CN105067638B - 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 - Google Patents

Abstract

本发明公开了基于机器视觉的轮胎胎膜表面字符缺陷检测方法，包括：依次对待检测轮胎胎膜进行扫描并采集获得一组图像，并分别对所采集的每张图像进行处理后获得轮胎外侧圆弧形轮廓；拟合轮胎外侧圆弧形轮廓的圆心和半径，通过极坐标变换将待测的轮胎外侧圆弧形图像转换为平直型待测图像，并进行阈值分割后，定位待测ROI图像；获取待检测轮胎胎膜的CAD设计图对应的平直型图像，在该平直型图像上截取获得与每个待测ROI图像相匹配的图像块；对每个待测ROI图像以及与其匹配的图像块进行字符识别，根据字符识别结果进行缺陷判断。本发明可自动检测出轮胎胎膜的字符缺陷，检测稳定性高、检测成本低且检测速度快，可广泛应用于轮胎胎膜检测领域中。

Description

基于机器视觉的轮胎胎膜表面字符缺陷检测方法

技术领域

本发明涉及图像处理领域，特别是涉及一种基于机器视觉的轮胎胎膜表面字符缺陷检测方法。

背景技术

名词解释：

ROI：Region Of Interest，感兴趣区域。

目前，轮胎胎膜字符缺陷检测常是通过人眼来完成检测和判断，但是大批量生产的质量检测，以及工作环境的复杂性，单纯靠人眼难以满足需求，而且存在随意性大、效率低和准确性差、无法保证出厂产品100％合格。机器视觉就是用机器代人眼来完成观测和判断，常用于大批量生产过程中的产品质量检测，不适合人的危险环境或者人眼视觉难以满足的场合等，可以大大提高检测精度和速度，从而提高生产效率，还可以避免人眼视觉检测所带来的偏差和误差。机器视觉在工业生产的各个领域得到了广泛应用。轮胎胎膜刻印字符的质量是评价胎膜质量的最重要因素，将先进的机器视觉理论应用于轮胎胎膜表面字符质量检测具有重大工程实用价值和社会效益。但是，目前基本没有对胎膜字符缺陷的自动检测方法，无法结合机器视觉快速有效地对轮胎胎膜字符缺陷进行检测，难以解决现有技术中轮胎胎膜字符缺陷检测的效率低、准确性差和稳定性差等问题。

发明内容

为了解决上述的技术问题，本发明的目的是提供基于机器视觉的轮胎胎膜表面字符缺陷检测方法。

本发明解决其技术问题所采用的技术方案是：

基于机器视觉的轮胎胎膜表面字符缺陷检测方法，包括：

S1、依次对待检测轮胎胎膜进行扫描并采集获得一组图像，并分别对所采集的每张图像进行处理后获得轮胎外侧圆弧形轮廓；

S2、拟合轮胎外侧圆弧形轮廓的圆心和半径后，通过极坐标变换将待测的轮胎外侧圆弧形图像转换为平直型待测图像，并对平直型待测图像进行阈值分割后，定位轮胎胎膜图像区域作为待测ROI图像；

S3、获取待检测轮胎胎膜的CAD设计图对应的平直型图像，进而在该平直型图像上截取获得与每个待测ROI图像相匹配的图像块；

S4、对每个待测ROI图像以及与其匹配的图像块进行字符识别，进而根据字符识别结果进行缺陷判断。

进一步，所述步骤S4之后还包括以下步骤：

S5、按照采集顺序依次将所采集图像的待测ROI图像进行拼接，获得待检测轮胎胎膜的平直型的拼接图像；

S6、对平直型的拼接图像进行逆极坐标变换，获得圆弧形拼接图像；

S7、对判断有缺陷的字符，在圆弧形拼接图像的对应位置上突出显示。

进一步，所述步骤S1，其具体为：

依次对待检测轮胎胎膜进行扫描并采集获得一组图像，并分别对所采集的每张图像进行图像去噪和阈值分割处理后，得到轮胎胎膜轮廓，进而根据轮廓曲率断开轮廓，从而根据每段轮廓的方向、长度以及曲率，获得轮胎外侧圆弧形轮廓。

