汽車輪胎胎面磨損程度檢測系統①

王 澤,任安虎,李 珊

(西安工業大學 電子信息工程學院,西安 710021)

目前,我國高速公路上發生的交通事故有大約46%是輪胎故障引起的,其中有約70%為爆胎引發的事故.輪胎安全問題直接影響到汽車整車的安全,輪胎胎面嚴重磨損,在高速行駛或緊急剎車的情況下極易導致爆胎,嚴重則導致車毀人亡,造成不可挽回的損失.在調研中發現國內外大多數研究著重于對輪胎的胎側、胎內、子口位置的缺陷檢測,很少有對輪胎胎面部分進行檢測,主要原因是技術限制和難度問題.由于胎面花紋樣式繁多且復雜,于是對胎面檢測主要靠人眼查看和工具尺測量[1,2].

國內李文輝等從橡膠磨損的一般機理出發,通過試驗仿真探討輪胎結構和膠料性能的磨損厚度;沈浩建立了輪胎解析模型,利用有限元的方法進行特性分析;張超博士基于圖像處理對輪胎磨損程度檢測在博士論文中進行了相關的研究[3–5].

國外研究者也對輪胎磨損進行了研究.Braghin 等建立了輪胎磨損模型,對其進行了靈敏度分析驗證.Shingo 等通過大量研究提出了一種估算磨損程度的方法.日本第一輪胎制造商對新舊輪胎進行三維掃描,獲得基準和對比模型,參考色彩誤差基準,判斷輪胎磨損情況[6–8].其成本高,過程復雜,實現不方便.

研究如何利用機器視覺對胎面磨損程度進行綜合檢測和判別,并實現汽車輪胎胎面磨損程度檢測系統,這具有重要的科研意義和市場應用前景.

1 系統結構概述

本系統整體結構包括兩部分:采集傳輸和處理顯示.前端采集傳輸主要是對輪胎圖像的采集和無線傳輸,后端處理顯示主要是針對輪胎圖像的磨損程度分析處理和終端顯示.系統結構如圖1所示.

圖1 系統結構圖

如圖1所示,前端使用相機采集輪胎圖像,通過嵌入式平臺簡單處理后將圖像通過WiFi 模塊以無線方式傳輸到PC 機;后端PC 機對接收到的圖像進行分析處理,將磨損檢測結果顯示到終端顯示屏.

① 采集傳輸部分的硬件組成框圖如圖2所示.

圖2 采集傳輸的硬件組成框圖

如圖2所示,為了獲得可用于分析處理的高清圖像,采集輪胎圖像選用高清CCD 相機.考慮到外界光線對采集到的圖像質量的影響,使用LED 補光燈照射輪胎,使輪胎能清晰地暴露在相機下.考慮到CCD 相機采集到的圖像是三通道圖像,直接傳輸的數據量較大,會降低系統性能.在對輪胎磨損檢測中使用單通道圖像進行處理,不但對處理結果沒有影響,而且提高了傳輸和處理速度,因此在傳輸之前在Raspberry Pi 中進行灰度化和裁剪等處理之后再輸出能有效減少傳輸的數據量.無線數據傳輸設備選用WiFi 模塊,WiFi 信號的優點是傳輸距離短且傳輸速率高,足以滿足將高清圖像通過無線傳輸方式發送到PC 處理機的目的[9,10].

② 處理顯示的過程如圖3所示.

圖3 處理顯示的過程圖

如圖3所示,PC 機在接收到圖像后,首先將接收到的輪胎灰度圖像進行預處理,其次使用本文中胎面提取算法提取出用于分析計算的胎面圖像,通過計算灰度共生矩陣的特征值進行磨損檢測,再執行磨損程度的安全性評估,最終將汽車輪胎胎面磨損程度的檢測結果顯示在終端屏幕上.

2 胎面提取算法及實現

為了減少圖像中背景對檢測準確度的影響,需要將胎面部分精準地從中提取出來;由于采集圖像過程中無法避免的會夾雜噪聲,需要對圖像進行降噪處理;圖像增強是有目的地增強輪胎圖像中局部特性,加強圖像判讀和識別效果,滿足對胎面圖像分析和處理的需要;邊緣檢測是為了使用數學形態學方法更加方便地提取胎面圖像而執行的操作[11–13].本系統中圖像預處理流程如圖4所示.

