全鋼子午線輪胎X光圖像的缺陷檢測研究現(xiàn)狀

逄增治，鄭修楠，李金屏

（1. 濟(jì)南大學(xué) 信息科學(xué)與工程學(xué)院，山東 濟(jì)南 250022； 2. 濟(jì)南大學(xué) 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； 3. 濟(jì)南大學(xué) 山東省“十三五”高校信息處理與認(rèn)知計算重點實驗室，山東 濟(jì)南 250022）

子午線輪胎內(nèi)部結(jié)構(gòu)復(fù)雜，工藝繁瑣，在生產(chǎn)過程中很容易出現(xiàn)質(zhì)量問題。如果不能及時發(fā)現(xiàn)并糾正這些缺陷，不但會增加產(chǎn)品的不合格率，還會使輪胎的壽命受損，甚至?xí)?dǎo)致汽車在行駛過程中出現(xiàn)嚴(yán)重安全事故。因此，在輪胎出廠前，必須對其進(jìn)行產(chǎn)品質(zhì)量檢測，及時發(fā)現(xiàn)產(chǎn)品缺陷，調(diào)整并規(guī)范生產(chǎn)過程，確保有缺陷的產(chǎn)品不會流入市場。

目前，子午線輪胎無損檢測技術(shù)主要包括抽真空激光干涉圖案檢測技術(shù)[1-2]、X射線成像檢測技術(shù)[3]、微波無損檢測技術(shù)[4]。其中X射線成像檢測技術(shù)采集的輪胎內(nèi)部結(jié)構(gòu)圖像具有較強(qiáng)的直觀性，在輪胎生產(chǎn)廠商中得到廣泛應(yīng)用。本文介紹的是基于X射線成像技術(shù)的輪胎缺陷檢測算法。通過圖像處理技術(shù)對輪胎圖像進(jìn)行分析，檢測輪胎是否存在缺陷，以保證輪胎的質(zhì)量達(dá)到標(biāo)準(zhǔn)。

X射線是在能量相差懸殊的2個能級之間，由于電子躍遷而產(chǎn)生的粒子流，是一種有能量的電磁波，具有較強(qiáng)的透射性[5]。輪胎X射線檢測技術(shù)是對輪胎進(jìn)行X射線照射，由于輪胎內(nèi)部不同部分的材料厚度和密度不同，X射線吸收量也會發(fā)生變化。由于X射線吸收量的不同，X射線光電傳感器接受的輻射量也不同。光電傳感器將接收到的X射線輻射量數(shù)字化，通過圖像軟件處理，依據(jù)輪胎各部分密度和厚度的不同，將輪胎表面圖像轉(zhuǎn)化為不同灰度級表示的數(shù)字圖像[6]。

1 研究現(xiàn)狀

在輪胎X光檢測設(shè)備領(lǐng)域，由于國內(nèi)的高精密設(shè)備制造水平較為落后，輪胎X光檢測設(shè)備主要是由歐美國家制造，例如德國的科爾曼公司和法國的賽博耐特公司?？茽柭綳射線檢測設(shè)備檢測精密度高、種類齊全，適合大規(guī)模使用。在輪胎X光成像領(lǐng)域有較好的成像特性，輪胎X光圖像紋理清晰，能夠準(zhǔn)確地反映輪胎的內(nèi)部結(jié)構(gòu)，適合在復(fù)雜的輪胎生產(chǎn)領(lǐng)域使用?？傮w上說，國外的輪胎X光檢測技術(shù)發(fā)展較早，技術(shù)成熟，有較好的檢測效果。

目前，國內(nèi)輪胎制造廠商主要是購買國外的輪胎X光檢測設(shè)備。雖然國外有少數(shù)公司開發(fā)了具有輪胎缺陷檢測的X光檢測設(shè)備，但在國內(nèi)輪胎生產(chǎn)中沒有得到很好應(yīng)用，國外的缺陷檢測系統(tǒng)在國內(nèi)實際應(yīng)用中遇到很多問題[7]。由于國內(nèi)外對輪胎產(chǎn)品的缺陷標(biāo)準(zhǔn)和分類不同，導(dǎo)致國外的缺陷檢測系統(tǒng)無法應(yīng)用在國內(nèi)的生產(chǎn)環(huán)境中。當(dāng)前，國內(nèi)大部分輪胎生產(chǎn)廠商還是依靠人工方式檢測輪胎缺陷，優(yōu)點是人工檢測能夠更全面的檢測出輪胎細(xì)節(jié)上的缺陷，發(fā)現(xiàn)更多的缺陷問題；缺點是容易造成視覺疲勞而引起輪胎缺陷的誤檢和漏檢情況，人眼在識別過程中也容易受到主觀條件影響，檢測過程效率低下。所以尋找一種切實可行、有針對性的圖像處理算法以實現(xiàn)全自動缺陷識別是當(dāng)前亟需解決的關(guān)鍵問題。

