可对上述两种计算方式计算出的相似度进行加权计算，以得到加权计算结果；并根据加权计算结果，确定待检测轮胎的质量。其中，加权计算的公式可表示为：[0109]s(x)＝λ2r(x)+d(x)ꢀꢀꢀ(7)[0110]其中，λ2表示加权因子。[0111]可选地，可设置差异阈值；并判断加权计算结果是否大于或等于设定的差异阈值；若判断结果为是，则确定待检测轮胎存在缺陷。相应地，若判断结果为否，则确定待检测轮胎正常，即不存在缺陷。[0112]但是，由于不同x光图像的像素不同，因此，不同像素的x光图像需要单独设置差异阈值，且很难选择合适的差异阈值。为了解决该问题，在本实施例中，还可对加权计算结果进行归一化处理，以得到待检测轮胎的x光图像的异常分数。其中，归一化处理公式可表示为：[0113][0114]在式(8)中，s′(x)表示待检测轮胎的x光图像的异常分数；max(si(x))和min(si(x))分别为上述参与图像重构模型训练的正常轮胎的x光图像的异常分数的最大值和最小值。其中，i＝1,2,...,n。n为上述参与图像重构模型训练的正常轮胎的x光图像的总数量。[0115]针对式(8)，轮胎的x光图像的异常分数越接近于1，表示该x光图像为缺陷图像的概率越大。基于此，可根据待检测轮胎的x光图像的异常分数，确定待检测轮胎的质量。可选地，若待检测轮胎的x光图像的异常分数大于或等于设定的异常阈值，则确定待检测轮胎存在缺陷。相应地，若待检测轮胎的x光图像的异常分数小于设定的异常阈值，则确定待检测轮胎为正常轮胎，即不存在缺陷。[0116]在本技术实施例中，不限定异常阈值的具体取值。可选地，1/2＜异常阈值＜1。[0117]在本技术实施例中，计算机设备12在确定出待检测轮胎的质量检测结果之后，还可输出待检测轮胎的质量检测结果。在一些实施例中，计算机设备12为设置于x光机11本地的电子设备。计算机设备12包括显示屏。相应地，计算机设备12可通过显示组件显示待检测轮胎的质量检测结果。可选地，计算机设备12还可通过显示组件显示待检测轮胎的x光图像。[0118]在另一些实施例中，计算机设备12为设置于云端的服务端设备，则计算机设备12可将待检测轮胎的质量检测结果提供给x光机11。x光机11可设置显示屏。相应地，x光机11可通过显示组件显示待检测轮胎的质量检测结果。可选地，x光机11还可通过显示组件显示待检测轮胎的x光图像。或者，计算机设备12可将待检测轮胎的质量检测结果提供给x光机11本地的计算机设备，由x光机11本地的计算机设备显示待检测轮胎的质量检测结果；等等。[0119]在一些实施例中，计算机设备12除了可检测轮胎的质量之外，对于存在缺陷的轮胎，还可识别该轮胎的缺陷类型。相应地，计算机设备12还可对待检测轮胎的x光图像进行缺陷识别，以确定待检测轮胎的缺陷类型。[0120]可选地，计算机设备12可将待检测轮胎的x光图像输入缺陷识别模型，在缺陷识别模型中，对待检测轮胎的x光图像进行特征提取，以得到该x光图像的图像特征；进一步，可根据x光图像的图像特征进行缺陷识别，以得到待检测轮胎的缺陷类型。进一步，计算机设备12还可输出待检测轮胎的缺陷类型。[0121]若计算机设备12为设置于x光机11本地的电子设备，则可通过显示组件显示待检测轮胎的缺陷类型。若计算机设备12为设置于云端的服务端设备，则可待检测轮胎的缺陷类型提供给x光机11。相应地，x光机11可通过显示组件显示待检测轮胎的缺陷类型。或者，计算机设备12可将待检测轮胎的缺陷类型提供给x光机11本地的计算机设备，由x光机11本地的计算机设备显示待检测轮胎的缺陷类型；等等。[0122]其中，上述缺陷识别模型可为多分类模型，可以预先标注的异常轮胎的x光图像为样本训练得到。其中，预先标注的异常轮胎的x光图像可包括：多种缺陷类型的轮胎的x光图像。每种缺陷类型的轮胎的x光图像为多张。可预先标注每张x光图像是否存在缺陷以及缺陷类型等等。[0123]除了上述系统实施例之外，本技术实施例还提供检测方法，该检测方法适用于任何计算机设备，当然也可适用于具有数据处理功能的x光机。下面对本技术实施例提供的检测方法进行示例性说明。