进一步，所述步骤S3，包括：

S31、分别对每个待测ROI图像进行阈值分割，进而通过形态学运算将阈值分割后的待测ROI图像进行分类；

S32、根据待测ROI图像的分类，将待测ROI图像进行预处理后转换为二值图像；

S33、获取待检测轮胎胎膜的CAD设计图对应的平直型图像，根据该平直型图像与待测ROI图像的高度比将待测ROI图像进行缩放；

S34、在平直型图像上依次截取与缩放后的待测ROI图像同宽的图像块，计算每个图像块与缩放后的待测ROI图像的相关系数，进而将相关系数最大的图像块作为与该待测ROI图像相匹配的图像块。

进一步，所述步骤S31，包括：

S311、分别计算每个待测ROI图像的原始面积；

S312、对待测ROI图像进行灰度拉伸后，取半径为2的圆形窗口进行中值滤波，然后进行阈值分割，划分前景区域；

S313、获取第一预设形态学结构元，对前景区域进行形态学开运算，并计算形态学开运算后的区域面积，进而计算区域面积与原始面积的比值；

S314、根据该比值以及形态学开运算结果，将所有待测ROI图像分为斜纹大字类别、斜纹小字类别以及无字类别三类。

进一步，所述步骤S32，包括：

S321、针对分类为斜纹大字类别或斜纹小字类别的待测ROI图像，通过灰度特征定位图像上的斜纹区域；

S322、对斜纹区域进行预处理：将斜纹区域的上半部分依次进行局部阈值分割以及形态学运算，同时将斜纹区域的下半部分进行自适应阈值分割；

S323、将预处理后的斜纹区域转换为二值图像。

进一步，所述将斜纹区域的上半部分依次进行局部阈值分割以及形态学运算的步骤，其具体为：

将斜纹区域的上半部分进行局部阈值分割后，获取第二预设形态学结构元，对斜纹区域进行开运算，进而获取第三预设形态学结构元，对斜纹区域进行闭运算，进而根据每个连通域的面积以及椭圆长短半径比选择并标记连通域。

进一步，所述步骤S4，包括：

S41、对每个待测ROI图像以及与其匹配的图像块，采用多层感知器算法进行字符识别；

S42、记录识别出的每个字符的中心位置，并计算相邻字符之间的字符间距，进而判断字符间距是否大于预设字符宽度阈值的2/3，若是则将两个字符分开；

S43、将待测ROI图像以及与其匹配的图像块所识别出的字符依序进行逐个对比，判断是否存在字符缺陷。

进一步，所述步骤S43，包括：

S431、根据匹配情况获得待测ROI图像以及与其匹配的图像块所识别出的字符之间的对应关系，并筛选出存在缺失缺陷的字符；

S432、对剩下的每组对应的字符进行形态学相减后获得相异区域，并进行连通性标记，判断是否存在连通域的面积大于预设阈值，若是，则判定该字符存在印刷缺陷，否则，判定该字符印刷正确。

进一步，所述步骤S3中所述CAD设计图对应的平直型图像是通过以下方式获得的：

获取CAD设计图并将其进行阈值分割后转换为二值图，将CAD设计图中的刻印图像作为前景图像，进而拟合该前景图像的最小外接圆，并获取该最小外接圆的圆心与半径后，根据获得的圆心与半径进行极坐标变换，获得CAD设计图的平直型图像。

进一步，所述拟合该前景图像的最小外接圆，并获取该最小外接圆的圆心与半径的步骤，其具体为：

通过非线性最优迭代方法拟合获得的：拟合该前景图像的外接圆，根据下式将边缘上的所有点到拟合外接圆的平方距离进行累加求和，进而将总和最小的外接圆作为该前景图像的最小外接圆，并获取该最小外接圆的圆心与半径：

