CN116839947A - 基于胎纹深度检测的轮胎寿命预估方法及装置 - Google Patents

基于胎纹深度检测的轮胎寿命预估方法及装置 Download PDF

Info

Publication number
CN116839947A
CN116839947A CN202310803983.1A CN202310803983A CN116839947A CN 116839947 A CN116839947 A CN 116839947A CN 202310803983 A CN202310803983 A CN 202310803983A CN 116839947 A CN116839947 A CN 116839947A
Authority
CN
China
Prior art keywords
edge
pattern
tire
tread
depth
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.)
Pending
Application number
CN202310803983.1A
Other languages
English (en)
Inventor
金立生
张洪瑜
谢宪毅
郭柏苍
张耀铎
刘家国
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yanshan University
Original Assignee
Yanshan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yanshan University filed Critical Yanshan University
Priority to CN202310803983.1A priority Critical patent/CN116839947A/zh
Publication of CN116839947A publication Critical patent/CN116839947A/zh
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60C—VEHICLE TYRES; TYRE INFLATION; TYRE CHANGING; CONNECTING VALVES TO INFLATABLE ELASTIC BODIES IN GENERAL; DEVICES OR ARRANGEMENTS RELATED TO TYRES
    • B60C11/00—Tyre tread bands; Tread patterns; Anti-skid inserts
    • B60C11/24—Wear-indicating arrangements
    • B60C11/246—Tread wear monitoring systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/22—Measuring arrangements characterised by the use of optical techniques for measuring depth
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mechanical Engineering (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及车辆轮胎监测技术领域，公开了一种基于胎纹深度检测的轮胎寿命预估方法及装置，所述利用非线性边缘保护滤波算法去除胎面图像中的噪点，并进行花纹边缘检测，获得胎面区域及花纹边缘；其中，所述胎面图像为预先采集得到的；根据所述胎面区域及花纹边缘生成等比例的边缘特征平滑曲线；根据所述边缘特征平滑曲线获取花纹边缘像素坐标，并根据所述花纹边缘像素坐标计算花纹深度；根据所述花纹深度预测轮胎寿命，并生成轮胎检测报告。可以实现胎面花纹快速、准确检测，轮胎寿命可靠预测，降低交通事故发生率。

