基于GLCM算法的輪胎0°帶束層接頭缺陷檢測

張元剛，劉中華

（青島科技大學 機電工程學院，山東 青島 266061）

輪胎是車輛行駛中直接承受載荷的重要部件，根據力學原理，輪胎內部若存在缺陷，在行駛過程中由于受力不均勻，會產生脫層、破裂，甚至引發嚴重的交通事故[1]。因此，輪胎缺陷的檢測識別是非常重要的研究課題[2-4]。

通過X光機獲取輪胎X光圖像[5]，再設計算法實現缺陷的定位、判別是目前普遍采用的方法。該方法避免了人工檢測[6]成本高、效率低、工作強度大、消耗時間長、檢測結果不客觀等諸多缺點。但輪胎品種和規格眾多，花紋及鋼絲簾線各異[7-8]，形成的缺陷種類繁多[9-11]，許多缺陷檢測至今無人涉及，如0°帶束層接頭，其X光圖像如圖1所示。

圖1 輪胎0°帶束層接頭X光圖像

輪胎X光圖像是紋理圖像。目前，常用的紋理分析方法大致可以分為四類：結構分析、統計、基于紋理模型的分析和信號處理。其中，結構分析方法是建立在紋理是由紋理基元[12]按照某種規則排列的假設基礎上發展起來的，該方法僅適用于規則紋理的分析；統計方法的紋理分析是從區域統計的角度分析灰度隨機變量的空間分布，如基于空域的自相關函數分析[13-14]、灰度共生矩陣分析、灰度差分分析[15]等及基于頻域的頻譜分析[16]等；基于紋理模型的分析方法通過Markov隨機場、二維自回歸模型等描述紋理；信號處理方法又可分為空域濾波器方法、頻域濾波器方法、Gabor濾波器方法、小波分析方法[17]。

然而，多數紋理分析方法理論性較強、運算復雜且通用性不夠，很難成功應用于工程領域。而灰度共生矩陣（GLCM）算法相對簡單，易于實現，因此本研究利用GLCM算法實現輪胎0°帶束層接頭缺陷區域的特征提取及識別，算法選取4個特征參量的8個特征值作為GLCM的紋理特征，再利用歐氏距離法實現缺陷的判別。

1 GLCM算法的基本原理

GLCM算法是求取紋理圖像中某一個灰度級結構多次重復出現概率的方法，通過對條件概率的求取得到紋理圖像的灰度級在空間上的相互關系。首先需要依據紋理圖像各像元之間的距離及方向角度來構造GLCM，然后選擇合適的特征參量，進而得到統計特征向量作為GLCM的統計特征，用以描述紋理。

GLCM算法描述如下：假如x軸方向像素總量是Nx，y軸方向像素總量是Ny，為規避計算量過大，需要先將灰度級進行壓縮，p（i，j，θ，d）表征GLCM（i行j列元素，θ為方向角度，兩像元之間的距離為d），GLCM計算值表示在已知空間距離d和方向角度θ的條件下，灰度級i為始點，出現灰度級j的概率。θ沿順時針方向取值，θ不同，其所對應的GLCM也就不同，定義式如下：

式中，f（k，l）＝i，f（m，n）＝j；當θ＝0°時，k-m＝0，l-n＝d；當θ＝45°時，k-m＝d，l-n＝d，或k-m＝-d，l-n＝-d；當θ＝90°時，k-m＝d，l-n＝0；當θ＝135°時，k-m＝d，l-n＝-d，或k-m＝-d，ln＝d。

2 GLCM的特征參量

從GLCM得到反映矩陣聯合概率密度的特征參量，并以此更直觀地描述圖像的紋理特征，通過MATLAB仿真可得到特征參量的紋理值。常用的特征參量主要有以下幾種。

（1）能量（MAS）的計算公式為

能量又稱為角二階矩，能有效反映圖像灰度分布是否均勻，表征圖像紋理粗細和灰度分布。能量最大值是1，表示圖像灰度分布的均勻性最好。圖像表面越粗糙，計算的能量值就越小。

（2）對比度（NCO）的計算公式為

對比度用來表征圖像紋理清晰程度。對比度越大，紋理元素對比越明顯，紋理越突出，圖像的視覺模糊效果越差；反之，對比度越小，紋理的視覺模糊效果越好。若對比度的值為0，則表明該圖像不存在紋理分布。相比粗紋理，細紋理的對比度較大。

（3）相關性（RCO）的計算公式為

相關性是對GLCM鄰域灰度值的線性依賴性的度量。紋理圖像不同，所求取的相關性的值亦不同，但差異并不大，若在相同圖像的不同方向之間作比較，則與圖像紋理一致方向上的相關性的值往往明顯高于其他方向上的相關性的值。由此可見，相關性在描述圖像紋理的方向性方面優勢顯著。