上式中，ε²表示边缘上的所有点到拟合外接圆的平方距离的累加求和，(α,β)表示圆心的坐标，ρ表示圆的半径，(r_i,c_i)表示边缘上的点的坐标。

本发明的有益效果是：本发明的基于机器视觉的轮胎胎膜表面字符缺陷检测方法，包括：依次对待检测轮胎胎膜进行扫描并采集获得一组图像，并分别对所采集的每张图像进行处理后获得轮胎外侧圆弧形轮廓；拟合轮胎外侧圆弧形轮廓的圆心和半径后，通过极坐标变换将待测的轮胎外侧圆弧形图像转换为平直型待测图像，并对平直型待测图像进行阈值分割后，定位轮胎胎膜图像区域作为待测ROI图像；获取待检测轮胎胎膜的CAD设计图对应的平直型图像，进而在该平直型图像上截取获得与每个待测ROI图像相匹配的图像块；对每个待测ROI图像以及与其匹配的图像块进行字符识别，进而根据字符识别结果进行缺陷判断。本方法可以自动检测出待检测轮胎胎膜的字符缺陷，检测稳定性高、检测成本低且适用范围广，可以快速有效地对轮胎胎膜字符缺陷进行检测。

附图说明

下面结合附图和实施例对本发明作进一步说明。

图1是本发明的基于机器视觉的轮胎胎膜表面字符缺陷检测方法的流程图；

图2是本发明的一具体实施例中所对应的CAD设计图；

图3是对图2的CAD设计图进行极坐标变换后的平直型图像的一部分；

图4是本发明的一具体实施例中所采集的待检测轮胎胎膜的图像；

图5是对图4进行极坐标变换后的平直型待测图像；

图6是对图4的图像进行匹配的结果示意图。

具体实施方式

参照图1，本发明提供了一种基于机器视觉的轮胎胎膜表面字符缺陷检测方法，包括：

S1、依次对待检测轮胎胎膜进行扫描并采集获得一组图像，并分别对所采集的每张图像进行处理后获得轮胎外侧圆弧形轮廓；

S2、拟合轮胎外侧圆弧形轮廓的圆心和半径后，通过极坐标变换将待测的轮胎外侧圆弧形图像转换为平直型待测图像，并对平直型待测图像进行阈值分割后，定位轮胎胎膜图像区域作为待测ROI图像；

S3、获取待检测轮胎胎膜的CAD设计图对应的平直型图像，进而在该平直型图像上截取获得与每个待测ROI图像相匹配的图像块；

S4、对每个待测ROI图像以及与其匹配的图像块进行字符识别，进而根据字符识别结果进行缺陷判断。

进一步作为优选的实施方式，所述步骤S4之后还包括以下步骤：

S5、按照采集顺序依次将所采集图像的待测ROI图像进行拼接，获得待检测轮胎胎膜的平直型的拼接图像；

S6、对平直型的拼接图像进行逆极坐标变换，获得圆弧形拼接图像；

S7、对判断有缺陷的字符，在圆弧形拼接图像的对应位置上突出显示。

进一步作为优选的实施方式，所述步骤S1，其具体为：

依次对待检测轮胎胎膜进行扫描并采集获得一组图像，并分别对所采集的每张图像进行图像去噪和阈值分割处理后，得到轮胎胎膜轮廓，进而根据轮廓曲率断开轮廓，从而根据每段轮廓的方向、长度以及曲率，获得轮胎外侧圆弧形轮廓。

进一步作为优选的实施方式，所述步骤S3，包括：

S31、分别对每个待测ROI图像进行阈值分割，进而通过形态学运算将阈值分割后的待测ROI图像进行分类；

S32、根据待测ROI图像的分类，将待测ROI图像进行预处理后转换为二值图像；

S33、获取待检测轮胎胎膜的CAD设计图对应的平直型图像，根据该平直型图像与待测ROI图像的高度比将待测ROI图像进行缩放；

S34、在平直型图像上依次截取与缩放后的待测ROI图像同宽的图像块，计算每个图像块与缩放后的待测ROI图像的相关系数，进而将相关系数最大的图像块作为与该待测ROI图像相匹配的图像块。