Description

基于胎纹深度检测的轮胎寿命预估方法及装置
技术领域
本申请涉及车辆轮胎监测技术领域，具体涉及一种基于胎纹深度检测的轮胎寿命预估方法及装置。
背景技术
轮胎是汽车的重要组成部件之一，胎面花纹因其能够影响到轮胎抓地力水平和胎面排水能力，对保证汽车行驶稳定性与舒适性有重要意义。据统计与车辆轮胎故障相关的交通事故中，有25％的事故原因为胎面花纹深度过浅，轮胎性能下降。合理的花纹类型与花纹深度可以有效避免轮胎滑水现象，保证制动性能和操控性能。同时，胎面花纹深度数值是轮胎使用安全性与寿命估计的重要依据之一。
因此，在实际应用中需要对胎面花纹进行测量，获取胎面花纹深度数值，以评判轮胎使用安全性与寿命。但是现有的胎面花纹深度测量，多采用深度尺进行接触式测量，准确率低、依赖经验且操作不便，难以满足轮胎寿命估计的需求。
发明内容
本申请实施例提供了一种基于胎纹深度检测的轮胎寿命预估方法，以解决现有技术中，现有的胎面花纹深度测量，多采用深度尺进行接触式测量，准确率低、依赖经验且操作不便，难以满足轮胎寿命估计的需求的问题。
相应的，本申请实施例还提供了一种基于胎纹深度检测的轮胎寿命预估装置、一种电子设备、一种计算机可读存储介质，用于保证上述方法的实现及应用。
为了解决上述技术问题，本申请实施例公开了一种基于胎纹深度检测的轮胎寿命预估方法，所述方法包括：
利用非线性边缘保护滤波算法去除胎面图像中的噪点，并进行花纹边缘检测，获得胎面区域及花纹边缘；所述胎面图像为预先采集得到的；
根据所述胎面区域及花纹边缘生成等比例的边缘特征平滑曲线；
根据所述边缘特征平滑曲线获取花纹边缘像素坐标，并根据所述花纹边缘像素坐标计算花纹深度；
根据所述花纹深度预测轮胎寿命，并生成轮胎检测报告。
本申请实施例还公开了一种基于胎纹深度检测的轮胎寿命预估装置，所述装置包括：
图像检测客户端，用于利用非线性边缘保护滤波算法去除胎面图像中的噪点，并进行花纹边缘检测，获得胎面区域及花纹边缘；所述胎面图像为预先采集得到的；
图像检测客户端，还用于根据所述胎面区域及花纹边缘生成等比例的边缘特征平滑曲线；
图像检测客户端，还用于根据所述边缘特征平滑曲线获取花纹边缘像素坐标，并根据所述花纹边缘像素坐标计算花纹深度；
云服务器报告生成端，用于根据所述花纹深度预测轮胎寿命，并生成轮胎检测报告。
本申请实施例还公开了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现本申请实施例中一个或多个所述的方法。
本申请实施例还公开了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现如本申请实施例中一个或多个所述的方法。
本申请实施例中，利用非线性边缘保护滤波算法去除胎面图像中的噪点，并进行花纹边缘检测，获得胎面区域及花纹边缘；其中，所述胎面图像为预先采集得到的；根据所述胎面区域及花纹边缘生成等比例的边缘特征平滑曲线；根据所述边缘特征平滑曲线获取花纹边缘像素坐标，并根据所述花纹边缘像素坐标计算花纹深度；根据所述花纹深度预测轮胎寿命，并生成轮胎检测报告。可以实现胎面花纹快速、准确检测，轮胎寿命可靠预测，降低交通事故发生率。
本申请实施例附加的方面和优点将在下面的描述部分中给出，这些将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例提供的基于胎纹深度检测的轮胎寿命预估方法的流程图；
图2为本申请实施例提供的采集胎面图像的流程图；
图3为本申请实施例提供的计算花纹深度的流程图；
图4为本申请实施例提供的生成预测轮胎寿命的流程图；
图5为本申请实施例提供的生成轮胎检测报告的流程图；
图6为本申请实施例提供的基于胎纹深度检测的轮胎寿命预估装置的结构示意图；
图7为本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组合。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
本申请实施例所提供的方案可以由任一电子设备执行，如可以是终端设备，也可以是服务器，其中，服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。对于现有技术中所存在的技术问题，本申请提供的基于胎纹深度检测的轮胎寿命预估方法及装置，旨在解决现有技术的技术问题中的至少一项。
车辆轮胎按胎体结构可分为充气轮胎和实心轮胎。目前的绝大部分轿车、货运车辆、客车和挂车所采用的都是充气轮胎，实心轮胎一般仅应用于良好路面行驶的低速重载车辆。
同时，充气轮胎的结构一般包括胎体、胎圈、胎面三部分。其中胎体是轮胎的基体，其尺寸与结构直接影响轮胎性能；胎圈是轮胎轮辋与胎体的过渡区，通常采用橡胶与钢丝构成，具有一定的强度和刚度；胎面是轮胎与路面接触的外层结构，具有良好的耐冲击与耐磨损的能力。
胎面由胎冠、胎肩、胎侧组成。其中胎冠是轮胎与路面直接接触的部分，其表面由凹凸形状的花纹构成，目的在于实现胎面的排水和排污,在不同工况下行驶时，保证轮胎与路面的良好的附着性能，实现力与力矩的传递。胎冠直接承受载荷和摩擦，需要采用耐磨橡胶进行制造。
另外充气轮胎根据帘线排列方向的不同有以下分类：普通斜交胎、子午线胎；根据宏观结构的不同有以下分类：有内胎型和无内胎型；按胎压大小有以下分类：高压、低压和超低压；按胎面花纹的不同有以下分类：普通花纹、混合花纹和越野花纹。
综上所述，车辆运行环境下，胎面的胎冠花纹是直接接触地面的部件，由于非结构化道路的存在，轮胎可能会出现重大磨损或异常磨损，降低轮胎寿命进而影响行车安全性。然而，现有的胎面花纹深度测量，多采用深度尺进行接触式测量，准确率低、依赖经验且操作不便。难以满足对轮胎磨损的快速检测与较为准确的寿命预测的需求。
下面以具体实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
本申请实施例提供了一种可能的实现方式，如图1所示，提供了一种基于胎纹深度检测的轮胎寿命预估方法的流程图。
如图1中所示，该方法可以包括以下步骤：
步骤101，利用非线性边缘保护滤波算法去除胎面图像中的噪点，并进行花纹边缘检测，获得胎面区域及花纹边缘。
其中，所述胎面图像为预先采集得到的。
非线性边缘保护滤波算法可以大幅度降除胎面图像中的噪点，可以提高胎面图像的清晰度和质量，以及便于后续对花纹边缘进行检测，进而获取到较为精确的胎面区域及花纹边缘。
