CN115100510B - 一种轮胎磨损度识别方法 - Google Patents
一种轮胎磨损度识别方法 Download PDFInfo
- Publication number
- CN115100510B CN115100510B CN202211037254.1A CN202211037254A CN115100510B CN 115100510 B CN115100510 B CN 115100510B CN 202211037254 A CN202211037254 A CN 202211037254A CN 115100510 B CN115100510 B CN 115100510B
- Authority
- CN
- China
- Prior art keywords
- groove
- similarity
- area
- pattern
- tire
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 239000000463 material Substances 0.000 claims abstract description 39
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 238000005299 abrasion Methods 0.000 claims description 32
- 230000008859 change Effects 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000003708 edge detection Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 230000008034 disappearance Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002161 passivation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及数据处理与识别技术领域,具体涉及一种轮胎磨损度识别方法。该方法是一种应用电子设备进行识别的方法,利用生产领域人工智能系统完成轮胎磨损程度检测。首先利用电子设备识别出轮胎区域中花纹沟区域和花纹表面区域;对花纹沟区域和正常花纹沟区域的图像数据进行特征识别与数据处理得到结构磨损程度和材料磨损程度;结合结构磨损程度和材料磨损程度得到轮胎磨损程度。本发明通过分析待检测轮胎的结构磨损程度和材料磨损程度得到轮胎的磨损程度,达到提高轮胎磨损程度效率和精准度的目的。
Description
技术领域
本发明涉及数据处理与识别技术领域,具体涉及一种轮胎磨损度识别方法。
背景技术
轮胎是汽车的重要组成元件,其质量的好坏和安全驾驶密不可分。轮胎能够支撑车身,缓冲外界冲击,实现与路面的接触并保证车辆的行驶性能。在轮胎使用时,随着时间的推移,轮胎会发生一定程度上的损耗,如果损耗严重的话会出现打滑、抓地力不足等安全隐患,故对汽车轮胎的磨损程度进行检测时必不可少的。
目前,常见的对汽车轮胎的磨损程度进行检测的方法为根据车辆的当前行驶里程数和花纹深度来确定轮胎的磨损程度,该检测方法仅从轮胎的花纹深度这一个轮胎特征来确定轮胎的磨损程度,其磨损检测的精确度不高。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种轮胎磨损度识别方法,所采用的技术方案具体如下:
获取轮胎图像,对所述轮胎图像预处理得到轮胎区域;
分割所述轮胎区域得到花纹沟区域和花纹表面区域;
基于所述花纹沟区域,根据所述花纹沟区域和正常花纹沟区域的灰度差异得到花纹沟灰度相似度;根据所述花纹沟区域和正常花纹沟区域的面积占比差异得到花纹沟面积相似度;获取花纹沟区域的直线边缘,在所述直线边缘两侧划分区域,计算每个区域之间的灰度变化率,所述花纹沟区域和正常花纹沟区域的灰度变化率差异得到花纹沟尖锐度相似度;根据所述花纹沟区域和正常花纹沟区域的宽度差异得到花纹沟宽度相似度;所述花纹沟灰度相似度、所述花纹沟面积相似度、所述花纹沟尖锐度相似度和所述花纹沟宽度相似度加权求和得到结构磨损程度;