进一步作为优选的实施方式，所述步骤S31，包括：

S311、分别计算每个待测ROI图像的原始面积；

S312、对待测ROI图像进行灰度拉伸后，取半径为2的圆形窗口进行中值滤波，然后进行阈值分割，划分前景区域；

S313、获取第一预设形态学结构元，对前景区域进行形态学开运算，并计算形态学开运算后的区域面积，进而计算区域面积与原始面积的比值；

S314、根据该比值以及形态学开运算结果，将所有待测ROI图像分为斜纹大字类别、斜纹小字类别以及无字类别三类。

进一步作为优选的实施方式，所述步骤S32，包括：

S321、针对分类为斜纹大字类别或斜纹小字类别的待测ROI图像，通过灰度特征定位图像上的斜纹区域；

S322、对斜纹区域进行预处理：将斜纹区域的上半部分依次进行局部阈值分割以及形态学运算，同时将斜纹区域的下半部分进行自适应阈值分割；

S323、将预处理后的斜纹区域转换为二值图像。

进一步作为优选的实施方式，所述将斜纹区域的上半部分依次进行局部阈值分割以及形态学运算的步骤，其具体为：

将斜纹区域的上半部分进行局部阈值分割后，获取第二预设形态学结构元，对斜纹区域进行开运算，进而获取第三预设形态学结构元，对斜纹区域进行闭运算，进而根据每个连通域的面积以及椭圆长短半径比选择并标记连通域。

进一步作为优选的实施方式，所述步骤S4，包括：

S41、对每个待测ROI图像以及与其匹配的图像块，采用多层感知器算法进行字符识别；

S42、记录识别出的每个字符的中心位置，并计算相邻字符之间的字符间距，进而判断字符间距是否大于预设字符宽度阈值的2/3，若是则将两个字符分开；

S43、将待测ROI图像以及与其匹配的图像块所识别出的字符依序进行逐个对比，判断是否存在字符缺陷。

进一步作为优选的实施方式，所述步骤S43，包括：

S431、根据匹配情况获得待测ROI图像以及与其匹配的图像块所识别出的字符之间的对应关系，并筛选出存在缺失缺陷的字符；

S432、对剩下的每组对应的字符进行形态学相减后获得相异区域，并进行连通性标记，判断是否存在连通域的面积大于预设阈值，若是，则判定该字符存在印刷缺陷，否则，判定该字符印刷正确。

进一步作为优选的实施方式，所述步骤S3中所述CAD设计图对应的平直型图像是通过以下方式获得的：

获取CAD设计图并将其进行阈值分割后转换为二值图，将CAD设计图中的刻印图像作为前景图像，进而拟合该前景图像的最小外接圆，并获取该最小外接圆的圆心与半径后，根据获得的圆心与半径进行极坐标变换，获得CAD设计图的平直型图像。

进一步作为优选的实施方式，所述拟合该前景图像的最小外接圆，并获取该最小外接圆的圆心与半径的步骤，其具体为：

通过非线性最优迭代方法拟合获得的：拟合该前景图像的外接圆，根据下式将边缘上的所有点到拟合外接圆的平方距离进行累加求和，进而将总和最小的外接圆作为该前景图像的最小外接圆，并获取该最小外接圆的圆心与半径：

上式中，ε²表示边缘上的所有点到拟合外接圆的平方距离的累加求和，(α,β)表示圆心的坐标，ρ表示圆的半径，(r_i,c_i)表示边缘上的点的坐标。

以下结合一具体实施例对本发明做详细说明。

参照图1，基于机器视觉的轮胎胎膜表面字符缺陷检测方法，包括：

S1、依次对待检测轮胎胎膜进行扫描并采集获得一组图像，并分别对所采集的每张图像进行处理后获得轮胎外侧圆弧形轮廓，其具体为：依次对待检测轮胎胎膜进行扫描并采集获得一组图像，并分别对所采集的每张图像进行图像去噪和阈值分割处理后，得到轮胎胎膜轮廓，进而根据轮廓曲率断开轮廓，从而根据每段轮廓的方向、长度以及曲率，获得轮胎外侧圆弧形轮廓。

