基于穿線法的輪胎簾線斷裂缺陷檢測

, ,

(濟南大學 a.信息科學與工程學院; b. 山東省網絡環境智能計算技術重點實驗室， 山東 濟南 250022)

子午線輪胎[1]是輪胎的一種結構形式，它的簾線排列是零角度,其各層簾線相互平行。子午線輪胎與斜交線輪胎相比有著更加優越的功能。子午線輪胎的制造工藝要求非常高，在制造過程中經常出現缺陷問題,導致輪胎壽命縮短，其中胎側部分簾線斷裂缺陷是影響輪胎安全性的一個比較重要的因素，因此出廠前對輪胎胎側簾線斷裂缺陷進行檢測很有必要。

利用子午線輪胎X射線檢測設備可以得到子午線輪胎的X射線圖像。對獲取的圖像進行一系列的預處理，并對該圖像進行輪胎缺陷檢測，從而發現輪胎內部簾線斷裂的缺陷性狀，以確保輪胎的安全性。目前國內外對輪胎缺陷檢測有許多研究[2-11]，但是針對輪胎胎體簾線斷裂缺陷的檢測并不多見。文獻[6]中運用穿線法判斷簾線間距，從而對簾線斷裂缺陷進行檢測，但是該方法并不能對簾線稀疏與簾線斷裂2種缺陷進行有效區分。文獻[7]中對輪胎圖像簾線逐行進行水平方向掃描，掃描到黑色像素點則記下坐標，并且計算每2個坐標值的距離，若掃描發現某行像素值出現異常，鎖定該行，計算該行相鄰2個黑色像素點水平之間的距離，若超出所設定的閾值，則判斷為簾線斷裂缺陷。該算法的問題是，細化后的輪臺簾線并不是都在同一水平線上的，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，從而產生誤報。文獻[8]中采用灰度共生矩陣和直方圖統計距的模板以及小波變化等方法通過對圖像紋理進行分析，從而檢測出輪胎的簾線斷裂缺陷。該方法對于處理灰度分布不均勻的輪胎圖像的效果不理想，而且計算時間較長。

本文中主要研究輪胎缺陷中的胎體簾線斷裂的情況。首先對圖像進行二值化處理，在此基礎上再對圖像進行細化[12]處理，最終細化圖像中簾線被細化成一個像素的寬度。對簾線斷裂缺陷的檢測是在已經細化后的圖像中進行的。運用穿線法對簾線斷裂缺陷進行檢測，所謂的穿線法就是按列垂直逐個像素掃描，統計遇到簾線的次數，即為每列交點的個數。在穿線統計交點個數之前，首先要確定穿線的起始線和終止線，原因是只有確定每列穿線的起始線和終止線是相同的，才能依據交點個數是否相同這一因素對簾線斷裂缺陷進行判斷；如果當前列與前一列的交點個數不同，則對當前這一列每2條相鄰簾線的間距進行判斷。如果間距大于平均簾線間距的1.6倍，則對該相鄰簾線間的白色像素值(也就是簾線)進行統計，根據統計的像素值的大小來排除雜質和稀疏的影響， 判斷是否有斷線，并且給出具體位置。如果當前列簾線間距正常，則用相同方法對前一列的簾線間距進行判斷。在沒有漏報的情況下，解決雜質和簾線稀疏缺陷對簾線斷裂檢測的影響。

1 起始線和終止線的判斷

輪胎胎體簾線斷裂的X射線圖像如圖1所示。胎體簾線斷裂的檢測流程見圖2。

對胎體簾線斷裂缺陷的判斷是在細化圖像的基礎上進行的，細化后的簾線寬度為1個像素大小。圖3為輪胎簾線圖及細化效果圖。

圖1 輪胎胎體簾線斷裂的X射線圖像

圖2 檢測流程圖

(a)輪胎簾線(b)細化效果圖3 輪胎簾線圖和細化效果圖

運用穿線法對胎體簾線斷裂缺陷進行判斷，第一步要做的就是找到2條完整的線分別作為穿線的起始線和終止線，原因是只有確保每一列穿線的第一條線和最后一條線是同一條線，在有斷裂缺陷的情況下交點的個數才是不同的。

