CN107750371B - 用于检测轮胎的表面上的缺陷的方法和设备 - Google Patents
用于检测轮胎的表面上的缺陷的方法和设备 Download PDFInfo
- Publication number
- CN107750371B CN107750371B CN201680034987.6A CN201680034987A CN107750371B CN 107750371 B CN107750371 B CN 107750371B CN 201680034987 A CN201680034987 A CN 201680034987A CN 107750371 B CN107750371 B CN 107750371B
- Authority
- CN
- China
- Prior art keywords
- pixel
- tyre
- parameter
- image
- digital image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000002310 reflectometry Methods 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000005855 radiation Effects 0.000 claims description 9
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 230000000875 corresponding effect Effects 0.000 description 27
- 230000003287 optical effect Effects 0.000 description 18
- 230000000007 visual effect Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000000465 moulding Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 230000002950 deficient Effects 0.000 description 5
- 238000004073 vulcanization Methods 0.000 description 5
- 239000003086 colorant Substances 0.000 description 4
- 238000005314 correlation function Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000009304 pastoral farming Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003908 quality control method Methods 0.000 description 3
- 230000001154 acute effect Effects 0.000 description 2
- 239000011324 bead Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 239000006082 mold release agent Substances 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000004132 cross linking Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000013536 elastomeric material Substances 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000006740 morphological transformation Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
- G01M17/02—Tyres
- G01M17/027—Tyres using light, e.g. infrared, ultraviolet or holographic techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20216—Image averaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Abstract
用于检测轮胎的表面上的缺陷的方法和相关设备,包括:‑提供轮胎(200);‑获取表面的一部分的至少一个数字图像,其中,所述图像的每个像素均与代表对应于所述每个像素的表面点的反射率和/或漫散率和/或颜色的亮度值相关;‑针对所述图像的每个像素计算第一参数,所述第一参数代表基于亮度值计算得到的所述像素的二阶导数;‑根据所述第一参数确定每个像素是否属于建议缺陷。
Description
技术领域
本发明涉及检测轮胎的表面上可能存在的缺陷的方法和设备。
背景技术
术语“缺陷”表示与期望状态的任何偏差,无论这种偏差是否导致轮胎性能下降(因此可以丢弃或降级)或者由简单异常(例如,美观方面)构成,所述简单异常不会致使轮胎被丢弃或降级。该缺陷可以例如是具有未硫化复合物、形状改变、切口、胎体中的蠕变、表面上存在的异物等等的部分。
“轮胎”指的是成品轮胎,即在模制和硫化步骤之后的轮胎。一旦已经制备生轮胎,典型地实施模制和硫化处理,以便通过弹性体成分的交联确定轮胎的结构稳定性以及在轮胎上赋予所需的胎面花纹和在侧壁处赋予任何区别性或信息图形记号。
根据典型方法,在模制和硫化步骤期间,适当的囊状物(一般由弹性体复合物构成)插入到轮胎内部并且使其抵靠轮胎的内表面膨胀(例如,气动地),以便将轮胎推靠在外模具上并且确保轮胎适当地粘附到外模具。这种囊状物典型地在外部开有沟槽,形成沟槽花纹,以便有利于其在硫化和模制期间在轮胎的内表面与囊状物的外表面之间局部相互滑动。这种花纹能够有利于使捕获在囊状物与轮胎之间的空气流出和/或在模制和硫化结束时有利于囊状物和轮胎之间的脱离。因此,轮胎的内表面具有对应的“花纹”,典型为凸起形式。典型地,花纹包括沿着周向方向基本周期性分布的一系列直线的且平行的跨距和/或连续几何图形形状的密集网络(术语称作“卵石边缘(pebble edge)”)。
在本说明书和权利要求书中,“花纹”更一般地指的是一组线性元件,所述线性元件位于轮胎的内表面或外表面上,这种线性元件在轮胎的模制和硫化步骤期间产生并且通常为凸起形式,但也能够为浅凸起形式或者为简单二维的,即在与表面的其余部分相同海拔水平处。例如,胎面沟槽落入花纹的定义范围内。这种表面线性元件典型地是连续网络中的互连的直线分段,而且更一般地可以具有任何形状和/或表面分布。与表面的其余部分相比,这种表面线性元件典型地导致颜色改变和/或掠射光的反射/漫射。