步骤102，根据所述胎面区域及花纹边缘生成等比例的边缘特征平滑曲线。
步骤103，根据所述边缘特征平滑曲线获取花纹边缘像素坐标，并根据所述花纹边缘像素坐标计算花纹深度。
根据与花纹边缘等比例的边缘特征平滑曲线，便于利用曲线的斜率特性确定花纹边缘处的高低处的坐标，进而实现花纹深度值的计算。
步骤104，根据所述花纹深度预测轮胎寿命，并生成轮胎检测报告。
根据花纹深度生成的轮胎检测报告可以直观可视化地展现轮胎的相关性能，且根据花纹深度预测轮胎寿命，可以降低轮胎性能下降引发交通事故的可能性。
本申请实施例中，可以利用图像检测客户端执行步骤101-步骤103中的操作，获得花纹边缘及花纹深度等图像信息。可以利用云服务器报告生成端执行步骤104中的操作，具体地，可以将图像检测客户端获得的花纹边缘及花纹深度等图像信息传输到云服务器报告生成端，在云服务器报告生成端生成轮胎检测报告以及预测轮胎寿命。其中，图像检测客户端可以为手机、电脑等设备；云服务器报告生成端(简称云端)可以为与手机、电脑等设备通讯连接的服务器。
本申请实施例中，利用非线性边缘保护滤波算法去除胎面图像中的噪点，并进行花纹边缘检测，获得胎面区域及花纹边缘；其中，所述胎面图像为预先采集得到的；根据所述胎面区域及花纹边缘生成等比例的边缘特征平滑曲线；根据所述边缘特征平滑曲线获取花纹边缘像素坐标，并根据所述花纹边缘像素坐标计算花纹深度；根据所述花纹深度预测轮胎寿命，并生成轮胎检测报告。可以实现胎面花纹快速、准确检测，轮胎寿命可靠预测，降低交通事故发生率。
图2为本申请实施例提供的采集胎面图像的流程图；参照图2，在一个可选的实施例中，所述利用非线性边缘保护滤波算法去除胎面图像中的噪点，并进行花纹边缘检测，获得胎面区域及花纹边缘之前，所述方法还包括：
利用光敏传感器检测目标环境亮度，并控制补光灯组进行亮度补偿；
识别目标胎面，获取感兴趣区域，并针对所述感兴趣区域采集获得所述胎面图像。
最后，进行图像存储与传输，即将所述胎面图像存储并传输到图像检测端。
可选地，可以通过单片机控制补光灯组进行亮度补偿，对光敏传感器、单片机、补光灯组进行基础电路连接。其中，光敏传感器的VCC接口、GND接口分别连接到5V供电口以及GND口；光敏传感器内设有光敏电阻，光敏电阻的模拟信号输出口(Analog Output)接入单片机的模拟信号输入口(Analog In)；单片机的数字脉宽调制器(Digital PWM)接入补光灯组正极，GND接口连接补光灯组负极。
单片机可以根据光敏传感器的检测的目标环境亮度，判断是否需要进行亮度补偿，若需要，则控制补光灯组工作，并根据目标环境亮度控制补灯光组的亮度，使得目标环境的亮度满足图像采集需求，以提高采集的胎面图像的清晰度。
图3为本申请实施例提供的计算花纹深度的流程图；参照图3，在一个可选的实施例中，所述利用非线性边缘保护滤波算法去除胎面图像中的噪点，并进行边缘检测，获得胎面区域及花纹边缘，包括：
对所述胎面图像进行灰度化处理，获得灰度图像；
灰度化仅会改变胎面图像的颜色，不会改变相对位置而引起图像畸变。利用灰度化便于后续降噪处理以及边缘提取，同时可以将RGB三个通道数据从0-256*256*256压缩到0-255，可以极大较少运算量。以降低对手机、电脑等设备处理器的性能要求。结合机器视觉特性，示例性的，灰度化处理时为RGB通道设置不同权重按照0.299、0.587、0.144进行比例加权灰度，灰度公式可用下式所示：
Gray＝R×0.299+G×0.587+B×0.144
其中，R、G、B分别为三个通道数据。
根据灰度公式的计算结果，可生成胎面图像的灰度图像。
利用所述非线性边缘保护滤波算法计算所述灰度图像中像素点与预设像素点之间的像素差值和距离差值，并根据所述像素差值和所述距离差值对所述灰度图像进行非线性边缘保护滤波，生成滤波图像；即图3中所示的非线性边缘保护滤波。
可选地，所述的预设像素点可以为灰度图像中心的像素点。首先，分析各灰度图像中像素点与灰度图像中心像素点的像素差值，并在指数形式下平方，进行空间权重计算，空间权重计算可用下式表示：
其中，(a,b)为灰度图像中心像素点坐标，(x,y)为灰度图像中当前处理的像素点坐标。
其次，分析灰度图像中各像素点与灰度图像中心像素点的距离差值，在指数形式下进行距离权重计算，距离权重计算可用下式表示：
其中，(a,b)为灰度图像中心像素点坐标，(x,y)为灰度图像中当前处理的像素点坐标。
然后，综合上述空间权重和距离权重得到非线性边缘保护滤波核函数：
最后，综合空间权重与距离权重完成非线性边缘保护滤波，获得滤波图像，滤波过程可用下式表示：
其中，为归一化因子，/>为空间权重，/>为距离权重。
对所述滤波图像进行花纹边缘检测，获得所述胎面区域及所述花纹边缘。即图3中所示的花纹边缘提取。
本申请实施例中，线性边缘保护滤波算法可以大幅度降除胎面图片噪点，特别的，利用线性边缘保护滤波算法的权重中不仅考虑了像素的空间权重，还考虑了像素的距离权重，可以极大程度的降低滤波的语义信息损失；由于非线性边缘保护滤波核函数被设计为空间权重与距离权重的结合，可以更有效的保存胎面花纹边缘信息，极大的方便了后续的花纹边缘提取。
在一个可选的实施例中，所述对所述滤波图像进行花纹边缘检测，获得所述胎面区域及所述花纹边缘，包括：
利用索贝尔算子对所述滤波图像进行梯度计算，获得梯度幅值和方向；
具体地，Sobel算子在垂直方向以及水平方向计算公式如下：
其中，A为原始的滤波图像；Gx为经横向边缘检测的图像；Gy为经纵向边缘检测的图像；G为梯度幅值；θ为方向。
利用所述梯度幅值和所述方向对所述滤波图像进行非极大值抑制，并进行双阈值边界跟踪，获得所述胎面区域和所述花纹边缘。
对滤波图像进行双阈值边界跟踪，具体为：将滤波图像梯度低于弱阈值的点置为0，大于强阈值的点置为255；对于介于强弱阈值中间的点，提取其8邻域进行二次判断，若存在大于强阈值点置为255，不存在置为0。
结合上述实施例，参照图3，在一个可选的实施例中，所述根据所述胎面区域及花纹边缘生成等比例的边缘特征平滑曲线，包括：
根据所述胎面区域及所述花纹边缘生成等比例的边缘特征曲线；
采用五点三次曲线平滑法去除所述边缘特征曲线中的波动毛刺，获得所述边缘特征平滑曲线。
根据胎面区域及花纹边缘生成的等比例的边缘特征曲线内，会出现波动毛刺，波动毛刺会使得后续胎冠花纹深度检测中出现误差，因此，本申请实施例中采用五点三次曲线平滑法，去除波动毛刺，提高测量精准度。采用五点三次平滑法去除波动毛刺的处理过程(即图3中所示的五点三次曲线平滑处理)如下：