基于所述花纹表面区域,由所述花纹表面区域的各像素点对应的灰度共生矩阵的特征参数构成像素点的特征向量;根据所述花纹表面区域和正常花纹表面区域的像素点的特征向量差异得到材料磨损程度;
所述结构磨损程度和所述材料磨损程度加权求和得到轮胎磨损程度。
优选的,所述分割所述轮胎区域得到花纹沟区域和花纹表面区域,包括:
利用边缘检测算法对所述轮胎区域进行边缘提取得到多条花纹边缘;利用大津阈值分割法得到灰度阈值,基于所述灰度阈值,将所述轮胎区域的像素点分为两类;计算两类像素点的像素均值,最大像素均值对应的像素点为花纹表面像素点,最小像素均值对应的像素点为花纹沟像素点;
结合所述花纹表面像素点和所述花纹边缘得到所述花纹表面区域;结合所述花纹沟像素点和所述花纹边缘得到所述花纹沟区域。
优选的,所述根据所述花纹沟区域和正常花纹沟区域的灰度差异得到花纹沟灰度相似度,包括:
计算花纹沟区域的第一灰度均值和正常花纹沟区域的第二灰度均值;所述第一灰度均值和所述第二灰度均值的相似度为花纹沟灰度相似度。
优选的,所述根据所述花纹沟区域和正常花纹沟区域的面积占比差异得到花纹沟面积相似度,包括:
所述花纹沟区域和所述花纹表面区域的面积之比为第一面积占比;所述正常花纹沟区域和正常花纹表面区域的面积之比为第二面积占比;所述第一面积占比和所述第二面积占比的相似度为花纹沟面积相似度。
优选的,所述根据所述花纹沟区域和正常花纹沟区域的宽度差异得到花纹沟宽度相似度,包括:
基于任意花纹沟区域的多个边缘点,判断边缘点是否共线;
基于共线的边缘点,拟合共线的边缘点得到拟合直线,作所述拟合直线的垂线;以所述垂线和拟合直线的交点为起始点,沿着垂线方向获取起始点两侧的像素点的灰度值,灰度值小的像素点所在的一侧为起始方向;沿着所述起始方向,找到所述垂线上与所述起始点的灰度差值大于预设灰度阈值的点作为终止点;
所述起始点和所述终止点的距离为花纹沟区域的宽度;
获取多个花纹沟区域的宽度均值,花纹沟区域的宽度均值和正常花纹沟区域的宽度均值的相似度为花纹沟宽度相似度。
优选的,所述由所述花纹表面区域的各像素点对应的灰度共生矩阵的特征参数构成像素点的特征向量,包括:
获取花纹表面区域各像素点对应四个方向的四个初始灰度共生矩阵;
将所述四个初始灰度共生矩阵求均值得到各像素点对应的灰度共生矩阵;
由所述灰度共生矩阵的能量、对比度、逆差矩和熵构成像素点对应的灰度共生矩阵的特征向量。
优选的,所述花纹沟灰度相似度、所述花纹沟面积相似度、所述花纹沟尖锐度相似度和所述花纹沟宽度相似度加权求和得到结构磨损程度,包括:
所述结构磨损程度的计算公式为:
其中,为所述结构磨损程度;/>为所述花纹沟灰度相似度;/>为所述花纹沟尖锐度相似度;/>为所述花纹沟宽度相似度;/>为所述花纹沟面积相似度;/>为自然常数;/>为所述花纹沟灰度相似度的权重;/>为所述花纹沟尖锐度相似度的权重;/>为所述花纹沟宽度相似度的权重;/>为所述花纹沟面积相似度的权重。
本发明实施例至少具有如下有益效果:
本发明利用数据处理技术。该方法是一种应用电子设备进行识别的方法,利用生产领域人工智能系统完成轮胎磨损程度检测。首先获取轮胎图像中的轮胎区域;分割轮胎区域得到花纹沟区域和花纹表面区域;根据花纹沟区域和正常花纹沟区域的灰度差异得到花纹沟灰度相似度;根据花纹沟区域和正常花纹沟区域的面积占比差异得到花纹沟面积相似度;根据花纹沟区域和正常花纹沟区域的灰度变化率差异得到花纹沟尖锐度相似度;根据花纹沟区域和正常花纹沟区域的宽度差异得到花纹沟宽度相似度;花纹沟灰度相似度、花纹沟面积相似度、花纹沟尖锐度相似度和花纹沟宽度相似度加权求和得到结构磨损程度,从结构上和材料上分别考虑轮胎的磨损程度,提高轮胎磨损程度检测的准确性;基于花纹表面区域,由花纹表面区域的各像素点对应窗口的灰度共生矩阵的特征参数构成像素点的特征向量;根据花纹表面区域和正常花纹表面区域的像素点的特征向量差异得到材料磨损程度;结构磨损程度和材料磨损程度加权求和得到轮胎磨损程度。本发明实施例通过分析待检测轮胎的结构磨损程度和材料磨损程度,进而得到轮胎的磨损程度,达到了实时获取轮胎实际磨损程度的目的,同时还提高了轮胎磨损程度效率和精准度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种轮胎磨损度识别方法的方法流程图;
