基于穿線法的輪胎簾線彎曲缺陷檢測

， ，

(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(jì)算技術(shù)重點(diǎn)實(shí)驗(yàn)室， 山東 濟(jì)南 250022)

全鋼子午線輪胎具有安全性能高、抗壓性能好等優(yōu)點(diǎn)，比較適合大型運(yùn)輸車使用，所以在運(yùn)輸業(yè)中應(yīng)用廣泛；但是全鋼子午線輪胎制作工藝復(fù)雜[1]，在制作過程中可能出現(xiàn)鋼絲簾線彎曲、斷開及鋼絲簾線散落等輪胎缺陷。這些缺陷會影響輪胎的質(zhì)量，在輪胎的使用過程中存在潛在危險(xiǎn)，所以在輪胎投入使用前要對其進(jìn)行嚴(yán)格的質(zhì)量檢查， 以確保輪胎的質(zhì)量。

輪胎簾線彎曲是人們十分關(guān)注的一種缺陷。為此，人們開展了相關(guān)研究。文獻(xiàn)[2]中通過檢測簾線上點(diǎn)的斜率k，將其與設(shè)置的簾線斜率的閾值k′比較，若k大于閾值k′，則判定該簾線出現(xiàn)彎曲。文獻(xiàn)[3]中采用橫向掃描的方法，計(jì)算每次橫向掃描與簾線的交點(diǎn)個數(shù)， 當(dāng)交點(diǎn)個數(shù)小于閾值時(shí)判斷為簾線彎曲。文獻(xiàn)[4]中將正常的沒有簾線彎曲的輪胎圖像作為模板與檢測圖像進(jìn)行模板匹配，差值越大說明簾線彎曲越嚴(yán)重，如此遍歷整張圖像統(tǒng)計(jì)彎曲簾線數(shù)。文獻(xiàn)[5]中采用灰度共生矩陣和直方圖統(tǒng)計(jì)距模板，以及小波變化等方法通過對圖像紋理進(jìn)行分析，從而檢測出輪胎的簾線彎曲缺陷。

文獻(xiàn)[2]、[3]中都采用了類似平行于簾線方向穿線的方法，在簾線發(fā)生彎曲處可以檢測到很多交點(diǎn)，但在橫向穿線時(shí)可能出現(xiàn)與簾線重合的情況，從而產(chǎn)生無數(shù)個交點(diǎn)，造成誤報(bào)。輪胎簾線并不是完全平行的， 而且不同圖像的簾線走向并不類似， 所以很不容易找到一條標(biāo)準(zhǔn)的水平簾線。 由于彎曲程度較大的簾線并不一定比彎曲程度較小的簾線變化次數(shù)多， 因此文獻(xiàn)[4]中的方法容易產(chǎn)生誤報(bào)。文獻(xiàn)[5]中對于處理灰度分布不均勻的輪胎圖像難以統(tǒng)計(jì)彎曲簾線的根數(shù)。針對這些問題，采用垂直輪胎簾線方向穿線的方法，得到穿線與簾線相交的所有交點(diǎn)坐標(biāo)，通過計(jì)算坐標(biāo)之間的關(guān)系得到簾線的斜率，從而判斷輪胎簾線是否彎曲，采用垂直

穿線法可以減小上述辦法造成的一些誤差，而且可以精確地得到每條簾線的彎曲斜率，計(jì)算出彎曲簾線的根數(shù)。

1　基于穿線法的輪胎簾線彎曲缺陷檢測方法

輪胎整體X射線圖如圖1所示，其中紅色矩形框標(biāo)記位置表示胎體(胎側(cè)、胎肩)，在胎體部分會出現(xiàn)如圖2(a)所示的簾線彎曲的缺陷，針對這一情況，提出基于穿線法的輪胎簾線彎曲缺陷檢測方法，該方法對所處理的輪胎胎側(cè)圖像進(jìn)行垂直簾線方向每隔間距a個像素進(jìn)行穿線，并將穿線與簾線的交點(diǎn)坐標(biāo)保存在數(shù)組中，計(jì)算相鄰坐標(biāo)的斜率k,判斷k是否大于預(yù)先設(shè)定好的閾值k′來判斷該簾線是否彎曲。而閾值k′的設(shè)定對于不同輪胎廠家來說是不一定的，如果對簾線彎曲要求較嚴(yán)苛，這個閾值可以調(diào)的小一點(diǎn)，有輕微彎曲即視為彎曲缺陷；反之則可以設(shè)置大一點(diǎn)?；诖┚€法的輪胎簾線彎曲缺陷檢測方法的流程如圖3所示。