(1)在边缘特征曲线上循环等距抽取多组点，每组包含5个点；抽取的点如下：
(x0,x1,x2,x3,x4)；(x1,x2,x3,x4,x5)；……(xn-2,xn-1,xn,xn+1,xn+2)
(2)根据上述抽取点利用最小二乘原理确定三次多项式系数：a0,a1,a2,a3。
(3)利用上述确定的系数进行多项式拟合，拟合公式如下：
Y＝a0+a1(x-xi)+a2(x-xi)2+a3(x-xi)3
(4)判断平滑后边缘特征曲线中的波动毛刺是否仍然超过阈值，如果结果超过阈值则返回执行步骤(1)～(3)；如果结果小于阈值则保留平滑处理后的边缘特征曲线作为缘特征平滑曲线。
在一个可选的实施例中，所述根据所述边缘特征平滑曲线获取花纹边缘像素坐标，包括：
遍历所述边缘特征平滑曲线，获取上升沿和下降沿所在区间作为边沿区间；
若所述边沿区间的边沿起点与边沿终点的高度变化值大于或等于边沿阈值，则保留所述边沿区间，否则，去除所述边沿区间；
设定边沿阈值为H，当边沿起点与边沿终点的高度变化值小于H时，识别为误差并去除，具体如下式所示：
|Y1-Y0|＜H
其中，Y1,Y0分别为边沿起点和终点的特征高度。
在保留的所述边沿区间内确定拐点，并根据所述拐点确定花纹边缘像素坐标。
上述过程即图3中所示的“计算坐标点选取”。
可选地，在保留的边沿区间内遍历拐点，通过计算拐点处斜率判定拐点，其中，斜率大于0为上升沿起点，斜率效率0为下降沿起点；上升沿起点的下一个拐点为上升沿的终点，下降沿起点的下一个拐点为下降沿的终点；
将上述上升沿的起点和终点，以及下降沿的起点和终点的像素坐标作为四个花纹边缘像素坐标(X1,Y1)、(X2,Y2)、(X3,Y3)、(X4,Y4)。
在一个可选的实施例中，所述根据所述花纹边缘像素坐标计算花纹深度，包括：
根据所述花纹边缘像素坐标，计算花纹左边缘沟槽深度和花纹右边缘沟槽深度；通过计算Y1-Y2和Y3-Y4的值获得。
将所述花纹左边缘沟槽深度和所述花纹右边缘沟槽深度的平均值作为图像花纹深度；即图3中所示的“作差，计算花纹图像深度平均值”。
由于轮胎本身的结构特性以及内部气压高低而造成的曲面状态会导致两侧胎面到沟槽深度出现差异，因此本申请实施例进而采取计算两侧沟槽深度(即花纹右边缘沟槽深度)平均值的方式进行图片花纹深度计算。计算过程如下式所示：
根据所述图像花纹深度与预先获得的缩放系数，获得花纹深度。即图3中所示的“利用系数，计算花纹实际深度”。
可选地，首先判断云端中是否存在缩放系数；
若直接进行云端缩放系数读取；具体地，利用图像与实物之间的尺寸比例不变特性，可以在云端的数据库存储海量品牌胎面花纹原始状态标准深度样本，同时也存储其对应的缩放系数α。结合云端数据可以计算得到最终花纹深度，如下式所示：
l2＝αl1
若不存在，即如果图像检测端(手机等设备)无法从云端数据库读取与待检轮胎型号相符合的系数信息，则可以通过图像轮胎总宽度w1(即图3所示所示的“测量图像胎宽”)与轮胎实际测量总宽度w2(即图3所示所示的“测量实胎宽”)进行测量标定，进而得到比例系数α',将α'系数通过图像检测端手动输入并绑定后，测量出可靠的胎面花纹深度值，如下式所示：
可选地，可将计算得到的比例系数α'上传到云端，便于后续处理是直接从云端读取缩放系数。
本申请实施例中，整个检测胎面花纹深度的方法，检测标准统一，具有较高精确性、较高时效性、较强稳定性，可以极为方便的应用于传统汽车维护保养行业。
图4为本申请实施例提供的生成预测轮胎寿命的流程图，参照图4，在一个可选的实施例中，所述根据所述花纹深度预测轮胎寿命，包括：
判断目标轮胎是否为首次检测；
若是，则根据目标时间区间对应的实际行驶里程数、初始花纹深度以及剩余花纹深度计算轮胎磨损量，并根据所述轮胎磨损量预测轮胎寿命；
其中，所述初始花纹深度为所述目标时间区间的初始时间对应的花纹深度；所述剩余花纹深度为所述目标时间的终止时间对应的花纹深度；
具体地，根据目标时间区间实际行驶里程数，云端对应存储有轮胎样本初始花纹深度以及剩余轮胎花纹深度，求解轮胎磨损量，计算如下式所示：
其中，π为轮胎磨损量；γ为目标时间区间内实际行驶里程数；τy为初始花纹深度；τs为剩余花纹深度；τy-τs为目标时间区间花纹深度下降数值。
根据目标时间区间的轮胎磨损量π，即可计算该轮胎剩余预计行驶里程数，即计算剩余寿命里程。
否则，根据历史轮胎检测报告以及寿命影响因子预测轮胎寿命；
其中，所述历史轮胎检测报告包括历史时间区间对应的行驶里程数、所述历史时间区间的初始时间对应的花纹深度以及所述历史时间区间的终止时间对应的花纹深度；
所述寿命影响因子包括用以描述车辆连续工作对轮胎寿命影响的运营性质影响因素修正因子、用以描述包括车辆、路况、驾驶习惯在内的因素对轮胎寿命影像的车辆工况影响因子。
具体地，读取云端历史轮胎检测报告记录或用户手动上传历史轮胎检测报告记录，结合各次历史轮胎检测报告对应的历史时间区间的行驶公里数，进行轮胎寿命预测。其具体实现流程如下：
(1)分析各次历史时间区间轮胎磨损量，利用轮胎磨损量进行初步的寿命预测；
(2)分析各次历史时间区间轮胎花纹深度下降率信息，局部磨损情况变化趋势；
(3)云端利用BP神经网络推理驾驶员驾驶习惯、驾驶路况、驾驶速度、常用胎压、负荷状态等寿命影响因子权重，拟合轮胎寿命计算公式，从而实现精度较高的轮胎使用寿命预测。其计算模型示例如下式所示：
Lest＝(L-Ls)×w×H
H＝αp×βl×γf×θj×μc
其中：Lest为轮胎剩余寿命里程预测值；
L为轮胎基本寿命要求里程；
Ls为截止本次检测时间区间总计行驶里程；
w为运营性质影响因素修正因子，用于考虑出租车、网约车、运输车等营运性车辆长时间连续工作对轮胎寿命的影响，该因子一般值小于1，需要结合营运性质进行确定；
H为车辆工况影响因子，其中包括：
αp为胎压影响因素修正因子；
βl为路况影响因素修正因子，通过参考该车型常用行驶路况进行选择；
γf为负载影响因素修正因子；
θj为驾驶员驾驶习惯因素修正因子；
μc为车轮定位与悬挂因素修正因子。
在一个可选的实施例中，所述生成轮胎检测报告，包括：
将根据所述花纹边缘获得的胎面花纹划分为一个或多个检测区间，根据所述花纹深度确定每个检测区间的磨损程度；
本申请实施例中，可以将计算得到的花纹深度上传云端，生成胎面整体磨损、局部异常磨损、寿命预测、使用建议等报告。
