CN117788470B - 一种基于人工智能的轮胎缺陷检测方法 - Google Patents

Abstract

本发明涉及轮胎缺陷检测领域，更具体地，本发明涉及一种基于人工智能的轮胎缺陷检测方法，包括：获取轮胎的X光图像；对所述X光图像进行边缘检测，得到边缘图像；对所述边缘图像进行连通域分析，得到不同边缘对应的连通域以及对应的连通域面积；对各边缘对应的连通域进行周期性分析，得到周期性程度，提取任意两边缘中的角点，将其中一边缘中任一角点与另一边缘中的角点进行匹配，得到匹配的角点对。本发明从连续性、周期性、边缘相似度三个方面对所检测到的边缘进行分析，计算出该边缘的纹理程度来描述所检测到的边缘属于纹理的可能性大小，并针对性进行平滑操作，以此减小正常纹理特征对缺陷检测的影响，提高检测轮胎缺陷部分的准确性。

Description

一种基于人工智能的轮胎缺陷检测方法

技术领域

本发明涉及轮胎缺陷检测领域。更具体地，本发明涉及基于人工智能的轮胎缺陷检测方法。

背景技术

汽车轮胎在制造过程中，受生产设备及工艺流程等因素的影响，时常会出现各类质量问题，缩短轮胎使用寿命，直接或间接影响行车安全。所以必须对生产的轮胎进行检验，以便及时发现问题，调整工艺，提高产品质量。

轮胎生产过程中胎面杂质、气泡等缺陷进行检测时，若直接使用简单图像增强之后阈值分割，轮胎正常纹理可能被系统误判为缺陷，尤其是缺陷与轮胎纹理形状相似或者灰度值相近等情况，使得缺陷检测的准确性不高。

发明内容

本发明提供一种基于人工智能的轮胎缺陷检测方法，旨在解决相关技术中直接使用简单图像增强之后阈值分割，轮胎正常纹理可能被系统误判为缺陷，尤其是缺陷与轮胎纹理形状相似或者灰度值相近等情况，使得缺陷检测的准确性不高的问题。

本发明提供了基于人工智能的轮胎缺陷检测方法，包括获取轮胎的X光图像；对所述X光图像进行边缘检测，得到边缘图像；对所述边缘图像进行连通域分析，得到不同边缘对应的连通域以及对应的连通域面积；对各边缘对应的连通域进行周期性分析，得到周期性程度；提取任意两边缘中的角点，将其中一边缘中任一角点与另一边缘中的角点进行匹配，得到匹配的角点对；基于匹配的角点对中两角点确定的直线的倾斜角度、两角点的距离，得到任意两边缘的相似性，进而得到每个边缘与剩余其他边缘的相似性，将每个边缘与剩余其他边缘的相似性之和的均值作为每个边缘的边缘相似度；根据所述连通域面积、周期性程度和边缘相似度，得到该边缘的纹理程度，计算公式为：

；其中，/>表示第/>个边缘的纹理程度，/>表示第/>个边缘的连通域面积，/>表示为所有连通域面积之和，/>表示为该边缘的周期性程度，/>表示第/>条边缘的边缘相似度；根据纹理程度，对所述轮胎的X光图像进行平滑处理，得到处理后的图像；对所述处理后的图像进行图像分割，得到缺陷部分。

在一实施例中，对各边缘对应的连通域进行周期性分析，包括：将所述连通域以长度方向水平放置，其中，连通域的长度方向为x轴，宽度方向为y轴；根据边缘左端点为原点建立直角坐标系，采用导数法求得边缘上所有的极大值点。计算出两个相邻极大值点横坐标的距离，并得到该距离的方差，采用该方差的倒数作为周期性程度。

在一实施例中，包括：响应于不存在极大值点的边缘，其边缘周期性程度为0。

在一实施例中，以所述X光图像的左下角为原点建立坐标系，其中，水平方向为X轴，不同边缘间的相似性的计算公式为：

；其中，/>表示第/>个边缘与第/>个边缘的相似性，/>表示第/>条边缘上的角点总数，/>表示第/>条边缘上的第/>个角点与第/>个边缘上匹配的角点对中两角点之间的距离，/>表示第/>条边缘上的角点与第/>条边缘上匹配形成的所有角点对的距离的平均值，/>表示第/>条边缘上的第/>个角点与第/>个边缘上匹配的角点对所确定的直线与X轴方向之间的夹角，/>表示第/>条边缘上的角点与第/>条边缘上匹配形成的所有角点对所对应的直线与X轴方向之间夹角的均值，/>表示取最大值，/>为正切函数。

在一实施例中，根据纹理程度，对原图像进行平滑处理：；其中，/>表示赋给第/>个边缘像素点的第/>个邻域的权值，/>为平滑处理时模板的尺寸大小，/>表示该模板所对应的不属于边缘的像素点数量，/>是纹理程度/>归一化之后的值，表示为第/>个边缘为纹理的可能性大小。