輪胎圖像的首尾以及兩側部分會有簾線雜亂的情況， 導致這2個部分的細化圖像容易出現簾線雜亂或者不連續的情況。 為了提高檢測效率和準確度，首先去掉圖像左右兩側雜亂的的邊界，去掉的寬度各為圖像寬度的5/100，然后在圖像高度的1/100處尋找一條完整的線作為起始線， 從圖像高度的1/100處向下判斷， 直到遇到白像素。 判斷該像素是否為噪聲干擾， 如果不是， 則利用八鄰域搜索[13]的方法找出一條完整的線， 并存儲每個點的位置信息。

尋找一條完整的線的步驟如下：

1)當確定的一條線的起始點P后， 分別對其相鄰的右上方P1、 右方P2和右下方P3的位置進行判斷。

2)假設檢測到P點的右下方P3處的像素值為1，則將P的位置移到點P3處，并把P3點的位置坐標信息存儲起來，然后再對新的P點的右上方、右方和右下方進行判斷。

3)如果走到終點位置判斷其橫坐標并不是圖像的最右側，那么就從下一行重新開始判斷。如此反復，直到找到的線為一條完整的線。圖4為起始線搜索示意圖。

圖4 八鄰域搜索方法示意圖

與起始線的判斷方法一樣， 在圖像下方起1/100處用該方法找出穿線的終止線， 并把位置坐標存到數組中。 不同的是， 如果走到終點位置判斷其橫坐標并不是圖像的最右側， 那么就從該行的上一行重新開始判斷， 直至找到完整的一條線作為終止線。

2 穿線法判斷簾線斷裂

確定穿線的起始線和終止線后，要選取合適的穿線間距，從起始線開始向下逐個掃描像素，直到終止線截止，記錄每一列遇到簾線的次數，也就是交點的個數。具體方法如下：從第i列開始，水平方向每間隔Δ取一列，即第i，i+Δ，i+2Δ，…，i+nΔ列，沿豎直方向逐個像素掃描整個胎側和胎肩區域指定的列。圖5為穿線示意圖。

圖5 輪胎簾線穿線示意圖

從起始線位置選取一列開始往下掃描，當遇到簾線也就是白像素時，不能直接把它當作交點。首先要對該點是否是簾線上的點進行判斷，排除噪聲干擾。以該點為中心畫3像素×5像素的框，并且統計該框內的白色像素的個數。將該中心點的位置垂直下移2次，每次下移1個像素單位，分別畫框并統計白色像素的個數。取3次統計數的最大值，如果最大值大于4，則確定該點是簾線上的點，即為交點。若最大值不大于4，則認定該點不是簾線上的點。統計該列從起始線到終止線的交點個數。

取合適的穿線步長，另起一列統計簾線交點個數。把本列的交點個數與前一列的交點個數進行比較，有以下2種情況：1)本列與前一列的交點個數相等；2)本列與前一列的交點個數不相等。

對于第1種情況，說明在這2列范圍內簾線是正常的，沒有出現簾線斷裂情況。

如果出現第2種情況，則對本列每2條相鄰簾線的間距進行判斷。首先求本列簾線的平均間距D。起始線到終止線的距離為Li,交點的個數為Si，則平均間距為

然后依次用指定簾線的縱坐標位置減去與它相鄰的上一條簾線的縱坐標位置，得到2條簾線的間距。假設本列的第3條簾線與第2條簾線的間距大于平均間距的1.6倍，則以本列第3條簾線的位置為端點，向左畫長度為1.5倍穿線步長、寬度為8個像素的矩形框，并對框內的白色像素進行統計。如果白色像素總數大于0.5Δ并且小于1.5Δ，則可以斷定在該位置第2條簾線和第3條簾線中間有簾線斷裂的情況，并在輪胎圖像中標記出該位置。

如果本列的第3條簾線與第2條簾線間的間距并沒有大于平均間距的1.6倍，則以本列第3條簾線的位置為端點，向左畫長度為1倍穿線步長、寬度為8個像素的矩形框，并對框內的白色像素進行統計。如果白色像素總數大于0并且小于Δ，則說明在第3條簾線的該位置有簾線斷裂的情況，并在輪胎圖像中標記出該位置。

需要注意的是穿線的次數不能太多，以防止越界的發生。首先選取合適的穿線步長Δ，圖像寬度為W，細化的圖像邊界會有噪聲，為了防止對缺陷檢測造成影響，所以將圖像的左邊和右邊各自去掉一部分M。穿線次數N計算公式為

由于在對輪胎圖像胎肩和胎側進行細化處理的時候，雜質缺陷的位置細化結果與斷線十分相似，因此會影響對簾線斷裂的檢測，從而產生誤判，這就需要在對簾線斷裂缺陷進行判斷時排除雜質的影響。圖6為輪胎胎側雜質及其細化結果圖。