全鋼子午線輪胎X光圖像分為胎冠、胎體、鋼絲圈和設(shè)備陰影等4部分。其中，鋼絲圈區(qū)域呈現(xiàn)大片黑色，由一系列水平方向的反包層鋼絲和斜向的包布層鋼絲構(gòu)成，如圖1(a)所示。胎體區(qū)域由一系列互相平行、間距均勻的簾線構(gòu)成，如圖1(b)所示。胎冠區(qū)域為圖像中間2條直線相互交叉的區(qū)域，如圖1(c)所示。設(shè)備陰影區(qū)域呈現(xiàn)大片黑色，由鋼絲簾線成捆構(gòu)成，如圖1(d)。常見的輪胎缺陷包括簾線稀疏、帶束層雜物、簾線彎曲、簾線交叉、帶束層打折、帶束層接頭開、0度散線等，如圖2所示。

圖 1 全鋼子午線輪胎X光成像圖像Fig. 1 X-ray image of All-steel radial tire

圖 2 常見的輪胎缺陷圖像Fig. 2 Common tire defect images

在算法研究領(lǐng)域，中北大學(xué)的郭奇等[8]利用模板匹配算法判斷輪胎缺陷，青島科技大學(xué)的崔雪利等[9]用卷積神經(jīng)網(wǎng)絡(luò)對輪胎圖像進(jìn)行分類，但這些方法在輪胎缺陷檢測領(lǐng)域并沒有得到很好的應(yīng)用。主要是因為輪胎內(nèi)部結(jié)構(gòu)復(fù)雜，鋼絲簾線的層數(shù)和排列方式差異性大，沒有嚴(yán)格的質(zhì)量標(biāo)準(zhǔn)，并且不同部分的材料厚度和密度不同，導(dǎo)致輪胎圖像的灰度不均勻。由于以上原因使得基于機(jī)器視覺的輪胎缺陷檢測系統(tǒng)在實際應(yīng)用時，不容易實現(xiàn)全自動檢測。

目前，國內(nèi)根據(jù)X光成像圖像提出的子午線輪胎缺陷檢測算法已經(jīng)很多。例如天津大學(xué)的黃戰(zhàn)華[10-12]課題組通過對輪胎圖像紋理的分析來檢測缺陷；東北大學(xué)的周欣等[13]提出了以小波分解模極大值多尺度邊緣檢測算法，也獲得了比較好的效果；山東財經(jīng)大學(xué)的郭強(qiáng)等[14]課題組提出利用LTV和VM濾波提取圖像紋理和背景分量，從而進(jìn)行輪胎缺陷檢測，能夠?qū)θ毕輩^(qū)域進(jìn)行準(zhǔn)確定位；青島科技大學(xué)的張巖等[15]提出了基于全變分模型的輪胎缺陷檢測方法，能夠檢測出胎體區(qū)域的簾線斷線、彎曲等缺陷。但是在實際應(yīng)用時，仍然沒有一套完整的、好用的全自動輪胎缺陷檢測系統(tǒng)。本文針對國內(nèi)已經(jīng)提出的輪胎X光缺陷檢測算法進(jìn)行梳理和歸類，介紹各類缺陷檢測的主要方法，通過對實現(xiàn)方法的優(yōu)缺點分析，指出了未來研究中面臨的挑戰(zhàn)。

2 輪胎缺陷檢測的常用算法

根據(jù)輪胎的缺陷特征可劃分為3類缺陷，分別是結(jié)構(gòu)缺陷、灰度缺陷和區(qū)域缺陷。結(jié)構(gòu)缺陷是指輪胎胎體區(qū)域的簾線在結(jié)構(gòu)上呈現(xiàn)扭曲等異?，F(xiàn)象，例如簾線交叉、彎曲等缺陷；灰度缺陷是指輪胎X光圖像的灰度值出現(xiàn)偏差、明暗不均等灰度現(xiàn)象，例如氣泡和雜質(zhì)缺陷；第3類是區(qū)域缺陷，例如胎冠區(qū)域簾線開裂、帶束層順線等缺陷。

輪胎缺陷檢測算法將按照這3類特征進(jìn)行分類設(shè)計，首先對圖像進(jìn)行預(yù)處理，將原始圖像的噪聲去除，并進(jìn)行像素級校正[16]。然后對輪胎X光圖像進(jìn)行區(qū)域分割[17-18]，將輪胎各區(qū)域的結(jié)構(gòu)分離，得到胎體、胎冠、鋼絲圈的分割位置，并去除連通的無效邊界的影響。

2.1 結(jié)構(gòu)缺陷

輪胎的結(jié)構(gòu)缺陷主要是簾線上出現(xiàn)簾線稀疏、簾線彎曲、簾線交叉等結(jié)構(gòu)異常的現(xiàn)象，如圖2 (a)、(c)、(f)、(g)所示。這類缺陷主要是從簾線的幾何信息、方向、簾線間距等尺寸特性來提出算法。為了能夠準(zhǔn)確對簾線結(jié)構(gòu)進(jìn)行判斷，需要將簾線的骨架分離出來，涉及的圖像處理方法有簾線細(xì)化[19]、形態(tài)學(xué)處理[20]、灰度校正[21]、圖像縮放[22]和二值化[23]等方法。