典型地,用于车辆车轮的轮胎具有绕对称轴线的大体环面结构,所述对称轴线与运转期间轮胎的旋转轴线相重合,并且所述轮胎具有正交于对称轴线的轴向中线平面,所述平面典型地是几何(基本)对称平面(忽略任何微小的不对称,例如,胎面花纹和/或内部结构的部分)。
轮胎的“内表面”指的是在所述环面结构内部从一个胎圈延伸到另一个胎圈的表面(换言之,在将轮胎与相应安装轮辋相联接之后不再可见的表面)。
内表面典型属于弹性体材料层,通常称作“衬里”,其具有优化的不透气特性。内表面上的某些缺陷,例如切口、开口的接合部、蠕变等等,可能有损轮胎的不透气性。
在用于车辆车轮的轮胎的制造过程的背景中,已经认识到需要对成品实施质量检查,旨在防止有缺陷的轮胎投放市场和/或逐步调节所使用的设备和机器以便改进和优化在制造过程中实施的操作的执行。
这些质量检查包括例如由操作人员实施的质量检查,操作人员使用固定时间对轮胎实施视觉和触觉检查;如果操作人员根据自己的经验和敏感性怀疑轮胎不符合某些质量标准,则该轮胎将通过更详细的人工检查和/或通过适当的设备受到进一步的检查,以便深化任何结构和/或定性缺陷的评估。
文献WO2013/045594A1描述了一种分析轮胎的内表面上的凸起形式的元件的快速方法,其包括以下步骤:获取表面的三维图像,赋予图像的每个像素灰度水平值,以便获得起始图像,所述灰度水平值与该点的地形海拔成比例;在正交参照系(OXY)中转换所获取的图像,在所述正交参照系中,横轴(OX)代表周向值,而纵轴(OY)代表径向值;赋予表面上的每个像素一海拔梯度值(f(p));比较其海拔与位于经过相应像素(p)且沿着周向方向取向的直线上的少量离散点的海拔。
在轮胎质量控制领域中,申请人自己已经确立了通过光学获取数字图像以及后续对数字图像进行处理来检测轮胎表面上可能存在的缺陷的问题。申请人发现,为了能够在用于生产轮胎的设备中“在线地”使用质量控制,需要在有限的时间内并且在降低的成本下实施检查自身。在这种背景下,处理算法的计算需求扮演着关键角色,原因在于当处理算法的计算需求过大时,控制时间被不可接受地延长和/或所需的计算能力导致控制不可行。
“数字图像”或等同的“图像”通常指的是典型地包含在计算文档中的数据集,其中空间坐标的元组(每个元组对应于一像素)的有限集(典型地,二维和矩阵,即N行×M列)的每元组坐标(典型地,每对坐标)与对应的数值集(其可以代表不同的幅值)相关联。例如,在单色图像中(诸如,灰度水平或“灰度级”图像),这种数值集与有限级(通常为256水平或色调)中的单个值构成,该单个值例如代表显示时相应元组的空间坐标的亮度(或强度)水平。另一例子由彩色图像代表,其中,数值集代表多个颜色或通道的亮度水平,通常为原色(例如,在RGB编码中,原色为红色、绿色和蓝色,而在CMYK编码中,原色为青色、品红色、黄色和黑色)。术语“图像”不必意味着图像的真实显示。
在本说明书和权利要求书中,对特定“数字图像”(例如,在轮胎上初始获取的二维数字图像)的任何引用更一般地包括能够通过所述特定数字图像的一种或多种数字处理(例如,滤波、均衡、平滑、二值化、阈值化、形态转换(开孔等等)、导数或积分计算等等)获得的任何数字图像。
申请人还注意到,在三维图像中(其中,每个像素均与通过例如激光三角法获得的表面高度信息相关联),使用图像处理难以检测或者根本不能检测一些二维缺陷(即,不涉及表面高度变化的缺陷,例如,配合边缘或薄边缘处的切口)。
因此,申请人认识到,检测和分析二维图像(作为三维图像的附加或替代),其中,每个像素均与代表相应表面点的颜色和/或漫射率/反射率的信息相关联,例如由普通数字照相机或摄像机(例如,CCD)检测到的图像。
“表面点”指的是具有能够与所获取的表面图像的像素大小相比的小(非零)的延伸的表面部分。
申请人注意到,缺陷可能与图像中的伪元素混淆,例如由于表面反射率/漫射率的不规则性,和/或与图像中的背景噪音混淆,例如由于数字图像光学和电子获取处理。
而且,根据申请人,如果在轮胎表面上存在花纹,则花纹部段可能在图像中具有与缺陷、特别是切口类似或以其他方式可能混淆的特征。
发明内容
因此,在基于工业轮胎生产线中的数字图像的获取和处理的轮胎质量控制的背景(尤其是,用于检测轮胎表面上的缺陷)中,申请人提出了开发用于检测轮胎表面上的缺陷的方法的问题,所述方法基本能够从图像的其余部分中选择属于缺陷的像素,尤其是选择属于切口的像素,具有减少的成本和计算需求,获得的结果可靠,并且在缺陷检测方面敏感度高,尤其是能够从图像的噪声或其他干扰背景和/或花纹部段有效地区分表面凹陷(尤其是细长缺陷,例如切口)。
在本发明的第一方面中,本发明涉及用于检测轮胎的表面上的缺陷的方法,所述方法包括:
-提供具有所述表面的轮胎;
-获取所述表面的一部分的至少一个数字图像,其中,所述图像的每个像素与代表对应于所述每个像素的表面点的反射率和/或漫散率和/或颜色的亮度值相关联;
-针对所述数字图像的每个像素,计算第一参数,所述第一参数代表基于所述亮度值计算得到的所述像素的二阶导数;
-根据所述第一参数确定每个像素是否属于建议缺陷。
注意,术语“亮度值”的含义表示图像的二维性质,即常规摄影的性质,所述常规摄影的获取简单且快速。
申请人已经发现,上述方法,尤其是基于代表在每个像素中计算得到的亮度值的二阶导数的第一参数确定所述每个像素是否属于可能缺陷的决定,允许高亮包括切口的重要类别的缺陷。该重要类别的缺陷薄且具有细长形状,因此对于属于缺陷的每个像素,可以识别出相互正交的两个方向:一个方向指向缺陷的局部延伸(例如,局部切向于缺陷),另一个方向正交于该一个方向。申请人意识到,沿着正交于缺陷或切口延伸的方向,二阶导数呈现特别高的值,亮度值沿着所述方向遵循谷或脊形状。尤其是,在属于切口的像素非常暗的典型情况中,尽管背景像素更亮,但是沿着正交于切口的方向的二阶导数呈现高的正值。因此,基于二阶导数的判定,可以高亮属于获取图像中的薄且细长的缺陷(例如切口)的中央区域的像素,从而将所述像素与没有这些特征的图像的其它元素区分开来。
优选地,对于每个像素,可以设想的是识别经过所述像素的可能结构的可能主要局部延伸方向,其中,所述第一参数代表沿着正交于所述主要局部延伸方向的方向计算得到的二阶导数。以这种方式,有利地,沿着该方向分析二阶导数,当存在所述结构(例如切口)时理想地显示二阶导数的最强变化。
优选地,所述第一参数代表海森矩阵的主特征值。
申请人认识到,在存在切口的情况中,海森矩阵的辅助特征向量沿着切口的所述主要局部延伸方向指向,所述海森矩阵的主特征向量沿着正交于主要局部延伸方向的方向指向,并且后者的特征值(称作“主特征值”或“最大特征值”)代表沿着该方向的二阶导数的值。因此,通过计算海森矩阵的主特征值,以可靠且一致的方式沿着潜在地最为有利的方向分析二阶导数,并且计算资源消耗低。
