CN103843034A - 检查轮胎的表面的外观的改进方法 - Google Patents

Abstract

一种根据权利要求9的检测方法，其中，-待检查的轮胎的内部表面的灰度图像被获取，并且该初始图像被转换到正交空间中，其中，横坐标轴（OX）表示圆周方向，纵坐标轴（OY），-预定的一连串的滤波器应用至待检查的轮胎的内部表面的初始图像，以便得到多元初始图像，-根据预定义镶嵌将多元初始图像拆分在轴向方向和圆周方向上，以这样的方式来得到待检查的轮胎的内部表面的多元图像，-凭借每个选择的描述符，每个多元图像被转换为一维矢量，以这样的方式来得到待检查的轮胎的内部表面的简化的多元图像，-将简化的多元图像转换到公共的缩小的阶乘空间，-凭借能够识别其中具有异常的缩小的公共阶乘空间的区域的分类器，包含异常的待检查轮胎的内部表面的图像被定位。

Description

检查轮胎的表面的外观的改进方法

技术领域

本发明涉及轮胎的制造领域，并且更具体而言，涉及利用自动装置检查轮胎表面的内部外观的操作，该自动装置意在辅助为执行这些操作负责的操作者。

背景技术

轮胎的内部表面的灰度图像利用传统装置获得。这些装置可以为能够得到灰度图像的类型。

该图像之后经过处理，以便从其中提取可能造成异常检测的最大量信息。

申请号为no.FR10/52951且在本申请的申请日时未公开的专利申请描述了一种检查方法，其中利用许多形态滤波器来产生初始图像的多元图像。随着缩小，通过对于特定异常敏感的适合的分类器来分析得到的光谱图像。

本发明是对上述方法的改进，其意在利用轮胎的内部表面的特定特征以及得到的相关结果来改进处理图像所需要的计算时间。

为了便于将在轮胎的内部表面和固化薄膜之间捕获的空气移除，固化薄膜实际上包括浮凸图案，诸如形成与径向方向的给定角度的规则凹槽，或者形成非周期性的、随机结构图案的斑点。这些图案在轮胎的内部表面上以压下的形式再生。