2.1.1 簾線交叉

胎體的簾線交叉在細(xì)化圖像中分為2種情況，一種情況是2條簾線斜交，表現(xiàn)為2個距離很近的分支點，如圖3(a)所示。另一種情況是2條簾線正交或者準(zhǔn)正交，表現(xiàn)為一個交叉點，如圖3(b)所示。在實際情況中簾線交叉多數(shù)為2條簾線斜交[24]。

圖 3 簾線交叉缺陷圖像Fig. 3 Cord cross defect images

由此，能夠根據(jù)分支點和交叉點對簾線交叉缺陷進(jìn)行識別[25]。在簾線細(xì)化后的二值圖像上，各像素點的灰度值只能為0或1。在圖像上任一像素點p，其8鄰域如圖4所示。像素點p的交叉數(shù)Cn(p)定義為：

式中：pi為像素點的灰度值。像素點p的8鄰域簾線像素點數(shù)Sn(p)定義為：

圖 4 P點的8-鄰域Fig. 4 Eight-neighborhood plot of P

根據(jù)式(1)、(2)，對胎體區(qū)域逐個像素點遍歷，計算像素點8鄰域內(nèi)的交叉數(shù)Cn(p)和簾線像素點數(shù)Sn(p)，通過Cn(p)和Sn(p)的取值，可以判斷出端點、交叉點和分支點。當(dāng)存在交叉點或2個距離較近的分支點時，存在簾線交叉缺陷。此算法在檢測過程中，噪聲會造成檢測誤差，需要特別注意對噪聲進(jìn)行處理。在對圖像進(jìn)行二值化和細(xì)化處理時，分別進(jìn)行去噪，否則計算出的交叉數(shù)Cn(p)和簾線點數(shù)Sn(p)會受到影響，造成檢測誤差。

文獻(xiàn)[26]提出一種基于廣度優(yōu)先方式遍歷細(xì)化圖像，根據(jù)交叉特征判斷簾線交叉缺陷的方法。將簾線分為2類，第1類如圖5(b)所示，第2類如圖5(c)所示，依據(jù)2類交叉的特征分別進(jìn)行檢測。

第1類交叉類型是在交叉點處存在簾線分支，并且交叉點和簾線在位置上鄰接。分支和鄰接可以用像素點P的8鄰域表示，如圖6所示。通過像素點P的8鄰域內(nèi)相鄰像素值的跳變次數(shù)CP來定義第1類交叉結(jié)構(gòu)，如式(3)所示。當(dāng)某個像素點在8鄰域的跳變次數(shù)CP＞6時，說明至少存在2條簾線交叉，則點P即為交叉點。

式中：Pi為像素值，取值0或1。

圖 5 胎體區(qū)域簾線交叉缺陷圖像Fig. 5 Carcass area cord cross defect images

圖 6 P點的8-鄰域圖Fig. 6 Carcass area cord cross defect images

第2類交叉結(jié)構(gòu)是在鄰域內(nèi)像素點之間形成一個環(huán)，并不滿足鄰域內(nèi)像素點的跳變次數(shù)要求。通過對像素點P的8鄰域內(nèi)某行或者某列同時為1來描述第2類交叉結(jié)構(gòu)。式(4)判斷像素點P的8鄰域內(nèi)第1行或第3行灰度值是否全為1。式(5)判斷像素點P的8鄰域內(nèi)第1列或第3列灰度值是否全為1。當(dāng)像素點P的8鄰域內(nèi)某行或者某列同時為1時，說明存在第2類交叉缺陷，如式(6)所示。

在山東玲瓏輪胎股份有限公司提供的分辨率為3 400×8 500的實驗數(shù)據(jù)集中實現(xiàn)該算法。結(jié)果表明，能夠比較準(zhǔn)確地檢測到簾線交叉缺陷，并且滿足實時性的要求。但是在胎冠或鋼絲圈區(qū)域的簾線發(fā)生彎曲時，會導(dǎo)致胎體與胎冠區(qū)域的交界處或胎體與鋼絲圈區(qū)域的交界處形成交叉，造成簾線交叉缺陷的誤判。當(dāng)然這種誤判是在胎冠或鋼絲圈區(qū)域簾線已經(jīng)發(fā)生彎曲時出現(xiàn)，只是對缺陷類型的誤判，而不是對輪胎缺陷的誤檢。