优选地,计算所述第一参数包括计算所述海森矩阵并且从其提取所述主特征值和相对主特征向量,更优选地还从其提取辅助特征值和相对辅助特征向量。
优选地,确定每个像素是否属于可能缺陷包括比较所述第一参数与至少一个第一阈值。更优选地,可以设想的是,基于所述第一参数与所述第一阈值之间的比较二值化所述至少一个图像。
优选地,对于所述数字图像的每个像素,计算代表所述像素中的梯度模量的第二参数。
优选地,可以设想的是,还根据所述第二参数确定每个像素是否属于可能缺陷,更优选地通过比较所述第二参数与第二阈值确定每个像素是否属于可能缺陷。更优选地,可以设想的是,基于所述第二参数与所述第二阈值之间的比较二值化所述数字图像。以这种方式,有利地,既具有高二阶导数(例如,高主特征值)又具有低梯度模量的所有像素或像素集都能够被识别为属于可能缺陷。申请人实际上已经认识到,属于缺陷、例如切口的像素除了具有高二阶导数(尤其是沿着正交于切口的所述方向)之外还具有低梯度模量(因为属于切口的像素典型地对应于亮度值的局部最小值)。另一方面,具有高二阶导数且高梯度模量的像素被舍弃,例如,具有高亮度范围的区域对应于例如脱模剂斑的边缘或花纹分段的壁。
优选地,可以设想的是,还根据相应亮度值确定每个像素是否属于可能缺陷,更优选地通过比较所述亮度值与第三阈值确定每个像素是否属于可能缺陷。以这种方式,有利地,除了具有高二阶导数和低梯度模量之外还具有符合像素的可能缺陷性质的亮度值的所有像素或像素集可以被识别为属于可能缺陷。申请人实际上已经认识到,属于缺陷、例如切口的像素还具有低亮度值(即,较暗)。例如,有利地,以这种方式,由于例如不是切口的表面刮痕而在非常亮的背景(例如,高反射率区域)上具有中等亮度值的任意像素行均不认为是可能缺陷。
优选地,可以设想的是,比较建议为缺陷的像素与没有缺陷的表面部分的数字模型并且根据所述比较检测所述表面部分中的可能缺陷。
优选地,所述表面部分是周向内表面部分,更优选地对应于中心中的一定角度,所述角度大于或等于30°,更优选地大于或等于60°,典型地等于至少一个周角。
优选地,所述周向内表面部分在由所述轴线经过的平面中具有宽度,所述宽度大于或等于50mm,更优选地大于或等于80mm,和/或小于或等于200mm,更优选地小于或等于150mm。
优选地,通过每次改变所述周向内表面部分使得所有表面部分构成从中线平面延伸至胎圈的至少一个完整内表面半部分来重复该方法。
优选地,该方法包括在保持轮胎搁置在侧壁中的一个上的同时实施上述分析。优选地,该方法包括使轮胎倾斜以便将其搁置在相对的侧壁上并且重复上述操作。
根据本发明的第二方面,本发明涉及一种用于在轮胎生产线中分析轮胎的设备。
所述设备包括:
-用于轮胎的支撑件,所述支撑件优选地是水平的并且优选地适于绕垂直于其的轴线旋转;
-至少一个源,其适于发射至少一个光辐射,用于照射轮胎的表面部分,当检测系统被设置在支撑件上并且在离开所述源的一段距离处时,该检测系统适于检测由所述表面部分反射和/或漫射的光辐射的光强度;和
-处理单元,所述处理单元构造成执行根据本发明的第一方面的方法。
优选地,检测系统包括线性照相机,所述线性照相机具有位于由线性照相机经过的光学平面上的物镜线。
优选地,所述至少一个源包括第一光源、第二光源和第三光源,所述第一光源、第二光源和第三光源适于分别发射第一、第二和第三光辐射,用于照射所述表面部分,更优选地照射与物镜线相重合或者位于物镜线附近的线性表面。
优选地,所述第一光源和第二光源相对于所述光学平面分别位于相对的侧部上。
优选地,所述第一和第二光源中的每个均适于用相应的掠射光照射所述物镜线(即,所述掠射光与所述表面在所述物镜线的每个点处的法线形成锐角,所述锐角大于40°,更优选地大于55°),并且所述第三光源适于用漫射光照射所述物镜线。
在一个实施例中,检测系统包括具有反射表面的反射镜,所述反射表面位于第三光源处,垂直于光学平面并与光学平面相交(典型地在反射镜的中线上相交),以便以大于或等于30°或者小于或等于135°的角度在光学平面中反射所述物镜线。以这种方式,有利地,在检查轮胎的内表面的过程中,线性照相机在带有这些光源的组件靠近内表面工作时保持定位在轮胎的中央区域中。
优选地,该设备包括命令与控制单元,所述命令与控制单元构造成:
-以交替顺序激活所述第一光源、第二光源和第三光源;和
-驱动所述线性照相机,用于分别与所述第一光源、第二光源和第三光源的激活同步地获取所述第一、第二和第三图像。以这种方式,可以在漫射光中获取一图像并且在掠射光中获取两个图像。
优选地,该设备包括:运动构件,所述运动构件适于使所述支撑件绕其旋转轴线旋转;命令与控制单元构造成控制所述运动构件。
附图说明
从根据本发明的用于在轮胎生产线中分析轮胎的方法和设备的一些示例性、但非限制性的实施例的详细描述中,进一步的特征和优势将变得更加显而易见。下文中将参照附图进行描述,所述附图仅仅为了说明而非限制性目的而提供,其中:
图1以功能块示出了根据本发明的用于分析轮胎表面的设备的示意图;
图2示出了根据变型实施例的依照本发明的设备的一部分的示意图;
图3至图14示出了使用相应数字图像的视觉表示的方法的一些步骤;
图15示出了本发明的方法的流程图。
具体实施方式
参照附图,附图标记1整体上表示根据本发明的用于在轮胎生产线中分析轮胎表面的设备。
设备1包括支撑件102,所述支撑件适于在侧壁上支撑轮胎200并且使所述轮胎绕旋转轴线201旋转,所述旋转轴线与轮胎的旋转轴线相重合并且典型地依照竖直方向布置。支撑件102典型地由驱动构件操作,因为驱动构件例如可以为已知类型的,所以在此没有进一步描述。
设备1包括:源104,所述源适于发射至少一种光辐射,用于照射安置在支撑件上且在离开所述源的一段距离处的轮胎的表面部分;检测系统105,其适于检测由表面部分反射和/或漫射的光辐射的光强度。
检测系统105包括照相机,所述照相机优选地为线性的并且具有位于由线性照相机和旋转轴线201经过的光学平面107上的物镜线106。
源104包括第一光源108、第二光源109和第三光源110,所述第一光源、第二光源和第三光源分别适于发射第一、第二和第三光辐射,用于照射与物镜线相重合(例如,当表面部分是平面的时)或者位于物镜线附近(由于轮胎表面的曲线走向)的所述轮胎的线性表面部分211。
检测系统105适于获取由第一、第二和第三光辐射中的至少一个光辐射照射的表面的线性表面部分的相应二维数字图像。
典型地,该设备包括机器人臂(未示出),第一、第二和第三光源以及检测系统安装在所述机器人臂上。
优选地,第一光源108和第二光源109均由单个相应子源111和112构成。优选地,第三光源110由四个相应子源113构成,所述四个相应子源分布在光学平面107的两侧上并且关于该光学平面对称。
每个子源111至113均具有相应的主延伸方向,所述主延伸方向平行于光学平面107并且因而平行于物镜线106延伸。
每个子源典型地包括多个LED光源,所述LED光源沿着主延伸方向排列放置。