图2为本发明一个实施例所提供的计算结构上的结构磨损程度的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种轮胎磨损度识别方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明实施例提供了一种轮胎磨损度识别方法的具体实施方法,该方法适用于轮胎磨损程度检测场景。利用RGB相机采集轮胎图像,其中RGB相机的光轴垂直于轮胎胎面。为了解决仅从轮胎的花纹深度这一个轮胎特征来确定轮胎的磨损程度,其精确度不高的问题。本发明实施例利用生产领域人工智能系统完成轮胎磨损程度检测,从轮胎的结构上的磨损和材料上的磨损两个方面来考虑轮胎的磨损程度,其中结构上的磨损从花纹沟变窄、花纹沟变浅、花纹沟边缘钝化和花纹沟消失四个方面来分析,而材料上的磨损通过分析花纹表面区域的纹理特征来分析,进而结合结构上的磨损和材料上的磨损得到轮胎的磨损程度,达到了实时获取轮胎实际磨损程度的目的,同时还提高了轮胎磨损程度效率和精准度。
下面结合附图具体的说明本发明所提供的一种轮胎磨损度识别方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种轮胎磨损度识别方法的步骤流程图,该方法包括以下步骤:
步骤S100,获取轮胎图像,对轮胎图像预处理得到轮胎区域。
利用RGB相机采集轮胎图像,对轮胎图像进行灰度化处理,并采用滤波器对灰度化后的轮胎图像进行去噪处理得到轮胎灰度图像,在本发明实施例中利用高斯滤波对轮胎灰度图像去噪。采用伽马变换对滤波后的轮胎灰度图像进行增强操作,以减弱图像采集过程中由于成像环境过暗或者过亮对图像整体灰度的影响。
对轮胎灰度图像采用区域生长法进行分离轮胎区域和背景区域。由于轮胎灰度图像的背景一般存在于图像的边角处,因此选择轮胎灰度图像的四个角作为初始种子点,将这四个初始种子点标记属于背景区域,根据灰度值相似设计生长规则并确定生长阈值。搜索所有生长点八邻域内的像素点,并与生长点进行对比,判断该点是否满足生长规则,将满足生长规则的像素点归并到背景区域/>,同时作为新的生长点进行生长,得到最终的背景区域/>。然后去除背景区域/>,得到轮胎区域。
步骤S200,分割轮胎区域得到花纹沟区域和花纹表面区域。
轮胎磨损分为结构上的磨损和材料上的磨损。轮胎磨损时,花纹沟的结构形状会发生一定程度上的变化,表现为花纹沟变细,花纹沟变浅,花纹沟的边缘钝化甚至部分花纹沟消失,这种磨损被称为结构上的磨损;同时,轮胎在磨损时,轮胎花纹表面的材料属性会发生一定程度上的变化,表现为花纹表面材料的纹理特征发生变化,如粗糙程度和均匀程度等发生变化,这种磨损被称为材料上的磨损。结合结构上的磨损和材料上的磨损可以得到轮胎的磨损程度。
故基于结构上的磨损和材料上的磨损,首先将轮胎区域内的花纹沟区域和花纹表面区域分割开。具体的:
步骤一,利用边缘检测算法对轮胎区域进行边缘提取得到多条花纹边缘,采用canny边缘检测算子对轮胎灰度图像上的轮胎区域内的花纹沟进行边缘提取,将边缘点存入集合,采用高斯滤波器平滑轮胎灰度图像,并对轮胎灰度图像上轮胎区域内的各像素点求取其梯度幅值和方向,判断每个像素与其梯度方向上相邻像素的梯度幅值大小,进行非极大值抑制,然后采用双阈值算法检测边缘并将边缘相连,得到多条花纹边缘。
以花纹边缘为界,将花纹沟的像素和花纹表面的像素分割开来,由于花纹沟相较于花纹表面有一定的深度,在成像时,花纹沟的区域相较于附近区域的花纹表面偏暗一些,灰度值偏小。
步骤二,利用大津阈值分割法得到灰度阈值,基于灰度阈值,将轮胎区域的像素点分为两类。
利用大津阈值分割法,根据灰度直方图得到最好的类间分离的灰度阈值,根据灰度阈值将轮胎区域的像素点分为两类,使得两类像素点的灰度距离最大。由于轮胎花纹沟区域较暗,故轮胎花纹沟区域的灰度值较小,计算两类像素点的像素均值,最大像素均值对应的像素点为花纹表面像素点,最小像素均值对应的像素点为花纹沟像素点。
步骤三,结构花纹表面像素点和提取出的花纹边缘得到花纹表面区域,结合花纹沟像素点和花纹边缘得到花纹沟区域,或者在得到花纹表面区域后,使轮胎区域减去花纹表面区域得到花纹沟区域。
对正常轮胎的图像也进行正常花纹沟区域和正常花纹沟表面区域的提取。需要说明的是,正常轮胎为没有结构上的磨损和材料上的磨损的轮胎。