[0124]图2为本技术实施例提供的轮胎检测方法的流程示意图。如图2所示，该方法包括：[0125]201、获取待检测图像；该待检测图像为待检测轮胎的x光图像。[0126]202、利用图像重构模型对待检测图像进行图像重构，以获取待检测图像的重构图像；其中，图像重构模型是以正常轮胎的历史x光图像为样本训练得到的。[0127]203、计算待检测图像与重构图像之间的相似度。[0128]204、根据待检测图像与重构图像之间的相似度，确定待检测轮胎的质量。[0129]在本实施例中，针对轮胎进行检测的装置或设备来说，在步骤201中，可获取待检测轮胎的x光图像。[0130]可选地，若执行检测方法的计算机设备，为x光机或部署于x光机本地的设备，则步骤201的一种可选实施方式为：获取x光机生成的x光图像，作为待检测轮胎的x光图像。[0131]在另一些实施例中，执行上述检测方法的计算机设备可部署于云端，如云服务商的服务端设备等。可选地，本技术实施例提供的检测方法还可部署于云端，实现为一种saas服务。对于部署该saas服务或者部署本技术实施例提供的检测方法的服务端设备，步骤201的另一种可选实施方式为：接收x光机或部署于x光机本地的其它设备发送的x光图像，作为待检测图像。[0132]无论哪种执行主体，在步骤202中，均可利用以正常轮胎的历史x光图像为样本训练得到的图像重构模型，对待检测图像进行图像重构，以获取待检测图像的重构图像。可选地，如图1a所示，在图像重构模型中，可对待检测图像进行特征提取，以获取待检测图像的图像特征；并利用待检测图像的图像特征进行图像重构，以待检测图像的重构图像。[0133]由于图像重构模型是以正常轮胎的历史x光图像为样本训练得到的，因此，对于正常轮胎来说，其x光图像和x光图像的重构图像之间的相似度较高。相应地，对于有缺陷的轮胎来说，由于图像重构模型未学习有缺陷的轮胎的x光图像，因此，无法对x光图像的缺陷区域进行重构，因此，有缺陷的轮胎的x光图像和x光图像的重构图像之间的差异较大，相似度较低。[0134]基于上述分析，在步骤203中，可计算待检测轮胎的x光图像与该x光图像的重构图像之间的相似度；并根据待检测轮胎的x光图像与该x光图像的重构图像之间的相似度，确定待检测轮胎的质量，实现了轮胎质量的自动化检测。该检测过程无需依赖人工经验，有助于提高轮胎质量检测的准确度。关于本技术实施例提供的检测方法的其它实施效果，可参见上述系统实施例的相关分析，在此不再赘述。[0135]在本技术实施例中，在利用图像重构模型对待检测轮胎的x光图像进行图像重构之前，还可对图像重构模型进行训练。对图像重构模型进行训练的过程，可以为离线训练过程，也可为在线训练过程。下面对图像重构模型的训练过程进行示例性说明。[0136]在本实施例中，可获取正常轮胎的历史x光图像。可选地，可从历史图像库中获取正常轮胎的历史x光图像。进一步，可利用正常轮胎的历史x光图像进行模型训练，得到图像重构模型。[0137]在本技术实施例中，不限定图像重构模型的实现形式。可选地，可以正常轮胎的历史x光图像为训练样本，对生成式对抗网络(gan)进行生成式对抗训练，直至满足设定的停止条件；并将满足设定的停止条件时的生成式对抗网络中的生成器，作为图像重构模型。关于生成式对抗训练过程的具体实施方式可参见上述图1b的相关描述，在此不再赘述。[0138]在图像重构模型训练完成后，便可应用于实际轮胎质量的检测。即将待检测轮胎的x光图像输入上述图像重构模型；并利用图像重构模型对输入的x光图像进行图像重构，得到待检测轮胎的x光图像的重构图像。[0139]进一步，可计算待检测轮胎的x光图像(即待检测图像)与其重构图像之间的相似度；并根据待检测轮胎的x光图像与其重构图像之间的相似度，确定待检测轮胎的质量。[0140]在一些实施例中，可计算待检测轮胎的x光图像与其重构图像之间的像素差异，作为待检测轮胎的x光图像与其重构图像之间的相似度。其中，可选地，待检测轮胎的x光图像与其重构图像之间的像素差异越小，待检测轮胎的x光图像与其重构图像之间的相似度越大。