2.1.2 簾線彎曲

簾線彎曲缺陷是在胎體區(qū)域水平走向的簾線呈現(xiàn)彎曲現(xiàn)象，如圖2(c)所示。針對簾線彎曲缺陷的檢測，文獻(xiàn)[27]提出一種沿水平方向掃描簾線的方法。其基本思想是沿水平方向?qū)熅€進(jìn)行掃描，當(dāng)簾線發(fā)生彎曲時會產(chǎn)生交點，交點越多代表簾線彎曲程度越大，記錄交點個數(shù)，當(dāng)交點個數(shù)大于合理閾值時，判斷簾線出現(xiàn)彎曲缺陷。文獻(xiàn)[28]在此基礎(chǔ)上對算法進(jìn)行改進(jìn)，利用一條水平簾線模板與圖像的每行簾線進(jìn)行相差，模板與簾線會出現(xiàn)水平或重合情況，當(dāng)平行且不重合時為1，當(dāng)重合時為0。簾線彎曲時，會出現(xiàn)水平和重合同時發(fā)生的情況，即0和1交替出現(xiàn)。通過跳變次數(shù)來判斷是否存在簾線彎曲缺陷。

簾線的彎曲程度根據(jù)斜率的變化率即曲率判斷，可以把曲線的曲率和斜率作為簾線提取的特征。文獻(xiàn)[29]通過簾線的曲率ρ來表示水平簾線的彎曲程度。首先，計算每條簾線中像素點的曲率ρ，與設(shè)定的曲率閾值比對，當(dāng)連續(xù)n個像素點的曲率ρ大于閾值時，存在簾線彎曲缺陷。文獻(xiàn)[30]在曲率ρ值的基礎(chǔ)上加入弦弧距-弦長比和斜率作為判斷條件，提高了檢測的準(zhǔn)確性。曲線的弦弧距-弦長比會隨彎曲程度的增大而提高。對簾線進(jìn)行特征提取，采用弦弧距-弦長比、曲率和斜率作為提取特征，識別彎曲缺陷。

文獻(xiàn)[31]在簾線上的像素點用8鄰接方式將每條簾線做連通分量標(biāo)注處理，計算每條簾線的各像素的垂直坐標(biāo)值和圖像簾線的平均垂直坐標(biāo)值，將其累加后取平均值，如大于閾值δy，則判定簾線存在彎曲缺陷。如式(7)所示：

2.1.3 簾線斷線

輪胎生產(chǎn)過程中由于受力不均或簾線出現(xiàn)質(zhì)量問題，會導(dǎo)致胎體區(qū)域出現(xiàn)簾線斷線情況。簾線斷線缺陷在細(xì)化圖像中定義為在同一條簾線上存在2個距離較近的端點，如圖7所示。

圖 7 簾線斷線缺陷圖像Fig. 7 Cord breakage defect image

文獻(xiàn)[32]對簾線上的像素點用8鄰接方式將每條簾線做連通分量標(biāo)注處理，計算每條簾線的質(zhì)心并設(shè)置2個判斷條件。條件1是每條簾線質(zhì)點的水平坐標(biāo)和簾線質(zhì)點的平均水平坐標(biāo)值之差大于閾值δcen，如式(8)所示：

式中：n為簾線上連接分量的個數(shù)；Lj為第j條簾線；表示為第j條簾線的質(zhì)心；δcen為簾線質(zhì)心水平坐標(biāo)的閾值。條件2是每條簾線的長度和簾線的平均長度之差大于閾值δleng，如式(9)所示：

劉宏貴等[32]沿簾線水平方向?qū)熅€上各像素點進(jìn)行遍歷，計算各像素點的灰度值，二值圖像中簾線上的像素點灰度值為0。當(dāng)水平方向相鄰的灰度值為0的像素點之間的距離超過設(shè)定的閾值時，該點區(qū)域存在斷線缺陷。該算法的缺點是細(xì)化后的輪胎簾線并不是都在同一水平線上，如果存在簾線彎曲，則水平方向相鄰黑色像素點的距離極有可能存在大于閾值的情況，從而產(chǎn)生誤報情況。

文獻(xiàn)[33]對圖像輪廓進(jìn)行提取，在斷線區(qū)域提取輪廓時，所提取的輪廓區(qū)域的面積和周長會大于正常簾線區(qū)域。利用輪廓矩判別形狀，在封閉輪廓區(qū)域的邊界提取7個輪廓矩，計算相似度距離Di，通過相似度距離來判斷簾線斷線缺陷，同時能夠?qū)⒑熅€稀疏進(jìn)行區(qū)別，避免誤報問題。

邵明紅[28]提出一種基于穿線法對簾線斷線缺陷進(jìn)行檢測。穿線法的基本思想是沿垂直方向掃描像素點，計算相鄰簾線的間距。當(dāng)間距超過合理閾值，則存在簾線斷線缺陷。但該方法無法將簾線稀疏與簾線斷裂缺陷進(jìn)行有效區(qū)分。針對穿線法在檢測簾線斷線時造成簾線稀疏的誤報問題，文獻(xiàn)[34]對穿線法提出改進(jìn)，改進(jìn)后的方法是在確保每列的起點簾線和終點簾線相同的條件下，沿垂直方向逐個像素點進(jìn)行掃描，統(tǒng)計與簾線的交點個數(shù)。當(dāng)該列與前一列交點個數(shù)不同時，對該列的相鄰簾線的間距進(jìn)行判斷。若間距超過合理的閾值，則對相鄰簾線間的白色灰度值進(jìn)行統(tǒng)計，通過灰度值的大小來排除雜質(zhì)和簾線稀疏的情況。如果該列正常，對前一列的相鄰簾線的間距進(jìn)行判斷。若間距超過閾值，則存在簾線斷線缺陷。

