本发明一般地涉及橡胶检测领域。更具体地，本发明涉及一种基于人工智能的橡胶缺陷检测方法。
背景技术：
1、随着计算机视觉和图像处理技术的飞速发展，能够显著提高获取、处理和分析大规模图像数据的能力。先进的图像处理算法能够从复杂的图像中提取特征、识别模式，为自动化缺陷检测提供了技术基础。基于人工智能的橡胶缺陷检测是智能制造的一部分，符合当前工业智能化的趋势。这种技术的研发不仅有利于提高橡胶制品的质量，还能促进整个制造业的智能化和数字化转型。在橡胶制品制造行业，特别是像汽车轮胎这样对质量要求极高的产品领域，及早发现和修复橡胶缺陷是确保产品质量的关键步骤。
2、传统的橡胶汽车轮胎缺陷检测方法通常依赖于人工目视检测或简单的图像处理技术，存在着检测速度慢、准确性低、受主观因素影响大等问题。这些方法无法满足现代工业对高效自动化生产的需求，因此需要更先进、自动化的技术来提高检测准确性和效率。
技术实现思路
1、为解决上述一个或多个技术问题，本发明提出一种基于人工智能的橡胶缺陷检测方法。为此，本发明在如下的多个方面中提供方案。
2、一种基于人工智能的橡胶缺陷检测方法，包括以下步骤：按照预设采样间隔获取橡胶轮胎的表面灰度图；将所述表面灰度图中任意一个像素点作为目标像素点，筛选所述目标像素点获得待滤波像素点；将任意一个所述待滤波像素点作为目标待滤波像素点，计算所述目标待滤波像素点的最大梯度方向，获取第一特征像素点，所述第一特征像素点为垂直于所述目标待滤波像素点的最大梯度方向并经过所述目标待滤波像素点的直线上的任意一个像素点；基于预设数量的所述第一特征像素点的灰度值计算所述目标待滤波像素点的灰度突变程度；获取第二特征像素点，所述第二特征像素点为水平方向并经过所述目标待滤波像素点的直线上的任意一个像素点，计算所述第二特征像素点为所述目标待滤波像素点的相似点的第一可能性；基于所述相似点数量和所述灰度突变程度计算所述目标待滤波像素点的标准差调整因子；利用所述目标待滤波像素点的标准差调整因子对双边滤波的预设标准差更新，对所述目标待滤波像素点进行滤波；遍历所述表面灰度图，获得滤波灰度图，将所述滤波灰度图输入预设神经网络，输出橡胶轮胎表面状态，完成对橡胶轮胎的检测。
3、在一个实施例中，所述获得待滤波像素点包括步骤：计算所述目标像素点的最大梯度方向，获取第三特征像素点，所述第三特征像素点为垂直于所述目标像素点的最大梯度方向并经过所述目标像素点的直线上的任意一个像素点；根据预设尺寸的滤波窗口内的所述第三特征像素点计算所述目标像素点为待滤波像素点的第二可能性，所述第二可能性满足关系式：
4、，其中，表示第个像素点为待滤波像素点的第二可能性，表示滤波窗口的尺寸，表示第个像素点的灰度值，表示第个第三特征像素点的灰度值，表示第个像素点的最大梯度方向，表示第个第三特征像素点的最大梯度方向，在第二可能性关系式中，第个像素点即为目标像素点，表示归一化函数。
5、若所述第二可能性大于预设滤波可能性阈值，所述目标像素点为待滤波像素点。
6、在一个实施例中，计算所述目标待滤波像素点的灰度突变程度包括步骤：各选取所述目标待滤波像素点上侧和下侧与所述目标待滤波像素点相邻的预设数量的所述第一特征像素点，并基于预设数量的所述第一特征像素点的灰度值计算所述目标待滤波像素点的灰度突变程度，所述灰度突变程度满足关系式：