图5为本申请实施例提供的生成轮胎检测报告的流程图；参照图5，将根据所述花纹边缘获得的胎面花纹划分为一个或多个检测区间(即图5中所示的胎面多区间划分)，针对每个检测区间进行磨损分析(即图5中所示的胎面局部磨损分析)，然后分析异常磨损。作为示例，可以将胎面花纹划分至4-5个检测区间，根据每个区间的花纹深度判定磨损较为严重的区域作为异常磨损区间，并针对异常磨损区间进行分析，生成异常磨损信息报告，并给出相关调整建议。具体地，若4-5个检测区间的检测结果中出现相较于整体磨损程度明显偏小的检测结果，如胎冠、胎肩、单侧等位置花纹深度明显偏低，将花纹深度明显偏低的检测区间作为异常磨损区间，并确定异常磨损区间的位置。同时根据胎面花纹曲线以及异常磨损区间位置判断异常磨损原因，并给出相关调整建议，具体状况与分析如下：
胎面中部比胎肩磨损快(中部磨损)：气压过高；
两侧胎肩比胎面中部磨损快(双肩磨损)：气压不足或长时间超载；
仅一侧胎肩磨损较快(单肩磨损)：车轮定位不准，悬挂不良，不良驾驶习惯；
胎面某一部分或几部分磨损较快：车轮定位不准，气压不足或超载；
胎纹凸块及条纹的边缘磨损：车轮定位不准(前轮前束)。
除此之外，还可以计算每个区间的磨损程度，可以通过计算检测区间内花纹深度占原始花纹深度的比例，来确定每个区间的磨损程度。
根据所有所述检测区间的所述磨损程度确定轮胎整体磨损程度；
可以将所有检测区间磨损程度的均值作为轮胎整体磨损程度。可选地，还可以直接计算胎面区域内所有胎面花纹的平均花纹深度占原始花纹深度(乘用车的原始花纹深度如-1.6mm，商用车的原始花纹深度如-2.4mm)的比例，作为轮胎整体磨损程度。
本申请实施例中所述的比例可以为百分比，可以根据轮胎整体磨损程度，生成轮胎检测报告，检测报告综合轮胎总体磨损程度给出状态良好、状态一般、中度磨损、重度磨损四个等级。例如，轮胎总体磨损程度≥70％，则判定为状态良好；轮胎总体磨损程度为50％～70％，则判定为状态一般；轮胎总体磨损程度为20％～50％，则判定为中度磨损；轮胎总体磨损程度为＜20％，则判定为重度磨损。
根据所述检测区间的磨损程度、轮胎整体磨损程度以及所述轮胎寿命生成所述轮胎检测报告。
具体地，根据检测区间的磨损程度确定异常磨损区间，并根据针对异常磨损区间给出的相关调整建议、以及轮胎的整体磨损程度、预测获得的轮胎寿命生成轮胎检测报告。且该轮胎检测报告可以作为后续预测对应轮胎寿命的基础(即作为历史检测报告进行后续轮胎寿命预测)。
在一个可选的实施例中，根据所述花纹深度预测轮胎寿命，并生成轮胎检测报告之后，所述方法还包括：
向驾驶员推送轮胎寿命临界预警信息。
本申请实施例中，可以使用直观可视化的方法提供相关轮胎检测报告，同时融合了多重轮胎寿命影响因子，可以实现较高精度的轮胎寿命预测。以及据此推送轮胎寿命临界提醒，有利于降低由于轮胎性能下降引发交通事故的可能性。
基于与本申请实施例所提供的方法相同的原理，本申请实施例还提供了一种基于胎纹深度检测的轮胎寿命预估装置，如图6所示，所述装置包括：
图像检测客户端，用于利用非线性边缘保护滤波算法去除胎面图像中的噪点，并进行花纹边缘检测，获得胎面区域及花纹边缘；所述胎面图像为预先采集得到的；
图像检测客户端，还用于根据所述胎面区域及花纹边缘生成等比例的边缘特征平滑曲线；
图像检测客户端，还用于根据所述边缘特征平滑曲线获取花纹边缘像素坐标，并根据所述花纹边缘像素坐标计算花纹深度；
根据与花纹边缘等比例的边缘特征平滑曲线，便于利用曲线的斜率特性确定花纹边缘处的高低处的坐标，进而实现花纹深度值的计算。
云服务器报告生成端，用于根据所述花纹深度预测轮胎寿命，并生成轮胎检测报告。
根据花纹深度生成的轮胎检测报告可以直观可视化地展现轮胎的相关性能，且根据花纹深度预测轮胎寿命，可以降低轮胎性能下降引发交通事故的可能性。
本申请实施例中，图像检测客户端可以为手机、电脑等设备；云服务器报告生成端(简称云端)可以为与手机、电脑等设备通讯连接的服务器。
本申请实施例中，图像检测客户端利用非线性边缘保护滤波算法去除胎面图像中的噪点，并进行花纹边缘检测，获得胎面区域及花纹边缘；其中，所述胎面图像为预先采集得到的；根据所述胎面区域及花纹边缘生成等比例的边缘特征平滑曲线；根据所述边缘特征平滑曲线获取花纹边缘像素坐标，并根据所述花纹边缘像素坐标计算花纹深度；云服务器报告生成端根据所述花纹深度预测轮胎寿命，并生成轮胎检测报告。可以实现胎面花纹快速、准确检测，轮胎寿命可靠预测，降低交通事故发生率。
在一个可选的实施例中，如图6所示，所述装置还包括：
图像采集端，用于利用光敏传感器检测目标环境亮度，并控制补光灯组进行亮度补偿；
图像采集端，还用于识别目标胎面，获取感兴趣区域，并针对所述感兴趣区域采集获得所述胎面图像。
所述图像采集端可以为手持的采集设备。可选地，如题6所示，所述图像采集端包括：
胎面识别单元，用于识别目标胎面，获取感兴趣区域；
胎面图像采集单元，用于针对感兴趣区域采集胎面图像；
图像存储与传输单元，用于存储采集的胎面图像，并传输至图像检测客户端。
在一个可选的实施例中，如图6所示，所述图像检测客户端包括：
图像处理单元，用于对所述胎面图像进行灰度化处理，获得灰度图像；
图像处理单元，还用于利用所述非线性边缘保护滤波算法计算所述灰度图像中像素点与预设像素点之间的像素差值和距离差值，并根据所述像素差值和所述距离差值对所述灰度图像进行非线性边缘保护滤波，生成滤波图像；
边缘提取单元，用于对所述滤波图像进行花纹边缘检测，获得所述胎面区域及所述花纹边缘。
在一个可选的实施例中，所述图像处理单元还包括：
第一图像处理子单元，用于利用索贝尔算子对所述滤波图像进行梯度计算，获得梯度幅值和方向；
第二图像处理子单元，用于利用所述梯度幅值和所述方向对所述滤波图像进行非极大值抑制，并进行双阈值边界跟踪，获得所述胎面区域和所述花纹边缘。
在一个可选的实施例中，如图6所示，所述图像检测客户端还包括：
特征曲线提取与平滑单元，用于根据所述胎面区域及所述花纹边缘生成等比例的边缘特征曲线；
特征曲线提取与平滑单元，还用于采用五点三次曲线平滑法去除所述边缘特征曲线中的波动毛刺，获得所述边缘特征平滑曲线。
在一个可选的实施例中，所述图像检测客户端还包括：
花纹边缘像素坐标获取单元，用于遍历所述边缘特征平滑曲线，获取上升沿和下降沿所在区间作为边沿区间；
花纹边缘像素坐标获取单元，还用于若所述边沿区间的边沿起点与边沿终点的高度变化值大于或等于边沿阈值，则保留所述边沿区间，否则，去除所述边沿区间；
花纹边缘像素坐标获取单元，还用于在保留的所述边沿区间内确定拐点，并根据所述拐点确定花纹边缘像素坐标。
在一个可选的实施例中，所述图像检测客户端还包括：