在山東玲瓏輪胎股份有限公司提供的分辨率為3 400×8 500的實驗數(shù)據(jù)集中實現(xiàn)該算法。經(jīng)測試，該方法在沒有漏報的情況下，可以解決雜質(zhì)和簾線稀疏缺陷對斷線缺陷檢測的影響。但該算法還存在不足之處，如果簾線間存在交叉時，穿線過程經(jīng)過交叉點，交點的個數(shù)會發(fā)生變化，當(dāng)簾線間距大于閾值，會誤判為斷線缺陷。

2.1.4 簾線稀疏

胎體區(qū)域的簾線間距均勻，如果出現(xiàn)間距過大的情況，則為簾線稀疏缺陷，如圖2(a)所示。朱越提出一種對簾線細(xì)化圖像沿垂直方向掃描的方法，通過判斷相鄰簾線的間距，檢測簾線稀疏缺陷。每隔N列自上而下掃描圖像，統(tǒng)計與簾線交叉點個數(shù)，計算相鄰交叉點的間距，當(dāng)間距大于閾值T，則為簾線稀疏。但是該算法沒有考慮到簾線斷線情況，如果存在簾線斷線缺陷，會誤檢為簾線稀疏。

文獻(xiàn)[35]對每條簾線作如式(10)的運(yùn)算，當(dāng)簾線Li滿足式(10)時，簾線Li稀疏。

式中：T為簾線間距閾值； Li.xj為第i條簾線中第j個像素垂直坐標(biāo)值；a、b和c分別為：

郭強(qiáng)等[36]從圖像紋理的角度出發(fā)，提出一種基于權(quán)重紋理相異性的輪胎缺陷檢測算法。為避免光照變化以及噪聲點對相鄰像素點的影響，利用特征相關(guān)性作為相鄰像素之間相似性衡量的標(biāo)準(zhǔn)。 首先，提取輪胎X光圖像的紋理特征，采用局部核回歸提取每個像素的紋理特征。然后，采用余弦相似度來對相鄰像素塊的紋理特征相異性進(jìn)行評估，將相異性差別較大的異常區(qū)域突出顯示。最后，利用閾值函數(shù)方程將缺陷區(qū)域進(jìn)行分割及定位。通過該方法能夠檢測出胎體區(qū)域的缺陷，但無法與雜質(zhì)等缺陷類型進(jìn)行有效區(qū)分。

2.2 灰度缺陷

2.2.1 雜質(zhì)

雜質(zhì)缺陷是由于輪胎內(nèi)部壓入金屬等雜質(zhì)，密度變大，圖像出現(xiàn)像素灰度值很低的區(qū)域，通常分布在胎冠區(qū)域和胎體區(qū)域，如圖8所示。

圖 8 輪胎雜質(zhì)缺陷圖像Fig. 8 Tire impurities defect images

當(dāng)胎體區(qū)域存在雜質(zhì)時，通過式(1)、(2)，逐個像素點遍歷，計算各像素點8鄰域的交叉數(shù)Cn(p)和簾線像素點數(shù)Sn(p)，通過Cn(p)和Sn(p)的取值情況來檢測雜質(zhì)缺陷。但是該方法在檢測過程中容易受到噪聲干擾，影響檢測結(jié)果。同時也無法對雜質(zhì)和氣泡進(jìn)行有效區(qū)分，造成缺陷類型的誤檢。文獻(xiàn)[37]對于區(qū)域特征明顯的雜質(zhì)，利用形態(tài)學(xué)的方法對圖像各個子窗口中進(jìn)行腐蝕適當(dāng)?shù)拇螖?shù)后，簾線消除且雜質(zhì)仍保留一部分像素面積，提取該區(qū)域計算塊面積，如果面積超過合適的閾值則為雜質(zhì)缺陷。在區(qū)域特征明顯圖像中腐蝕后能夠保留部分雜質(zhì)，當(dāng)雜質(zhì)區(qū)域與背景灰度值相差不明顯時，很難將雜質(zhì)從圖像中提取出來，導(dǎo)致雜質(zhì)缺陷的漏檢，無法應(yīng)用到實際輪胎生產(chǎn)檢測中。高鵬[33]提出了一種利用圖像輪廓的提取對雜質(zhì)缺陷進(jìn)行檢測的方法。其基本思想是如果胎體上存在雜質(zhì)，一個完整的區(qū)域?qū)⒈粍澐殖啥鄠€小區(qū)域，這些小區(qū)域的輪廓周長會小于正常區(qū)域。當(dāng)存在某一區(qū)域輪廓周長明顯小于正常區(qū)域，且相鄰幾個小區(qū)域的面積均小于正常區(qū)域，將其面積累加近似等于正常區(qū)域的面積，則為雜質(zhì)缺陷。

