手持式智能輪胎溝槽深度檢測系統設計

錢楓，易齊，王潔，曲洋，邊希春，曹紅楓

（武漢科技大學，武漢 430000）

根據最新頒布的GB 38900—2020《機動車安全技術檢驗項目和方法》，新的年檢項目包括輪胎花紋深度檢測。該法規的頒布實施，將對輪胎花紋深度檢測行業有著深遠的影響。輪胎表面的花紋深度是影響汽車安全、平穩行駛的重要因素，它的作用是增加輪胎與地面的摩擦力，以防止打滑，使汽車能夠安全、平穩地行駛，所以需要對輪胎花紋深度進行檢測，使其維持在一個正常的深度范圍。因此，研究一個高效、準確、方便和容易推廣的手持式智能輪胎溝槽深度檢測系統有著十分重要的實踐意義。

目前，國內外輪胎花紋深度測量方法比較少，李愛娟等提出了一種基于機器視覺的輪胎花紋深度測量方法研究，根據該方法，當輪胎從裝有激光和反射鏡的透視窗蓋板上滾過時，安裝在蓋板之下的相機便可捕獲反射鏡中的圖像。然后，相關處理器便可以根據圖像處理算法識別出輪胎外廓曲線，并利用極大值點法確定花紋深度。

崔敏等提出一種基于機器視覺與圖像處理相結合的輪胎紋理深度檢測方法，通過工業相機和激光器相配合來獲取汽車輪胎紋理圖像，利用圖像處理和誤差補償對圖像進行處理以獲取輪胎紋理深度數據。

馬路名等研究不同被測表面材質對激光三角測距測量精度的影響，通過優化成像光斑的高斯分布和增加垂直于檢測方向的激光寬度來提高測量精度。

孫虹霞對輪胎X光圖像缺陷檢測算法展開研究，從圖像處理和深度學習這兩種角度出發，提出了一種輪胎缺陷自動化檢測方法。

張超等提出了一種有效地對輪胎表面進行分析的方法，即通過使用改進閾值法，準確可靠地獲得了輪胎表面的相關參數，這些特征參數可以和輪胎表面損壞情況形成良好的對應關系。同時，他也利用圖形化方法對輪胎磨損程度進行了研究和分析。

陳一民等基于計算機視覺，以目標物體識別技術、長時間實時跟蹤技術、三維重構技術等關鍵技術為基礎，開發面向在線工業智能化檢測的計算機視覺開發平臺，實現了面向汽車制造業的在線智能化檢測應用。

李杰提出了一種基于激光三角法檢測輪胎表面形貌的研究方法，對沒有經過摩擦損壞的輪胎表面形貌進行了檢測和分析。該方法基于激光三角法原理，并結合一系列的圖像處理操作，最終測得輪胎紋理表面的寬度和深度。

雖然上述方法和研究均能獲取相應的輪胎深度值，但是其檢測結果受外界影響因素較多，針對花紋深度而展開的相應分析較少，并且其相應的測量設備體積較大，操作復雜。

因此，本文提出了一種基于激光位移傳感器的輪胎花紋深度測量方法，并基于此設計了手持式智能輪胎溝槽深度檢測系統。本方法設計的設備體積較小，可以實現手持測量，并且通過云平臺對花紋深度數據進行處理與分析，最終在手機端對檢測報告進行實時呈現，達到快速、簡便、準確地測量與科學地分析輪胎花紋深度的目的。

1 系統設計

借助激光位移傳感器測量量程大、精度高、速度快、抗光、電干擾能力強的性能特點，設計了手持式智能輪胎溝槽深度檢測系統。系統主要包括硬件設計、軟件設計和云平臺設計三大部分。系統硬件是以GD32F305RCT6微處理器為主控芯片，由激光位移傳感器、RS485收發器、藍牙通訊模塊等部分組成。軟件設計包括硬件驅動程序設計和Android APP程序設計；硬件驅動程序設計包括輪胎花紋深度數據采集模塊、輪胎花紋深度特征提取和數據處理模塊、輪胎花紋深度數據傳輸模塊等。Android APP程序設計包括輪胎花紋深度檢測模塊、檢測報告歷史記錄模塊和軟件設置模塊。云平臺主要是對輪胎花紋深度數據進行分析，生成科學的檢測報告。手持式智能輪胎檢測方案如圖1所示，系統組成結構及其關系如圖2所示。

圖1 手持式智能輪胎檢測方案

圖2 系統組成結構及其關系

2 輪胎花紋深度數據采集與處理

2.1 輪胎花紋深度數據采集

輪胎花紋深度數據采集的目的，是根據激光位移傳感器輸出的電壓模擬信號，通過模數轉換電路轉換成數字信號，并且在對采集到的數字信號進行篩選與處理后，獲得輪胎花紋特征點。

手持式輪胎檢測設備底部緊貼輪胎表面，按下檢測設備開始檢測按鈕，激光束從輪胎一側胎肩掃描到另一側胎肩時按下結束檢測按鈕，獲得輪胎花紋特征點，為了更加形象地描述這些特征點之間的關系，將其繪制在直角坐標系中。圖3為特征點在直角坐標系中的描繪曲線，圖4為測量過程實物圖。