[0141]可选地，可计算待检测轮胎的x光图像与其重构图像之间的像素差异均值，作为x光图像与所述重构图像之间的相似度。其计算公式可参见上述式(5)。[0142]在另一些实施例中，可获取待检测轮胎的x光图像的图像特征及该x光图像的重构图像的图像特征。可选地，可将待检测轮胎的x光图像及其重构图像分别输入训练完成的图像重构模型的编码器中，在该编码器中分别对待检测轮胎的x光图像的图像特征及该x光图像的重构图像进行编码，以得到待检测轮胎的x光图像的图像特征及该x光图像的重构图像的图像特征。[0143]进一步，计算待检测轮胎的x光图像的图像特征及其重构图像的图像特征之间的距离，作为待检测轮胎的x光图像与其重构图像之间的相似度。其中，待检测轮胎的x光图像的图像特征及其重构图像的图像特征之间的距离最短，待检测轮胎的x光图像与其重构图像之间的相似度越大。[0144]可选地，可计算待检测轮胎的x光图像与其重构图像的图像特征之间的距离均值，作为待检测轮胎的x光图像与其重构图像之间的相似度，对应的计算公式可参见上述式(6)。[0145]针对上述两种相似度计算方式，在实际应用中可择一实施，也可两者结合进行实施。在两者结合实施时，可对上述两种计算方式计算出的相似度进行加权计算，以得到加权计算结果；并根据加权计算结果，确定待检测轮胎的质量。其中，加权计算的公式可参见上述式(7)。[0146]可选地，可设置差异阈值；并判断加权计算结果是否大于或等于设定的差异阈值；若判断结果为是，则确定待检测轮胎存在缺陷。相应地，若判断结果为否，则确定待检测轮胎正常，即不存在缺陷。[0147]但是，由于不同x光图像的像素不同，因此，不同像素的x光图像需要单独设置差异阈值，且很难选择合适的差异阈值。为了解决该问题，在本实施例中，还可对加权计算结果进行归一化处理，以得到待检测轮胎的x光图像的异常分数。其中，归一化处理公式可参见上述式(8)。[0148]针对式(8)，轮胎的x光图像的异常分数越接近于1，表示该x光图像为缺陷图像的概率越大。基于此，可根据待检测轮胎的x光图像的异常分数，确定待检测轮胎的质量。可选地，若待检测轮胎的x光图像的异常分数大于或等于设定的异常阈值，则确定待检测轮胎存在缺陷。相应地，若待检测轮胎的x光图像的异常分数小于设定的异常阈值，则确定待检测轮胎为正常轮胎，即不存在缺陷。在本技术实施例中，不限定异常阈值的具体取值。可选地，1/2＜异常阈值＜1。[0149]在本技术实施例中，在确定出待检测轮胎的质量检测结果之后，还可输出待检测轮胎的质量检测结果。在一些实施例中，执行上述检测方法的设备为设置于x光机本地的电子设备，则可通过显示组件显示待检测轮胎的质量检测结果。可选地，还可通过显示组件显示待检测轮胎的x光图像。[0150]在另一些实施例中，执行上述检测方法的设备为设置于云端的服务端设备，则可将待检测轮胎的质量检测结果发送给待检测图像的提供方，提供待检测图像的提供方输出待检测轮胎的质量检测结果。其中，待检测图像的提供方可为x光机或部署于x光机本地的其它电子设备。[0151]在一些实施例中，除了可检测轮胎的质量之外，对于存在缺陷的轮胎，还可识别该轮胎的缺陷类型。相应地，还可对待检测轮胎的x光图像(即待检测图像)进行缺陷识别，以确定待检测轮胎的缺陷类型。[0152]可选地，可将待检测轮胎的x光图像输入缺陷识别模型，在缺陷识别模型中，对待检测轮胎的x光图像进行特征提取，以得到该x光图像的图像特征；进一步，可根据x光图像的图像特征进行缺陷识别，以得到待检测轮胎的缺陷类型。进一步，还可输出待检测轮胎的缺陷类型。[0153]若执行上述检测方法的设备为x光机或设置于x光机本地的电子设备，则可通过显示组件显示待检测轮胎的缺陷类型。若执行上述检测方法的设备为设置于云端的服务端设备，则可待检测轮胎的缺陷类型提供给待检测图像的提供方。相应地，待检测图像的提供方可通过显示组件显示待检测轮胎的缺陷类型。[0154]值得说明的是，本技术实施例提供的检测方法除了应用于对轮胎检测上，还可适用于对其它对象进行检测。例如，可利用使用医学影像进行疾病诊断，其中，医学影像可以x光片、ct、彩超等等，但不限于此。