基于穿線法的輪胎胎側簾線稀疏缺陷的檢測

, ,

(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， c.“十三五”山東省高等學校信息處理與認知計算重點實驗室，山東 濟南 250022)

輪胎工業在我國國民經濟中占有重要地位。在生產過程中，原料、加工工藝等因素會導致輪胎出現多種缺陷，這些缺陷對輪胎的安全性、耐磨性都有不同程度的影響，劣化了產品的質量和性能，例如，簾線開裂容易造成輪胎內部受力不均勻，使得輪胎存在重大安全隱患。

簾線稀疏是人們比較關心的輪胎缺陷之一，是指輪胎中鋼絲線間距過大。當前主要借助于X射線技術對輪胎內部簾線結構進行成像，通過分析輪胎圖像實現缺陷的檢測，提高輪胎質量[1]。 輪胎的結構和各部分材料的差異使得X射線透過輪胎時，每一部分對X射線的吸收量不同，探測器上接收到的透過輪胎的輻射量就不同，從而形成不同灰度等級的輪胎X射線圖像。

采用X射線成像檢測輪胎缺陷的技術[2-4]應用比較早，目前國外廠商已經研發出輪胎缺陷自動識別系統；但是，由于成本太高，不能滿足國內輪胎制造廠的需求，因此國內很多輪胎廠還是通過工人觀察圖像來判斷輪胎是否有缺陷以及缺陷的類型。人工觀察圖像是主觀判斷，很容易受到外界因素的干擾，并且工人工作量和工作強度都相當大，容易造成眼疲勞和錯誤判斷，不利于輪胎缺陷的檢測。

由于胎側區域紋理相對簡單，因此簾線稀疏缺陷比較明顯。在工業產品缺陷檢測中，使用較多的是模板匹配算法，即利用已知的模板使用相關函數對檢測圖像進行匹配，以獲取圖像中匹配模板的信息和坐標[5]。 文獻[6]中通過對缺陷圖像進行圖像分割與邊界提取，計算每個封閉輪廓的面積和周長，若某個輪廓面積明顯大于正常部分，但周長卻與正常部分近似相等，則判斷鋼絲簾線間距過大。 文獻[7]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的全局特性，檢測和定位輪胎缺陷。 文獻[8]中提出基于傅里葉變換的頻譜分析法，通過傅里葉變換將空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[9]中采用灰度共生矩陣與統計直方圖相結合的方式來提取輪胎的紋理特征，并對比模板和待檢圖像的紋理特征，從而進行缺陷檢測。

為了改善目前的現狀，提高輪胎缺陷檢測的準確度，滿足國內輪胎廠的需求，本文中提出一種基于穿線法的輪胎簾線稀疏缺陷檢測方法，并用該方法對923幅輪胎圖像的胎側進行簾線稀疏缺陷檢測，以檢驗其有效性和實時性。

1 基于穿線法的輪胎簾線稀疏缺陷的檢測

基于穿線法的輪胎簾線稀疏缺陷的檢測方法首先對所獲得的胎側部分進行預處理，即結合全局閾值法與局部閾值法對輪胎X射線圖像進行二值化，然后對胎側簾線進行細化；胎側部分預處理之后用穿線法以一定步長豎直掃描圖像，得到穿線與簾線交點坐標，計算簾線的平均間距，橫向遍歷簾線間距并與簾線標準閾值進行比較，大于標準閾值的部分判定為缺陷，然后標記缺陷所在位置。檢測缺陷流程圖如圖1所示。

圖1 檢測缺陷流程圖

1.1 圖像預處理

1.1.1 二值化

圖像的二值化就是將圖像的灰度設定為黑、白2種顏色，使圖像呈現出明顯的黑白效果，將圖像的背景與前景分開。

輪胎成像設備的原因導致輪胎圖像在水平方向灰度分布不均勻。對于輪胎的胎側區域，中間亮度高，兩側亮度低，因此采用統一的全局閾值算法無法得到很好的分割效果。為了消除水平方向照射不均勻的影響，可以采用基于每一列的最佳閾值分割方法，也就是應用迭代法求出圖像每一列的最佳分割閾值，逐列進行二值化。這種方法結合了全局閾值法與局部閾值法的優點，雖然在一定程度上增加了算法的時間，但是處理效果較好，能夠較好地消除光照不均的影響。圖2所示為存在胎側簾線稀疏缺陷的輪胎原始圖像及二值化圖像。

1.1.2 細化

圖像細化一般指二值化圖像骨架化的一種操作運算。一個圖像的骨架由一些線或曲線組成,比較理想的骨架由單像素寬度的線或者曲線構成；骨架可以提供一個圖像目標的尺寸和形狀信息。圖像骨架是描述圖像幾何及拓撲性質的重要特征之一，因而在數字圖像分析中具有重要的地位[10]。

(a) 原始圖像(b) 二值化圖像圖2 存在胎側簾線稀疏缺陷的輪胎原始圖像及二值化圖像

本文中采用快速并行細化算法[11-12]，其原理是對一幅二值化后的圖像不斷進行2步細化并刪除滿足條件的像素點,直至沒有符合要求的點。該算法收斂速度快，細化連續性好，幾何畸變小，對二值紋理圖像無特殊要求，具有通用性。