圖1　輪胎成像圖

圖2　輪胎簾線彎曲原始圖像及檢測結(jié)果

圖3　檢測流程圖

1.1　Otsu閾值分割法

根據(jù)輪胎圖像成像原理可知，輪胎在成像過程中，可能會因?yàn)槭艿降墓庹詹痪鶆蚨鴮?dǎo)致圖像的灰度分布不均勻，出現(xiàn)如圖4(a)所示左側(cè)部分較黑暗、右側(cè)部分相對明亮的情況，在輪胎的不同部位都會出現(xiàn)這種情況使得輪胎圖像灰度級有較大的變化。為了避免圖像灰度級的這種變化對后期處理的影響，首先對輪胎圖像進(jìn)行二值化處理。

圖4　輪胎胎側(cè)圖像

Otsu算法[6-7]也稱最大類間方差法，這種算法不受圖像亮度和對比度的影響，計(jì)算簡單，所以在本文中選擇用Otsu算法對輪胎圖像進(jìn)行二值化處理。Otsu算法按圖像的灰度特性,將圖像分成背景和前景2個部分，當(dāng)Otsu算法取最佳閾值時(shí)，背景與前景的差別將達(dá)到一個最大值從而將圖像二值化。圖4(a)所示的輪胎胎側(cè)圖像經(jīng)過Otsu算法得到圖4(b)所示的效果。

設(shè)圖像的灰度級是M，則圖像的灰度范圍為[0,M-1]，利用Otsu算法計(jì)算圖像的最佳閾值[8]為

t*=arg max{w0(t)[u0(t)-u]2+w1(t)[u1(t)-u]2}，

(1)

式中：t為分割的閾值；w0為背景比例；u0為背景均值；w1為前景比例；u1為前景均值；u為整幅圖像的均值。當(dāng)t*取最大值時(shí)，該值就是分割圖像的最佳閾值。

1.2　骨架化算法

圖像細(xì)化[9]是指對二值化圖像(圖5a)進(jìn)行骨架化的一種操作運(yùn)算。 在穿線的過程中，為了精確地確定交點(diǎn)的位置， 采用骨架化算法對圖像進(jìn)行細(xì)化處理。 圖像細(xì)化可以排除其他不必要像素的影響， 使得穿線計(jì)算更加精準(zhǔn)。 在細(xì)化過程中要注意的問題是， 邊緣的每一個細(xì)節(jié)的變化都可能對細(xì)化后的圖像造成相當(dāng)大的影響。 細(xì)化后的圖像如圖5(b)所示, 每條連線都是由單一像素組成。

圖5　輪胎圖像細(xì)化圖

輪胎圖像細(xì)化具體步驟如下：

1)將二值化處理得到的輪胎圖像從邊界處的像素點(diǎn)開始遍歷。

2)如果該點(diǎn)的鄰域中出現(xiàn)3個點(diǎn)相鄰的情況，則表明該點(diǎn)是由多個像素組成，因此可以刪除該點(diǎn)。

3)同理，如果該點(diǎn)的鄰域中有大于3個點(diǎn)相鄰的情況，則刪除該點(diǎn)。

4)如此遍歷整張圖像得到最終細(xì)化的圖像。

1.3　八鄰域追蹤法

細(xì)化處理后的圖像中白像素為輪胎簾線，從圖像高度h1的位置開始尋找起始簾線，在圖像高度h2的位置開始尋找終止簾線，如圖6所示。h1、h2可為任意值。

圖6　細(xì)化圖像中的起始與結(jié)束簾線

為了計(jì)算簾線的斜率，需要得到所有簾線的位置信息，獲取每根簾線所有像素坐標(biāo)信息的過程稱為抽線。在抽線的過程中，細(xì)化后的圖像簾線并不是由單一像素組成，會有彎曲錯位的情況出現(xiàn)，為了保證抽出一條完整的簾線，本文中用八鄰域追蹤[10-13]法抽線。