根据轮廓曲率断开轮廓的具体步骤如下：根据轮廓区域判断轮廓上的点是否在一条直线或者一个弧线上，若某一点的曲率与附近点的曲率一致，则表示两点在同一条弧线或同一条直线上，否则，表示两点不在同一弧线或直线上，将两点断开。通过本方式可以获得每段轮廓的方向、长度以及曲率，根据圆弧形轮廓的特征，从而获得轮胎外侧圆弧形轮廓。

S2、拟合轮胎外侧圆弧形轮廓的圆心和半径后，通过极坐标变换将待测的轮胎外侧圆弧形图像转换为平直型待测图像，并对平直型待测图像进行阈值分割后，定位轮胎胎膜图像区域作为待测ROI图像；

S3、获取待检测轮胎胎膜的CAD设计图对应的平直型图像，进而在该平直型图像上截取获得与每个待测ROI图像相匹配的图像块，具体包括步骤S31～S34：

S31、分别对每个待测ROI图像进行阈值分割，进而通过形态学运算将阈值分割后的待测ROI图像进行分类；

S32、根据待测ROI图像的分类，将待测ROI图像进行预处理后转换为二值图像；

S33、获取待检测轮胎胎膜的CAD设计图对应的平直型图像，根据该平直型图像与待测ROI图像的高度比将待测ROI图像进行缩放；

S34、在平直型图像上依次截取与缩放后的待测ROI图像同宽的图像块，计算每个图像块与缩放后的待测ROI图像的相关系数，进而将相关系数最大的图像块作为与该待测ROI图像相匹配的图像块。相关系数是指图像块与缩放后的待测ROI图像的矩阵的相关系数，两个矩阵之间的相关系数如何计算是现有技术中较为成熟的内容，本申请不再赘述。

步骤S31，包括步骤S311～S314：

S311、分别计算每个待测ROI图像的原始面积S_area；

S312、对待测ROI图像进行灰度拉伸为0～255后，取半径为2的圆形窗口进行中值滤波，然后进行阈值分割，划分前景区域，这里选取的阈值为120，将高于120的划分为前景区域。

S313、获取第一预设形态学结构元，对前景区域进行形态学开运算，并计算形态学开运算后的区域面积S_openning，进而计算区域面积S_openning与原始面积S_area的比值t，t＝S_openning/S_area；第一预设形态学结构元是指预设的宽于所采集的轮胎图片的斜纹宽度的形态学结构元，本实施例中，第一预设形态学结构元选取半径为10的圆形结构元。

S314、根据该比值以及形态学开运算结果，将所有待测ROI图像分为斜纹大字类别、斜纹小字类别以及无字类别三类。

具体分类方法如下：

若该比值大于0.5，则将待测ROI图像划分为无字类别，若该比值小于0.5，且形态学开运算后的区域中心的横坐标小于区域高度的一半，则将待测ROI图像划分为斜纹小字类别，反之，若该比值小于0.5，且形态学开运算后的区域中心的横坐标大于区域高度的一半，则将待测ROI图像划分为斜纹大字类别。

具体的，若该比值大于0.8，则将待测ROI图像划分为无斜纹类别，若该比值介于0.5到0.8之间，则将待测ROI图像划分为斜纹不到一半类别，这里统称为无字类别。

步骤S32，包括步骤S321～S323：

S321、针对分类为斜纹大字类别或斜纹小字类别的待测ROI图像，通过灰度特征定位图像上的斜纹区域；

S322、对斜纹区域进行预处理：将斜纹区域的上半部分依次进行局部阈值分割以及形态学运算，同时将斜纹区域的下半部分进行自适应阈值分割；

将斜纹区域的上半部分依次进行局部阈值分割以及形态学运算的步骤，其具体为：

将斜纹区域的上半部分进行局部阈值分割后，获取第二预设形态学结构元，对斜纹区域进行开运算，进而获取第三预设形态学结构元，对斜纹区域进行闭运算，进而根据每个连通域的面积以及椭圆长短半径比选择并标记连通域。本实施例中第二预设形态学结构元和第三预设形态学结构元均为3.5。椭圆长短半径比为：anisometry＝Ra/Rb，连通域类似为椭圆，其中Ra和Rb为椭圆的长半径和短半径。本实施例中，选择连通域的面积在1500～99999，anisometry在1～5的连通域。