在图2中,光子源参照它们的相应发射表面(例如矩形形状)示意性地示出,所述发射表面可以例如与透明保护玻璃和/或漫射玻璃相重合。举例来说,子源沿主延伸方向的尺寸等于6cm,沿正交于主延伸方向的方向的尺寸等于大约1cm。
优选地,子源111和112相对于光学平面分别位于相对的侧部上并且与所述光学平面等距。
优选地,第三光源的子源113与光学平面107的距离小于所述第一光源和第二光源的每个子源与光学平面之间的距离。
优选地,第三光源110适于用漫射光照射物镜线(例如,相应角度等于大约80°,所述相应角度具有在物镜线的每个点处的顶点、位于正交于物镜线的平面中并且对着第三光源)。
在尤其适用于检查轮胎的内表面的设备的实施例中,例如如图2所示,检测系统包括反射镜150(典型地也安装在机器人臂上),所述反射镜具有平坦的反射表面,所述反射表面位于第三光源处、垂直于光学平面并且在反射镜的中线上与光学平面相交,以便以例如等于90°的角度在光学平面中反射物镜线。
优选地,包括命令与控制单元140,所述命令与控制单元构造成以交替顺序激活第一、第二和第三光源,并且控制线性照相机,用于分别与第一、第二和第三光源的激活同步地获取相应的第一、第二和第三图像。
命令与控制单元典型地构造成还控制支撑件102的操纵构件。
设备包括处理单元(例如,集成在命令与控制单元140中或者与其通讯或者与检测系统105通讯,用于接收所获取的图像),所述处理单元构造成实施根据本发明的方法。
在操作中,将轮胎200放置在支撑件102上并且使其绕其对称轴线201旋转(优选地旋转一整圈),以便检测内表面部分的二维数字图像,优选地沿着整个周向延伸检测内表面部分的二维数字图像。
在旋转期间,命令与控制单元以快速交替顺序周期性地激活所述第一、第二和第三光源,并且激活线性照相机,以分别与第一、第二、第三光源的激活同步地获取相应线性表面部分的相应二维线性数字图像(彩色或单色)。举例来说,每一单个线性数字图像在单色照相机的情况中包括1×2048个像素,或者在RGB彩色或双线性照相机的情况中包括2×2048个像素。
举例来说,第一和第二线性图像的获取之间的时滞、第二和第三线性图像的获取之间的时滞以及周期地第一和第三线性图像的获取之间的时滞小于0.2毫秒。
一旦已经执行完轮胎的所期望的旋转以扫描所期望的表面部分(优选地旋转至少一整圈以便获取所有圆形延伸),就获得了唯一的数字图像,所述唯一的数字图像由线性部分的序列的所有线性数字图像制成,每个所述线性部分均用这三个光源照射。
处理单元从检测系统接收这种图像并且从其分离出整个所期望的表面部分的对应的第一、第二和第三图像。
这些图像可以是一个像素一个像素地大体叠置的,不过由于轮胎同时进行旋转,与单个线性图像相关联的真实线性表面部分没有准确地对应于这三个图像。然而,线性图像的获取频率和旋转速度被选择成使得三个线性图像相互交错并且因而能够一个像素一个像素地比较。
图3示出了用漫射光照射的轮胎的内表面部分的所述第一图像(即二维数字图像)的示例的灰度级示例性视觉表示,所述第一图像在可见频率范围内获取(总体上与普通黑白照片类似)。轮胎的周向方向沿着图中的水平方向(直线300)放置。
在图3的示例中,数字图像的每个像素与255级水平中的标量值(灰度水平或灰度级)相关联,所述标量值直接表示对应于所考虑的像素的内表面点的反射率和/或漫射率和/或颜色。
本发明还可以应用于其中每个像素均与向量值相关联的数字图像,例如数字彩色图像。例如,可以针对每个通道/颜色或其组合或者针对所选择的通道(例如绿色,所述绿色有利地提供了更好的图像质量)实施在此描述的方法。
针对其实施在此描述的方法的数字图像可以与由检测系统直接检测的数字图像相符,或者更加优选地可以在实施在此描述的方法之前接受预处理以提高其质量。所述预处理可以包括例如本领域中已知的滤波、均衡、降噪、平滑中的一种或多种。在下文中,认为这种预处理不会改变图像的二维数字性质,使得每个像素均与代表内表面的反射率和/或漫射率和/或颜色的亮度(或色调)值相关联。
如图3可见,轮胎的内表面开有沟槽,多个凸起形成了“花纹”。凸起的存在使得由照相机检测的内表面的反射率发生变化。本发明还能够应用于低凸起或简单二维花纹,即,仅仅颜色和/或反射率变化而没有深度。典型地,花纹包括:一系列直线段301,所述直线段基本相互平行并且典型地沿着周向方向基本周期性地分布;和由基本直线分段302构成的致密网络(术语称作“卵石边缘”),所述基本直线分段以基本连续的网络互连,所述花纹的典型特征为其沿着周向方向基本周期性。注意,花纹在轮胎的内表面上延伸,其设置有自己的曲率。
优选地,花纹由连接到彼此的闭合虚线(多边形)构成。
典型地,花纹由彼此毗邻的多边形构成(例如,没有隔离的多边形)。
花纹具有这样的组织结构,所述组织结构在沿着周向方向分布的多个位置大体相同地重复,所述多个位置典型地具有大体周向周期性(例如,具有局部周期变化,局部周期变化的绝对值处于针对整个图像计算的平均周期的5%内),更典型地具有沿着整个数字图像的连续性。在示出的示例中,卵石边缘具有等于来复线的周期的两倍的周向周期,其中,花纹的整个周期等于卵石边缘的周期。
如上所述,凸起301、302是由气动囊状物留下的印记。在实践中,所述组织结构典型地沿着周向方向在周期性和/或形状和/或方向和/或轴向位置方面略微变化地重复,同时保持基本相同,这种变化的原因例如是由于囊状物膨胀和/或定位的不均匀性和/或印在囊状物本身上的花纹的小扭曲和/或图像检测过程中的扭曲现象(例如,由于错误定中轮胎的旋转轴线,轮胎不是正圆形等等)。
为了更加清晰,图3示出了周向数字图像部分,所述周向数字图像部分沿着方向300较长并且仅为花纹周期的2.5倍;然而,典型地,处理过的数字图像对应于包括至少重复8至10次的所述组织结构的周向内表面部分。优选地,经处理的周向内表面部分覆盖轮胎的整个周向内部延伸。
典型地,处理过的数字图像对应于内表面的这样的部分,所述部分的轴向方向(垂直于图3中的方向300的方向)上的长度至少为5cm,优选地等于轮胎胎冠的整个轴向延伸的至少一半。
图3示出了示例性缺陷303(在图3a中放大示出,该图示出了图3的旋转细节),所述示例性缺陷由穿过花纹的至少一个分段的切口构成。
优选地,该方法提供:通过数字图像处理导出代表花纹周期的值,例如通过寻找数字图像(具有足够的尺寸,例如,周向长度大于周期并且小于周期的三倍)的给定部分(术语称作“支撑件”)与数字图像的多个另外的部分之间的自相关函数的最大值(例如,针对与图像的像素相关联的值计算的皮尔逊(Pearson)相关系数),所述多个另外的部分的尺寸等于图像的所述给定部分的尺寸并且布置在周向分布的位置上。优选地,关于多个不同的支撑件重复计算周向自相关,旨在选择最为可靠的自相关峰值以识别花纹周期,所述多个不同支撑件沿着图像的轴向方向部分地重叠并且具有相同的尺寸。可替代地,设置成获取周期的预定值,例如从测量值和/或从囊状件的规格获取周期的预定值。