花纹深度计算单元，用于根据所述花纹边缘像素坐标，计算花纹左边缘沟槽深度和花纹右边缘沟槽深度；
花纹深度计算单元，还用于将所述花纹左边缘沟槽深度和所述花纹右边缘沟槽深度的平均值作为图像花纹深度；
花纹深度计算单元，还用于根据所述图像花纹深度与预先获得的缩放系数，获得花纹深度。
在一个可选的实施例中，所述云服务器报告生成端包括：
轮胎寿命预测单元，用于判断目标轮胎是否为首次检测；
若是，则根据目标时间区间对应的实际行驶里程数、初始花纹深度以及剩余花纹深度计算轮胎磨损量，并根据所述轮胎磨损量预测轮胎寿命；
否则，根据历史轮胎检测报告以及寿命影响因子预测轮胎寿命；
其中，所述初始花纹深度为所述目标时间区间的初始时间对应的花纹深度；所述剩余花纹深度为所述目标时间的终止时间对应的花纹深度；
所述历史轮胎检测报告包括历史时间区间对应的行驶里程数、所述历史时间区间的初始时间对应的花纹深度以及所述历史时间区间的终止时间对应的花纹深度；
所述寿命影响因子包括用以描述车辆连续工作对轮胎寿命影响的运营性质影响因素修正因子、用以描述包括车辆、路况、驾驶习惯在内的因素对轮胎寿命影像的车辆工况影响因子。
在一个可选的实施例中，所述云服务器报告生成端还包括：
报告生成单元，用于计算比例系数库，用于将根据所述花纹边缘获得的胎面花纹划分为一个或多个检测区间，根据所述花纹深度确定每个检测区间的磨损程度；
报告生成单元，还用于根据所有所述检测区间的所述磨损程度确定轮胎整体磨损程度；
报告生成单元，还用于根据所述检测区间的磨损程度、轮胎整体磨损程度以及所述轮胎寿命生成所述轮胎检测报告。
可选地，所述云服务器报告生成端还包括：
轮胎花纹深度样本库，用于接收所述图像检测客户端传输的花纹深度，并与对应轮胎、所述用户等进行绑定；
计算比例系数库，用于存储胎面图像的花纹深度与实际标准花纹深度的缩放系数；图像检测客户端可以从计算比例系数库中读取相应的缩放系数，将图像花纹深度转换为实际的花纹深度。
本申请实施例提供的基于胎纹深度检测的轮胎寿命预估装置能够实现图1至图5的方法实施例中实现的各个过程，为避免重复，这里不再赘述。
本申请实施例的基于胎纹深度检测的轮胎寿命预估装置可执行本申请实施例所提供的基于胎纹深度检测的轮胎寿命预估方法，其实现原理相类似，本申请各实施例中的基于胎纹深度检测的轮胎寿命预估装置中的各模块、单元所执行的动作是与本申请各实施例中的基于胎纹深度检测的轮胎寿命预估方法中的步骤相对应的，对于基于胎纹深度检测的轮胎寿命预估装置的各模块的详细功能描述具体可以参见前文中所示的对应的基于胎纹深度检测的轮胎寿命预估方法中的描述，此处不再赘述。
基于与本申请的实施例中所示的方法相同的原理，本申请实施例还提供了一种电子设备，该电子设备可以包括但不限于：处理器和存储器；存储器，用于存储计算机程序；处理器，用于通过调用计算机程序执行本申请任一可选实施例所示的基于胎纹深度检测的轮胎寿命预估方法。与现有技术相比，本申请提供的基于胎纹深度检测的轮胎寿命预估方法，利用非线性边缘保护滤波算法去除胎面图像中的噪点，并进行花纹边缘检测，获得胎面区域及花纹边缘；其中，所述胎面图像为预先采集得到的；根据所述胎面区域及花纹边缘生成等比例的边缘特征平滑曲线；根据所述边缘特征平滑曲线获取花纹边缘像素坐标，并根据所述花纹边缘像素坐标计算花纹深度；根据所述花纹深度预测轮胎寿命，并生成轮胎检测报告。可以实现胎面花纹快速、准确检测，轮胎寿命可靠预测，降低交通事故发生率。
在一个可选实施例中，还提供了一种电子设备，如图7所示，图7所示的电子设备700可以为服务器，包括：处理器701和存储器703。其中，处理器701和存储器703相连，如通过总线702相连。可选地，电子设备700还可以包括收发器704。需要说明的是，实际应用中收发器704不限于一个，该电子设备700的结构并不构成对本申请实施例的限定。
处理器701可以是CPU(Central Processing Unit，中央处理器)，通用处理器，DSP(Digital Signal Processor，数据信号处理器)，ASIC(Application SpecificIntegrated Circuit，专用集成电路)，FPGA(Field Programmable GateArray，现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器701也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线702可包括一通路，在上述组件之间传送信息。总线702可以是PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture，扩展工业标准结构)总线等。总线702可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器703可以是ROM(Read Only Memory，只读存储器)或可存储静态信息和指令的其他类型的静态存储设备，RAM(Random Access Memory，随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory，电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory，只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器703用于存储执行本申请方案的应用程序代码，并由处理器701来控制执行。处理器701用于执行存储器703中存储的应用程序代码，以实现前述方法实施例所示的内容。
其中，电子设备包括但不限于：移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等的移动终端以及诸如数字TV、台式计算机等的固定终端。图7示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
本申请提供的服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。
本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当其在计算机上运行时，使得计算机可以执行前述方法实施例中相应内容。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