向媛媛等[38-40]提出了一種基于稀疏表示的輪胎雜質(zhì)缺陷檢測算法。經(jīng)觀察，從無缺陷輪胎圖像中構(gòu)造的字典能夠有效地捕捉數(shù)據(jù)的變化，該字典能夠表示無缺陷輪胎圖像塊，同時稀疏表示的系數(shù)服從正態(tài)分布。因此，利用K-SVD算法構(gòu)造圖像塊的字典，稀疏表示系數(shù)的差異來表示局部特征，系數(shù)的編碼長度用于衡量全局特征。通過結(jié)合局部和全局特征，當(dāng)稀疏表示的系數(shù)偏離正態(tài)分布時，很容易檢測出雜質(zhì)圖像塊，準(zhǔn)確找到雜質(zhì)的位置和大小。青島科技大學(xué)的張斌[41]提出基于Curvelet圖像增強(qiáng)和Canny算子的胎體區(qū)域雜質(zhì)缺陷檢測算法。首先對輪胎圖像采用頻率Wrapping方法來實現(xiàn)快速Curvelet變換，根據(jù)各子帶的噪聲水平和對表述圖像中胎體區(qū)域簾線的貢獻(xiàn)水平進(jìn)行分段非線性增強(qiáng)；然后對處理后的Curvelet系數(shù)進(jìn)行反變換得到增強(qiáng)圖像；對增強(qiáng)圖像高斯濾波后，利用改進(jìn)后的非極大值抑制過程，對邊緣精確定位，利用Canny雙閾值方法實現(xiàn)胎體區(qū)域中雜質(zhì)缺陷邊緣的提取。該方法能夠?qū)㈦s質(zhì)缺陷區(qū)域的邊緣信息清晰而準(zhǔn)確的檢測出來，并且絕大多數(shù)的偽邊緣得到了很好的抑制和消除。

胎冠區(qū)域的簾線呈多層子午線分布，結(jié)構(gòu)復(fù)雜。針對該區(qū)域的雜質(zhì)檢測，文獻(xiàn)[42]提出一種基于對圖像預(yù)處理的改進(jìn)和聚類分析的方法來檢測雜質(zhì)缺陷。在預(yù)處理過程中進(jìn)行了直方圖均衡化、傅里葉變換和低通濾波等處理方法。圖像對比度雖然有了明顯的增強(qiáng)，但還存在一些影響缺陷檢測的因素。為排除這些因素，通過區(qū)域生長聚類分析的方式進(jìn)行缺陷檢測。區(qū)域生長是選取種子節(jié)點，從種子點的集合開始，將與這些種子點具有相同性質(zhì)(例如灰度值、紋理、顏色等)像素合并到此區(qū)域中。在輪胎圖像中隨機(jī)選取灰度值為0的像素作為種子點對8鄰域內(nèi)灰度值為0的像素點進(jìn)行聚類。通過對灰度值為0的像素進(jìn)行8鄰域聚類，則圖中灰度值為0的一部分為一類，統(tǒng)計每一類的像素數(shù)目進(jìn)行排列，取數(shù)目最多的2類，則標(biāo)定為雜質(zhì)區(qū)域。

2.2.2 氣泡

輪胎在生產(chǎn)過程中會進(jìn)入空氣等雜物，導(dǎo)致輪胎在硫化后會有氣泡產(chǎn)生。圖2(e)是胎體區(qū)域圖像，其中亮度較大的區(qū)域為氣泡缺陷。氣泡與背景區(qū)域灰度值相差不大，與簾線的對比度相差較大。同時在水平方向上灰度不均勻，在豎直方向上灰度相對均勻分布。對于區(qū)域特征明顯的氣泡，在圖像子窗口中對圖像進(jìn)行腐蝕操作，提取腐蝕后存在的像素區(qū)域的面積，通過面積的大小來判斷是否存在氣泡缺陷。該算法在區(qū)域特征明顯圖像中腐蝕后效果較好，但該方法需要氣泡區(qū)域與背景灰度值相差較大，在實際情況中沒有這么理想的輪胎圖像，很容易造成漏檢，無法實際應(yīng)用。

王冰等[29,43]根據(jù)圖像小區(qū)域灰度分布相似性沿垂直方向搜索灰度級較高的像素點，初步將氣泡區(qū)域分割出來；對搜索出的像素點進(jìn)行連通區(qū)域標(biāo)定，消除小面積區(qū)域，防止噪聲的影響。接著對圖像按照設(shè)定的生長規(guī)則進(jìn)行區(qū)域生長；最后區(qū)域合并，得到氣泡位置和大小。該方法會對偽氣泡造成誤檢，袁曄[27]在此基礎(chǔ)上添加2個準(zhǔn)則校驗：1)氣泡大小有一定限制；2)氣泡區(qū)域灰度均值高于周邊非氣泡缺陷區(qū)域。有效地保證氣泡缺陷檢測結(jié)果的正確性。