该方法包括识别对应于组织结构的子部分的数字图像的第一区域304,例如,所述第一区域的周向延伸小于组织结构的整个周向延伸(在示例中,所述第一区域的周向延伸等于组织结构的周向延伸的大约三分之一并且与所述周期相符)。第一区域的尺寸有利地与所寻找的缺陷的典型预期尺寸相符。
还设置成,识别同源(homologous)于第一区域304并且沿着周向方向分布的数字图像的相应多个区域305、306。每个同源区域均包含相应的组织结构子部分,所述相应组织结构子部分与第一区域的组织结构子部分基本相同。为此,计算第一区域与数字图像的其余部分中的一部分之间的相关函数(例如,皮尔逊相关系数)。优选地,首先通过计算第一区域304与具有等于第一区域的尺寸并且布置在数字图像的与第一区域周向间隔开等于周期P的距离的点的附近的多个区域之间的相关函数来识别第一同源区域305。例如,如果第一区域304的中心的坐标为x0,y0,则首先识别具有相等尺寸的区域,该区域的中心处的坐标为x0,y0+P。然后,计算第一区域与具有相同尺寸的所有区域之间的相关函数,所述具有相同尺寸的所有区域的中心位于坐标x0±Δx,y0+P±Δy附近,其中Δx,Δy等于适当的像素数量,例如,5至10个像素。中心处的坐标为x1,y1的区域被识别为第一同源区域305,在所述中心处相关函数具有最大值(至少局部最大值)。
从第一同源区域305开始重复该算法并且寻找坐标x1±Δx,y1+P±Δy附近的相关性最大值,以便定位第二同源区域306(其中心处的坐标为x2,y2),如此迭代,以便连续地识别一序列的同源区域。特别地,计算对应于同源区域的元组的中心(或任何其它参考点)的坐标元组xn,yn。
在在此描述的示例中,通过处理数字图像和识别这种坐标元组获取代表花纹周期的值是针对漫射光下的图像(图3中示出的类型)执行的。
然而,本申请人已经证实,如果针对差分图像实施周期的计算操作和/或这种元组的识别(例如,通过自相关识别同源区域),则甚至能够获得更为可靠的结果,在所述差分图像中,每个像素均与代表在掠射光下获得的第二和第三图像的对应亮度值的差的值相关,如上所述。
然后在漫射光下在第一区域上显示该坐标元组,以便识别所述第一图像中的对应的第一区域和对应的多个同源区域。
还设置成,计算组织结构子部分的模型,在所述组织结构子部分的模型中,每个像素均和与具有所述每个像素相同坐标的第一图像的第一区域的像素及相应同源区域的像素相关联的值的平均值相关联。
为此,为了解释目的,图4示出了区域堆叠307的3D图形表示,所述区域堆叠通过使漫射光下的第一图像的第一区域(例如,在堆叠的基部处)和所有其相应的同源区域重叠而获得。如图可见,堆叠基部处的每个像素均对应于位于对应竖列上的统计数值集(标量或灰度级)。这种统计集由于上述变形而具有内在变化。
优选地,考虑针对堆叠基部的每个像素的对应统计集的中值计算与第一区域304相关联的组织结构子部分(图5示出)的数字模型308。因此产生了模型308,所述模型在每个相关的坐标像素(i,j)中具有中值(例如,灰度水平),该中值基于第一区域和同源区域的集的所有相关的坐标像素(i,j)计算所述中值。如在图5中可见,由此计算的模型除了呈现高图像质量(例如,在噪音和/或锐度方面)之外不包括来自任何缺陷的贡献。
优选地,根据上述内容针对多个第一区域计算相应组织结构子部分的数字模型,每个第一区域包括相应组织结构子部分。这些第一区域形成了连接的数字图像部分,所述连接的数字图像部分具有大约等于周期的周向延伸。以这种方式,针对构成花纹的整个组织结构计算数字模型。优选地,这些第一区域沿着轴向方向和/或沿着周向方向相互局部重叠,以便提高方法的可靠性。
一旦已经构造成相应子部分的模型,则通过在所述第一图像中用每个第一区域以及相应的同源区域替换相应组织结构子部分的所述模型来获得花纹模型。通过上述自学习程序,获得了图像,所述图像是没有缺陷的表面部分的全局模型并且易于与真实图像进行比较。
为了进行比较,有利地是使用下文描述的梯度模量和取向。
在一个实施例中,对于基于第一图像计算的亮度值形式的花纹模型的每个像素,可以设想的是,计算与像素相关联的亮度值的梯度的模量值和取向值,从而分别获得梯度模量值和梯度取向值形式的花纹模型。为了减少计算资源的使用,优选的是基于每个组织结构子部分模型以亮度值形式计算梯度模量值和梯度取向值,然后继续执行通过取代来替换获得花纹模型的上述操作。
在替代和优选实施例中,针对基于第一图像计算的亮度值形式的梯度模量值和梯度取向值执行用于识别同源区域和计算相应组织结构子部分模型(优选地通过使用基于差分图像识别的坐标元组)的上述的操作。在这种情况中,基于第一图像计算亮度值形式的花纹模型并不是严格必须的。
为了计算梯度模量值和取向值的目的,沿着图像的两个水平和竖直坐标针对每个数字图像像素计算亮度值的梯度,从而获得具有两个分量的向量:数字图像中的模量(例如,两个分量的平方和的根)和取向(例如,向量相对于水平方向形成的角度),该取向归一化为[0-180°]或[-90°-+90°]的范围内。
为了计算梯度模量值和取向值,例如按如下进行:输入图像的每个像素为I(x,y)(在不需要时省略符号(x,y)),计算如下:
·Ix=I*Kx,其中,‘*’是卷积算子,Kx是用于计算x的一阶导数的适当的核(例如,Kx=[1-1]);
·Iy=I*Ky,其中,‘*’是卷积算子,Ky是用于计算y的一阶导数的适当的核(例如,Kx=[1;-1]);
·梯度(x,y)=[Ix;Iy]=I(x,y)的梯度
·梯度模量=开平方根((Ix)^2+(Iy)^2)
·梯度取向=反正切(Iy/Ix)
图6示出了对应于图3中的图像的中央部分的表面子部分的示例性可视化表示,其中,每个像素均与代表所考虑的像素(例如,光像素对应于高梯度模量,反之亦然)中的梯度模量的灰度水平相关联(例如,成比例)。
图7示出了图6中的相同表面子部分的示例性可视化表示,其中,每个像素均与唯一代表所考虑的像素中的梯度取向的灰度水平相关联。
图6和图7之间的比较显示,花纹外的低梯度模量区域的特征在于没有明显取向值(是无序变化的)。
如上所述,通过对如图6和图7所示的数字图像执行以下操作:识别多个第一区域;针对每个第一区域,识别相应多个同源区域;和计算相应模型,分别获得梯度模量值和梯度取向值形式的花纹模型。
此时,扩张(dilation)所形成的花纹模型(以亮度值和/或模量值和/或梯度取向值形式)以引入公差,所述公差考虑了花纹中的组织结构的扭曲和/或漂移。
在第一优选实施例中,首先二值化梯度模量值形式的花纹模型(例如,通过利用单阈值或双阈值阈值化),以获得花纹的二元模型。
扩张花纹的二元模型(例如,通过形态学处理操作),以便获得扩张的花纹二元模型,其中,像素具有相关联的第一二元指数,所述第一二元指数的值表示像素是否属于扩张的花纹(以便通过与该扩张的二元模型进行比较而从第一图像中的属于扩张的花纹的像素中区分开属于背景的像素)。