圖3 特征點世界坐標曲線

圖4 測量過程實物圖

直角坐標系中表示的特征點曲線表征了實際輪胎花紋外廓形狀，直角坐標系橫軸原點取決于手持式輪胎檢測設備開始檢測位置，其隨著開始檢測位置的變化而變化，但特征點曲線的形狀和特征點曲線上任意兩點之間的相對位置不隨開始檢測位置的變化而變化。因此，直角坐標系中表示的特征點曲線上的花紋深度與實際輪胎花紋的深度是一一對應且相等的關系，可以用來檢測實際輪胎花紋的深度。

2.2 輪胎花紋深度數據處理

在實際測試中，環境因素、操作手法以及輪胎本身因磨損產生的小尺寸溝槽往往會對采集數據產生一定的影響，致使特征點曲線產生部分誤差波形，影響輪胎花紋深度的測量結果。

因此，如何實現在存在誤差波形的特征點曲線上準確地避開干擾信號，并識別出有效信號，是獲取可靠輪胎花紋深度值的關鍵。

輪胎花紋深度數據處理流程，如圖5所示。

圖5 輪胎花紋深度數據處理流程

如圖3所示，在采集到的輪胎花紋特征曲線中，干擾信號往往波形分散明顯，并且波峰相對關鍵信號較小，因此，本文擬定分為以下幾種方法以分離出誤差數據與需求數據。

（1）使用五點平滑法對全部數據進行處理，以減少全部數據的誤差。

設相鄰點的坐標為（x，y）與（x，y），根據五點平滑法，即根據5個相鄰數據點，使其端點處的導數連續，從而擬合出一個三次多項式。

目標獲取如式（1）所示：

進行逼近，列出方程如下：

通過上述方程組，最終可求解得到：

通過最終的結果驗證，采取五點平滑法，可以極大降低數據的波動性，處理后的數據更加趨于平滑穩定，有效地消除了部分誤差信號。試驗所得數據處理前后對比曲線，如圖6所示。

圖6 數據處理前后對比曲線

（2）如圖7所示，在采集數據中，輪胎左右邊緣溝槽深度會由于輪胎的曲面而造成左右胎面至溝槽的深度距離不一的情況，因此，本文擬定采用取多點均值的方式，來計算出左右胎面中心至溝槽底部的距離。

圖7 圖3經過數據處理后所得曲線

首先，將左右溝槽的上升沿和下降沿，以及峰值進行多點均值處理，如式（5）所示。圖8為左右峰值示意圖。

圖8 左右峰值示意圖

然后，式（6）中，為上止點數值；，分別對應兩個下值點數值，運算可得：

（3）分段遍歷數據，尋找上升沿和下降沿所在的區間；設定閾值，將較小的波峰識別為誤差波峰，作為排除對象；在目標區間尋找拐點，拐點處斜率大于0為上升沿起點，拐點處斜率小于0為下降沿起點。

首先，選取分段遍歷數據區間[，]，其中，、會隨著遍歷次數的增加而變化。求出每次遍歷區間的平均值和所定閾值進行比較，排除干擾區間。

遍歷區間平均值公式為：

有效區間判斷公式為：

上升沿(，)坐標求解公式為：

下降沿(，)坐標求解公式為：

圖9為輪胎溝槽深度數據顯示頁面（以下數據僅為示例）。

圖9 輪胎溝槽深度數據顯示頁面

3 輪胎花紋深度數據分析

輪胎花紋深度數據分析由云平臺完成。云平臺服務端使用C#編程語言搭建，由于C#繼承自C/C++，可以調用由C/C++編寫的原生函數，運行效率更高，所以可以提高數據分析速度。云平臺數據庫采用MongoDB，MongoDB是一種非關系型數據庫，不僅能夠快速存儲數據，同時也可以快速查詢數據；易擴展性是MongoDB最顯著的優點之一，靈活的分布方式更適合存儲海量輪胎花紋深度樣本分析數據。

輪胎溝槽深度分析報告，如圖10所示。輪胎花紋深度數據分析由整體磨損分析、異常磨損分析和輪胎使用年限預測等部分組成。新輪胎的花紋深度沒有明確的標準，不同的輪胎廠家生產的輪胎尺寸、花紋深度都不一樣。但是，輪胎胎面花紋溝槽深度應保持其深度大于1.6 mm。任何品牌的輪胎都會在胎面溝槽底部設置一個磨損標記。一般轎車輪胎的磨損標記高度為1.6 mm（這個高度也是法定的輪胎最小溝槽深度），載重輪胎上的磨損標記高度為2.4 mm。輪胎花紋深度數據存在兩側或中部深度數據集中偏小的異常磨損情況，主要表現為胎面單側磨損、胎肩磨損和胎面中央磨損等現象，造成異常磨損的主要因素是輪胎氣壓，同時也受輪胎定位參數、車輪動不平衡、輪胎制造工藝等因素影響。汽車輪胎一般可以使用3～5年，行駛里程一般不要超過6萬km，汽車輪胎的使用壽命與駕駛員的駕駛習慣和行駛環境有直接關系，難以準確估計，在日常用車過程中需要對輪胎進行合理的判斷，如果輪胎不能繼續使用需要及時更換。