需要说明的是，本申请上述的计算机可读存储介质还可以是计算机可读信号介质或者计算机可读存储介质与计算机可读存储介质的组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备执行上述实施例所示的方法。
根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选实现方式中提供的基于胎纹深度检测的轮胎寿命预估方法及装置。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，图像检测客户端还可以被描述为“用于用于根据所述胎面区域及花纹边缘生成等比例的边缘特征平滑曲线的图像检测客户端”。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种基于胎纹深度检测的轮胎寿命预估方法，其特征在于，所述方法包括：
利用非线性边缘保护滤波算法去除胎面图像中的噪点，并进行花纹边缘检测，获得胎面区域及花纹边缘；所述胎面图像为预先采集得到的；
根据所述胎面区域及花纹边缘生成等比例的边缘特征平滑曲线；
根据所述边缘特征平滑曲线获取花纹边缘像素坐标，并根据所述花纹边缘像素坐标计算花纹深度；
根据所述花纹深度预测轮胎寿命，并生成轮胎检测报告。
2.根据权利要求1所述的基于胎纹深度检测的轮胎寿命预估方法，其特征在于，所述利用非线性边缘保护滤波算法去除胎面图像中的噪点，并进行边缘检测，获得胎面区域及花纹边缘，包括：
对所述胎面图像进行灰度化处理，获得灰度图像；
利用所述非线性边缘保护滤波算法计算所述灰度图像中像素点与预设像素点之间的像素差值和距离差值，并根据所述像素差值和所述距离差值对所述灰度图像进行非线性边缘保护滤波，生成滤波图像；
对所述滤波图像进行花纹边缘检测，获得所述胎面区域及所述花纹边缘。
3.根据权利要求2所述的基于胎纹深度检测的轮胎寿命预估方法，其特征在于，所述对所述滤波图像进行花纹边缘检测，获得所述胎面区域及所述花纹边缘，包括：
利用索贝尔算子对所述滤波图像进行梯度计算，获得梯度幅值和方向；
利用所述梯度幅值和所述方向对所述滤波图像进行非极大值抑制，并进行双阈值边界跟踪，获得所述胎面区域和所述花纹边缘。
4.根据权利要求1所述的基于胎纹深度检测的轮胎寿命预估方法，其特征在于，所述根据所述胎面区域及花纹边缘生成等比例的边缘特征平滑曲线，包括：
根据所述胎面区域及所述花纹边缘生成等比例的边缘特征曲线；
采用五点三次曲线平滑法去除所述边缘特征曲线中的波动毛刺，获得所述边缘特征平滑曲线。
5.根据权利要求1所述的基于胎纹深度检测的轮胎寿命预估方法，其特征在于，所述根据所述边缘特征平滑曲线获取花纹边缘像素坐标，包括：
遍历所述边缘特征平滑曲线，获取上升沿和下降沿所在区间作为边沿区间；
若所述边沿区间的边沿起点与边沿终点的高度变化值大于或等于边沿阈值，则保留所述边沿区间，否则，去除所述边沿区间；
在保留的所述边沿区间内确定拐点，并根据所述拐点确定花纹边缘像素坐标。
6.根据权利要求5所述的基于胎纹深度检测的轮胎寿命预估方法，其特征在于，所述根据所述花纹边缘像素坐标计算花纹深度，包括：
根据所述花纹边缘像素坐标，计算花纹左边缘沟槽深度和花纹右边缘沟槽深度；
将所述花纹左边缘沟槽深度和所述花纹右边缘沟槽深度的平均值作为图像花纹深度；
根据所述图像花纹深度与预先获得的缩放系数，获得花纹深度。
7.根据权利要求1-6中任一项所述的基于胎纹深度检测的轮胎寿命预估方法，其特征在于，所述根据所述花纹深度预测轮胎寿命，包括：
判断目标轮胎是否为首次检测；
若是，则根据目标时间区间对应的实际行驶里程数、初始花纹深度以及剩余花纹深度计算轮胎磨损量，并根据所述轮胎磨损量预测轮胎寿命；
否则，根据历史轮胎检测报告以及寿命影响因子预测轮胎寿命；
其中，所述初始花纹深度为所述目标时间区间的初始时间对应的花纹深度；所述剩余花纹深度为所述目标时间的终止时间对应的花纹深度；
所述历史轮胎检测报告包括历史时间区间对应的行驶里程数、所述历史时间区间的初始时间对应的花纹深度以及所述历史时间区间的终止时间对应的花纹深度；
所述寿命影响因子包括用以描述车辆连续工作对轮胎寿命影响的运营性质影响因素修正因子、用以描述包括车辆、路况、驾驶习惯在内的因素对轮胎寿命影像的车辆工况影响因子。
8.根据权利要求1所述的基于胎纹深度检测的轮胎寿命预估方法，其特征在于，所述生成轮胎检测报告，包括：
将根据所述花纹边缘获得的胎面花纹划分为一个或多个检测区间，根据所述花纹深度确定每个检测区间的磨损程度；
根据所有所述检测区间的所述磨损程度确定轮胎整体磨损程度；
根据所述检测区间的磨损程度、轮胎整体磨损程度以及所述轮胎寿命生成所述轮胎检测报告。
9.根据权利要求1所述的基于胎纹深度检测的轮胎寿命预估方法，其特征在于，所述利用非线性边缘保护滤波算法去除胎面图像中的噪点，并进行花纹边缘检测，获得胎面区域及花纹边缘之前，所述方法还包括：
利用光敏传感器检测目标环境亮度，并控制补光灯组进行亮度补偿；
识别目标胎面，获取感兴趣区域，并针对所述感兴趣区域采集获得所述胎面图像。
10.一种基于胎纹深度检测的轮胎寿命预估装置，其特征在于，所述装置包括：
图像检测客户端，用于利用非线性边缘保护滤波算法去除胎面图像中的噪点，并进行花纹边缘检测，获得胎面区域及花纹边缘；所述胎面图像为预先采集得到的；
图像检测客户端，还用于根据所述胎面区域及花纹边缘生成等比例的边缘特征平滑曲线；
图像检测客户端，还用于根据所述边缘特征平滑曲线获取花纹边缘像素坐标，并根据所述花纹边缘像素坐标计算花纹深度；
云服务器报告生成端，用于根据所述花纹深度预测轮胎寿命，并生成轮胎检测报告。
CN202310803983.1A 2023-07-03 2023-07-03 基于胎纹深度检测的轮胎寿命预估方法及装置 Pending CN116839947A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310803983.1A CN116839947A (zh) 2023-07-03 2023-07-03 基于胎纹深度检测的轮胎寿命预估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310803983.1A CN116839947A (zh) 2023-07-03 2023-07-03 基于胎纹深度检测的轮胎寿命预估方法及装置