而且,优选地还扩张花纹模型的梯度取向值。优选地,属于扩张的花纹的扩张花纹二元模型的每个像素均与第二指数相关联,所述第二指数的值代表由像素经过的扩张花纹段的取向:例如,可以选择这样的像素的梯度取向值,所述像素在所述花纹模型中的所述每个像素的预定附近区域中(例如,半径等于5至10个像素)具有最大梯度模量值。
在第二替代实施例中,首先扩张花纹模型的梯度模量值和梯度取向值两者。例如,扩张花纹模型的每个像素均被分配为梯度模量值和梯度取向值,所述梯度模量值是花纹模型中的所述像素的预定附近区域中的梯度模量的最大值(所述附近区域例如具有等于5至10个像素的半径),所述梯度取向值与具有所述最大梯度模量值的像素相关联。继而,基于梯度模量值二值化由此获得的花纹模型,从而获得所述第一指数的值。
图8示出了因两个实施例中的所述操作获得的花纹模型的示例。用黑色示出了图8中图像的不属于扩张花纹、但属于花纹背景的每个像素(例如,所述第一指数具有等于零的值)。属于扩张花纹的每个像素(例如,所述第一指数具有等于1的值)用除黑色外的灰度水平示出,其中,每个灰度水平均一一对应于代表由所考虑的像素经过的扩张花纹的对应分段的取向的第二指数的值。如图可见,扩张花纹的外部的像素(黑色像素)不具有相关联的第二指数的有效值。
在对在漫射光下获取的轮胎的第一图像和如上所获得的扩张花纹进行亮度值方面的比较之前,有利的是处理该第一图像,以便高亮图像的其余部分的可能缺陷。
为了支持对用于高亮可能缺陷的方法的描述,将参照图9至图12。
图9示例性示出了第一图像的一部分的另一示例的灰度级视觉表示,其性质与图3和图3a中示出的性质类似,示出了用漫射光照射的轮胎的另外的内表面部分,在所述另外的内表面部分中存在缺陷903,所述缺陷由穿过花纹的一些分段的切口构成。在图9的表面部分上,存在在囊状件中使用的脱模剂的痕迹,特别是在花纹分段的壁上。因为该脱模剂高度反射,所以图像中的花纹分段的壁产生了一对非常亮的平行线904。在两条亮的平行线之间存在较暗的线905,该较暗的线对应于花纹分段的“顶部”,所述顶部被脱模剂弄脏程度较小。在这种情况中,原则上,分段905可能会与切口903混淆,原因在于它们都具有类似的亮度特征。
为了从图像的其余部分突出可能缺陷,可以设想的是,针对亮度值形式的第一图像的每个像素计算表示所述像素中的海森矩阵的主特征值(或最大特征值)的值。
举例来说,海森矩阵计算如下。如上所述,输入图像的每个像素为I(x,y),计算如下:
·Ixx=I*Kxx,其中,‘*’是卷积算子,Kxx是用于计算x的二阶导数的适当的核(例如,Kxx=[1-2 1]行向量);
·Iyy=I*Kyy,其中,‘*’是卷积算子,Kyy是用于计算y的二阶导数的适当的核(例如,Kyy=[1;-2;1]列向量);
·Ixy=Iyx=1*Kxy,其中,‘*’是卷积算子,Kxy是计算混合导数的适当的核(例如,矩阵Kxy=[1 0-1;0 0 0;-1 0 1],其中";"是行分隔符)。
由此获得海森H=[Ixx Ixy;Iyx Iyy]。
由海森矩阵H计算特征向量和特征值,例如通过算法EVD(特征值/向量分解)。
优选地,通过与第一阈值比较来二值化主特征值,以便识别建议的缺陷像素,如其相关联的最大特征值高于该第一阈值的那些像素一样。
图10示出了基于主特征值二值化的基本对应于图9所示的第一图像部分的示例性可视化表示。注意,所述二值化增强了属于切口903的像素和壁904(更精确地说花纹背景和壁904之间的过渡区域的壁)处的像素以及花纹分段905的中央区域905的像素,在所述中央区域处最大特征值高。
为了从由此获得的建议缺陷中至少消除花纹背景和花纹分段的壁之间的过渡区域中的像素以及其它伪像素,可以设想的是,比较基于第一图像的亮度值计算的梯度模量值与第二阈值并且将梯度模量值小于该第二阈值的像素识别为建议缺陷。
图11基本示出了图9中的相同图像部分,其中,已经基于梯度模量二值化了像素(可选地,利用适当的边缘平滑操作)。白色像素是具有低梯度模量值的像素,即梯度模量值小于第二阈值的像素。注意,花纹分段的边缘处的像素904具有高梯度值。
图12基本示出了与图10相同的图像部分,其中,白色像素是利用所述两个阈值并行阈值化获得的建议缺陷(即,图10和图11两者中的白色像素)。应当注意的是,一些像素905作为建议缺陷保持在一些花纹段的中心处,而这些花纹段的边缘处的几乎所有像素都已经被基本标准过滤。
为了进一步选择建议缺陷,优选地基于在漫射光中获取的图像中的亮度值提供了第三选择标准,所述第三选择标准优选地结合所述另外两个标准一起使用。特别地,比较该亮度值与第三阈值,并且选择如上识别的所有建议缺陷像素,所述建议缺陷像素的亮度值低于第三阈值。
此时,可以比较由此选择的建议缺陷像素与没有如上所计算的缺陷的扩张花纹模型,以便根据该比较检测表面部分中的任何缺陷。
优选地,在所述建议缺陷像素中识别第一像素集,以识别位于花纹外部的缺陷(或缺陷部分),即属于花纹“背景”的缺陷,对于所述第一像素集,扩张花纹模型中的对应像素不属于扩张花纹(例如,参照图8,黑色“背景”区域)。
优选地,可以设想的是,在所述建议缺陷像素中识别第二像素集,所述第二像素集具有属于花纹的花纹模型中的对应像素(例如,图8中的除黑色外的灰度水平形式的像素),对于所述第二像素集,由所述扩张花纹模型(由所述第二值代表,例如,扩张梯度的取向值)经过的花纹段的至少局部取向与由所述建议缺陷形成并由所述像素经过的花纹段的取向显著不同(例如,差大于20°)。在这种情况中,由所述像素经过的这种建议缺陷段有可能是具有与所述扩张花纹模型的花纹段相交的部分的切口。
在第一实施例中,由所述建议缺陷形成并由所述像素经过的段的取向通过如上所述基于漫射光下的第一图像中的亮度值计算得到的所述像素的梯度取向值表示。
在第二实施例中,由所述建议缺陷形成并由所述像素经过的段的取向通过如上所述由基于漫射光下的第一图像中的亮度值计算得到的所述像素的海森矩阵的主特征向量的取向表示。
优选地,可以设想的是,合并(以OR逻辑)第一和第二像素集形成代表所述表面部分的最终图像(典型为二元图像),其中,对应于所述第一和第二像素集的像素与其余像素是不同的,如图13举例所示,其中可见,已经识别了花纹背景处的切口部分和扩张花纹的切口部分。
优选地,能够基于所述像素实施适当的形态学处理,以便舍弃伪建议缺陷。例如,消除不能与所寻找的缺陷相容的隔离的像素块或连接的像素区域(“二进制对象”);特别地,能够通过面积和/或长度进行选择。图14示出了在图13的图像上实施的这种处理的最终结果。
图15示出了本发明的方法的流程图,其中,操作1010代表提供具有待分析的表面的轮胎的操作。
操作1020代表获取所述表面的一部分的至少一个数字图像的操作,其中,所述图像的每个像素均与亮度值相关联,所述亮度值代表对应于所述每个像素的表面点的反射率和/或漫射率和/或颜色。
操作1030代表针对所述数字图像的每个像素计算第一参数的操作,第一参数代表基于所述亮度值计算得到的所述像素的二阶导数。
操作1040代表根据所述第一参数确定每个像素是否属于建议缺陷的操作。
