CN110335243B - 一种基于纹理对比的轮胎x光病疵检测方法 - Google Patents

Abstract

本发明公开了一种基于纹理对比的轮胎X光病疵检测方法，包括如下步骤：首先获取轮胎X光图像，使用边缘检测算法得到轮胎X光图的梯度二值图，在得到的梯度二值图中获取帘线的y坐标，通过计算获得帘线坐标最稀疏处与帘线坐标最密集处，求得最稀疏的a条帘线的y坐标差值与最密集的b条帘线的y坐标差值，进行比较，若帘线最密集处的b条帘线y坐标差小于帘线最稀疏处的a条帘线y坐标差，则判断轮胎有胎稀病疵，否则判断轮胎无胎稀病疵。本发明方法可避免因为人的因素造成的效率低下，一定程度地解决误判问题，从而大大提高轮胎的安全性，并且能减轻质检人员的压力。

Description

一种基于纹理对比的轮胎X光病疵检测方法

技术领域

本发明属于计算机视觉和工业检测技术领域，具体来说，是一种基于纹理对比的检测轮胎是否有胎稀病疵的方法，使得可以通过计算机取代人工检测轮胎X光图像中是否含有常见病疵。

背景技术

轮胎拍摄X光属于轮胎制造过程的最后一个质量监控阶段，现在各大生产商一般都是采取三班轮换制来控制这个阶段的质量。具体的流程是，轮胎送到X光机通道，X光机给轮胎拍摄X光图像，质量监测人员在显示器前就看到X光图像，然后质检人员就会根据X光判断是否有病疵，如果有病疵则当前这条轮胎会送入到专门的通道进行处理，否则轮胎进入下一个流程。目前国内轮胎生产商的质检方式主要存在以下问题：

首先，效率比较低下，一个轮胎的X光图像一般都比较大，熟练的质检人员要完全判别一个轮胎是否有病疵都需要消耗数十秒的时间；其次，判别准确度不高，误判、漏判多，长期看显示屏屏幕人容易疲劳，在这种情况下，有可能出现将有病疵的图像判别为无病疵，造成漏判或者病疵类别判断错误，造成误判。误判和漏判这两种情况中最关键的是要解决漏判问题，这也是工业界最关心的一个问题，病疵类别判断错了，由于没有卖给商家，所以不会造成安全问题，但是漏判了，一旦到了商家手里就可能有安全隐患；最后，长期进行人工判别，对质检人员健康损伤较大。长期对着显示屏会对眼睛造成伤害，导致质检人员出现头晕目眩的情况。

根据近三年的统计，人员检测X光图片的漏判率大约为2.3％，所谓的漏判率即将有病疵的图片判别为无病疵。

子午线轮胎主要由胎圈、胎侧、胎面等组成。轮胎各部分简要介绍如下：

(1)胎面(冠)

胎面是轮胎的主要受力点，受力容易变形，因此为了防止变形胎面一般会加入两层及以上的钢丝材质的带束层。

(2)胎侧

胎侧位于胎面的两侧，由于胎面受力的话会想两边挤压，因此胎侧要负责保护胎体，一般具有良好的抗老化能力。胎侧部分比较薄，散热要比胎冠好。

(3)带束层

轮胎有很多带束层，位于不同部位的名字不一样，材质也会有差异。例如，位于胎冠的一般都是钢丝带束层，而对于胎侧的称之为胎体帘子部层。带束层起得是支撑和缓冲作用，因此又名支撑层。

不同的病疵在轮胎X光上的表现是不一样的，胎稀病疵为帘线稀疏病疵。帘线稀疏主要是帘线的密度与周围相比明显小了很多。帘线稀疏会导致轮胎受力不均，严重的话会引发爆胎事故。