劉宏貴[32]在識別氣泡缺陷中，首先用Gaussian濾波器對圖像進(jìn)行濾波后再線性拉伸，用Robert算子對圖像進(jìn)行邊緣提取后用Ostu自動閾值分割，再用形態(tài)學(xué)濾波進(jìn)行處理，去除圖像中的小邊緣區(qū)域。該算法在少數(shù)氣泡與背景灰度明顯的圖片能夠檢測出，但大多數(shù)圖片的氣泡較為復(fù)雜，用Robert算子的邊緣檢測很難將氣泡目標(biāo)分離出來。 針對氣泡與背景灰度值對比不明顯的情況，邵明紅[28]對該方法進(jìn)行了改進(jìn)，利用Sobel算子進(jìn)行邊緣檢測，在水平和垂直方向模板上增加45°和135°方向模板，能夠提高邊緣檢測的準(zhǔn)確性，有效消除假邊緣問題。其中，45°和135°方向模板如式(14)、(15)所示。

同時，對Sobel算子的梯度計算公式進(jìn)行改進(jìn)，將4個方向上的最大值作為該點新的灰度值，將最大值對應(yīng)方向作為邊緣檢測的方向，如式(16)所示：

該方法進(jìn)行氣泡檢測時，在氣泡與胎體區(qū)域灰度值相差較大的圖像中能夠準(zhǔn)確將氣泡區(qū)域檢測出來。但在一些圖像中，仍會將部分與氣泡灰度值近似的非氣泡區(qū)域檢測出來。

2.3 區(qū)域缺陷

2.3.1 帶束層順線

胎冠區(qū)域結(jié)構(gòu)復(fù)雜，帶束層簾線沿0°、45°和135° 3個方向交叉排列，如圖10(a)所示。在生產(chǎn)過程中由于操作不當(dāng)會使胎冠區(qū)域帶束層簾線按照一個方向排列，缺失了45°方向或135°方向的簾線，造成帶束層的順線缺陷，如圖9(b)所示。

當(dāng)帶束層出現(xiàn)順線缺陷時，帶束層會缺失某一方向的簾線，則不同2個方向的紋理特征值會出現(xiàn)明顯的數(shù)值差距[44-47]。朱越[6]提出一種基于Gabor變換的方法檢測帶束層順線缺陷，其基本思想是對胎冠區(qū)域分別進(jìn)行45°和135° 兩個方向上的Gabor濾波，計算2個方向上的Gabor能量均值m和方差d，作為紋理特征值。如果滿足|m1-m2|＞T1且|d1-d2|＞T2時，則為帶束層順線缺陷。

圖 9 輪胎胎冠區(qū)域帶束層簾線圖像Fig. 9 Tire crown area belt cord images

2.3.2 胎冠簾線開裂

胎冠簾線開裂形態(tài)各異，難以用結(jié)構(gòu)特征來描述，如圖10所示。張傳海等[48-49]提出了一種基于紋理無關(guān)的胎冠裂紋缺陷檢測算法，基本思想是從各個角度對輪胎胎冠區(qū)域進(jìn)行線密度投影。當(dāng)胎冠區(qū)域簾線發(fā)生開裂時，裂紋處會發(fā)生跳變，計算胎冠區(qū)域在各個角度的投影密度曲線Pθ(t)。圖中箭頭標(biāo)記區(qū)域為裂紋位置，可以明顯的看出曲線的值在裂紋邊緣處會出現(xiàn)較大波動。

圖 10 輪胎胎冠區(qū)域簾線開裂圖像Fig. 10 Tire crown area cord crack images

通過曲線求導(dǎo)得到線密度導(dǎo)數(shù)函數(shù)P′θ(t)，通過P′θ(t)能夠反映曲線形態(tài)的變化，其中函數(shù)的極值點對應(yīng)裂紋特征的位置，因為胎冠紋理的寬度特征，P′θ(t)應(yīng)該在2個位置有極值點，若出現(xiàn)多個極值點按照極值的情況來取極值點(t0，t1)。調(diào)整角度θ可以得到一系列極值點t，用函數(shù)T0(θ)和T1(θ)表示。根據(jù)極值點函數(shù)，投影密度函數(shù)可以得到判定曲線 (θ′，t′)，如式 (17)所示：

然后用近似直線 l(θ′，t′)標(biāo)注胎冠區(qū)域裂紋的位置。在山東玲瓏輪胎股份有限公司提供的分辨率為3 400×8 500的實驗數(shù)據(jù)集中實現(xiàn)該算法。結(jié)果表明，在胎冠區(qū)域出現(xiàn)各種形態(tài)的裂紋缺陷，通過該方法能夠判斷裂紋缺陷，并且能夠比較精準(zhǔn)的標(biāo)定裂紋的位置，并且滿足算法對于實時性的要求。