(a)雜質圖像 (b)細化圖像圖6 輪胎雜質與細化結果

從圖中可以看出，雜質細化后的圖像雖然與斷線相似，但還是能發現明顯的特征。細化后的雜質邊緣像素首尾相連成一個圓，而斷線圖像只是橫向斷裂，縱向并沒有白像素。如果檢測出2條簾線間的距離大于1.6倍的平均間距，除了對2條簾線間的白色像素進行統計之外，還需要對2條簾線中的第1條簾線給出判斷。從該簾線下方4個像素的位置開始，向左判斷1.5倍穿線步長的距離，統計白色像素的個數。如果白色像素的個數大于0，則說明該位置并不存在簾線斷裂缺陷。

3 實驗結果與分析

本文中對隨機抽取的10種不同紋理的500張輪胎X射線圖像進行檢測，其中包括20張包含簾線斷裂的圖像。實驗方法如下：獲取已經分割并且細化好的胎側和胎肩圖像，對圖像進行檢測，統計誤報率和漏報率。圖7所示為部分檢測出簾線斷裂缺陷的結果圖，其中紅色圓圈標記說明缺陷在胎側部位，黃色圓圈標記說明缺陷在胎肩部位。

注：紅、黃色圓圈標記分別表示缺陷在胎側、胎肩部位圖7 輪胎簾線斷裂缺陷檢測結果圖

通過測試得出，在所有檢測的150張輪胎X射線圖像中，如果存在簾線斷裂這一缺陷，系統能準確地判斷并標記出具體的位置。在檢測圖像中包括的20張存在簾線斷裂缺陷的圖像中，沒有出現漏報的情況，即漏報率為0。誤報的數量為4，占檢測圖像總數的比例為0.008，即誤報率為0.8%。

表1所示為3種方法的簾線斷裂缺陷檢測結果的對比情況。

表1 檢測結果對比情況

由表可知，本文中提出的方法對簾線斷裂缺陷的判斷在準確性上比其他2種方法更高。

4 結語

本文中運用穿線法對輪胎胎體簾線斷裂缺陷進行判斷，在排除雜質對簾線斷裂缺陷檢測干擾的前提下,解決了以往穿線法只是憑借簾線間距判斷缺陷而不能斷定缺陷是簾線斷裂還是稀疏的問題，以及不能給出缺陷具體位置的問題。

本方法尚有不足之處，如果簾線間出現交叉的情況，穿線過程中正好穿過2條簾線的交叉點，統計的交點個數就會發生變化，又因為該處間距大于閾值，所以系統就會判斷該處為簾線斷裂。如何排除這種干擾造成的誤報是下一步要研究的問題。

[1] 張熹, 王春旭, 史慶南. 子午線輪胎鋼簾線用鋼絲的工藝現狀[J]. 鋼鐵研究學報, 2007, 19(1):1-5.

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

[3] ZHANG M Q, GUO Q, YANG X Q. Tire defect detection on impurities[J]. Computer Aided Drafting,Design and Manufacturing, 2014, 24(1): 32-35.

[4] OTSUKI H. Radial tire: US7893147[P]. 2011-2-22.

[5] 馮霞. 基于數字圖像處理的輪胎缺陷檢測[D]. 濟南：山東大學, 2011.

[6] 邵明紅. 輪胎缺陷檢測的處理和算法研究[D]. 濟南：山東大學, 2012.

[7] 宋開勇, 王傳旭, 董向鵬. 輪胎紋理提取與缺陷檢測方法[J]. 計算機工程, 2012, 38(18): 291-292.

[8] 張巖. 基于計算機視覺的輪胎缺陷無損檢測關鍵問題研究[D]. 青島： 青島科技大學, 2014.

[9] 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用[J]. CT理論與應用研究, 2014, 23(3): 453-458.

[10] 朱越. 工程子午線輪胎X射線圖像檢測技術中的若干問題研究[D]. 天津： 天津大學, 2010.

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

[12] ZHANG T Y, SUEN C Y. A fast parallel algorithm for thinning digital patterns[J].Communications of the ACM,1984,27(3): 236-239.

[13] 劉相濱, 向堅持, 陽波. 基于八鄰域邊界跟蹤的標號算法[J]. 計算機工程與應用, 2001, 37(23): 125-126.