基于穿線法的胎側(cè)散線缺陷檢測

， ，

(濟(jì)南大學(xué) a. 信息科學(xué)與工程學(xué)院， b. 山東省網(wǎng)絡(luò)環(huán)境智能計算技術(shù)重點實驗室, 山東 濟(jì)南 250022)

輪胎作為汽車的關(guān)鍵部件， 是汽車安全性能的主要體現(xiàn)者， 因而汽車廠商對于輪胎的質(zhì)量要求很高。 在實際的輪胎制造過程中，時常會出現(xiàn)輪胎簾線稀疏不均、簾線中某部分?jǐn)嗔?、交叉重疊、帶束層簾線脫落形成散線以及帶束層方向缺失等問題[1]，直接或間接影響產(chǎn)品質(zhì)量，縮短輪胎使用壽命。其中輪胎帶束層簾線的脫落形成的散線，會造成輪胎左、右兩側(cè)胎側(cè)部位的簾線分布不均，增加輪胎的磨損，因此對于胎側(cè)散線缺陷檢測顯得尤為重要。

雖然國內(nèi)外在輪胎缺陷檢測方面有不少研究，但是關(guān)于散線缺陷檢測方面的研究并不多見。文獻(xiàn)[2]中提出在輪胎X射線紋理灰度分布模型基礎(chǔ)上，通過正則化、圖像分塊等處理，計算每塊的灰度均值和方差，采用雙線性插值運(yùn)算形成均值圖像和方差圖像，再通過二值化實現(xiàn)缺陷檢測；文獻(xiàn)[3]中通過訓(xùn)練正常圖像得到標(biāo)準(zhǔn)字典,利用該字典的偽逆矩陣求取表示系數(shù)，把表示系數(shù)的分布差異作為鑒別標(biāo)準(zhǔn)來檢測缺陷區(qū)域；文獻(xiàn)[4]中提出一種基于稀疏表示的輪胎缺陷檢測算法，該方法是在基于圖像字典表示輪胎缺陷的局部特性基礎(chǔ)上，結(jié)合測量編碼長度表征的缺陷全局特性，檢測和定位輪胎缺陷；文獻(xiàn)[5]中提出基于傅里葉變換的頻譜分析法，通過傅里葉變換將時域信號轉(zhuǎn)化為頻域信號，對得到的頻譜進(jìn)行圖像處理，判斷輪胎有無缺陷；文獻(xiàn)[6]中提出以常見的輪胎紋理缺陷為對象，采用灰度共生矩陣和直方圖統(tǒng)計距相結(jié)合的方式來提取輪胎的紋理特征，并比對模板和待檢圖像的紋理特征，進(jìn)行缺陷檢測。

上述文獻(xiàn)都只是從輪胎缺陷檢測方面進(jìn)行了研究，針對具體的散線缺陷，文獻(xiàn)[7]從帶速層散線的產(chǎn)生原因以及解決措施方面進(jìn)行了分析，而對于如何進(jìn)行快速檢測散線并未給出相關(guān)說明。

本文中著重對輪胎胎側(cè)出現(xiàn)的散線缺陷類型進(jìn)行了深層剖析，提出了穿線找點的方法，通過分析穿線與簾線的交點信息(若有散線，包含穿線與散線的交點)，設(shè)計了3層判斷條件，從每條穿線上交點的個數(shù)、相鄰交點的疏密以及是否有交叉點等多方面考慮，做出是否有散線缺陷的判斷。

1 基本思路

對X射線輪胎圖像[8]胎側(cè)部位圖像進(jìn)行二值化、細(xì)化等預(yù)處理，得到胎側(cè)的細(xì)化圖像,易于觀察輪胎簾線、散線的信息；在細(xì)化后的圖像中根據(jù)輪胎簾線信息找出上、下邊界線，以一定步長進(jìn)行穿線[9]，統(tǒng)計所穿線與輪胎簾線以及散線的交點個數(shù)、坐標(biāo)；分析穿線與簾線的所有交點，結(jié)合穿線與散線交點的判斷條件，給出結(jié)果。若有散線，則標(biāo)記出其所在區(qū)域。穿線找點標(biāo)識散線區(qū)域算法流程如圖1所示。