异常出现在轮胎的内部表面上，之后显示在有纹理的底部上，然而其形状、比例和布置特性仍然可辨认。

还应看到，这些异常的边界可以不再以精确的方式限定，并且如上面引用的专利申请中所描述，图像的每个像素的分类变得难以在该环境中执行。

发明内容

根据本发明的方法的目的在于提供上面提出的问题的解决方案，并且包括下面的步骤，其中：

-所述表面的灰度初始图像被获取并且被转换到正交空间中，其中，x轴（OX）表示圆周方向，y轴（OY）表示径向方向，

-利用预定的一连串的滤波器来转换所述初始图像，从而得到多元初始图像，

-镶嵌在轴向方向和圆周方向上进行预定义，以这样的方式将所述多元初始图像拆分为多元子图像，

-所述多元子图像的每一个利用给定描述符转换为一维矢量，以这样的方式得到从所述矢量的排序中形成的简化的多元图像，

-利用数据分析工具减少简化的多元图像数据的维度的数目，

-在缩小的阶乘空间中，包含异常的子图像的分布相对于不包含异常的子图像的分布进行估计，从而评估相关的描述符的分离能力。

该图像还可以利用能够估计表面的凸起的传感器来获取，并且对于图像的每个像素，分配与该点的地形高度成比例的灰度值以便得到二维初始图像。

为了在获取过程中减小照明变化的影响，可以执行图像的预处理，诸如，例如，逐行或逐列的灰度的多项式内插法。

一连串的滤波器优选地从膨胀、磨损、打开或关闭类型，或者这些操作中的一个或多个中的剩余的形态算子中形成。

所述子图像的镶嵌优选以所述子图像具有正方形形状的方式在圆周方向和径向方向上执行。

之后，所述子图像的表面以以在不包括异常的轮胎的纹理底部的表征基本表面（SER）的五倍和十倍之间的因子增大的方式来调节。

实际上，所述子图像的正方形的侧面优选通过对应于长度在0.01*Φ和0.1*Φ之间的多个像素而形成，Φ为待检查轮胎的座部处的直径。

数据分析工具优选选自下面的因子分析工具中的一项：

-主成分因子分析（ACP），

-对应因子分析（AFC），

-独立成分分析（ACI）。

为了选择相关描述符，可以通过从下面的描述符中的一个选择描述符而尽可能多次数（如果需要）地应用上述方法中的一种：

-灰度的直方柱，

-在圆周方向或径向方向中的灰度的协方差，

-逐行或逐列，平均值、方差、标准偏差、极值、在最大高度或最小幅值处的偏差、灰度在圆周方向或径向方向上的平均正或负的相交。

有利地，在已经选择描述符之后，其分离能力已经被估计为相关的每个描述符的缩小的阶乘空间被结合到公共的缩小的阶乘空间中。

如上所见，根据本发明的方法包括学习阶段和检查阶段，在该学习阶段期间中，为意在被检测的异常选择相关描述符，在该检查阶段期间，轮胎的内部表面将利用这些相关描述符进行分析，以便确定异常的存在或者不存在。

之后检查任意给定轮胎的内部表面的方法提供了以下步骤，其中，

-待检查的轮胎的内部表面的灰度图像被获取，并且该初始图像被转换到正交空间中，其中，x轴（OX）表示圆周方向，并且y轴（OY），

-预定的一连串的滤波器应用于待检查的轮胎的内部表面的初始图像，以便得到多元初始图像，

-多元初始图像根据在轴向方向和圆周方向上的预定义镶嵌而被拆分，以这样的方式得到待检查的轮胎的内部表面的多元子图像，

-利用每个被选择的描述符，所述多元子图像中的每一个被转换为一维矢量，以这样的方式得到待检查的轮胎的内部表面的简化的多元图像，

-简化的多元图像被转换到公共的缩小的阶乘空间，

-包含异常的待检查的轮胎的内部表面的子图像利用分类器定位，所述分类器适用于识别包含异常的公共的缩小的阶乘空间中的区域。

分类器有利地利用下面的分析工具中的一种构建：

-线性判别分析（LDA），

-具有Vastes Marges的分离器（SVM）。

通过将初始图像拆分为大约对应于意在被检测的异常的尺寸的缩小尺寸的子图像，以及通过利用根据其处理结构化底部的情况的能力进行选择的描述符来缩小这些子图像，之后通过应用更传统的减少维度的方法，申请人已经证实了能够检测在轮胎的表面上存在的大多数异常，例如，记号、气孔或者胎体增强件帘布层帘线的不规则定位。

附图说明

下面的描述基于图1至图6，其中：

-图1示出了包含异常的轮胎的内部表面的灰度图像，

-图2示出了在正交坐标系中扩大的内部表面的图像的示意图，

-图3示出了根据应用一连串的滤波器得到的多元图像的示意图，

-图4示出了将图3中显示的图像拆分为多元子图像的示意图，

-图5示出了根据通过描述符转换每个多元图像得到的多元图像的示意图，

-图6示出了在缩小的阶乘空间中的子图像的位置的3D图示。

具体实施方式

图1示出了轮胎的内部表面的灰度图像。联接至与包含凹槽2和斑点3的结构化底部不同的胎体增强件帘布层的帘线的不规则的异常1能够被清楚地区别。

如图1中的情况，灰度可以相当简单地为光照强度的反射水平的结果。在该情况下，将使用传统照相机。

还能够利用例如基于光学三角的原理的装置，执行联结至激光光源的2D传感器来产生轮胎的表面的三维地形图像。之后该图像被转换为二维灰度图像，其中所谓的灰度值与任意点（即，图像的任意像素）相关联，表示该点相对于表面的高度。该灰度值能够有效地编码为8或16位，或者为了更好的动态甚至编码为32位。对于8位编码，值255（白色）对应于最高的高度，而值0（黑色）对应于最低的高度。