細化的對象是經過二值化后的二值圖像，像素值非0即1。定義像素點P1的八鄰域，如圖3所示，像素點P2—P9為P1的八鄰域點。

圖3 像素點P1的八鄰域圖

假設前景點像素值為1，背景點像素值為0，P1為當前標記點，快速細化算法如下：

1)對圖像進行掃描，如果同時滿足以下4個條件，則將其標記為應當刪除的點，并在全部標記完后刪除該標記點。

2≤N(P1)≤6，

(1)

A(P1)=1，

(2)

P2P8P6=0，

(3)

P4P8P6=0，

(4)

式中：N(P1)為P1的八鄰域中前景像素點的個數；A(P1)為將P2—P9像素值依次排列后，其中出現0到1的次數。

2)在第2輪圖像掃描中，同步驟1)一樣前2個條件不變，后2個條件變為

P2P4P6=0，

(5)

P2P4P8=0。

(6)

如果有符合這4個條件的，也將其標記為應當刪除的點，并在全部標記完后刪除。

3)返回步驟1)繼續掃描，直至再沒有被標記的點為止，最終得到細化后的圖像。

分別對輪胎正常圖像和缺陷圖像進行細化后，得到如圖4所示的輪胎圖像細化圖。

(a) 正常圖像(b) 缺陷圖像圖4 輪胎圖像細化圖

1.2 穿線法

輪胎X射線圖像預處理后，圖像中鋼絲簾線像素值為單個像素值，圖像中像素非0即1，細化后能夠非常直觀地看出缺陷的存在，預處理后就可以對圖像進行缺陷判定。本文中用穿線法對缺陷進行檢測判定。

對預處理后圖像進行豎直方向的穿線掃描。受圖像邊緣信息不完整的干擾或分割細化的影響，需要在圖像上、下邊緣處分別找到一根完整的簾線作為穿線的初始和結束的邊界。

為了避免細化后殘余噪聲的影響，向右遍歷時需要開窗口遍歷，本文中用了一個3像素×4像素的窗口，如圖5所示。

圖5 3像素×4像素窗口圖

首先判斷(x-1,y)是否為白色像素點，如果是白色像素點，則該點為直線上一點；如果不是，則依次判斷(x+1,y)、(x,y+1)、(x-1,y+1)、(x+1,y+1)、(x,y+2)、(x-1,y+2)、(x+1,y+2)、(x,y+3)、(x-1,y+3)、(x+1,y+3)是否為白色像素點，若是，記錄為直線上一點，若不是，繼續掃描,以此類推。穿線過程如圖6所示。

圖6 預處理后輪胎胎側圖像的穿線過程圖

從上邊界線的第1個點(x0,y0)向下穿線得到穿線的第1列，然后每隔j個像素,依次穿線得到第2、3列，一直到n列，并記錄穿線與簾線交點的坐標值。雖然細化的整體效果還不錯，但是圖像噪聲的干擾使得細化后還會出現毛刺、小孔等偽特征。在細化圖像中，像素點的值只有0和1這2種情況，通過計算每個點八鄰域中白色像素點的個數判斷其是否為交點。

將相鄰穿線交點的縱坐標作差，即yi+1-yi，得到簾線的間距di, j；將每一列間距從大到小排序，去掉前、后各10個間距，求得平均值。不同輪胎廠生產的輪胎規格不同，因此所選取的閾值也不同，本文中根據實驗所用輪胎規格，將平均值的1.6倍作為標準閾值db。圖7所示為穿線具體過程。

圖7 輪胎胎側圖像穿線示意圖

橫向掃描簾線間距為d(i, j),將其與標準閾值db進行比較，若di, j>db,則記錄坐標(xi,yj)，缺陷個數加1；統計每一行缺陷個數t,當t>6時，標記此行為稀疏缺陷，若豎直2個缺陷相距為0～60個像素，則合并缺陷，判定為多根稀疏缺陷。

2 實驗結果與分析

實驗的硬件配置如下：i5-2450M CPU，主頻為2.50 GHz，內存為10 GB。運用Visual Studio 2013集成開發環境，抽取923幅輪胎X射線光圖像進行檢測，實際有560張缺陷圖像，識別出558張，1張圖像漏報，1張圖像誤報，正確率為99.64%，錯誤率為0.36%。

表1所示為本文中提出的方法與文獻[6]中的方法的簾線稀疏缺陷檢測結果的對比情況。

表1 輪胎稀疏缺陷檢測結果統計表

缺陷標定也準確無誤，實驗結果如圖8所示。

3 結論

本文中針對輪胎胎側簾線稀疏缺陷，提出一種基于穿線法的輪胎簾線稀疏缺陷檢測方法。 離線檢測結果表明，該方法能有效地檢測出輪胎簾線稀疏缺陷，并在輪胎廠中使用。 盡管本文中提出的方法對簾線稀疏缺陷能較好地識別，但是分割輪胎的胎側、胎肩不準確及邊緣細化效果不好等原因使得本文中提出的檢測方法會受到一定影響，還需要進一步完善。

圖8 輪胎簾線稀疏檢測實驗結果圖