Publications (1)

Publication Number Publication Date
CN116839947A true CN116839947A (zh) 2023-10-03

Family

ID=88172101

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310803983.1A Pending CN116839947A (zh) 2023-07-03 2023-07-03 基于胎纹深度检测的轮胎寿命预估方法及装置

Country Status (1)

Country Link
CN (1) CN116839947A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117928983A (zh) * 2024-03-22 2024-04-26 山东北骏重工有限公司 基于数据分析的矿用运输车运行故障诊断系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117928983A (zh) * 2024-03-22 2024-04-26 山东北骏重工有限公司 基于数据分析的矿用运输车运行故障诊断系统

Similar Documents

Publication Publication Date Title
CN109070658B (zh) 驾驶伴随胎面使用寿命指示系统
US11458777B2 (en) Tread wear monitoring system and method
CN116839947A (zh) 基于胎纹深度检测的轮胎寿命预估方法及装置
CN107367241B (zh) 一种基于机器视觉的汽车轮胎花纹识别方法
CN108712972A (zh) 车辆集成预期胎面寿命指示系统
US20120197548A1 (en) Tire rubber index calculating method, device, and computer-readable storage medium
US12026984B2 (en) Tire damage detection system and method
KR101977291B1 (ko) 타이어의 마모도 측정 장치, 방법 및 컴퓨터 판독 가능한 기록매체
US11472237B2 (en) Tire damage detection system and method
KR102456621B1 (ko) 공기입 타이어 모니터링 시스템 및 이를 이용한 공기입 타이어 모니터링 방법
CN112512837B (zh) 轮胎损坏检测系统和方法
CN116118752A (zh) 一种轮胎磨损预警方法、装置、电子设备和存储介质
CN110997441A (zh) 用于求取驾驶行为的方法和设备
JP7481887B2 (ja) タイヤ性能推定システム、タイヤ性能推定方法及びタイヤ性能推定プログラム
JP2005126013A (ja) タイヤ空気圧低下検出方法および装置、ならびにタイヤ減圧判定のプログラム
US20230060281A1 (en) Load estimation system for a tire
JP2020011650A (ja) 路面状態の判定装置、方法及びプログラム
KR102322778B1 (ko) 타이어 상태 측정 시스템 및 방법
CN116278523A (zh) 轮胎更换系统
JPWO2019229630A5 (zh)
CN115923409A (zh) 用于轮胎的载荷估计系统
CN116620234A (zh) 基于路面类型控制车辆的方法和车辆

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