八鄰域追蹤法是選擇圖像中的某個簾線目標(biāo)點(diǎn)作為圖7中的中間點(diǎn)Z，記為開始點(diǎn)，從這個點(diǎn)開始查看它的八鄰域的點(diǎn)，優(yōu)先從右下方45°的位置即Z8位置開始尋找是否有下一個白像素點(diǎn)。如果有白像素點(diǎn)，則將Z8記為下一個目標(biāo)點(diǎn)；如果無白像素點(diǎn)，則查找Z5方向和Z3方向，即每次逆時(shí)針45°方向?qū)ふ蚁乱粋€目標(biāo)點(diǎn)，一旦找到，重復(fù)上面的過程，從而將輪胎起始簾線、終止簾線抽取出來。

圖7　基于Z點(diǎn)的八鄰域圖

1.4　穿線法

從起始簾線開始到終止簾線結(jié)束每隔a個像素進(jìn)行一次穿線，這樣可以保證每次穿線得到的交點(diǎn)個數(shù)在沒有斷線的情況下是一樣的，保證相鄰的交點(diǎn)有相當(dāng)大的概率在同一條簾線上，從而可以通過同一條簾線上的相鄰交點(diǎn)的斜率來判斷這條簾線是否彎曲。a的選取是任意的，可以根據(jù)圖像的大小任意調(diào)整，但原則上不宜過大或者過小，否則不利于計(jì)算簾線的斜率。

受輪胎花紋影響，圖像的灰度分布不均，所以在圖像細(xì)化的時(shí)候可能會出現(xiàn)如圖8所示的現(xiàn)象，即簾線出現(xiàn)斷開和交叉。在這種情況下，穿線法就會出現(xiàn)每次穿線得到的交點(diǎn)個數(shù)不相同的情況，進(jìn)而不能保證相鄰2次穿線得到的第n個交點(diǎn)在同一條簾線上并造成誤判。

圖8　輪胎圖像細(xì)化后的簾線圖

穿線法具體步驟如下:

1)從起始簾線開始向下遍歷到終止簾線結(jié)束每隔a個像素進(jìn)行一次穿線。

2)當(dāng)遇到白像素時(shí)開窗口判斷此點(diǎn)是否為簾線上的點(diǎn)。

3)依次遍歷整張圖得到圖9所示的交點(diǎn)坐標(biāo)。

4)得到所有的交點(diǎn)坐標(biāo)A={(x11,y11),(x12,y12),…，(xmn,ymn)}, (xmn,ymn) 代表第m次穿線與第n條簾線的交點(diǎn)坐標(biāo)。

如圖5(b)所示，細(xì)化后的簾線并不是從頭到尾都是單個像素，會有像素的錯位，所以在某些地方可能會出現(xiàn)2個像素的情況。如果遇到白像素就判斷它為交點(diǎn)，則會導(dǎo)致誤判。

為了避免誤判，獲得準(zhǔn)確的交點(diǎn)，采用滑動窗口的方法判斷遇到的某個白像素點(diǎn)是否為簾線上的噪聲。具體做法是：遍歷圖像，當(dāng)遇到白像素時(shí)開窗口并將窗口向下滑動2次，每次向下滑動一個像素的高度，每次開窗口都統(tǒng)計(jì)窗口中的白像素?cái)?shù)，選取3次統(tǒng)計(jì)中的最大值，若最大值小于閾值D則該點(diǎn)為雜質(zhì)；若大于或等于D則判斷它為簾線上的交點(diǎn)，并記錄該點(diǎn)的坐標(biāo)A(x,y)，如圖9所示。

圖9　穿線交點(diǎn)圖

1.5　統(tǒng)計(jì)彎曲簾線

當(dāng)相鄰穿線得到的交點(diǎn)個數(shù)相同時(shí)，由交點(diǎn)坐標(biāo)A={(x11,y11),(x12,y12),…，(xmn,ymn)}根據(jù)式(2)計(jì)算出同一條簾線上相鄰交點(diǎn)的斜率k。