7、，其中，表示第个待滤波像素点的灰度突变程度，表示第个第一特征像素点的灰度值，表示第个第一特征像素点的灰度值，表示预设数量的第一特征像素点的总数，表示目标待滤波像素点上侧或下侧选取的第一特征像素点的数量，在灰度突变程度关系式中，第个待滤波像素点即为目标待滤波像素点。
8、在一个实施例中，所述第一可能性满足关系式：
9、，其中，表示第个第二特征像素点的第一可能性，表示第个第二特征像素点的第二可能性，表示第个待滤波像素点的灰度值，表示第个第二特征像素点的灰度值，表示第个待滤波像素点的最大梯度方向，表示第个第二特征像素点的最大梯度方向，在第一可能性关系式中，第个待滤波像素点即为目标待滤波像素点，表示归一化函数。
10、在一个实施例中，所述标准差调整因子满足关系式：
11、，其中，表示第个待滤波像素点的标准差调整因子，表示第个待滤波像素点的相似点总数，表示滤波窗口的尺寸，表示第个待滤波像素点的灰度突变程度，表示第个第一特征像素点的灰度突变程度，在标准差调整因子关系式中，第个待滤波像素点即为目标待滤波像素点，表示归一化函数。
12、在一个实施例中，利用所述目标待滤波像素点的标准差调整因子对双边滤波的预设标准差更新包括步骤：预设双边滤波的初始空间域标准差和初始灰度域标准差；利用标准差调整因子对初始空间域标准差更新获得更新后的空间域标准差，更新后的空间域标准差满足关系式：
13、，其中，表示更新后的第个待滤波像素点的空间域标准差，表示初始空间域标准差，表示第个待滤波像素点的标准差调整因子。
14、利用标准差调整因子对初始灰度域标准差更新获得更新后的灰度域标准差，更新后的灰度域标准差满足关系式：
15、，其中，表示更新后的第个待滤波像素点的灰度域标准差，表示初始灰度域标准差，表示第个待滤波像素点的标准差调整因子。
16、在一个实施例中，预设神经网络包括输入层、隐藏层和输出层；输入层用于接收滤波灰度图的输入，隐藏层对输入信息进行特征提取后，将提取到的特征输入到输出层以输出橡胶轮胎表面状态标签；预设神经网络的损失函数使用交叉熵损失，使用梯度下降算法训练模型，迭代地更新预设神经网络的网络参数；当预设神经网络达到设定的最大训练次数或网络损失值小于设定损失值时，停止更新，得到训练好的预设神经网络。
17、本发明具有以下技术效果：
18、通过筛选获得待滤波像素点，计算每个待滤波像素点的调整因子，根据计算的调整因子对每个待滤波像素点自适应滤波，进而获得滤波灰度图，将滤波灰度图输入预设神经网络直接获得橡胶轮胎表面状态，能够避免将橡胶轮胎表面缺陷与橡胶轮胎表面纹理同时滤波，提高了橡胶轮胎缺陷检测的检测速度和检测精度。
1.一种基于人工智能的橡胶缺陷检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于人工智能的橡胶缺陷检测方法，其特征在于，所述获得待滤波像素点包括步骤：
3.根据权利要求1所述的一种基于人工智能的橡胶缺陷检测方法，其特征在于，计算所述目标待滤波像素点的灰度突变程度包括步骤：
4.根据权利要求1所述的一种基于人工智能的橡胶缺陷检测方法，其特征在于，所述第一可能性满足关系式：
5.根据权利要求1所述的一种基于人工智能的橡胶缺陷检测方法，其特征在于，所述标准差调整因子满足关系式：
6.根据权利要求1所述的一种基于人工智能的橡胶缺陷检测方法，其特征在于，利用所述目标待滤波像素点的标准差调整因子对双边滤波的预设标准差更新包括步骤：
7.根据权利要求1所述的一种基于人工智能的橡胶缺陷检测方法，其特征在于，预设神经网络包括输入层、隐藏层和输出层；