S323、将预处理后的斜纹区域转换为二值图像。

CAD设计图对应的平直型图像是通过以下方式获得的：

获取CAD设计图并将其进行阈值分割后转换为二值图，将CAD设计图中的刻印图像作为前景图像，进而拟合该前景图像的最小外接圆，并获取该最小外接圆的圆心与半径后，根据获得的圆心与半径进行极坐标变换，获得CAD设计图的平直型图像。

优选的，所述拟合该前景图像的最小外接圆，并获取该最小外接圆的圆心与半径的步骤，其具体为：

通过非线性最优迭代方法拟合获得的：拟合该前景图像的外接圆，根据下式将边缘上的所有点到拟合外接圆的平方距离进行累加求和，进而将总和最小的外接圆作为该前景图像的最小外接圆，并获取该最小外接圆的圆心与半径：

上式中，ε²表示边缘上的所有点到拟合外接圆的平方距离的累加求和，(α,β)表示圆心的坐标，ρ表示圆的半径，(r_i,c_i)表示边缘上的点的坐标。

优选的，所述根据获得的圆心与半径进行极坐标变换的步骤，其具体为：

结合下式，根据获得的圆心与半径对CAD设计图进行极坐标变换：

上式中，(α,β)表示变换中心的坐标，表示CAD设计图上的点进行极坐标变换后的坐标，d_i为相对于变换中心的距离，为向量角度，(r_i,c_i)为极坐标变换前的坐标。

S4、对每个待测ROI图像以及与其匹配的图像块进行字符识别，进而根据字符识别结果进行缺陷判断，包括S41～S43：

S41、对每个待测ROI图像以及与其匹配的图像块，采用现有技术中的多层感知器算法进行字符识别；

S42、记录识别出的每个字符的中心位置，并计算相邻字符之间的字符间距，进而判断字符间距是否大于预设字符宽度阈值的2/3，若是则将两个字符分开；预设字符宽度阈值的2/3是为了将两个字符分开，实际应用中，具体数值可以根据应用需要任意更改；

S43、将待测ROI图像以及与其匹配的图像块所识别出的字符依序进行逐个对比，判断是否存在字符缺陷，具体包括步骤S431和S432：

S431、根据匹配情况获得待测ROI图像以及与其匹配的图像块所识别出的字符之间的对应关系，并筛选出存在缺失缺陷的字符；

获得对应关系的方式如下：例如待测ROI图像所识别出的字符是abc，与该待测ROI图像匹配的图像块所识别出的bcf，通过它们之间的匹配情况，使得字符之间的对应关系为：bc->bc，a与f再通过其它对应关系进行对比。

假如待测ROI图像所识别出的字符中，某字符在匹配图像块中没有对应字符，则判断该字符存在缺失缺陷。

S432、对剩下的每组对应的字符进行形态学相减后获得相异区域，并进行连通性标记，判断是否存在连通域的面积大于预设阈值，若是，则判定该字符存在印刷缺陷，否则，判定该字符印刷正确。剩下的每组对应的字符是指筛选了缺失字符后的字符。

S5、按照采集顺序依次将所采集图像的待测ROI图像进行拼接，获得待检测轮胎胎膜的平直型的拼接图像。

S6、对平直型的拼接图像进行逆极坐标变换，获得圆弧形拼接图像。

S7、对判断有缺陷的字符，在圆弧形拼接图像的对应位置上突出显示，其具体为：针对存在缺失缺陷的字符，在圆弧形拼接图像的对应位置上用蓝色圆圈标记，针对存在印刷缺陷的字符，在圆弧形拼接图像的对应位置上用红色圆圈标记。