圖4 圖像預處理

本研究中需要從輪胎圖像中提取出胎面圖像,為后序分析處理做準備.主要算法流程是以上述邊緣檢測結果圖像為輸入,通過數學形態學處理、區域填充、獲取最大連通區域、邏輯與操作,最終精確提取出胎面圖像[14–17].算法流程如圖5所示.

圖5 提取胎面圖像算法流程

通過以上敘述的操作步驟對相機拍攝到的輪胎原圖執行提取胎面操作,最終獲取到了可用作分析的胎面圖像.從原圖中提取胎面圖像的過程中部分結果圖如圖6所示.

圖6 實際提取胎面圖像過程

在此部分獲取到去除背景的胎面圖像,這為隨后的胎面磨損檢測提供了可靠的圖像來源,使得將重心集中到輪胎胎面,而不受背景的影響.在此過程中對胎面圖像進行了提取和裁剪,去除掉干擾信息和無用信息,因此減少了運算的數據量,有效提升了系統處理性能.

3 胎面磨損檢測算法研究

輪胎磨損程度的不同必然導致輪胎表面的視覺效果不同,也就說其表面紋理不同,而紋理的不同可以通過提取輪胎圖像的紋理特征來分析,所以本文就對輪胎磨損程度和輪胎胎面圖像的紋理特征之間的關系做了研究和檢測結果的檢驗.

輕度磨損是輪胎正常使用中的損耗,這種磨損不存在安全問題;中度磨損的輪胎花紋深度雖然在安全范圍內,但接近磨損極限1.6 mm,存在不安全隱患;重度磨損則容易引發爆胎.

如圖7(a)是輕度磨損的輪胎胎面,可見其紋理特征很明顯;圖7(b)是中度磨損的輪胎胎面,其紋理特征已不那么明顯;圖7(c)是重度磨損的輪胎胎面,由于磨損嚴重導致紋理特征不明顯,且該區域灰度均勻分布.基于紋理特征來分析和判定輪胎的磨損程度的檢測算法就是通過分析輪胎胎面圖像的紋理特征,從而檢測出輪胎的磨損程度.

圖7 輪胎不同磨損程度圖像

灰度共生矩陣(GLCM)如圖8,是一種通過研究圖像中像素的灰度空間相關性特征來描述紋理特性的常用統計分析方法,描述的是圖像中角度為θ的方向上距離為d的兩個像素灰度值同時出現的頻率統計,反映了圖像灰度在空間上(角度、間隔、灰度值)的綜合信息[18–22].計算以下4 個特征值用于判斷輪胎磨損程度.

圖8 灰度共生矩陣

① 能量是灰度共生矩陣元素的平方和,反映了圖像的灰度值均勻分布程度和紋理的粗細程度,灰度值分布越均勻、紋理越粗,能量越大[23,24].計算能量的公式:

② 熵是圖像中所含信息量的一個度量,它反映圖像中的紋理的非均勻程度和復雜度,熵越大,信息量就越多,紋理就越不均勻,越復雜[25,26],計算熵的公式:

③ 對比度反映了圖像的清晰程度和紋理的深淺程度,紋理越深、越清晰,則對比度越大[27].計算對比度的公式:

④ 逆差矩反映圖像紋理的同質性,度量圖像紋理局部變化的多少.其值大則說明圖像紋理的不同區域間缺少變化,局部非常均勻.灰度共生矩陣對角元素有較大值,IDM 就會取較大的值.因此連續灰度的圖像有較大IDM 值[28].計算逆差矩的公式:

一般的灰度圖像的灰度級為256 級,如果直接計算灰度共生矩陣則需要的計算量非常大,所以在計算圖像的灰度共生矩陣前,首先要對圖像進行直方圖規定化,使用16 個灰度級計算灰度共生矩陣,這樣就極大地減小了計算量.本研究中將計算所得4 個方向(0°、45°、90°、135°)上的紋理特征檢測結果值進行加權求和,綜合分析輪胎胎面磨損程度.

經實驗驗證在對45°和135°方向上計算所得的4 個特征值效果明顯,因此在研究中對45°和135°的權值取0.3,對0°和90°的權值取0.2,最終將特征值的4 個方向的計算結果進行加權求和得到用于分析的特征值.