操作1050代表比较建议作为缺陷的像素与没有缺陷的表面部分的数字模型并且根据所述比较检测所述表面部分中的可能缺陷的操作。
Claims (11)
1.一种用于检测轮胎的表面上的缺陷的方法,包括:
-提供具有所述表面的轮胎(200);
-获取所述表面的一部分的至少一个数字图像,其中,所述数字图像的每个像素均与代表对应于所述每个像素的表面点的反射率和/或漫散率和/或颜色的亮度值相关联;
-针对所述数字图像的每个像素,识别经过所述像素的可能结构的可能主要局部延伸方向,并且计算第一参数,所述第一参数代表基于所述亮度值计算得到的所述像素的二阶导数,其中所述第一参数代表沿着正交于所述主要局部延伸方向的方向计算得到的所述二阶导数;
-根据所述第一参数,通过比较所述第一参数与至少一个第一阈值确定每个像素是否属于建议缺陷;
-针对所述数字图像的每个像素,计算代表所述像素的亮度值的梯度模量的第二参数,并且还根据所述第二参数,通过比较所述第二参数与第二阈值确定每个像素是否属于建议缺陷;其中具有高二阶导数和低梯度模量的像素属于建议缺陷;以及
-比较建议为缺陷的所述像素与没有缺陷的表面部分的数字模型,并且根据所述比较检测所述表面部分中的可能缺陷。
2.根据权利要求1所述的方法,其中,所述第一参数代表海森矩阵的主特征值。
3.根据权利要求2所述的方法,其中,计算第一参数包括计算所述海森矩阵并且从中提取所述主特征值和相对主特征向量以及辅助特征值和相对辅助特征向量。
4.根据权利要求1或2所述的方法,其中,所述方法还包括基于所述第一参数和所述第一阈值之间的比较来二值化所述至少一个数字图像。
5.根据权利要求1或2所述的方法,包括还基于所述第二参数与所述第二阈值之间的比较来二值化所述数字图像。
6.根据权利要求1或2所述的方法,还包括根据相应亮度值确定每个像素是否属于建议缺陷。
7.根据权利要求6所述的方法,包括比较所述亮度值与第三阈值。
8.根据权利要求1或2所述的方法,其中,所述表面是是轮胎的内表面或胎面表面。
9.根据权利要求1或2所述的方法,其中,所述缺陷薄且具有细长形状。
10.根据权利要求9所述的方法,其中,所述缺陷是切口。
11.一种用于在轮胎生产线中分析轮胎的设备(1),所述设备包括:
-用于轮胎(200)的支撑件(102),所述支撑件适于绕垂直于所述支撑件的轴线(201)旋转;
-至少一个源(104),所述源适于发射至少一个光辐射,用于照射轮胎的表面部分(221),当检测系统(105)被设置在所述支撑件上并且在离开所述源的一段距离处时,所述检测系统适于检测由所述表面部分反射和/或漫射的光辐射的光强度;和
-处理单元(140),所述处理单元构造成执行根据权利要求1-10中的任意一项所述的方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
IT102015000028923 | 2015-06-30 | ||
ITUB20151872 | 2015-06-30 | ||
PCT/IB2016/053678 WO2017001968A1 (en) | 2015-06-30 | 2016-06-21 | Method and apparatus for detecting defects on the surface of tyres |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107750371A CN107750371A (zh) | 2018-03-02 |
CN107750371B true CN107750371B (zh) | 2021-10-19 |
Family
ID=54200007
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680034987.6A Active CN107750371B (zh) | 2015-06-30 | 2016-06-21 | 用于检测轮胎的表面上的缺陷的方法和设备 |
Country Status (4)
Country | Link |
---|---|
EP (1) | EP3317635A1 (zh) |
CN (1) | CN107750371B (zh) |
BR (1) | BR112017027101B1 (zh) |
WO (1) | WO2017001968A1 (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180374022A1 (en) * | 2017-06-26 | 2018-12-27 | Midea Group Co., Ltd. | Methods and systems for improved quality inspection |
CN110646201B (zh) * | 2018-06-08 | 2021-10-01 | 西门子股份公司 | 轴承缺陷检测系统和方法 |
CN109166109A (zh) * | 2018-08-14 | 2019-01-08 | 珠海格力智能装备有限公司 | 缺陷检测方法、装置、存储介质及处理器 |
CN109377482A (zh) * | 2018-09-29 | 2019-02-22 | 中国石油大学(华东) | 一种基于点云数据的轮胎胎角性质检测方法 |
MX2021005946A (es) * | 2018-12-21 | 2021-06-15 | Pirelli | Metodo y estacion para revisar neumaticos. |
CN110827272B (zh) * | 2019-11-13 | 2022-09-02 | 中国科学技术大学 | 一种基于图像处理的轮胎x光图像缺陷检测方法 |
CN111879791B (zh) * | 2020-07-30 | 2023-06-20 | 西湖大学 | 一种图案表面凸起特征增强的机器视觉系统及方法 |
CN112734756B (zh) * | 2021-03-29 | 2021-08-06 | 高视科技(苏州)有限公司 | 基于光度立体视觉的检测方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102616421A (zh) * | 2011-01-27 | 2012-08-01 | 环宇制罐株式会社 | 瓶罐的制造方法和制造装置以及瓶罐 |
CN103364408A (zh) * | 2013-07-10 | 2013-10-23 | 三峡大学 | 一种采用水下机器人系统对水工混凝土结构水下表面裂缝检测的方法 |
CN103413314A (zh) * | 2013-08-19 | 2013-11-27 | 合肥师范学院 | 基于纹理梯度的纺织品缺陷检测算法 |