图2～图6展示了本实施例的详细匹配情况，图2是待检测轮胎胎膜对应的CAD设计图，图3是对图2进行极坐标变换后所获得的CAD设计图对应的平直型图像的一部分，图4是所采集的待检测轮胎胎膜的图像，图5是对图4极坐标变换后的平直型待测图像，图6是对图4的图像进行匹配的结果示意图，图6中，红色字符为采集的待检测轮胎胎膜的图像(图4)经过形态学处理，图像分割等方法后的图像，红色字符部分表示前景，位于红色字符下方的黑白二值图像为CAD设计图处理后的结果图，因为CAD设计图拉直后过长，所以这里只截取了CAD设计图的长条纹图片的部分，通过相关系数最大法定位红色字符在CAD设计图相应的位置，这里红色字符所处的位置与CAD上对应相同字符位置相近，说明匹配算法能初步定位到轮胎实体拍摄图对应于CAD模板图中的位置。从图中可看出，本方法可以精确地对采集的待检测轮胎胎膜的字符进行匹配，从而结合具体的CAD设计图可以检测获得存在缺陷的字符。

本方法可以自动检测出待检测轮胎胎膜的字符缺陷，检测稳定性高、检测成本低且适用范围广，可以快速有效地对轮胎胎膜字符缺陷进行检测。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。

Claims (8)

1.基于机器视觉的轮胎胎膜表面字符缺陷检测方法，其特征在于，包括：

S1、依次对待检测轮胎胎膜进行扫描并采集获得一组图像，并分别对所采集的每张图像进行处理后获得轮胎外侧圆弧形轮廓；

S2、拟合轮胎外侧圆弧形轮廓的圆心和半径后，通过极坐标变换将待测的轮胎外侧圆弧形图像转换为平直型待测图像，并对平直型待测图像进行阈值分割后，定位轮胎胎膜图像区域作为待测ROI图像；

S3、获取待检测轮胎胎膜的CAD设计图对应的平直型图像，进而在该平直型图像上截取获得与每个待测ROI图像相匹配的图像块；

S4、对每个待测ROI图像以及与其匹配的图像块进行字符识别，进而根据字符识别结果进行缺陷判断；

所述步骤S3，包括S31～S34：

S31、分别对每个待测ROI图像进行阈值分割，进而通过形态学运算将阈值分割后的待测ROI图像进行分类；

S32、根据待测ROI图像的分类，将待测ROI图像进行预处理后转换为二值图像；

S33、获取待检测轮胎胎膜的CAD设计图对应的平直型图像，根据该平直型图像与待测ROI图像的高度比将待测ROI图像进行缩放；

S34、在平直型图像上依次截取与缩放后的待测ROI图像同宽的图像块，计算每个图像块与缩放后的待测ROI图像的相关系数，进而将相关系数最大的图像块作为与该待测ROI图像相匹配的图像块；

所述步骤S4，包括S41～A43：

S41、对每个待测ROI图像以及与其匹配的图像块，采用多层感知器算法进行字符识别；

S42、记录识别出的每个字符的中心位置，并计算相邻字符之间的字符间距，进而判断字符间距是否大于预设字符宽度阈值的2/3，若是则将两个字符分开；

S43、将待测ROI图像以及与其匹配的图像块所识别出的字符依序进行逐个对比，判断是否存在字符缺陷。

2.根据权利要求1所述的基于机器视觉的轮胎胎膜表面字符缺陷检测方法，其特征在于，所述步骤S4之后还包括以下步骤：

S5、按照采集顺序依次将所采集图像的待测ROI图像进行拼接，获得待检测轮胎胎膜的平直型的拼接图像；

S6、对平直型的拼接图像进行逆极坐标变换，获得圆弧形拼接图像；

S7、对判断有缺陷的字符，在圆弧形拼接图像的对应位置上突出显示。

3.根据权利要求1所述的基于机器视觉的轮胎胎膜表面字符缺陷检测方法，其特征在于，所述步骤S1，其具体为：

依次对待检测轮胎胎膜进行扫描并采集获得一组图像，并分别对所采集的每张图像进行图像去噪和阈值分割处理后，得到轮胎胎膜轮廓，进而根据轮廓曲率断开轮廓，从而根据每段轮廓的方向、长度以及曲率，获得轮胎外侧圆弧形轮廓。