（4）熵（TEN）的計算公式為

熵表征紋理圖像所含信息量大小，紋理信息是圖像的重要信息。若求取的灰度共生矩陣接近零矩陣，熵值約為零，則圖像中未含紋理信息。若圖像的紋理較細，則p（i，j，θ，d）的數值幾乎相同，紋理圖像熵達到最大。圖像中所含紋理越少，p（i，j，θ，d）的值相差越大，紋理圖像熵值越小。

3 GLCM算法應用

由于0°帶束層遍布鋼絲簾線，所以其在輪胎X光圖像上灰度值較低，而0°帶束層接頭缺陷所在區域灰度值更低，人眼難以分辨，因此急需切實有效的計算機識別算法識別。GLCM算法的應用流程詳述如下。

（1）讀入待檢測圖像，剪切0°帶束層并將其進行分塊處理。

（2）搜索接頭缺陷所在紋理塊。

（3）為減少計算量，對接頭缺陷所在紋理塊的灰度級進行壓縮并將灰度均勻量化成16級，以減小生成矩陣的尺寸，提高效率。

（4）設定合適的兩像元之間的距離、方向角度及窗口大小，取d＝1，分別形成θ為0°，45°，90°，135°方向上的GLCM。

（5）對求取的GLCM進行歸一化處理。

（6）求取4個方向紋理特征值的平均值，消除方向分量的影響。

（7）計算出GLCM特征參量的相關系數，以選取合適的特征參量。

（8）通過求取GLCM特征參量的相關性，選擇合適的特征參量。本算法中選擇能量（MAS）、熵（TEN）、對比度（NCO）和相關性（RCO）。

（9）分別求得能量、熵、對比度和相關性的均值μ和標準差σ，得到8個統計特征值的特征向量作為GLCM的紋理特征。

（10）特征向量內部歸一化。由于（8）中特征參量具有不同的物理含義，因此需進行歸一化，使用的歸一化模型同（5）的歸一化模型。

（11）利用歐氏距離判別法進行缺陷判別，該方法首先需獲得正常輪胎0°帶束層接頭紋理圖像分塊后的統計特性，并計算與待測輪胎0°帶束層接頭紋理圖像統計特性的相似度，進而進行比較。

（12）選取合適的歐氏距離為缺陷的判別閾值，若相似度比選定的閾值大，則判別為正常；若相似度小于閾值，則判別為缺陷。

4 結果與討論

在利用GLCM描述紋理特征時，能量、熵、對比度和相關性互不相關，這4個特征參量不僅使分類精度高而且便于計算，因此，本研究選取這4個特征參量進行統計，待測輪胎0°帶束層接頭紋理圖像各方向的特征參量值及擬合結果如表1所示。

表1 待測輪胎0°帶束層接頭紋理圖像各方向的特征參量值及擬合結果

以10幅含有缺陷的0°帶束層接頭紋理圖像為例，計算擬合的特征參量值如表2所示。經過歸一化的各特征參量值如表3所示。

表2 輪胎0°帶束層接頭缺陷紋理圖像的灰度共生矩陣的特征參量值

表3 輪胎0°帶束層接頭缺陷紋理圖像特征參量值歸一化結果

本研究使用歐氏距離判別法對輪胎0°帶束層接頭缺陷進行判定，根據歐氏距離公式，計算得到的正常0°帶束層接頭紋理圖像與含有缺陷的0°帶束層接頭紋理圖像的歐氏距離值如表4所示。

表4 輪胎0°帶束層接頭缺陷紋理圖像與正常紋理圖像歸一化前后的歐氏距離

可以看出，含有缺陷的0°帶束層接頭紋理圖像特征參量值與未含有缺陷的0°帶束層接頭紋理圖像特征參量值歐氏距離相差比較明顯。

通過對軟控股份有限公司提供的輪胎圖像數據進行計算，將判別閾值設置為適當值。若待測0°帶束層接頭紋理圖像與正常0°帶束層接頭紋理圖像的歐氏距離小于設定閾值，則判定為接頭無缺陷；反之，若比設定閾值大，則判別為接頭缺陷，且歐式距離越大，接頭缺陷區域越大。根據實際工藝要求設置合適的判定標準即可完成對接頭過大或過小的判別。

利用GLCM算法所做的輪胎0°帶束層接頭缺陷標記結果如圖2所示。試驗結果顯示，由GLCM產生的4個紋理特征參量可對輪胎0°帶束層接頭接頭缺陷有效描述，鑒別能力較強。

圖2 GLCM算法的輪胎0°帶束層接頭缺陷標記結果

5 結語

輪胎品種和規格及缺陷種類繁多，為輪胎的缺陷檢測識別工作帶來困難。本研究利用GLCM算法，通過大量樣本訓練，提取4個特征參量的紋理特征值，可實現對輪胎0°帶束層接頭缺陷的檢測識別，鑒別能力較強。