以能量的加權求和計算公式為例:

其余特征值的加權求和計算公式同理.

4 胎面磨損檢測結果分析

根據《中國化工行業輪胎外觀質量標準》中胎面磨損檢測標準,表1匯總了胎面磨損判定依據.

表1 胎面磨損判定依據及應采取措施

因此將輪胎的磨損程度分為3 類:輕度磨損、中度磨損、重度磨損.本研究中,將實際的胎面花紋溝深度通過灰度共生矩陣量化為具體的特征數值,根據數值來判定胎面磨損程度,而不用實際去測量花紋溝深度來評判磨損程度.

實驗過程中,獲取了60 張輪胎圖像用于建立磨損檢測模型,其中包括輕度磨損、中度磨損、重度磨損各20 張.將這3 組輪胎圖像輸入到檢測系統,經計算后分別將不同磨損程度對應的灰度共生矩陣的四個特征值輸出,再繪制圖表并分析.

圖9中展示了針對3 組不同磨損程度的輪胎胎面圖像計算并繪制的能量圖,分析該圖中數據可以得出結論:以0.25和0.35為分界線,輕度磨損胎面的能量大于0.35,重度磨損胎面的能量小于0.25,中度磨損胎面的能量介于之間.

圖9 能量對比圖

圖10中展示了針對3 組不同磨損程度的輪胎胎面圖像計算并繪制的熵值圖,分析該圖中數據可以得出結論:以6.6和7.5為分界線,輕度磨損胎面的熵值大于7.5,重度磨損胎面的熵值小于6.6,中度磨損胎面的熵值介于之間.

圖10 熵值對比圖

圖11中展示了針對3 組不同磨損程度的輪胎胎面圖像計算并繪制的對比度圖,分析該圖中數據可以得出結論:以1.6和2.5為分界線,輕度磨損胎面的對比度大于2.5,重度磨損胎面的對比度小于1.6,中度磨損胎面的對比度介于之間.

圖11 對比度對比圖

圖12中展示了針對3 組不同磨損程度的輪胎胎面圖像計算并繪制的逆差矩圖,分析該圖中數據可以得出結論:以2和2.15為分界線,輕度磨損胎面的逆差矩小于2,重度磨損胎面的逆差矩大于2.15,中度磨損胎面的逆差矩介于之間.

圖12 逆差矩對比圖

在以上分析中將判定標準量化成了具體數值,這里就可以根據數值分界線作為評判的依據,從而對輸入的胎面圖像評判出其磨損程度,磨損檢測算法流程如圖13所示.

如圖13中所示,為根據4 個特征值綜合判定磨損程度的流程圖.在參考文獻中,使用單一的特征值判定胎面的磨損程度,檢測結果的準確度和可靠性不高.綜合以上分析,本文中結合4 個特征值的計算結果綜合判定胎面磨損程度,通過各個特征值的計算結果,進行判斷并投票給相應的磨損程度,根據不同磨損程度投票結果計數的多少,從而判定胎面的磨損程度.

將4 個特征值結合起來作為判定依據搭建檢測模型,從新采集的輪胎圖像中隨機選取了輕度磨損、中度磨損、重度磨損各10 張用于檢驗系統的性能和準確度.將這3 組測試輪胎圖像輸入到檢測模型后,輸出的檢測結果如表2所示.

由表2可知,在30 個測試集中絕大部分判定準確,但依然存在4 個誤判,檢測準確率分別為:90%、80%、90%.因此經過測試并綜合檢測結果,該系統針對輪胎胎面磨損程度的檢測準確率為86.67%.

表2 輪胎胎面磨損檢測結果

5 結論與展望

本研究主要搭建了一套汽車輪胎胎面磨損程度檢測系統,該系統實現了對輪胎胎面部分磨損程度的自動化檢測.主要實現了輪胎胎面提取和灰度共生矩陣4 個特征值的計算和分析,經過測試,該系統對胎面磨損程度的識別準確度能達到86.67%,提高了對輪胎胎面磨損程度的檢測和識別效率,為輪胎胎面磨損檢測提供了一種智能且高效的檢測方式,具有實際應用價值和市場應用前景.