发明内容

针对现有质检方式存在的上述问题，本发明提供了一种基于纹理对比的轮胎X光病疵检测方法，实现了计算机来代替人眼判别当前轮胎X光图像是否有常见的胎稀瑕疵：

一种基于纹理对比的轮胎X光病疵检测方法，目标是输入轮胎X光图片，输出当前X光图像是否有胎稀瑕疵，包括如下步骤：

(1)获取轮胎X光图像。

(2)图像预处理，使用边缘检测算法得到轮胎X光图的梯度二值图。

(3)在得到的梯度二值图中获取帘线的y坐标。

(4)通过计算获得帘线坐标最稀疏处与帘线坐标最密集处，求得最稀疏的a条帘线的y坐标差值与最密集的b条帘线的y坐标差值，进行比较。

(5)输出结果，若帘线最密集处的b条帘线坐标差小于帘线最稀疏处的a条帘线，则判断轮胎有胎稀病疵，否则判断轮胎无胎稀病疵。

其中，步骤(2)中所述的边缘检测算法采用Canny算子实现。

所述的步骤(3)具体为：

在得到的梯度二值图上建立像素坐标系，遍历全部像素点，找到连续的像素点即可判断为同一条帘线，取同一x坐标下对应的各帘线中像素点的y坐标即可作为整条帘线的y坐标。

所述的步骤(4)中a取值小于b。

本发明的有益技术效果在于：基于纹理对比的轮胎X光瑕疵检测方法，通过纹理对比即可迅速而且准确地检查出轮胎是否有胎稀病疵，可避免因为人的因素造成的效率低下，一定程度地解决误判问题，从而大大提高轮胎的安全性，并且能减轻质检人员的压力。

附图说明

图1为基于纹理对比的轮胎X光病疵监测方法流程图；

图2为图像预处理流程图；

图3为胎稀病疵轮胎X光图片。

具体实施方式

为了更为具体地描述本发明，下面结合附图及具体实施例子对本发明进行详细说明。

如图1所示，例子是检测一个轮胎X光图像是否有胎稀病疵，输入X光图像，可以输出该轮胎是否有胎稀病疵，具体实施如下：

(1)获取轮胎X光图像。本例以子午线轮胎为例。轮胎主要由胎圈、胎侧、胎面等组成。

(2)图像预处理，步骤如图2所示。使用Canny算子对图像进行预处理，提取边缘即轮胎帘线，获得梯度二值图。Canny算子求边缘点具体算法步骤如下：

首先，使用高斯滤波器平滑图像。图像高斯滤波可以直接通过一个二维高斯核一次卷积实现。

二维高斯函数：

其中，x、y分别为像素的x、y坐标，σ＞0，本例取1.4。

每一个点的高斯系数可以由上面的公式计算，然后进行归一化，即每一个点的高斯系数除以所有点高斯系数的和，得到最终的二维高斯模板。计算得到模板后进行卷积即可。

随后，计算梯度值和方向。图像中的边缘可以指向各个方向，因此Canny算法使用四个算子来检测图像中的水平、垂直和对角边缘。边缘检测的算子返回水平和垂直方向的一阶导数值，由此便可以确定像素点的梯度和方向。

然后，进行非极大值抑制。非极大值是一种边缘稀疏技术。对图像进行梯度计算后，仅仅基于梯度值提取的边缘仍然很模糊。非极大值抑制可以帮助将局部最大值之外的所有梯度值抑制为0，对梯度图像中每个像素进行非极大值抑制的算法是：将当前像素的梯度强度与沿正负梯度方向上的两个像素进行比较；如果当前像素的梯度强度与另外两个像素相比最大，则该像素点保留为边缘点，否则该像素点将被抑制。为了更加精确的计算，在跨越梯度方向的两个相邻像素之间使用线性差值来得到要比较的像素梯度。

然后，进行双阈值检测。在施加非极大值抑制之后，剩余的像素可以更准确地表示图像中的实际边缘。然而，仍然存在由于噪声和颜色变化引起的一些边缘像素。为了解决这些杂散响应，必须用弱梯度值过滤边缘像素，并保留具有高梯度值的边缘像素，可以通过选择高低阈值来实现。如果边缘像素的梯度值高于高阈值，则将其标记为强边缘像素；如果边缘像素的梯度值小于高阈值并且大于低阈值，则将其标记为弱边缘像素；如果边缘像素的梯度值小于低阈值，则会被抑制。阈值的选择取决于给定输入图像的内容。