(2)

式中：m代表第m次穿線，其大小由圖像的寬度與步長a的比值決定；n代表第n條簾線，n的大小由圖像的簾線數(shù)決定；(xmn,ymn)代表第m次穿線與第n條簾線的交點(diǎn)坐標(biāo)。

當(dāng)斜率k大于已設(shè)定好的閾值k′時(shí)判定簾線彎曲，如此遍歷整張圖像。在實(shí)驗(yàn)時(shí)，閾值k′根據(jù)廠家要求及穿線步長進(jìn)行合理地設(shè)定。當(dāng)步長a較大時(shí)，閾值k′可相對的調(diào)小一點(diǎn)；當(dāng)步長a較小時(shí)閾值k′可相對的調(diào)大一點(diǎn)。

通過計(jì)算圖像中所有的交點(diǎn)坐標(biāo)，得到所有的簾線斜率。如果簾線斜率大于閾值k′，則判定簾線彎曲，統(tǒng)計(jì)同一區(qū)域內(nèi)彎曲的簾線條數(shù)，將同一區(qū)域內(nèi)的彎曲簾線用一個矩形框標(biāo)記

2　實(shí)驗(yàn)結(jié)果與分析

本文中采用查準(zhǔn)率P、查全率R2個指標(biāo)衡量檢測效率。

查準(zhǔn)率和查全率分別定義為

(3)

(4)

式中：Ttp表示真正例數(shù)，即含有簾線彎曲缺陷的圖像被檢測為缺陷圖像的數(shù)量；Ffp表示假正例數(shù)，即正常圖像被檢測為 缺陷圖像的數(shù)量；Nfn表示假反例數(shù)，即含有簾線彎曲缺陷的圖像被檢測為正常圖像的數(shù)量。

采用文獻(xiàn)[1]、[2]中的方法與本文中的方法對10種不同紋理的150幅輪胎圖像進(jìn)行輪胎簾線彎曲缺陷檢測，表1所示為這3種方法的檢測效率比較。由表中可以看出,3種方法的查準(zhǔn)率差別較小，但本文中的方法比文獻(xiàn)[1]、[2]中的方法具有更高的查全率。

表1　結(jié)果比較

穿線法檢測簾線彎曲缺陷的優(yōu)點(diǎn)如下：1)在判斷彎曲的同時(shí)可以給出彎曲簾線的具體位置信息，從而可以將彎曲部分標(biāo)記出來，如圖10所示為4幅彎曲檢測標(biāo)記結(jié)果； 2)計(jì)算復(fù)雜度小，運(yùn)行速度能滿足工業(yè)生產(chǎn)需求。

圖10　采用本文中的方法檢測輪胎簾線彎曲的結(jié)果

3　結(jié)論

本文中針對全鋼子午線輪胎中存在的鋼絲彎曲缺陷， 提出一種基于穿線法的輪胎簾線彎曲缺陷檢測方法。該方法首先對輪胎胎側(cè)圖像進(jìn)行細(xì)化處理，然后對細(xì)化圖像采用垂直簾線方向穿線的方法進(jìn)行簾線彎曲檢測，即每隔間距a穿線得到穿線與簾線的交點(diǎn)坐標(biāo)矩陣，通過相鄰2列的簾線交點(diǎn)坐標(biāo)計(jì)算得到每條簾線斜率，當(dāng)簾線斜率大于設(shè)置的閾值k′時(shí)判斷該簾線彎曲。穿線測量簾線彎曲的方法計(jì)算復(fù)雜程度低，實(shí)驗(yàn)結(jié)果證明穿線法對于簾線彎曲缺陷具有較高的檢測效率。當(dāng)輪胎簾線出現(xiàn)斷線或圖像細(xì)化出現(xiàn)差錯時(shí)，本文中的方法可能會出現(xiàn)誤報(bào)，所以后續(xù)工作將就該問題對穿線法進(jìn)行進(jìn)一步的改進(jìn)。

參考文獻(xiàn):