步骤S300,基于花纹沟区域,根据花纹沟区域和正常花纹沟区域的灰度差异得到花纹沟灰度相似度;根据花纹沟区域和正常花纹沟区域的面积占比差异得到花纹沟面积相似度;获取花纹沟区域的直线边缘,在直线边缘两侧划分区域,计算每个区域之间的灰度变化率,花纹沟区域和正常花纹沟区域的灰度变化率差异得到花纹沟尖锐度相似度;根据花纹沟区域和正常花纹沟区域的宽度差异得到花纹沟宽度相似度;花纹沟灰度相似度、花纹沟面积相似度、花纹沟尖锐度相似度和花纹沟宽度相似度加权求和得到结构磨损程度。
计算结构上的磨损程度时,考虑到待检测轮胎的花纹沟区域相对于正常轮胎的正常花纹沟区域会出现花纹沟的深浅变化,可以用花纹沟区域的灰度值高低来表示。花纹沟越深,则在轮胎灰度图像中花纹沟区域的颜色越暗,对应的灰度值越小。此外,考虑部分花纹沟消失情况,待检测轮胎的花纹沟区域相对于正常花纹沟区域的相对面积会有所改变。其次,考虑待检测轮胎的花纹沟区域相对于正常花纹沟区域的粗细比较,花纹沟越粗,反映待检测轮胎的磨损度越低。最后,考虑待检测轮胎的花纹沟区域相对于正常花纹沟区域的花纹沟边缘的尖锐程度,花纹沟边缘越尖锐,越能反映待检测轮胎的磨损度越低。
请参阅图2,计算结构上的结构磨损程度的步骤,具体的:
步骤S301,根据花纹沟区域和正常花纹沟区域的灰度差异得到花纹沟灰度相似度。
灰度信息代表灰度图像上的颜色明暗信息,可以反映出花纹沟的深浅程度。计算待检测轮胎的花纹沟区域的第一灰度均值和正常花纹沟区域的第二灰度均值。
第一灰度均值和第二灰度均值的相似度为花纹沟灰度相似度。
该花纹沟灰度相似度的计算公式为:
其中,为第一灰度均值;/>为第二灰度均值;/>为花纹沟灰度相似度的调节参数。在本发明实施例中,花纹沟灰度相似度的调节参数的取值为5,在其他实施例中实施者可根据实际情况调整该取值。
步骤S302,根据花纹沟区域和正常花纹沟区域的面积占比差异得到花纹沟面积相似度。
求取花纹沟相对面积相似度,花纹沟相对面积指的是花纹沟的面积相对于花纹表面面积的比重,花纹沟相对面积可以反映花纹沟部分消失的情况。
获取待检测轮胎的花纹沟区域内像素点数量为花纹沟区域的面积,获取待检测轮胎的花纹表面区域内像素点数量为花纹表面区域的面积;同理,获取正常轮胎的正常花纹沟区域和正常花纹表面区域的面积。
花纹沟区域和花纹表面区域的面积之比为第一面积占比;正常花纹沟区域和正常花纹表面区域的面积之比为第二面积占比;第一面积占比和第二面积占比的相似度为花纹沟面积相似度。
该花纹沟面积相似度的计算公式为:
其中,为第一面积占比;/>为第二面积占比;/>为花纹沟面积相似度的调节参数。在本发明实施例中,花纹沟面积相似度的调节参数的取值为10,在其他实施例中实施者可根据实际情况调整该取值。
步骤S303,获取花纹沟区域的直线边缘,在直线边缘两侧划分区域,计算每个区域之间的灰度变化率,花纹沟区域和正常花纹沟区域的灰度变化率差异得到花纹沟尖锐度相似度。
计算花纹沟边缘点内外两侧的灰度渐变速率来表征花纹沟的尖锐度,正常的轮胎的边缘比较尖锐,而受磨损的轮胎的边缘会钝化,在轮胎灰度图像中表现为边缘区域的灰度变化速率很大,有磨损的轮胎边缘比较平滑,在轮胎灰度图像中表现为边缘区域的灰度变化速率很小。
首先采用霍夫变换提取待检测花纹沟区域中的直线边缘,以直线边缘为中心,按照边缘间隔在直线的两侧用平行于直线边缘的且于直线边缘长短相同的边缘划分区域,也即沿着直线边缘的垂线的方向每间隔三个像素点获取一条与直线边缘平行且长短相同的边缘,进而划分区域。在直线边缘的左右两侧均划分三个区域,一共划分为六个区域。
计算每个区域之间的灰度变化率。具体的:获取这每个区域的灰度均值作为该区域灰度层级,进一步的,计算待检测轮胎的灰度变化率。
该灰度变化率的计算公式为:
其中,为第/>个区域的灰度均值;/>为边缘间隔。
对待检测轮胎的花纹沟区域中的所有直线边缘均求灰度变化率,并计算所有直线边缘对应的灰度变化率均值作为花纹沟区域的灰度变化率均值。
该花纹沟尖锐度相似度的计算公式为:
其中,为花纹沟区域的灰度变化率均值;/>为正常花纹沟区域的灰度变化率均值;/>为花纹沟尖锐度相似度的调节参数。在本发明实施例中,花纹沟尖锐度相似度的调节参数的取值为1,在其他实施例中实施者可根据实际情况调整该取值。
步骤S304,根据花纹沟区域和正常花纹沟区域的宽度差异得到花纹沟宽度相似度。
花纹沟相对宽度可以反映花纹沟的粗细程度,一定程度上也可以反映待检测轮胎的结构上的磨损程度。