文獻(xiàn)[50]提出一種基于灰度累積投影的胎冠簾線開裂檢測方法。其基本思想是在不同角度對胎冠區(qū)域進(jìn)行灰度累計投影，得到灰度累計投影曲線，通過投影曲線計算局部區(qū)域的具有波動性的峰值能量，用曲線整體波動分布的前n個最大峰值能量組成能量特征向量，構(gòu)造支持向量機(jī)分類器來對最大灰度累計曲線進(jìn)行判別；最后利用位置反演將裂紋缺陷的位置標(biāo)注。該方法的算法復(fù)雜度較高，檢測缺陷過程慢，不滿足缺陷檢測的實時性要求。

3 輪胎缺陷檢測在未來所面臨的挑戰(zhàn)

子午線輪胎結(jié)構(gòu)復(fù)雜，存在各種缺陷類型，同一類缺陷其結(jié)構(gòu)上差別很大，比如簾線彎曲程度、簾線交叉的形態(tài)等，沒有統(tǒng)一的標(biāo)準(zhǔn)來描述，如圖11所示。這給輪胎缺陷檢測的分析識別帶來挑戰(zhàn)，決定了在短時間內(nèi)不能很好地解決這項研究。同時，子午線X光圖像數(shù)據(jù)量大(約為3 400像素×8 500像素)，現(xiàn)有一些算法處理過程較慢，檢測效率不高。因此對現(xiàn)有算法進(jìn)行簡化，提高現(xiàn)有缺陷識別算法的計算速度，更好地滿足缺陷檢測系統(tǒng)的實時性是未來所面臨的挑戰(zhàn)之一。

圖 11 輪胎同類缺陷對比圖像Fig. 11 Comparison of same defect type in tire images

其次，能夠檢測的輪胎缺陷類型還需要進(jìn)一步豐富?，F(xiàn)有輪胎缺陷檢測算法的研究主要在胎側(cè)區(qū)域的簾線檢測、雜質(zhì)和氣泡，胎冠簾線開裂、帶束層順線等方面，還有一些缺陷類型因為區(qū)域內(nèi)以及相鄰區(qū)域交界處的結(jié)構(gòu)復(fù)雜，對缺陷檢測過程存在干擾，沒有能夠?qū)嶋H應(yīng)用的缺陷檢測算法，如鋼絲圈區(qū)域的鋼絲打折、鋼包開裂、鋼包雜物、鋼圈彎曲等缺陷，如圖12所示。

圖 12 鋼絲圈區(qū)域缺陷圖像Fig. 12 Bead ring area defect images

今后應(yīng)對這些缺陷類型進(jìn)一步研究，提出新的算法理論，更好的對輪胎缺陷進(jìn)行檢測。同時，還有一些算法對缺陷檢測效果較差，會出現(xiàn)誤報、漏報的情況，提高識別的精度及檢測能力也是未來所面臨的挑戰(zhàn)。

4 結(jié)束語

利用圖像處理技術(shù)對子午線輪胎進(jìn)行缺陷檢測是一個非常重要的課題，基于機(jī)器視覺的輪胎缺陷檢測技術(shù)的成熟，可以提高我國輪胎制造產(chǎn)業(yè)的生產(chǎn)效率，并加快了我國工業(yè)自動化的發(fā)展進(jìn)程。

本論文對輪胎缺陷檢測算法進(jìn)行了梳理，重點是對胎體區(qū)域的簾線結(jié)構(gòu)缺陷以及胎冠區(qū)域的帶束層順線等缺陷檢測算法的研究分析。每種算法實現(xiàn)的環(huán)境都不一樣，要求也不一樣。其中存在諸多難點需要解決，如在復(fù)雜條件下輪胎的區(qū)域定位問題，X光圖像的成像光照問題等等。相信隨著機(jī)器學(xué)習(xí)、機(jī)器視覺和圖像處理學(xué)科領(lǐng)域的不斷進(jìn)步，輪胎缺陷檢測技術(shù)也會不斷完善、更加優(yōu)化，能夠克服人工檢測的主觀性，提高輪胎缺陷檢測的自動化程度。下面給出對今后工作的一些展望：

1)對已有的算法進(jìn)行優(yōu)化，在缺陷檢測過程中，對缺陷結(jié)構(gòu)特征的真?zhèn)涡孕枰M(jìn)行嚴(yán)密的判斷，同時通過對算法的優(yōu)化，得到更加準(zhǔn)確的檢測結(jié)果，提升算法的實時性。

2)對缺陷檢測各參數(shù)的設(shè)定可以考慮引入機(jī)器學(xué)習(xí)的方法，通過計算機(jī)學(xué)習(xí)、訓(xùn)練參數(shù)集，減少人工干預(yù)參數(shù)的設(shè)定，提高參數(shù)的準(zhǔn)確性。

解決上面提及的各類問題則既是創(chuàng)新，更是挑戰(zhàn)，而且也已成為輪胎缺陷檢測技術(shù)開展未來研究的后續(xù)發(fā)展方向。