圖10 輪胎溝槽深度分析報告

4 實例

為驗證本裝置檢測效果，開展實車輪胎溝槽深度檢測校核。采用基于輪胎花紋深度檢測尺的傳統接觸式測量作為本試驗對比方法。

利用本文開發的測量系統進行測試時，開啟系統，輸入車輛信息及輪胎參數，并驅動激光位移傳感器工作，發射檢測激光，手持本裝置沿輪胎軸線方向上，水平向外緩慢而平穩地劃過輪胎，檢測過程中設備應緊貼胎面，單輪可控制在4 s左右，分別對4個輪胎進行溝槽掃描。激光位移傳感器采集到4個輪胎表面特征點后，在手機軟件頁面操作完成測量，即可即時通過手機查看檢測報告。

從時間上看，測量并生成1輛車（以4個輪胎為例）的檢測報告，需要2 min左右。橫向對比，相對于深度檢測尺檢測，結果更精確直觀，且得出結果的所需時間更短；縱向對比，進行多次試驗測量。結果表明，多次數據輸出基本一致，證明本裝置穩定可靠。

本文設計的手持式智能輪胎溝槽深度檢測儀與傳統深度檢測尺所采樣的測量點均取于輪胎同一斷面，以便進行對比校驗（表1），分別是儀器測量數據、深度檢測尺實測數據。對比表中數據并計算相對誤差可知，本系統的測量數據波動很小，且相對于深度檢測尺檢測，誤差較小。誤差保持在3.5%的范圍內，能夠滿足一般精度要求的測量。

由表1對本儀器進行系統誤差對比分析可知，245/45R18型輪胎各溝槽深度（平均5.45 mm）相比125/80R18型輪胎（平均3.55 mm）較大。綜合兩輪胎檢測結果，本儀器測量數據相對于深度檢測尺實測所得數據，整體上245/45R18型輪胎誤差更小，經過多次重復試驗可得出檢測精度與輪胎本身溝槽深度基本呈正相關，但其誤差始終小于0.2 mm，完全滿足輪胎溝槽檢測的使用要求。

表1 本儀器測量與深度尺實測數據對比（溝槽深度不同）

對于其他有可能影響測量精度的相關變量，同理，分別控制以胎面粗糙度、溝槽寬度為單一變量，重復多次試驗，試驗得出檢測精度與胎面粗糙度無必然聯系，與輪胎本身溝槽寬度基本呈相關系數很小的正相關，偶爾會有測量溝槽數目不全現象，但分析其成因，是由于溝槽寬度較窄，激光掃過時間過短所導致的測量偏差，適當延長激光掃過溝槽的時間，即設備激光掃過溝槽時，控制滑動速度減緩，即可避免該種現象及誤差。試驗結果分別見表2和表3。

表2 本儀器測量與深度尺實測數據對比（胎面粗糙度不同）

表3 本儀器測量與深度尺實測數據對比（溝槽寬度不同）

此外，為更貼近實際生活，還在實際生活環境下對本儀器進行了試驗，并分別控制以輪胎使用年限、胎面花紋形狀（本文選擇米其林和德國馬牌兩種品牌輪胎花紋進行試驗）為單一變量，多次試驗結果表明，檢測精度與輪胎使用年限、胎面花紋形狀無必然聯系。試驗結果分別見表4和表5。

表4 本儀器測量與深度尺實測數據對比（輪胎使用年限不同）

表5 本儀器測量與深度尺實測數據對比（胎面花紋形狀不同）

綜合上述對比試驗分析及試驗結果可知，該手持式智能輪胎溝槽深度檢測系統，相對于傳統深度尺檢測方法，檢測結果更精確，檢測效率更高，檢測報告更科學，可以準確檢測出輪胎表面的溝槽深度。

5 結論

針對輪胎溝槽深度的測量問題，本文設計了一種手持式智能輪胎溝槽深度檢測系統。

（1）提出了一種輪胎花紋深度數據處理方法，能夠準確提取輪胎溝槽特征點，并有效排除了由環境或操作失誤等造成的影響，最終可以快速準確地計算出實際輪胎溝槽深度。試驗表明，該方法具有抗干擾能力強、可靠性強等優點。

（2）設計了相應的檢測設備，能快速測量輪胎花紋深度，操作簡便，數據采集完整，檢測報告具有實時性、共享性、科學性，并通過智能算法提供科學有效的維修建議，提高了檢測效率。

（3）設計了相應的檢測設備，便于攜帶，集成度高，穩定性強，有良好的用戶體驗。

（4）本系統應用前景廣泛，可用于汽車年檢、輪胎維修門店和輪胎生產廠家等。