基于任意花纹沟区域的多个边缘点,判断边缘点是否共线。具体的:以任意边缘点为中心,在最小半径内寻找邻域内的边缘点。在本发明实施例中最小半径为5,在其他实施例中实施者可根据实际情况调整该取值,最小半径的设置应小于花纹沟的宽度。将得到的最小半径内的/>个边缘点按照列坐标的大小排序,连接第一个边缘点和最后一个边缘点得到一条线段作为基线/>。进一步的,计算除第一个边缘点和最后一个边缘点外的/>个边缘点到基线/>的点到基线距离,当/>个边缘点的点到基线距离均小于预设距离阈值时,认为这/>个边缘点共线。在本发明实施例中预设距离阈值为3,在其他实施例中实施者可根据实际情况调整该取值。
基于共线的边缘点,拟合共线的个边缘点得到拟合直线,也即对共线的/>个边缘点进行最小二乘法拟合得到拟合直线,作拟合直线的垂线。以垂线和拟合直线的交点为起始点,沿着垂线方向获取起始点两侧的像素点的灰度值,将灰度值小的像素点所在的一侧作为起始方向。需要说明的是,获取起始方向即获取花纹沟内部的方向,由于花纹沟内部颜色较深,故起始点两侧灰度值小的像素点为花纹沟内部的点,灰度值大的像素点为花纹沟外侧的点。
沿着起始方向,找到垂线上与起始点的灰度差值大于预设灰度阈值的点作为终止点。在本发明实施例中预设灰度阈值为40。需要说明的是,找大于预设灰度阈值的点作为终止点是因为花纹沟区域和花纹表面区域的像素点的像素值相差较大,故认为大于预设灰度阈值的点为花纹沟和花纹表面的临界点,在终止点之前的小于预设灰度阈值的像素点仍为花纹沟内部的像素点。
起始点和终止点的距离为花纹沟区域的宽度。获取多个花纹沟区域的宽度均值,花纹沟区域的宽度均值和正常花纹沟区域的宽度均值的相似度为花纹沟宽度相似度。
该花纹沟宽度相似度的计算公式为:
其中,为花纹沟区域的宽度均值;/>为正常花纹沟区域的宽度均值;为花纹沟宽度相似度的调节参数。在本发明实施例中,花纹沟宽度相似度的调节参数的取值为0.2,在其他实施例中实施者可根据实际情况调整该取值。
步骤S305,花纹沟灰度相似度、花纹沟面积相似度、花纹沟尖锐度相似度和花纹沟宽度相似度加权求和得到结构磨损程度。
该结构磨损程度的计算公式为:
其中,为花纹沟灰度相似度;/>为花纹沟尖锐度相似度;/>为花纹沟宽度相似度;/>为花纹沟面积相似度;/>为自然常数;/>为花纹沟灰度相似度的权重;/>为花纹沟尖锐度相似度的权重;/>为花纹沟宽度相似度的权重;/>为花纹沟面积相似度的权重。在本发明实施例中,花纹沟灰度相似度的权重/>的取值为0.3;花纹沟尖锐度相似度的权重的取值为0.2;花纹沟宽度相似度的权重的取值为0.3;花纹沟面积相似度的权重的取值为0.2。
步骤S400,基于花纹表面区域,由花纹表面区域的各像素点对应的灰度共生矩阵的特征参数构成像素点的特征向量;根据花纹表面区域和正常花纹表面区域的像素点的特征向量差异得到材料磨损程度。
得到结构上的结构磨损程度后,进一步的获取材料上的材料磨损程度。材料上的磨损主要反映在花纹表面区域的纹理特征变化上,采用灰度共生矩阵对花纹表面区域进行特征描述,并计算相对于正常花纹表面区域的材料磨损程度。
首先,对花纹表面区域进行灰度级量化。在本发明实施例将灰度量化成8级,在其他实施例中实施者可根据实际情况调整该取值。在花纹表面区域内选择的滑动窗口滑动。对于花纹表面区域内任意像素点/>,对于该点的灰度共生矩阵的方向取/>,/>,,/>四个方向,也即获取花纹表面区域各像素点对应四个方向的四个初始灰度共生矩阵。
进一步,将四个初始灰度共生矩阵求均值得到各像素点对应的最终的灰度共生矩阵。
由灰度共生矩阵的能量、对比度/>、逆差矩/>和熵/>构成像素点对应的灰度共生矩阵的特征向量/>。
先求取灰度共生矩阵的能量,该值反映了纹理的均匀程度和粗细程度,对灰度共生矩阵/>中的每个元素求平方和;然后求取灰度共生矩阵的对比度/>,该值反应像素与其周围像素的亮度对比情况,如果纹理沟纹越深,对比度越大;进一步的,求取灰度共生矩阵的逆差矩/>,逆差矩可以反映图像纹理的同质性,如果逆差矩大说明局部的图像纹理分布的比较均匀;最后求取灰度共生矩阵的熵/>,熵可以反映图像纹理的信息量,如果灰度共生矩阵中的元素分布比较分散,熵越大。
得到花纹表面区域上每个像素点的特征向量,对每个像素点的特征向量在四个维度上分别求均值得到平均特征向量值,同理计算正常花纹表面区域的在四个维度上的平均特征向量值。
根据花纹表面区域和正常花纹表面区域的平均特征向量值差异得到纹理特征相似度,对该纹理特征相似度进行取值范围调节,得到结构磨损程度。
纹理特征相似度的计算公式为:
其中,为花纹表面区域上像素点在第/>个维度上的平均特征向量值;为正常花纹表面区域上像素点在第/>个维度上的平均特征向量值;/>为材料磨损程度的调节参数。在本发明实施例中该材料磨损程度的调节参数为50,在其他实施例中实施者可根据实际情况调整该取值。
材料磨损程度的计算公式为:
其中,为纹理特征相似度;/>为自然常数。
其中,材料磨损程度反应了材料上的磨损程度/>与纹理特征相似度/>的相对关系,纹理特征相似度/>越大说明待检测轮胎与正常轮胎的纹理越接近,材料磨损程度越小。
步骤S500,结构磨损程度和材料磨损程度加权求和得到轮胎磨损程度。
结合待检测轮胎的结构磨损程度和材料磨损程度进而得到轮胎的轮胎磨损程度。
该轮胎磨损程度的计算公式为:
其中,为结构磨损程度;/>为材料磨损程度;/>为结构磨损程度权重;/>为材料磨损程度权重。在本发明实施例中结构磨损程度权重/>的取值为0.7,材料磨损程度权重的取值为0.3,在其他实施例中可根据实际情况调整该取值。
根据得到的轮胎磨损程度的大小将轮胎的磨损程度分为三个程度:轻度磨损、中度磨损和重度磨损。在本发明实施例中,当轮胎磨损程度的取值在时,该轮胎磨损程度对应的轮胎的磨损程度为轻度磨损;当轮胎磨损程度的取值在/>时,该轮胎磨损程度对应的轮胎的磨损程度为中度磨损;当轮胎磨损程度的取值在/>时,该轮胎磨损程度对应的轮胎的磨损程度为重度磨损。
综上所述,本发明利用数据处理技术。该方法是一种应用电子设备进行识别的方法,利用生产领域人工智能系统完成轮胎磨损程度检测。首先获取轮胎图像中的轮胎区域;分割轮胎区域得到花纹沟区域和花纹表面区域;根据花纹沟区域和正常花纹沟区域的灰度差异得到花纹沟灰度相似度;根据花纹沟区域和正常花纹沟区域的面积占比差异得到花纹沟面积相似度;根据花纹沟区域和正常花纹沟区域的灰度变化率差异得到花纹沟尖锐度相似度;根据花纹沟区域和正常花纹沟区域的宽度差异得到花纹沟宽度相似度;花纹沟灰度相似度、花纹沟面积相似度、花纹沟尖锐度相似度和花纹沟宽度相似度加权求和得到结构磨损程度;基于花纹表面区域,由花纹表面区域的各像素点对应窗口的灰度共生矩阵的特征参数构成像素点的特征向量;根据花纹表面区域和正常花纹表面区域的像素点的特征向量差异得到材料磨损程度;结构磨损程度和材料磨损程度加权求和得到轮胎磨损程度。本发明实施例通过分析待检测轮胎的结构磨损程度和材料磨损程度,进而得到轮胎的磨损程度,达到了实时获取轮胎实际磨损程度的目的,同时还提高了轮胎磨损程度效率和精准度。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种轮胎磨损度检测方法,其特征在于,该方法包括以下步骤:
获取轮胎图像,对所述轮胎图像预处理得到轮胎区域;
分割所述轮胎区域得到花纹沟区域和花纹表面区域;
基于所述花纹沟区域,根据所述花纹沟区域和正常花纹沟区域的灰度差异得到花纹沟灰度相似度;根据所述花纹沟区域和正常花纹沟区域的面积占比差异得到花纹沟面积相似度;获取花纹沟区域的直线边缘,在所述直线边缘两侧划分区域,计算每个区域之间的灰度变化率,所述花纹沟区域和正常花纹沟区域的灰度变化率差异得到花纹沟尖锐度相似度;根据所述花纹沟区域和正常花纹沟区域的宽度差异得到花纹沟宽度相似度;所述花纹沟灰度相似度、所述花纹沟面积相似度、所述花纹沟尖锐度相似度和所述花纹沟宽度相似度加权求和得到结构磨损程度;
基于所述花纹表面区域,由所述花纹表面区域的各像素点对应的灰度共生矩阵的特征参数构成像素点的特征向量;根据所述花纹表面区域和正常花纹表面区域的像素点的特征向量差异得到材料磨损程度;
所述结构磨损程度和所述材料磨损程度加权求和得到轮胎磨损程度;
所述根据所述花纹沟区域和正常花纹沟区域的灰度差异得到花纹沟灰度相似度,包括:
计算花纹沟区域的第一灰度均值和正常花纹沟区域的第二灰度均值;所述第一灰度均值和所述第二灰度均值的相似度为花纹沟灰度相似度;
所述花纹沟灰度相似度的计算公式为:
其中,为第一灰度均值;/>为第二灰度均值;/>为花纹沟灰度相似度的调节参数;
所述根据所述花纹沟区域和正常花纹沟区域的面积占比差异得到花纹沟面积相似度,包括:
所述花纹沟区域和所述花纹表面区域的面积之比为第一面积占比;所述正常花纹沟区域和正常花纹表面区域的面积之比为第二面积占比;所述第一面积占比和所述第二面积占比的相似度为花纹沟面积相似度;
所述花纹沟面积相似度的计算公式为:
其中,为第一面积占比;/>为第二面积占比;/>为花纹沟面积相似度的调节参数;
采用霍夫变换提取待检测花纹沟区域中的直线边缘,以直线边缘为中心,按照边缘间隔在直线的两侧用平行于直线边缘的且与直线边缘长短相同的边缘划分区域,在直线边缘的左右两侧均划分三个区域,一共划分六个区域;
计算每个区域之间的灰度变化率,所述灰度变化率的计算公式为:
其中,为第/>个区域的灰度均值;/>为边缘间隔;
所述花纹沟尖锐度相似度的计算公式为:
其中,为花纹沟区域的灰度变化率均值;/>为正常花纹沟区域的灰度变化率均值;为花纹沟尖锐度相似度的调节参数;
所述根据所述花纹沟区域和正常花纹沟区域的宽度差异得到花纹沟宽度相似度,包括:
基于任意花纹沟区域的多个边缘点,判断边缘点是否共线;
基于共线的边缘点,拟合共线的边缘点得到拟合直线,作所述拟合直线的垂线;以所述垂线和拟合直线的交点为起始点,沿着垂线方向获取起始点两侧的像素点的灰度值,灰度值小的像素点所在的一侧为起始方向;沿着所述起始方向,找到所述垂线上与所述起始点的灰度差值大于预设灰度阈值的点作为终止点;
所述起始点和所述终止点的距离为花纹沟区域的宽度;
获取多个花纹沟区域的宽度均值,花纹沟区域的宽度均值和正常花纹沟区域的宽度均值的相似度为花纹沟宽度相似度;
所述花纹沟宽度相似度的计算公式为:
其中,为花纹沟区域的宽度均值;/>为正常花纹沟区域的宽度均值;/>为花纹沟宽度相似度的调节参数。
2.根据权利要求1所述的一种轮胎磨损度检测方法,其特征在于,所述分割所述轮胎区域得到花纹沟区域和花纹表面区域,包括:
利用边缘检测算法对所述轮胎区域进行边缘提取得到多条花纹边缘;利用大津阈值分割法得到灰度阈值,基于所述灰度阈值,将所述轮胎区域的像素点分为两类;计算两类像素点的像素均值,最大像素均值对应的像素点为花纹表面像素点,最小像素均值对应的像素点为花纹沟像素点;
结合所述花纹表面像素点和所述花纹边缘得到所述花纹表面区域;结合所述花纹沟像素点和所述花纹边缘得到所述花纹沟区域。
3.根据权利要求1所述的一种轮胎磨损度检测方法,其特征在于,所述由所述花纹表面区域的各像素点对应的灰度共生矩阵的特征参数构成像素点的特征向量,包括:
获取花纹表面区域各像素点对应四个方向的四个初始灰度共生矩阵;
将所述四个初始灰度共生矩阵求均值得到各像素点对应的灰度共生矩阵;
由所述灰度共生矩阵的能量、对比度、逆差矩和熵构成像素点对应的灰度共生矩阵的特征向量。
4.根据权利要求1所述的一种轮胎磨损度检测方法,其特征在于,所述花纹沟灰度相似度、所述花纹沟面积相似度、所述花纹沟尖锐度相似度和所述花纹沟宽度相似度加权求和得到结构磨损程度,包括:
所述结构磨损程度的计算公式为:
其中,为所述结构磨损程度;/>为所述花纹沟灰度相似度;/>为所述花纹沟尖锐度相似度;/>为所述花纹沟宽度相似度;/>为所述花纹沟面积相似度;/>为自然常数;/>为所述花纹沟灰度相似度的权重;/>为所述花纹沟尖锐度相似度的权重;/>为所述花纹沟宽度相似度的权重;/>为所述花纹沟面积相似度的权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211037254.1A CN115100510B (zh) | 2022-08-29 | 2022-08-29 | 一种轮胎磨损度识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211037254.1A CN115100510B (zh) | 2022-08-29 | 2022-08-29 | 一种轮胎磨损度识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115100510A CN115100510A (zh) | 2022-09-23 |
CN115100510B true CN115100510B (zh) | 2024-02-13 |
Family