又例如，待测图像为x光图像，可利用其它工业配件或工业制品的x光图像，对工业制品内部进行无损探伤。其中，工业配件或工业制品可以为钢材、钢管、玻璃、pvc板材、瓷器、轴承、汽车配件、载具配件以及工业设备(如锅炉)等，但不限于此。又例如，待测图像为视觉图像，可利用待测对象的外包装图像，对外包装的印刷是否合格进行检测等。又例如，可利用花布或壁纸的图像，对花布或壁纸的花纹是否合格进行检测等等。相应地，本技术实施例还提供一种检测方法如图3所示，该检测方法包括：[0155]301、获取待检测图像；该待检测图像为待检测对象的图像。[0156]302、利用图像重构模型对待检测图像进行图像重构，以获取待检测图像的重构图像；其中，图像重构模型是以正常对象的历史图像为样本训练得到的。[0157]303、计算待检测图像与重构图像之间的相似度。[0158]304、根据待检测图像与重构图像之间的相似度，确定待检测对象的质量。[0159]在本实施例中，应用场景不同，待检测对象不同。在一些实施例中，待检测对象可为人体组织。相应地，待检测图像可为人体组织的医学影像。在另一些实施例中，待检测对象可为物品的外包装，如外包装袋或外包装盒等。相应地，待检测图像为外包装的图像；等等，但不限于此。在另一些实施例中，待检测对象为工业制品，可利用x光对工业制品进行无损探伤。相应地，待检测图像为工业制品的x光图像。[0160]至于待检测图像和历史图像为视觉图像，还是x光图像，可由检测目的决定。例如，在一些实施例中，为了检测对象的外表质量，则待检测图像和历史图像可为视觉图像；在另一些实施例中，为了检测对象的内部质量，则待检测图像和历史图像可为x光图像；等等。[0161]在本实施例中，利用以正常对象的历史图像为样本训练得到的图像重构模型，对待检测对象的图像进行图像重构，得到待检测图像的重构图像。由于图像重构模型是以正常对象的历史图像为样本训练得到的，因此，针对有缺陷的对象，其重构图像和原图像差异较大。基于此，可计算待检测图像与重构图像之间的相似度；并根据待检测图像与重构图像之间的相似度，确定待检测对象的质量，实现了自动化检测，无需依赖人工经验，有助于提高质量检测的准确度。[0162]在一些实施例中，可将待检测图像输入图像重构模型；在图像重构模型中，对待检测图像进行特征提取，以获取待检测图像的图像特征；利用待检测图像的图像特征进行图像重构，以获取待检测图像的重构图像。其中，关于重构图像模型的训练过程可参见上述实施例的相关内容，在此不再赘述。[0163]值得说明的是，在本技术实施例中，正常对象是指无缺陷对象，即符合所检测的质量标准的对象，与待检测图像属于同一产品。相应地，正常对象的历史图像与待检测对象的图像属于相同性质的图像。例如，对于待检测对象为工业制品，检测目的是为了检测工业制品内部是否有损伤或缺陷，待检测对象为工业制品的x光图像，则正常对象则为符合质量检测标准的工作制品，也可理解为内部无缺陷的工作制品；相应地，正常对象的历史图像为正常对象的x光图像。[0164]关于重构图像模型的训练过程以及对检测结果的处理，可参见上述对轮胎进行检测的实施方式中的相关内容，在此不再赘述。[0165]在一些实施例中，可计算所述待检测图像与所述待检测图像的重构图像之间的相似度，包括以下至少一种计算方式：[0166]计算所述待检测图像与其重构图像之间的像素差异，作为所述待检测图像与待检测图像的重构图像之间的相似度；[0167]和/或，[0168]获取待检测图像的图像特征及所述待检测图像的重构图像的图像特征；计算待检测图像的图像特征与其重构图像的图像特征之间的距离，作为待检测图像与所述待检测图像的重构图像之间的相似度。[0169]进一步，可对至少一种计算方式计算出的相似度进行加权计算，以得到加权计算结果；并根据加权计算结果，确定待检测对象的质量。[0170]可选地，对加权计算结果进行归一化处理，以得到所述待检测图像的异常分数；若待检测图像的异常分数大于或等于设定的异常阈值，则确定待检测对象存在缺陷。[0171]需要说明的是，上述实施例所提供方法的各步骤的执行主体均可以是同一设备，或者，该方法也由不同设备作为执行主体。