CN103453892A (zh) * | 2013-09-24 | 2013-12-18 | 广东工业大学 | 一种桥梁裂缝实时监测及快速预警装置 |
CN104005325A (zh) * | 2014-06-17 | 2014-08-27 | 武汉武大卓越科技有限责任公司 | 基于深度和灰度图像的路面裂缝检测装置和方法 |
CN104280406A (zh) * | 2014-09-16 | 2015-01-14 | 中国科学院广州能源研究所 | 一种铜件表面缺陷检测的机器视觉系统 |
CN104502409A (zh) * | 2014-12-17 | 2015-04-08 | 西安交通大学 | 基于阵列激光源的结构表面裂纹红外无损检测及成像方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4514007B2 (ja) * | 1999-12-28 | 2010-07-28 | 株式会社ブリヂストン | 被検体の外観形状検査方法及び装置 |
DE102005031490A1 (de) * | 2005-07-04 | 2007-02-01 | Massen Machine Vision Systems Gmbh | Kostengünstige multi-sensorielle Oberflächeninspektion |
FR2925687B1 (fr) * | 2007-12-19 | 2010-02-12 | Soc Tech Michelin | Methode d'evaluation par comparaison d'une image acquise avec une image de reference. |
-
2016
- 2016-06-21 WO PCT/IB2016/053678 patent/WO2017001968A1/en active Application Filing
- 2016-06-21 EP EP16751638.4A patent/EP3317635A1/en active Pending
- 2016-06-21 BR BR112017027101-0A patent/BR112017027101B1/pt active IP Right Grant
- 2016-06-21 CN CN201680034987.6A patent/CN107750371B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102616421A (zh) * | 2011-01-27 | 2012-08-01 | 环宇制罐株式会社 | 瓶罐的制造方法和制造装置以及瓶罐 |
CN103364408A (zh) * | 2013-07-10 | 2013-10-23 | 三峡大学 | 一种采用水下机器人系统对水工混凝土结构水下表面裂缝检测的方法 |
CN103413314A (zh) * | 2013-08-19 | 2013-11-27 | 合肥师范学院 | 基于纹理梯度的纺织品缺陷检测算法 |
CN103453892A (zh) * | 2013-09-24 | 2013-12-18 | 广东工业大学 | 一种桥梁裂缝实时监测及快速预警装置 |
CN104005325A (zh) * | 2014-06-17 | 2014-08-27 | 武汉武大卓越科技有限责任公司 | 基于深度和灰度图像的路面裂缝检测装置和方法 |
CN104280406A (zh) * | 2014-09-16 | 2015-01-14 | 中国科学院广州能源研究所 | 一种铜件表面缺陷检测的机器视觉系统 |
CN104502409A (zh) * | 2014-12-17 | 2015-04-08 | 西安交通大学 | 基于阵列激光源的结构表面裂纹红外无损检测及成像方法 |
Non-Patent Citations (2)
Title |
---|
"A Hessian-based Methodology for Automatic Surface Crack Detection and Classification from Pavement Images";Ghanta Sindhu.etc;《Structural Health Monitoring and Inspection of Advanced Materials》;20150401;说明书摘要,第3节 * |
Ghanta Sindhu.etc."A Hessian-based Methodology for Automatic Surface Crack Detection and Classification from Pavement Images".《Structural Health Monitoring and Inspection of Advanced Materials》.2015, * |
Also Published As
Publication number | Publication date |
---|---|
BR112017027101A2 (zh) | 2018-08-21 |
BR112017027101B1 (pt) | 2022-08-09 |
WO2017001968A1 (en) | 2017-01-05 |
EP3317635A1 (en) | 2018-05-09 |
CN107750371A (zh) | 2018-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108337900B (zh) | 用于检测轮胎的表面上的缺陷的方法和设备 | |
CN107771341B (zh) | 用于分析轮胎的表面的方法和设备 | |
CN107750371B (zh) | 用于检测轮胎的表面上的缺陷的方法和设备 | |
EP2880415B1 (en) | Method for segmenting the surface of a tyre and apparatus operating according to said method | |
US9008368B2 (en) | Method for identifying and defining basic patterns forming the tread pattern of a tyre | |
CN108603814B (zh) | 用于检查轮胎的设备和方法 | |
US10697762B2 (en) | Apparatus for controlling tyres in a production line | |
CN107278261B (zh) | 用于检查生产线中的轮胎的方法和设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |