基于穿線法的胎側散線缺陷檢測

， ，

(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)

輪胎作為汽車的關鍵部件， 是汽車安全性能的主要體現者， 因而汽車廠商對于輪胎的質量要求很高。 在實際的輪胎制造過程中，時常會出現輪胎簾線稀疏不均、簾線中某部分斷裂、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]，直接或間接影響產品質量，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、右兩側胎側部位的簾線分布不均，增加輪胎的磨損，因此對于胎側散線缺陷檢測顯得尤為重要。

雖然國內外在輪胎缺陷檢測方面有不少研究，但是關于散線缺陷檢測方面的研究并不多見。文獻[2]中提出在輪胎X射線紋理灰度分布模型基礎上，通過正則化、圖像分塊等處理，計算每塊的灰度均值和方差，采用雙線性插值運算形成均值圖像和方差圖像，再通過二值化實現缺陷檢測；文獻[3]中通過訓練正常圖像得到標準字典,利用該字典的偽逆矩陣求取表示系數，把表示系數的分布差異作為鑒別標準來檢測缺陷區域；文獻[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上，結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[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化為頻域信號，對得到的頻譜進行圖像處理，判斷輪胎有無缺陷；文獻[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計距相結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，進行缺陷檢測。

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

本文中著重對輪胎胎側出現的散線缺陷類型進行了深層剖析，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)，設計了3層判斷條件，從每條穿線上交點的個數、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]胎側部位圖像進行二值化、細化等預處理，得到胎側的細化圖像,易于觀察輪胎簾線、散線的信息；在細化后的圖像中根據輪胎簾線信息找出上、下邊界線，以一定步長進行穿線[9]，統計所穿線與輪胎簾線以及散線的交點個數、坐標；分析穿線與簾線的所有交點，結合穿線與散線交點的判斷條件，給出結果。若有散線，則標記出其所在區域。穿線找點標識散線區域算法流程如圖1所示。

圖1 穿線找點標識散線區域算法流程圖

2 方法簡介

2.1 預處理

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， 方便后續利用穿線法對散線缺陷進行檢測， 可以采用快速并行細化算法[11-12]對圖像進行細化處理， 結果如圖3所示。

圖2 輪胎原始圖像及對應的二值化圖像

圖3 輪胎簾線細化后的圖像

2.2 穿線找點

2.2.1 確定上、下邊界

圖4(a)為預處理后的輪胎細化圖像，該圖是輪

胎胎側部分細化后的截取圖像，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越出了上邊界，要想統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致的不完整性，故在圖像的上側、下側和左側都向圖像的內側偏移一定的距離，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，如果逐列按行自上而下去遍歷像素，勢必影響檢測效率。 可以設置一定的步長間隔(一般15～30像素)去穿線， 然后根據所穿的線逐列按行自上而下遍歷像素。由于可能存在雜質點的影響，因此可設置3像素×3像素的窗口沿穿線自上而下逐行遍歷，并設置一定的閾值(這里設為3)。若窗口內白像素的個數大于等于該閾值，則判定是穿線與簾線的交點，并統計該交點的坐標以及每條穿線上交點的個數；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節的穿線中，已經統計了每條穿線上的交點坐標和個數，那么就可以求出穿線與簾線總的交點個數以及每條穿線上與輪胎簾線的平均交點個數，把該平均交點個數設為閾值A，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， 設置第3個條件繼續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，并設置一定的走向距離。若在該距離內，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；若只滿足第1、 2種可能情況，則認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；其他情況，則認為該條穿線上不存在簾線與散線的交點。如圖6(a)所示，藍色小圓圈內淺綠色的點即為穿線與散線的交點。

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

圖6 穿線與散線交點及散線標識圖

3 實驗與結果

實驗中運用VS2013編輯器搭配OpenCV類庫對圖像進行編輯處理，樣本是某輪胎廠家的X射線輪胎圖像，經過二值化、細化等預處理得到細化后的圖像。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幅細化后X射線輪胎圖像的胎側不同部位分別截取了1 000幅細化圖像，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行測試。結果顯示，對細化后正常圖像的誤檢率為0.8%，對細化圖像中有散線缺陷的檢測率為99.2%，檢測結果見圖7。

圖7 輪胎細化圖像中的散線檢測結果

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

圖8 輪胎胎側部位的散線檢測結果

實驗結果表明，本文中所提方法能夠有效地檢測到胎側散線缺陷，滿足實際項目的需求。由于目前尚未查到相關的輪胎散線檢測方面的文獻以及輪胎圖像數據資料，因此無法從檢測方法的優劣、效率等方面進行比對。

4 結語

本文中針對輪胎胎側有散線缺陷的部分，通過前期的圖像二值化、細化等預處理后，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行輪胎胎側散線檢測。根據所穿簾線與散線的交點，結合與散線交點的3層判斷條件，從同一穿線上交點的個數、 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，極大地消除了雜質點、輪胎簾線的疏密等對此的影響。實驗結果表明，該方法能夠有效地檢測并標識出散線區域，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，則不能夠分區域進行分別標記，只能畫出單個矩形框統一標識。下一步將改進該方法，以便對同一幅圖像的不同散線區域都能夠精確地標識。

參考文獻:

[1] 郭奇. 基于X射線輪胎缺陷檢測系統設計[D]. 太原：中北大學, 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用[J]. CT理論與應用研究, 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, 2009, 29(3): 176-178.

[8] 高鵬. 基于X光圖像的輪胎內部缺陷檢測技術研究[D]. 天津：天津大學, 2009.

[9] 魏暢然. 基于穿線法的數字識別方法[J]. 科技情報開發與經濟, 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]. 計算機工程， 2016, 42(11): 255-260.

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

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