ID=83300106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211037254.1A Active CN115100510B (zh) | 2022-08-29 | 2022-08-29 | 一种轮胎磨损度识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115100510B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117876382A (zh) * | 2024-03-13 | 2024-04-12 | 咸阳黄河轮胎橡胶有限公司 | 一种汽车轮胎胎面花纹缺陷检测系统和方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111985559A (zh) * | 2020-08-19 | 2020-11-24 | 合肥工业大学 | 一种基于边界特性的轮胎花纹结构相似性检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101534259B1 (ko) * | 2015-01-29 | 2015-07-06 | 주식회사 다인 | 타이어 마모도 측정 방법 및 그 장치 |
-
2022
- 2022-08-29 CN CN202211037254.1A patent/CN115100510B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111985559A (zh) * | 2020-08-19 | 2020-11-24 | 合肥工业大学 | 一种基于边界特性的轮胎花纹结构相似性检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115100510A (zh) | 2022-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117173189B (zh) | 一种铝合金表面抛光效果视觉检测系统 | |
CN115861135B (zh) | 一种应用于箱体全景探测的图像增强及识别方法 | |
CN107862667B (zh) | 一种基于高分辨率遥感影像的城市阴影检测与去除方法 | |
CN116092013B (zh) | 一种用于智慧监控的危险路况识别方法 | |
CN113963042B (zh) | 基于图像处理的金属零件缺陷程度评估方法 | |
CN115861291B (zh) | 基于机器视觉的贴片电路板生产缺陷检测方法 | |
CN109658391B (zh) | 一种基于轮廓归并和凸包拟合的圆半径测量方法 | |
CN116137036B (zh) | 基于机器学习的基因检测数据智能处理系统 | |
CN110427979B (zh) | 基于K-Means聚类算法的道路水坑识别方法 | |
CN115100510B (zh) | 一种轮胎磨损度识别方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN115511907B (zh) | 一种用于led屏幕的划痕检测方法 | |
CN116402810B (zh) | 基于图像处理的润滑油抗磨粒质量检测方法 | |
CN115797473B (zh) | 一种土建工程用混凝土成型评估方法 | |
CN117036341A (zh) | 一种基于图像处理的路面裂缝检测方法 | |
CN111709426B (zh) | 一种基于轮廓和纹理的硅藻识别方法 | |
CN110717900A (zh) | 基于改进Canny边缘检测算法的受电弓磨耗检测方法 | |
CN110348307B (zh) | 一种起重机金属结构攀爬机器人的路径边缘识别方法及系统 | |
CN115131356A (zh) | 一种基于丰富度的钢板缺陷分类方法 | |
CN117197127B (zh) | 一种基于机器视觉的汽车端子检测方法 | |
CN117710399A (zh) | 一种基于视觉的地质调查中裂缝轮廓提取方法 | |
CN110647843B (zh) | 一种人脸面部图像处理方法 | |
CN115512310A (zh) | 一种基于视频监控下车脸特征的车型识别方法及系统 | |
CN111611930B (zh) | 一种基于光照一致的车位线检测方法 | |
CN110929757B (zh) | 一种沥青路面裂缝类型快速分类方法 |
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 |