比如，步骤201和202的执行主体可以为设备a；又比如，步骤201的执行主体可以为设备a，步骤202的执行主体可以为设备b；等等。[0172]另外，在上述实施例及附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如201、202等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。[0173]相应地，本技术实施例还提供一种存储有计算机指令的计算机可读存储介质，当计算机指令被一个或多个处理器执行时，致使一个或多个处理器执行上述轮胎检测方法和/或检测方法中的步骤。[0174]本技术实施例还提供一种计算机程序产品，包括：计算机程序；所述计算机程序被处理器执行用于实现上述轮胎检测方法和/或检测方法。[0175]图4为本技术实施例提供的计算机设备的结构示意图。如图4所示，该计算机设备包括：存储器40a和处理器40b。其中，存储器40a，用于存储计算机程序。[0176]处理器40b耦合至存储器40a，用于执行计算机程序以用于：获取待检测图像；待检测图像为待检测轮胎的x光图像；利用图像重构模型对待检测图像进行图像重构，以获取待检测图像的重构图像；图像重构模型是以正常轮胎的历史x光图像为样本训练得到的；计算待检测图像与重构图像之间的相似度；并根据待检测图像与重构图像之间的相似度，确定待检测轮胎的质量。[0177]可选地，处理器40b在利用图像重构模型对待检测图像进行图像重构时，具体用于：将待检测图像输入图像重构模型；在图像重构模型中，对待检测图像进行特征提取，以获取待检测图像的图像特征；并利用待检测图像的图像特征进行图像重构，以获取待检测图像的重构图像。[0178]可选地，处理器40b在利用图像重构模型对待检测图像进行图像重构之前，还用于：以正常轮胎的历史x光图像为训练样本，对生成式对抗网络进行生成式对抗训练，直至满足设定的停止条件；并将满足设定的停止条件时的生成式对抗网络中的生成器，作为图像重构模型。[0179]可选地，处理器40b在对生成器和辨别器进行生成式对抗训练时，具体用于：以第一损失函数最小化为训练目标，以历史x光图像为训练样本，对当前生成器进行训练，以得到目标生成器；第一损失函数是根据历史x光图像和当前生成器生成的重构图像确定的；将历史x光图像输入目标生成器进行图像重构，以得到历史x光图像的重构图像；利用生成式对抗网络中的当前辨别器甄别历史x光图像与历史x光图像的重构图像；并计算当前辨别器针对历史x光图像的重构图像的甄别概率；判断甄别概率是否小于或等于设定的概率阈值；若大于，则以第二损失函数最小化为训练目标，以历史x光图像及其重构图像为训练样本，对当前辨别器进行训练，以得到目标辨别器；第二损失函数是根据当前辨别器对历史x光图像和历史x光图像的重构图像的实际甄别情况确定的；以及，判断当前循环次数是否达到设定的轮次；若未达到，则将目标生成器作为当前生成器；并将目标辨别器作为当前辨别器，并返回执行对当前生成器进行训练的操作，直至甄别概率小于或等于设定的概率阈值，或，循环次数达到设定的轮次。[0180]可选地，处理器40b还用于：在对当前生成器进行训练的过程中，利用当前辨别器中的编码器对历史x光图像和当前生成器生成的重构图像进行特征提取，以得到历史x光图像的图像特征及当前生成器生成的重构图像的图像特征；计算历史x光图像的图像特征及当前生成器生成的重构图像的图像特征之间的距离；计算历史x光图像和当前生成器生成的重构图像之间的像素差异；根据历史x光图像和当前生成器生成的重构图像之间的像素差异，以及，历史x光图像的图像特征及当前生成器生成的重构图像的图像特征之间的距离，确定第一损失函数。[0181]可选地，处理器40b还用于：在对当前生成器进行训练的过程中，根据当前辨别器对历史x光图像和历史x光图像的重构图像的实际甄别情况，计算当前辨别器甄别历史x光图像和历史x光图像的重构图像的最小二乘损失函数，作为第二损失函数。