最后，抑制孤立低阈值点。到目前为止，被划分为强边缘的像素点已经被确定为边缘，因为它们是从图像中的真实边缘中提取出来的。然而，对于弱边缘像素，将会有一些争论，因为这些像素可以从真实边缘提取也可以是因噪声或颜色变化引起的。为了获得准确的结果，应该抑制由后者引起的弱边缘。通常，由真实边缘引起的弱边缘像素将连接到强边缘像素，而噪声响应未连接。为了跟踪边缘连接，通过查看弱边缘像素及其8个邻域像素，只要其中一个为强边缘像素，则该弱边缘点就可以保留为真实的边缘。

(3)获取帘线坐标。在得到的梯度二值图上建立像素坐标系，图片最左上角坐标是(0,0)，其余坐标参考左上角坐标。遍历整个图像，可以计算获得所有帘线的y坐标。

因为轮胎X光图片中所有帘线的方向是一致的，因此只需要用最简单的方法遍历全部像素点即可，找到连续的像素点即可判断为同一条帘线。所有正常的帘线都应是平行的。因此在标定坐标的时候，我们只需取每条线最左边的像素点的y坐标即可作为整条帘线的y坐标。

在遍历过程中若发现某条帘线的像素点过多，则可能出现了帘线相交的情况，说明此轮胎X光图像含有胎稀病疵或者其他非胎稀病疵。

(4)已知所有帘线的y坐标，遍历后即可得到所有帘线中间距最小的连续b条帘线，同理可得到间距最大的连续a条帘线。此例中最稀疏处取了4条帘线，最密集处取了6条帘线。分别求出它们的坐标差值(即所含的所有相邻帘线的坐标差值之和)，进行比较。

(5)得到结果。如图3所示为胎稀病疵轮胎X光图。胎稀病疵为帘线稀疏病疵，该种病疵既会有几条过于稀疏帘线，也会造成部分帘线过于密集。若此轮胎有胎稀病疵，取其最稀疏的4条帘线便可取到病疵处，而最稀疏的6条帘线也可以取到病疵附近远比正常帘线密集的位置。若此轮胎无胎稀病疵，所有的帘线应具有基本相同的距离，不会出现这么大的偏差。

因此，若最密集的六条线的坐标差值小于最稀疏的四条线的坐标差值，则判断其有胎稀瑕疵。若最密集的六条线的坐标差值大于最稀疏的四条线的坐标差值，则判断此轮胎无胎稀病疵。

最后应说明的是，以上实例仅用以说明而非限制本发明的技术方案，尽管参照上述实例对本发明进行了详细说明，本领域的技术人员应当理解，依然可以对本发明进行修改或者等同替换，而不脱离本发明的精神和范围的任何修改或者局部替换，其均应涵盖在本发明的权利要求范围当中。

Claims (3)

1.一种基于纹理对比的轮胎X光病疵检测方法，其特征在于，包括如下步骤：

(1)获取轮胎X光图像；

(2)图像预处理，使用边缘检测算法得到轮胎X光图的梯度二值图；

(3)在得到的梯度二值图中获取帘线的y坐标；

(4)通过计算获得帘线坐标最稀疏处与帘线坐标最密集处，求得最稀疏的a条帘线的y坐标差值与最密集的b条帘线的y坐标差值，所述y坐标差值即所含的所有相邻帘线的坐标差值之和，进行比较；其中a取值小于b；

(5)输出结果，若帘线最密集处的b条帘线y坐标差小于帘线最稀疏处的a条帘线y坐标差，则判断轮胎有胎稀病疵，否则判断轮胎无胎稀病疵。

2.如权利要求1所述的一种基于纹理对比的轮胎X光病疵检测方法，其特征在于，步骤（2）中所述的边缘检测算法采用Canny算子实现。

3.如权利要求1所述的一种基于纹理对比的轮胎X光病疵检测方法，其特征在于，所述的步骤（3）具体为：

在得到的梯度二值图上建立像素坐标系，遍历全部像素点，找到连续的像素点即可判断为同一条帘线，取同一x坐标下对应的各帘线中像素点的y坐标即可作为整条帘线的y坐标。

Images