它可以证实，在捕获的过程中应用初始图像的预处理以移除联结至照明变化的图像的瑕疵或者提取诸如凹槽的规则图案是有效的。

以实例的方式，它将能够通过分开处理行轮廓和列轮廓来执行在灰度平均上的多项式内插法。通过减去逐行且逐列得到的多项式的值来获得对于偏移的补偿。该方法能够使得图像平滑，同时保留强大的局部特征。

在所有情况下，根据本发明的方法的应用并不根据是否涉及二维灰度图像或者图像的灰度是否反映了表面的点的高度而不同。

由于计算的简单性与便利性，因此源自传感器的图像以圆周坐标由x轴表示并且径向坐标由y轴OY表示的方式转换到正交坐标系OXY中的扩大的图像。灰度初始图像标记为f。

包括在其中出现了之前参考或被识别的一个或多个异常的区域的轮胎在学习阶段过程中优选被选择。还将观察到，在该阶段能够手动地将包括从捕获的图像中提取的异常的区域插入在不同轮胎上。

该方法的下面的步骤在于利用预定的一连串的N个滤波器

来转换初始图像，以这样的方式提取包含在图像的纹理中的信息。

这些滤波器可以等同于形态算子。此处理解的形态算子意为运算，诸如磨损或膨胀，对于图像的每个点，其在于寻找包含在结构化元素（具有给定的形状和表面，限定了待分析的点的周围）内部的相邻点的最小或最大的灰度值。对于磨损的情况，在该点处的值之后变为最小值，而对于膨胀，在该点处的值变为最大值。磨损之后膨胀的组合被称为打开，而膨胀之后磨损的组合被称为关闭。这些运算可以串行结合。同样地，这些运算的剩余能够用于执行运算。定向在圆周方向OX上或者在径向方向OY上的小型、线性结构化元素将优选被选择。

在初始图像f上的这些滤波器中的每一个的应用结果提供了新的灰度图像

并且全部包含相同数目的像素的这些2D图像的叠加形成了如图3中所示的多元图像。

对于所有像素x_i，i∈P，大小相同的矢量（光谱）F^f(x_i)与图像f的每个像素x_i相关联。

F^f(x_i)为像素对滤波器的集合的响应：

$\begin{array}{c}{F}^f\left(x_1\right):\left\{\begin{array}{ccc}E& \→& T^L\\ x_1& \→& F^f\left(x_1\right)\end{array}\right.\\ \·\\ \·\\ \·\\ F^f\left(x_i\right):\left\{\begin{array}{ccc}E& \→& T^L\\ x_i& \→& F^f\left(x_i\right)\end{array}\right.\\ \·\\ \·\\ \·\\ F^f\left(x_P\right):\left\{\begin{array}{ccc}E& \→& T^L\\ x_P& \→& F^f\left(x_P\right)\end{array}\right.\end{array}$

下面的步骤则在于缩小这个多元图像的尺寸。为此，在划定通过图像f或通过图像f滤波之后的图像

的其中一个图像形成的2D空间中的缩小的尺寸的子图像的边界的轴向维度和圆周维度上限定镶嵌。

镶嵌的网格的大小以适合于待检验的轮胎的尺寸的方式进行调节，并且必须以包含足够的信息以识别意在被检测的异常的方式进行限定。由此估计了在对应于最细的纹理元素（诸如图1中显示的斑点3）的平均表面的干净底部上的基本代表表面（SER）。通过利用协方差函数计算纹理的元素的特征尺寸可以得到这个结果，其表达为图像与通过矢量h转换的乘积的期望值的形式，从其中减去图像的平方的平均。

$C\left(\stackrel{\→}{h}\right)=E(I\left(x\right).I(h+\stackrel{\→}{h}))-m^2$

这些计算导致对于客运汽车轮胎尺寸为17’’的直径来说，SER限定在0.5mm²和4mm²之间，或者在20x20和50x50像素之间。还布置为，子图像的表面稍大于或等于异常的平均表面。通过选择其侧面为大于SER的值的至少四倍的子图像，还检查出，相关的异常与子图像的边界相交，并且这些异常的尺寸不允许子图像完全地包括在异常中。

实际上，对于上述轮胎尺寸，子图像具有256x256像素的正方形形状，其对应于位于0.01Φ和0.1Φ之间的值，Φ为待检查的轮胎的座部处的直径。

之后多元图像表现为形成多元图像的每个通道

的I^im

子图像的并列的形式。

多元图像表示为：

${\left\{W_{F_n}^k\right\}}_{k=1...I^{\mathrm{im}}\×I^{\mathrm{im}}.}$

I^im×J^im为子图像的数目。

执行根据本发明的方法的下面的步骤利用描述符提供了与对应于这个多元子图像的转换的1D矢量的这些多元子图像中的每一个的关联。这个步骤的目的为缩小多元图像的尺寸，用于搜索最可能响应于表面异常的存在的描述符的目的而不会丢失包含在待分析图像中的信息。这个运算使得包含在子图像中的信息能够集中，用于其接下来处理的目的。

因此，得到了新的简化的多元图像，其从通过包含在通过一连串选择的滤波器的滤波器应用得到的图像

中的每一个中的每个子图像的所述描述符的转换的并列中形成。

如图5中所示，在通过描述符转换之后得到的多元图像标记为

，其中每个正方形表示一个像素：

$H^{W_F}:\left\{\begin{array}{ccc}D& \→& T^{N{L}^H}\\ W_F^k& \→& H^{\mathrm{WF}}\left(x_k\right)=[H^{W_{F1}}\left(x_k\right),H^{W_{F2}}\left(x_k\right),.........,H^{W_{F_N}}\left(x_k\right)]\end{array}\right.$

其中：

D∈R²，D为尺寸为I_m×J_m的2D图像的支持空间。

并且

其中L^H为属于图像

的子图像的转换的图像空间

的维度，N为滤波器的数目x_k∈D，通过将子图像转换为矢量来得到多元图像的像素。

因此为多元子图像的描述符。它是空间

的矢量。

描述符的选择当然是非常重要的。它们事实上必须适合于结构化图像的处理。

因此本发明的目的为提出已经被判定为对于分析轮胎的内部表面最有效的描述符。该描述符将优选地选自下面的算子中，下面将简要重复其定义：

灰度的直方柱

图像的灰度的直方柱为给出了在图像中的每个灰度的出现的发生（或频率）的函数。

其中u_m为子图像中的灰度m的发生的数目。对于8位图像，灰度的范围为从0到M=255。与该描述符相关联的多元子图像标记为： $H^{W_F}\left(x_k\right)=[H^{W_{F1}}\left(x_k\right),H^{W_{F2}}\left(x_k\right),.........,H^{W_{F_N}}\left(x_k\right)]$

圆周协方差

子图像n被视为统计变量的实现。该子图像的圆周协方差为该子图像与其在圆周方向上的转换的乘积的统计期望。

$G^{W_{F_n}}\left(x_k\right)=E[W_{F_n}^k(i,j).W_{F_n}^k(i,j+h)],$

其中(i,j)∈R²为子图像的像素的位置。

h的值优选从0至60像素变化。与该描述符相关联的多元子图像标记为：

$G^{W_F}\left(x_k\right)=[G^{W_{F1}}\left(x_k\right),G^{W_{F2}}\left(x_k\right),.........,G^{W_{F_N}}\left(x_k\right)]$

径向协方差

子图像

被视为统计变量的实现。该子图像的径向协方差为该子图像

与其在径向方向上的转换

的乘积的统计期望：

$K^{W_{F_n}}\left(x_k\right)=E[W_{F_n}^k(i,j).W_{F_n}^k(i,j+h)]$

其中(i,j)∈R²为子图像的像素的位置。

h的值优选从0到60像素变化。该描述符的多元子图像标记为：

$K^{W_F}\left(x_k\right)=[K^{W_{F1}}\left(x_k\right),K^{W_{F2}}\left(x_k\right),.........,K^{W_{F_N}}\left(x_k\right)]$

在径向方向或圆周方向上按照行或列的平均和方差

对于子图像

的每一行i=i_n，如下计算：

-标准偏差： ${\mathrm{\Δ}}_{i=i_n}=E(W_{F_n}^k(i=i_n,j)-E[W_{F_n}^k\left]\right).$

-方差： $V_{i=i_n}=E[(W_{F_n}^k(i=i_n,j)-E[W_{F_n}^k(i=i_n,j{\left)\right])}^2].$

因此得到在圆周方向上的标准偏差Δ_i和方差V_i的轮廓（即，矢量）。

对于子图像

的每一列j=j_n，如下计算：

_-标准偏差： ${\mathrm{\Δ}}_{j=j_n}=E(W_{F_n}^k(i,j=j_n)-E[W_{F_n}^k(i,j=j_n)\left]\right).$

-方差： $V_{j=j_n}=E[(W_{F_n}^k(i,j=j_n)-E[W_{F_n}^k(i,j=j_n{\left)\right])}^2].$

因此得到在径向方向上的标准偏差Δ_j和方差V_j的轮廓（即，矢量）。

对于对应于逐行的标准偏差Δ_i和逐列的标准偏差Δ_j的信号（即，矢量）：如下计算：

-标准偏差：σ[Δ_i]=E[(Δ_i-E[Δ_i])²],σ[Δ_j]

-极值：极小值和极大值min(Δ_i),max(Δ_i),min(Δ_j),max(Δ_j)

-在最大幅值处的偏差：

ζ(Δ_i)=2×σ(Δ_i)-|max(Δ_i)-min(Δ_i)|,ζ(Δ_j)

平均正或负相交

对于固定在s=2×σ(Δ_i)处的阈值的平均正相交：

${\mathrm{tr}}_{s=2\mathrm{\σ}\left({\mathrm{\Δ}}_i\right)}\left({\mathrm{\Δ}}_i\right)=\frac{\mathrm{card}\left(T_s\right[{\mathrm{\Δ}}_i\left]\right)}{\mathrm{card}\left(\mathrm{connex}\left(T_s\right[{\mathrm{\Δ}}_i\left]\right)\right)},{\mathrm{tr}}_{s=2\mathrm{\σ}\left({\mathrm{\Δ}}_i\right)}\left({\mathrm{\Δ}}_i\right)$

其中：

T_s[Δ_i]为值_s处的二进制信号阈值，card为离散集的基数，connex为在阈值转换之后的二进制信号的非零连通分量。

对于固定在s=-2×σ(Δ_i)处的阈值的平均负相交：

tr_s=-2σ(Δi)(Δ_i),tr_s=-2σ(Δj)(Δ_j)。

在径向或圆周方向上根据行或列的方差值的平均正或负相交、标 准偏差以及极值

对于对应于逐行方差V_i和逐列方差V_j的信号（即，矢量）：如下计算：

-标准偏差：σ[V_i],σ[V_j]

-极值：极小值和极大值：min(V_i),max(V_i),min(V_j),max(V_j)

-平均：E[V_i],E[V_j]

-平均正相交：tr_s=2σ(Vi)(V_i),tr_s=2σ(Vj)(V_j)

-平均负相交：tr_s=-2σ(Vi)(V_i),tr_s=-2σ(Vj)(V_j)

根据本发明的方法的接下来的步骤的目的在于完成学习阶段并且评估选择的描述符的分离能力。

为了这个目的，进行已知的数据缩减方法，其应用于在利用描述符将多元初始图像拆分为子图像的转换之后所得到的简化的多元图像。

在子图像的本情况中，用于多元分析的因子法不仅能够使得群组中的个体的减小的维度（例如，在2或3维下）的子空间中具有可能最可靠的表示，还使得能够监测在变量之间的联接，还能够使得变量最有效地分离个体。这些方法使用线性代数并且用作用于减小允许学习的变量的数目被减少的问题的维度的工具，同时保持信息的最大量。通过咨询由Salporta于2006年，由Crucianu、Asselin de Beauville和Boné于2004年，或者由Hastie、Tibshirani和Friedman于2001年发表的出版物中可以有效地得到更多细节。

这实质上包括了缩小的阶乘空间的调查，其中简化的多元图像的投影包含足够量的信息，以便估计描述符的分离能力。

从这些方法中将优选接下来的方法，下面将简要复述该方法的原理。

主成分分析（ACP）

可以假定，n是子图像的数目，p是变量的维度（涉及的描述符的总维度）。每个已知数（donnée）表示在具有p维度的空间中，并且数据的总体形成了在R^p中的“n点的云”。ACP的原理为通过在谨慎选择的轴上的投影得到在具有较小维度k的子空间中的云的近似表示。利用欧几里德度量R^p（通过利用缩小的中心变量进行标准化），k主轴是使投影的云的惯性（也即，在它们的重力的中心处投影的点的距离的平方加权平均值）最大化的那些轴。通过ACP限定的轴为正交的。主成分为坐标为在k主轴上的云的n个元素的正交投影的坐标的n个矢量。与初始变量不同，这些新的坐标为二对二不相关。可以仅考虑轴的减少的数目，其代表数据的方差中的大部分（例如，总惯性中的90%）。待考虑的轴的数目的选择能够以不同的方式进行。

对应因子分析（AFC）

对应因子分析等同于在列上和在行上执行的双重ACP，但是利用不同于ACP的矩阵的另一个矩阵，即，Chi2距离。这个距离允许通过比较它们在不同变量的全部模式上的相对频率来比较相同变量A的两种模式。这种分析对于诸如直方柱的正变量十分有效。实际上其已经被设计为分析对应于概率定律的经验频率。

判别分析（AD）

这是一种监督分析方法。它使用分成子图像的类别的知识，用于通过初始变量的线性组合来创造新变量，从而最佳地说明定义先验的类别的分配。描述方法和预测方法二者（利用ACP和AFC）均造成了主轴的计算。在待说明的变量为标称（子图像的类别包括异常，或者那些被视为正常的）并且包括分割变量的情况下，可以看作多元回归的扩张。

它在于通过描述变量的线性组合来确定因子，其对于相同类别的元素假定最接近的可能值，以及在不同类别的元素之间假定最遥远的可能值。这需要切断作为类别内和类别间方差的总和的总方差，并且力图最大化它们的比例。

图6显示了得到的结果的一个实例。在这种情况下，使用的描述符为底部的子图像中的每一个的径向协方差的测量值。应用于这些数据的主成分分析使得因子轴的重要性根据相对于这些轴的点的云的惯性而排名。第一因子轴的惯性如下：42.3%，19.1%，7.5%，5.3%，4.8%，4.1%，3.3%，3.1%，2.3%，1.9%。因此，靠前的10个因子轴的分析可以被视为充分的，这是由于其包括93.7%的信息。

图6显示了在垂直协方差的ACP的靠前的三个轴的空间中的子图像的投影。虽然这些因子轴仅显示了总惯性的68.9%，但是观察到子图像的感兴趣的分布。由十字表示的没有异常的子图像事实上形成了在该空间中的十分均匀的组，然而具有缺陷的子图像（为图1中示出的类型且由圆圈表示）具有更为稀疏的分布。此外，分离超平面π看上去存在于子图像的两个组之间。因此，这个描述符看起来将相对于子图像的类别的感兴趣的信息提供到两个组中。

学习阶段尽可能多次数（如果需要）的通过应用上述方法在迭代方式中继续，至包含异常的图像的最宽广的可能集合，以这样的方式选择具有最佳分离能力的描述符。

一旦已经选择描述符H,G,......N，能够将在选择描述符的过程中得到的缩小的阶乘空间结合成单个公共的缩小的阶乘空间。

如在以上的实例中所见，在该阶段还建议根据相对于通过在缩小的阶乘空间中的多元图像形成的点的云的它们的递减惯性来分类因子轴Δ_i。然后仅保留其惯性之和表示例如80%的总惯性的因子轴。

如果变量在这些空间中进行标准化，则将阶乘空间结合到单个空间中将简单得多。阶乘空间的规范度量为欧几里德度量。此外，这是在大多数分类器中运用的度量。

将多元光谱图像

结合到单个多元光谱图像中通过将图像的通道一个接一个堆叠来生效：

$\left\{\begin{array}{ccc}E& \→& T^{K^{\mathrm{HEF}}}\×T^{K^{\mathrm{GWF}}}\×\·\·\·\×T^{K^{\mathrm{NWF}}}\\ x& \→& c\left(x\right)=(c_1^{H^{\mathrm{WF}}}\left(x\right),c_2^{H^W}\left(x\right),..,c_{K^{\mathrm{HWF}}}^{H^{\mathrm{WF}}}\left(x\right),c_1^{G^{\mathrm{WF}}}\left(x\right),..,c_{K^{\mathrm{GWF}}}^{G^{\mathrm{WF}}}\left(x\right),..,c_1^{N^{\mathrm{WF}}}\left(x\right),..,c_{K^{\mathrm{NWF}}}^{N^{\mathrm{WF}}}\left(x\right))\end{array}\right.$

在该阶段还能够直接移动到分类器构建步骤，其在于确定阶乘空间的区域，其中被视为形成异常的图像的像素以在统计学上有效的方式定位。

之后该方法提供使得能够检测异常的存在（或者缺失）以及异常的定位的分类器的构建。分类器使得公共的缩小的光谱空间的特定区域隔离，其中对应于包括异常的子图像的光谱图像的点的云和对应于不包含异常的子图像的点的云以有效的方式定位。

第一方法在于应用基于线性判别分析（LDA）的分析方法。该分析方法的目的在于，通过假定在分类中的点的分布为高斯分布，通过超曲面（其维度等于类别的数目减一）来分离点的分类。这在许多情况中均表现良好，即使类别的点不是全部具有高斯分布。LDA当然能够在多维度空间中使用。

具有Vastes Marges的分离器同样可以是适合的。这些工具组成了意在解决判别和回归问题的一组监督学习技术。SVM为线性分类器的概括。SVM将用于解决判别问题，即，决定新的子图像属于哪一个类别。这个分类方法可以被看作广义判别分析。其以两个步骤执行：非线性转换使得从描述符的初始空间过渡到具有更大维度且配备有数积的空间。在新的空间中，执行搜索用于满足下面两个条件的线性分离器f(x)=ax+b：其清楚地分离两个组，并且为所有观察中的最遥远的可能。因此解f(x)表达为数积x.x'的函数。接下来的变化式

，其表达为数积

的函数，其中K指的是核心（noyau）。根据核心的选择可以大幅改变计算时间，但是SVM允许塑造大量问题。

之后，通过利用计算工具和上述方法，待分类的任意轮胎的表面上的异常的检测变得可能。

在第一步骤中，获取意在被分类的轮胎的表面的数字灰度图像，并且这个初始图像被转换到正交空间中，其中x轴（OX）表示圆周方向，y轴（OY），

之后，预定的一连串滤波器

被应用于待检查的轮胎的内部表面的初始图像，以便得到多元初始图像。

根据在轴向方向和圆周方向上的预定义镶嵌来拆分多元初始图像，以这样的方式来得到待检查的轮胎的内部表面的多元子图像，并且多元子图像中的每一个通道利用每个选择的描述符H,G,......N来转换为一维矢量，以这样的方式得到待检查轮胎的内部表面的简化多元图像。

简化的多元图像被转换到公共的缩小的阶乘空间： $c^{H^{\mathrm{WF}}},c^{G^{\mathrm{WF}}},...,c^{N^{\mathrm{WF}}}.$

并且包含异常的待检查的轮胎的内部表面的子图像利用分类器定位。

Claims (12)

1.一种通过在轮胎的内部表面的图像的数字处理来检测所述轮胎的内部表面上的异常的方法，在其中：

-所述表面的灰度初始图像（f）被获取并且被转换到正交空间中，其中，x轴（OX）表示圆周方向，y轴（OY）表示径向方向，

-利用预定的一连串的滤波器

来转换所述初始图像，从而得到多元初始图像，

-镶嵌在轴向方向和圆周方向上进行预定义，以这样的方式将所述多元初始图像拆分为多元子图像

-所述多元子图像的每一个利用给定描述符（H,G,......N）转换为一维矢量，以这样的方式得到从所述矢量的排序中形成的简化的多元图像 $(K^{W_F},G^{W_F}.....,H^{W_F}),$

-利用数据分析工具减少简化的多元图像数据的维度的数目，

-在缩小的阶乘空间中，包含异常的子图像的分布相对于不包含异常的子图像的分布进行估计，从而评估相关的描述符的分离能力。

2.根据权利要求1所述的检测方法，其中，利用能够估计表面的凸起的传感器来获取图像，并且对于图像的每个像素，分配与该点的地形高度成比例的灰度值以便得到二维初始图像。

3.根据权利要求1或2中的一项所述的检测方法，其中，在已经获取图像之后，利用逐行或逐列的灰度的多项式内插法来执行所述图像的预处理，以便使在获取过程中照明变化的影响减小。

4.根据权利要求1到3中的一项所述的检测方法，其中，一连串的滤波器从膨胀、磨损、打开或关闭类型，或者这些操作中的一个或多个中的剩余的形态算子中形成。

5.根据权利要求1到4中的一项所述的检测方法，其中，子图像的镶嵌以所述子图像具有正方形形状的方式在圆周方向和径向方向上执行。

6.根据权利要求5所述的检测方法，其中，子图像的表面以在不包括异常的轮胎的纹理底部的表征基本表面（SER）的五倍和十倍之间的因子增大。

7.根据权利要求6所述的检测方法，其中，子图像的正方形的侧面通过对应于长度在0.01*Φ和0.1*Φ之间的多个像素而形成，Φ为待检查轮胎的座部处的直径。

8.根据权利要求1到7中的一项所述的检测方法，其中，数据分析工具选自下面的因子分析工具中的一项：

-主成分因子分析（ACP），

-对应因子分析（AFC），

-独立成分分析（ACI）。

9.一种在其中通过应用尽可能多次数的根据权利要求1到8所述的方法来选择相关描述符的检测方法，通过从下面的描述符中的一个选择描述符：

_-灰度的直方柱

-在圆周方向或径向方向中的灰度的协方差 $K^{W_{F_n}}\left(x_k\right)),$

-逐行或逐列，平均值、方差、标准偏差、极值、在最大高度或最小幅值处的偏差、在圆周方向或径向方向上的灰度的平均正或负的相交。

10.根据权利要求9所述的检测方法，其中，分离能力已经评估为相关的描述符中的每一个的缩小的阶乘空间结合在公共的缩小的阶乘空间 $(c^{H^{\mathrm{WF}}},c^{G^{\mathrm{WF}}},...,c^{N^{\mathrm{WF}}})$ 中。

11.根据权利要求10所述的检测方法，其中，

-待检查的轮胎的内部表面的灰度图像被获取，并且该初始图像（f）被转换到正交空间中，其中，x轴（OX）表示圆周方向，并且y轴（OY），

-预定的一连串的滤波器应用于待检查的轮胎的内部表面的初始图像，以便得到多元初始图像，

-多元初始图像根据在轴向方向和圆周方向上的预定义镶嵌而被拆分，以这样的方式得到待检查的轮胎的内部表面的多元子图像

-利用每个被选择的描述符（H,G,......N），所述多元子图像中的每一个被转换为一维矢量，以这样的方式得到待检查的轮胎的内部表面的简化的多元图像，

-简化的多元图像被转换为公共的缩小的阶乘空间 $(c^{H^{\mathrm{WF}}},c^{G^{\mathrm{WF}}},...,c^{N^{\mathrm{WF}}}),$

-包含异常的待检查的轮胎的内部表面的子图像利用分类器定位，所述分类器适用于识别包含异常的公共的缩小的阶乘空间中的区域。

12.根据权利要求11所述的检测方法，其中所述分类器利用下面的分析工具中的一种构建：

-线性判别分析（LDA），

-具有Vastes Marges的分离器（SVM）。

Images