[0182]在一些实施例中，处理器40b在计算待检测图像与待检测图像的重构图像之间的相似度，具体用于执行以下至少一种计算方式：计算待检测图像与其重构图像之间的像素差异，作为待检测图像与待检测图像的重构图像之间的相似度；和/或，获取待检测图像的图像特征及待检测图像的重构图像的图像特征；计算待检测图像的图像特征与其重构图像的图像特征之间的距离，作为待检测图像与待检测图像的重构图像之间的相似度。[0183]相应地，处理器40b在确定待检测轮胎的质量时，具体用于：对至少一种计算方式计算出的相似度进行加权计算，以得到加权计算结果；并根据加权计算结果，确定待检测轮胎的质量。[0184]进一步，处理器40b在确定待检测轮胎的质量时，具体用于：对加权计算结果进行归一化处理，以得到x光图像的异常分数；并根据待检测图像的异常分数，确定待检测轮胎的质量。[0185]进一步，处理器40b在确定待检测轮胎的质量时，具体用于：若待检测图像的异常分数大于或等于设定的异常阈值，则确定待检测轮胎存在缺陷。[0186]在一些实施例中，处理器40b还用于：通过显示组件40c显示针对待检测轮胎的质量检测结果；或者，通过通信组件40d将针对待检测轮胎的质量检测结果发送给待检测图像的提供方，以供提供方输出质量检测结果。[0187]在另一些实施例中，处理器40b还用于：若待检测轮胎存在缺陷，则对待检测图像进行缺陷识别，以确定待检测轮胎的缺陷类型。[0188]可选地，处理器40b还用于：通过显示组件40c显示待检测轮胎的缺陷类型；或者，通过通信组件40c将待检测轮胎的缺陷类型发送给x光图像的提供方，以供提供方输出待检测轮胎的缺陷类型。[0189]本实施例提供的计算机设备，可利用以正常轮胎的历史x光图像为样本训练得到的图像重构模型，对待检测轮胎的x光图像进行图像重构，得到x光图像的重构图像。由于图像重构模型是以正常轮胎的历史x光图像为样本训练得到的，因此，针对有缺陷的轮胎，其重构图像和x光图像差异较大。基于此，可计算待检测轮胎的x光图像与重构图像之间的相似度；并根据待检测轮胎的x光图像与重构图像之间的相似度，确定待检测轮胎的质量，实现了轮胎质量的自动化检测，无需依赖人工经验，有助于提高轮胎质量检测的准确度。[0190]在本技术实施例中，处理器40b还用于：获取待检测图像；待检测图像为待检测对processing unit，gpu)或微控制单元(microcontroller unit，mcu)；也可以为现场可编程门阵列(field-programmable gate array，fpga)、可编程阵列逻辑器件(programmable array logic，pal)、通用阵列逻辑器件(general array logic，gal)、复杂可编程逻辑器件(complex programmable logic device，cpld)等可编程器件；或者为先进精简指令集(risc)处理器(advanced risc machines，arm)或系统芯片(system on chip，soc)等等，但不限于此。[0202]在本技术实施例中，通信组件被配置为便于其所在设备和其他设备之间有线或无线方式的通信。通信组件所在设备可以接入基于通信标准的无线网络，如wifi，2g或3g，4g，5g或它们的组合。在一个示例性实施例中，通信组件经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，通信组件还可基于近场通信(nfc)技术、射频识别(rfid)技术、红外数据协会(irda)技术、超宽带(uwb)技术、蓝牙(bt)技术或其他技术来实现。[0203]在本技术实施例中，显示组件可以包括液晶显示器(lcd)和触摸面板(tp)。如果显示组件包括触摸面板，显示组件可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与触摸或滑动操作相关的持续时间和压力。[0204]在本技术实施例中，电源组件被配置为其所在设备的各种组件提供电力。电源组件可以包括电源管理系统，一个或多个电源，及其他与为电源组件所在设备生成、管理和分配电力相关联的组件。[0205]在本技术实施例中，音频组件可被配置为输出和/或输入音频信号。例如，音频组件包括一个麦克风(mic)，当音频组件所在设备处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器或经由通信组件发送。在一些实施例中，音频组件还包括一个扬声器，用于输出音频信号。例如，对于具有语言交互功能的设备，可通过音频组件实现与用户的语音交互等。[0206]图5为本技术实施例提供的x光机的结构框图。如图5所示，x光机50包括：机械本体51；机械本体设置有容纳腔52；容纳腔中设置有x光发射器53和x光探测器54。[0207]机械本体51上还设置有信号采集单元55和处理单元56；信号采集单元55电连接于x光探测器54和处理单元56之间。[0208]在本实施例中，信号采集单元55和处理单元56可集成于同一pcb版上，也可集成于不同的pcb板上。处理单元56可包括：处理器及其外围电路。其中，关于处理器的实现形式可参见上述实施例的相关内容，在此不再赘述。[0209]在本实施例中，容纳腔52用于承载待检测轮胎。x光发射器53，用于向外发射x射线；x射线可穿透待检测轮胎。[0210]x光探测器54，用于接收x射线穿透待检测轮胎产生的辐射信号。[0211]信号采集单元55，用于采集辐射信号，并将辐射信号转换为x光图像；以及，将x光图像提供给处理单元56。[0212]可选地，如图5所示，信号采集单元55可包括：光电转换器55a和模数转换器55b等。光电转换器55a可将辐射信号转换为电信号。其中，电信号为模拟信号。模数转换器55b可将电信号转换为数据信号，该数字信号形成的矩阵可构成数字图像，即x光图像。[0213]处理单元56，用于利用图像重构模型对x光图像进行图像重构，以获取x光图像的重构图像；其中，图像重构模型是以正常轮胎的历史x光图像为样本训练得到的；进一步，计算x光图像与重构图像之间的相似度；并根据x光图像与重构图像之间的相似度，确定待检测轮胎的质量。[0214]可选地，处理单元56在利用图像重构模型对待检测图像进行图像重构时，具体用于：将待检测图像输入图像重构模型；在图像重构模型中，对待检测图像进行特征提取，以获取待检测图像的图像特征；并利用待检测图像的图像特征进行图像重构，以获取待检测图像的重构图像。[0215]可选地，处理单元56在利用图像重构模型对待检测图像进行图像重构之前，还用于：以正常轮胎的历史x光图像为训练样本，对生成式对抗网络进行生成式对抗训练，直至满足设定的停止条件；并将满足设定的停止条件时的生成式对抗网络中的生成器，作为图像重构模型。[0216]可选地，处理单元56在对生成器和辨别器进行生成式对抗训练时，具体用于：以第一损失函数最小化为训练目标，以历史x光图像为训练样本，对当前生成器进行训练，以得到目标生成器；第一损失函数是根据历史x光图像和当前生成器生成的重构图像确定的；将历史x光图像输入目标生成器进行图像重构，以得到历史x光图像的重构图像；利用生成式对抗网络中的当前辨别器甄别历史x光图像与历史x光图像的重构图像；并计算当前辨别器针对历史x光图像的重构图像的甄别概率；判断甄别概率是否小于或等于设定的概率阈值；若大于，则以第二损失函数最小化为训练目标，以历史x光图像及其重构图像为训练样本，对当前辨别器进行训练，以得到目标辨别器；第二损失函数是根据当前辨别器对历史x光图像和历史x光图像的重构图像的实际甄别情况确定的；以及，判断当前循环次数是否达到设定的轮次；若未达到，则将目标生成器作为当前生成器；并将目标辨别器作为当前辨别器，并返回执行对当前生成器进行训练的操作，直至甄别概率小于或等于设定的概率阈值，或，循环次数达到设定的轮次。[0217]可选地，处理单元56还用于：在对当前生成器进行训练的过程中，利用当前辨别器中的编码器对历史x光图像和当前生成器生成的重构图像进行特征提取，以得到历史x光图像的图像特征及当前生成器生成的重构图像的图像特征；计算历史x光图像的图像特征及当前生成器生成的重构图像的图像特征之间的距离；计算历史x光图像和当前生成器生成的重构图像之间的像素差异；根据历史x光图像和当前生成器生成的重构图像之间的像素差异，以及，历史x光图像的图像特征及当前生成器生成的重构图像的图像特征之间的距离，确定第一损失函数。[0218]可选地，处理单元56还用于：在对当前生成器进行训练的过程中，根据当前辨别器对历史x光图像和历史x光图像的重构图像的实际甄别情况，计算当前辨别器甄别历史x光图像和历史x光图像的重构图像的最小二乘损失函数，作为第二损失函数。[0219]在一些实施例中，处理单元56在计算待检测图像与待检测图像的重构图像之间的相似度，具体用于执行以下至少一种计算方式：计算待检测图像与其重构图像之间的像素差异，作为待检测图像与待检测图像的重构图像之间的相似度；和/或，获取待检测图像的图像特征及待检测图像的重构图像的图像特征；计算待检测图像的图像特征与其重构图像的图像特征之间的距离，作为待检测图像与待检测图像的重构图像之间的相似度。[0220]相应地，处理单元56在确定待检测轮胎的质量时，具体用于：对至少一种计算方式计算出的相似度进行加权计算，以得到加权计算结果；并根据加权计算结果，确定待检测轮胎的质量。[0221]进一步，处理单元56在确定待检测轮胎的质量时，具体用于：对加权计算结果进行归一化处理，以得到x光图像的异常分数；并根据待检测图像的异常分数，确定待检测轮胎的质量。[0222]进一步，处理单元56在确定待检测轮胎的质量时，具体用于：若待检测图像的异常分数大于或等于设定的异常阈值，则确定待检测轮胎存在缺陷。[0223]在一些实施例中，处理单元56还用于：通过显示组件57显示针对待检测轮胎的质量检测结果。[0224]在另一些实施例中，处理单元56还用于：若待检测轮胎存在缺陷，则对待检测图像进行缺陷识别，以确定待检测轮胎的缺陷类型。[0225]可选地，处理单元56还用于：通过显示组件57显示待检测轮胎的缺陷类型。[0226]在一些可选实施方式中，如图5所示，该x光机还可以包括：电源组件58、音频组件59等组件。图5中仅示意性给出部分组件，并不意味着计算机设备必须包含图5所示全部组件，也不意味着计算机设备只能包括图5所示组件。[0227]本实施例提供的x光机，可利用以正常轮胎的历史x光图像为样本训练得到的图像重构模型，对待检测轮胎的x光图像进行图像重构，得到x光图像的重构图像。由于图像重构模型是以正常轮胎的历史x光图像为样本训练得到的，因此，针对有缺陷的轮胎，其重构图像和x光图像差异较大。基于此，可计算待检测轮胎的x光图像与重构图像之间的相似度；并根据待检测轮胎的x光图像与重构图像之间的相似度，确定待检测轮胎的质量，实现了轮胎质量的自动化检测，无需依赖人工经验，有助于提高轮胎质量检测的准确度。[0228]需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。[0229]本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。[0230]本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。[0231]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。[0232]这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。[0233]在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。[0234]内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。[0235]计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。[0236]还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。[0237]以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!