4.根据权利要求1所述的基于机器视觉的轮胎胎膜表面字符缺陷检测方法，其特征在于，所述步骤S31，包括：

S311、分别计算每个待测ROI图像的原始面积；

S312、对待测ROI图像进行灰度拉伸后，取半径为2的圆形窗口进行中值滤波，然后进行阈值分割，划分前景区域；

S313、获取第一预设形态学结构元，对前景区域进行形态学开运算，并计算形态学开运算后的区域面积，进而计算区域面积与原始面积的比值；

S314、根据该比值以及形态学开运算结果，将所有待测ROI图像分为斜纹大字类别、斜纹小字类别以及无字类别三类。

5.根据权利要求4所述的基于机器视觉的轮胎胎膜表面字符缺陷检测方法，其特征在于，所述步骤S32，包括：

S321、针对分类为斜纹大字类别或斜纹小字类别的待测ROI图像，通过灰度特征定位图像上的斜纹区域；

S322、对斜纹区域进行预处理：将斜纹区域的上半部分依次进行局部阈值分割以及形态学运算，同时将斜纹区域的下半部分进行自适应阈值分割；

S323、将预处理后的斜纹区域转换为二值图像。

6.根据权利要求1所述的基于机器视觉的轮胎胎膜表面字符缺陷检测方法，其特征在于，所述步骤S43，包括：

S431、根据匹配情况获得待测ROI图像以及与其匹配的图像块所识别出的字符之间的对应关系，并筛选出存在缺失缺陷的字符；

S432、对剩下的每组对应的字符进行形态学相减后获得相异区域，并进行连通性标记，判断是否存在连通域的面积大于预设阈值，若是，则判定该字符存在印刷缺陷，否则，判定该字符印刷正确。

7.根据权利要求1所述的基于机器视觉的轮胎胎膜表面字符缺陷检测方法，其特征在于，所述步骤S3中所述CAD设计图对应的平直型图像是通过以下方式获得的：

获取CAD设计图并将其进行阈值分割后转换为二值图，将CAD设计图中的刻印图像作为前景图像，进而拟合该前景图像的最小外接圆，并获取该最小外接圆的圆心与半径后，根据获得的圆心与半径进行极坐标变换，获得CAD设计图的平直型图像。

8.根据权利要求7所述的基于机器视觉的轮胎胎膜表面字符缺陷检测方法，其特征在于，所述拟合该前景图像的最小外接圆，并获取该最小外接圆的圆心与半径的步骤，其具体为：

通过非线性最优迭代方法拟合获得的：拟合该前景图像的外接圆，根据下式将边缘上的所有点到拟合外接圆的平方距离进行累加求和，进而将总和最小的外接圆作为该前景图像的最小外接圆，并获取该最小外接圆的圆心与半径：

<mrow> <msup> <mi>&amp;epsiv;</mi> <mn>2</mn> </msup> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msup> <mrow> <mo>(</mo> <msqrt> <mrow> <msup> <mrow> <mo>(</mo> <mrow> <msub> <mi>r</mi> <mi>i</mi> </msub> <mo>-</mo> <mi>&amp;alpha;</mi> </mrow> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>+</mo> <msup> <mrow> <mo>(</mo> <mrow> <msub> <mi>c</mi> <mi>i</mi> </msub> <mo>-</mo> <mi>&amp;beta;</mi> </mrow> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> <mo>-</mo> <mi>&amp;rho;</mi> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow>

上式中，ε²表示边缘上的所有点到拟合外接圆的平方距离的累加求和，(α,β)表示圆心的坐标，ρ表示圆的半径，(r_i,c_i)表示边缘上的点的坐标。