圖1 穿線找點標(biāo)識散線區(qū)域算法流程圖

2 方法簡介

2.1 預(yù)處理

在實際的輪胎項目檢測中，X射線輪胎成像由于受到光源照射偏差、光線不均勻等影響，易造成圖像的局部明暗程度不一致、灰度級分布不均等現(xiàn)象。為了排除輪胎圖像因光照因素所帶來的干擾，可以采用大津(Otsu)法[10]對圖像進(jìn)行二值化處理，如圖2所示。

從圖2(b)中可以看出， 對于二值化后的輪胎圖像， 輪胎的簾線線條仍然相對較粗， 不利于圖像特征的提取。 為了更好地獲取簾線的特征信息， 方便后續(xù)利用穿線法對散線缺陷進(jìn)行檢測， 可以采用快速并行細(xì)化算法[11-12]對圖像進(jìn)行細(xì)化處理， 結(jié)果如圖3所示。

圖2 輪胎原始圖像及對應(yīng)的二值化圖像

圖3 輪胎簾線細(xì)化后的圖像

2.2 穿線找點

2.2.1 確定上、下邊界

圖4(a)為預(yù)處理后的輪胎細(xì)化圖像，該圖是輪

胎胎側(cè)部分細(xì)化后的截取圖像，散線如圖中彎曲線所示。從圖中可以看出，第1條和最后1條輪胎簾線并不是很完整，尤其是第1條輪胎簾線在靠近圖像中間位置已經(jīng)越出了上邊界，要想統(tǒng)計后面的穿線與輪胎簾線或散線的交點情況，就必須在上、下2條完整的輪胎簾線之間才有可比性。

在細(xì)化后的輪胎圖像中找出上、下2條完整邊界線，為了避免輪胎簾線有越出圖像邊界而導(dǎo)致的不完整性，故在圖像的上側(cè)、下側(cè)和左側(cè)都向圖像的內(nèi)側(cè)偏移一定的距離，然后按照輪胎簾線的走向，找出上、下2條各自的邊界線，如圖4(b)所示，紅線即為上、下邊界線。

2.2.2 穿線

在上、 下2條完整的邊界線內(nèi)，如果逐列按行自上而下去遍歷像素，勢必影響檢測效率。 可以設(shè)置一定的步長間隔(一般15～30像素)去穿線， 然后根據(jù)所穿的線逐列按行自上而下遍歷像素。由于可能存在雜質(zhì)點的影響，因此可設(shè)置3像素×3像素的窗口沿穿線自上而下逐行遍歷，并設(shè)置一定的閾值(這里設(shè)為3)。若窗口內(nèi)白像素的個數(shù)大于等于該閾值，則判定是穿線與簾線的交點，并統(tǒng)計該交點的坐標(biāo)以及每條穿線上交點的個數(shù)；反之，則不是。如圖4(c)所示，淺紅色的點即為穿線與簾線的交點，共8列。

圖4 輪胎圖像中散線、上下邊界及穿線與簾線的交點

2.2.3 分析交點

在穿線與輪胎簾線的所有交點中，若對應(yīng)的檢測圖中存在散線(如圖4(c)所示散線)，則這些點中包含了穿線與散線的交點。在2.2.2節(jié)的穿線中，已經(jīng)統(tǒng)計了每條穿線上的交點坐標(biāo)和個數(shù)，那么就可以求出穿線與簾線總的交點個數(shù)以及每條穿線上與輪胎簾線的平均交點個數(shù)，把該平均交點個數(shù)設(shè)為閾值A(chǔ)，作為判斷穿線上是否存在與散線交點的第1個條件。若某條穿線上與輪胎簾線的交點個數(shù)大于A，則判斷該條穿線上可能存在與散線交點，這里稱為“第1種可能情況”；反之，則不存在。

在第1種可能情況的前提下， 設(shè)置第2個條件判斷該條穿線上是否存在與散線交點。 計算該條穿線上相鄰交點之間的平均間隔B， 作為第2個判斷條件。 若該條穿線上存在相鄰交點的間隔小于B/2， 則判斷該條穿線上可能存在與散線交點， 這里稱為“第2種可能情況”； 反之， 則不存在。在第1、 2種可能情況的前提下， 設(shè)置第3個條件繼續(xù)判斷該條穿線上是否存在與散線交點。 分析此時該穿線上與輪胎簾線交點是否滿足交叉點的情況， 作為第3個判斷條件。 對于交叉點的判斷，這里設(shè)置3像素×3像素的窗口， 觀察該窗口中是否存在不同行不同列的3個白像素點或者3個白像素中至少有2個在不同行不同列，即滿足圖5(a)—(f)中的任意一種。若滿足要求，則判斷有交叉點；反之，則繼續(xù)按鄰近白像素的走向判斷下個像素點是否存在交叉點，并設(shè)置一定的走向距離。若在該距離內(nèi)，能找出滿足交叉點要求的點，則判斷有交叉點；若直到超出所設(shè)置的走向距離都沒有找到滿足要求的點，則判斷沒有交叉點。

圖5 3像素×3像素窗口交叉點判斷的6種不同情況

在第3個條件的判斷中，若存在交叉點，則判斷該條簾線上可能存在與散線交點，這里稱為“第3種可能情況”；反則，則不存在與散線的交點。

在滿足第1、 2、 3種可能情況的前提下，認(rèn)為該條穿線上一定存在穿線與散線的交點，并記錄此時交點的坐標(biāo)；若只滿足第1、 2種可能情況，則認(rèn)為該條穿線上可能存在穿線與散線的交點，同樣記錄此時交點的坐標(biāo)；其他情況，則認(rèn)為該條穿線上不存在簾線與散線的交點。如圖6(a)所示，藍(lán)色小圓圈內(nèi)淺綠色的點即為穿線與散線的交點。

根據(jù)所記錄的穿線與散線交點的坐標(biāo)，分別計算出交點的橫、縱坐標(biāo)的最大值和最小值，并以此為邊界，畫出散線所在區(qū)域。如圖6(b)所示，淺藍(lán)矩形區(qū)域即為散線所在范圍。

圖6 穿線與散線交點及散線標(biāo)識圖

3 實驗與結(jié)果

實驗中運(yùn)用VS2013編輯器搭配OpenCV類庫對圖像進(jìn)行編輯處理，樣本是某輪胎廠家的X射線輪胎圖像，經(jīng)過二值化、細(xì)化等預(yù)處理得到細(xì)化后的圖像。由于輪胎散線缺陷的樣本有限，因此在前期的算法驗證過程中，先從150幅細(xì)化后X射線輪胎圖像的胎側(cè)不同部位分別截取了1 000幅細(xì)化圖像，選取其中50幅人為地添加了不同彎曲程度、不同走向斜率的散線進(jìn)行測試。結(jié)果顯示，對細(xì)化后正常圖像的誤檢率為0.8%，對細(xì)化圖像中有散線缺陷的檢測率為99.2%，檢測結(jié)果見圖7。

圖7 輪胎細(xì)化圖像中的散線檢測結(jié)果

在實際輪胎散線缺陷檢測過程中，對168張X射線輪胎圖像進(jìn)行測試，結(jié)果顯示，對正常圖像的誤檢率為5%，對胎側(cè)圖像有散線的檢測率為95%，其檢測結(jié)果如圖8所示。

圖8 輪胎胎側(cè)部位的散線檢測結(jié)果

實驗結(jié)果表明，本文中所提方法能夠有效地檢測到胎側(cè)散線缺陷，滿足實際項目的需求。由于目前尚未查到相關(guān)的輪胎散線檢測方面的文獻(xiàn)以及輪胎圖像數(shù)據(jù)資料，因此無法從檢測方法的優(yōu)劣、效率等方面進(jìn)行比對。

4 結(jié)語

本文中針對輪胎胎側(cè)有散線缺陷的部分，通過前期的圖像二值化、細(xì)化等預(yù)處理后，可以明顯地觀測到輪胎簾線、散線等線條的輪廓信息，然后提出穿線找點的方法進(jìn)行輪胎胎側(cè)散線檢測。根據(jù)所穿簾線與散線的交點，結(jié)合與散線交點的3層判斷條件，從同一穿線上交點的個數(shù)、 相鄰交點的疏密以及散線的走向3個方面來驗證簾線與散線的交點存在與否，極大地消除了雜質(zhì)點、輪胎簾線的疏密等對此的影響。實驗結(jié)果表明，該方法能夠有效地檢測并標(biāo)識出散線區(qū)域，但其自身也有一些局限性，對于同一幅圖像有多條散線或者散線位置比較分散、不集中的情況，則不能夠分區(qū)域進(jìn)行分別標(biāo)記，只能畫出單個矩形框統(tǒng)一標(biāo)識。下一步將改進(jìn)該方法，以便對同一幅圖像的不同散線區(qū)域都能夠精確地標(biāo)識。

參考文獻(xiàn):

[1] 郭奇. 基于X射線輪胎缺陷檢測系統(tǒng)設(shè)計[D]. 太原：中北大學(xué), 2015.

[2] HUANG Z H, LIU Z, ZHU M, et al. Defects on-line detection of tire textures based on statistical features[J]. Optical Technique, 2009, 35(1): 32-60.

[3] XIANG Y,ZHANGC,GUO Q. A dictionary-based method for tire defect detection[C]//IEEE International Conference on Information and Automation, 26-31 July 2014, Hailar, China. Piscataway: IEEE RAS, 2014:519-523.

[4] XIANG Y Y. Tire defect detection using local and global features[J]. Computing Aided Drafting, Design and Manufacturing, 2013, 23(4): 49-52.

[5] 馮霞, 石超, 丁文波, 等. 基于傅里葉變換的頻譜分析法在X射線輪胎檢測中的應(yīng)用[J]. CT理論與應(yīng)用研究, 2014, 23(3): 453-458.

[6] 宋開勇, 王傳旭, 董向鵬. 輪胎紋理提取與缺陷檢測方法[J]. 計算機(jī)工程, 2012, 38(18): 291-293.

[7] 趙成忠, 龍小麗. 全鋼載重子午線輪胎0°帶束層散線原因分析及解決措施[J]. 輪胎工業(yè), 2009, 29(3): 176-178.

[8] 高鵬. 基于X光圖像的輪胎內(nèi)部缺陷檢測技術(shù)研究[D]. 天津：天津大學(xué), 2009.

[9] 魏暢然. 基于穿線法的數(shù)字識別方法[J]. 科技情報開發(fā)與經(jīng)濟(jì), 2010, 20(28): 137-139.

[10] 楊陶， 田懷文， 劉曉敏， 等.基于邊緣檢測與Otsu的圖像分割算法研究[J]. 計算機(jī)工程， 2016, 42(11): 255-260.

[11] 呂岳, 施鵬飛. 一種實用并行細(xì)化算法及其實現(xiàn)[J]. 計算機(jī)工程與設(shè)計, 2000, 21(4): 53-56.

[12] 牟少敏, 杜海洋, 蘇平, 等. 一種改進(jìn)的快速并行細(xì)化算法[J]. 微電子學(xué)與計算機(jī), 2013, 30(1): 53-55.