在一实施例中，对所述处理后的图像进行图像分割，得到缺陷部分，包括：采用大津阈值分割法对所述处理后的图像进行分割，得到缺陷部分。

在一实施例中，对所述X光图像进行边缘检测，包括：采用Canny边缘检测算法检测到所述轮胎X光图像中的所有边缘。

有益效果：对轮胎X光图像边缘检测之后，由于纹理一般较为规则，且分布具有规律性，而缺陷一般是随机的、无规律性的，因此本发明从连续性、周期性、边缘相似度三个方面对所检测到的边缘进行分析，通过计算出该边缘的纹理程度来描述所检测到的边缘属于纹理的可能性大小，并针对性进行平滑操作，以此减小正常纹理特征对缺陷检测的影响，提高系统检测轮胎缺陷部分的准确性。

附图说明

通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：

图1是示意性示出本发明的实施例的检测轮胎缺陷部分的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

目前现有技术对轮胎生产过程中胎面杂质、气泡等缺陷进行检测时，若直接使用简单图像增强之后阈值分割，轮胎正常纹理可能被系统误判为缺陷，尤其是缺陷与轮胎纹理形状相似或者灰度值相近等情况，使得缺陷检测的准确性不高，所以采用以下具体实施方式来解决上述问题。

下面结合附图来详细描述本发明的具体实施方式，如图1所示：

步骤S101：获取轮胎的X光图像。

在一个实施例中，可以通过轮胎X光检测机用来获取轮胎的X光图像，轮胎X光检测机是一种专门用于检测轮胎结构和缺陷的成像设备。它通过向轮胎发射X射线或其他形式的辐射，然后生成轮胎的X光图像。

步骤S102：对所述X光图像进行边缘检测，得到边缘图像。

在一个实施例中，采用Canny边缘检测算法，能够准确地检测到轮胎的X光图像中的边缘，同时对于噪声有较好的抵抗能力。具体的，使用高斯滤波器对灰度图像（轮胎的X光图像）进行平滑处理，以减少噪声的影响，计算该灰度图像的梯度。使用Sobel算子计算灰度图像在水平和垂直方向的梯度值，从而得到每个像素点的梯度强度和方向；基于每个像素点，比较其梯度方向上的邻近两个像素点之间梯度值的大小，只保留梯度方向上梯度值极大的像素点，有利于消除边缘上的模糊效果。然后进行双阈值处理，将像素点分为三类：强边缘、弱边缘和非边缘。当像素点的梯度值高于较高的第一预设阈值时，将其分类为强边缘。当像素点的梯度值低于较低的第二预设阈值时，将其分类为非边缘。当像素点的梯度值介于第一预设阈值和第二预设阈值之间时，将其分类为弱边缘，最后进行边缘连接，将弱边缘和其周围的强边缘连接起来形成完整的边缘，以此检测出图像中所有的边缘，并生成二值图像。

步骤S103：对所述边缘图像进行连通域分析，得到不同边缘对应的连通域以及对应的连通域面积。

在一个实施例中，将边缘检测后得到的二值图像进行连通域分析，得到多个连通域，其中，每一个边缘对应一个连通域。然后对每个连通域内的像素点个数累加计算，得到每个连通域面积。当连通域面积越大，其为轮胎纹理的概率越大。

步骤S104：对各边缘对应的连通域进行周期性分析，得到周期性程度。

在一个实施例中，对检测出来的每一条边缘进行连通域分析，并且将连通域以长轴水平放置，其中，连通域的长度方向为X轴，连通域的宽度方向为Y轴，其中长度方向大于宽度方向。然后以每个边缘的左端点为原点建立直角坐标系，采用导数法求得边缘上所有的极大值点。然后计算出两个相邻极大值点横坐标的距离，并得到该距离的方差，采用该方差的倒数作为周期性程度。周期性程度表示为公式为：，其中，/>表示为周期性程度，表示为距离的方差。

在一个实施例中，对于不存在极大值点的边缘，其边缘周期性程度为0。

步骤S105：提取任意两边缘的角点，并得到任意两边缘的相似性。

在一个实施例中，因为轮胎胎面上的纹理通常是规则的，并且具有对称性，重复性，相同纹理对应部分平行，并且之间的距离一般也相等，因此使用基于角点的特征匹配，分析不同边缘间的相似性。而角点特征能在保留图像重要特征的同时，有效减少信息数据量，在本实施例中使用Harris角点检测算法，对角点进行筛选。然后检测出角点后用不相似测度SSD和相似测度来匹配角点，将两个相互匹配的角点称为一个角点对。

示例性的，第条边缘上有多个角点，第/>个边缘上有多个角点，使用不相似测度SSD和相似测度来对第/>条边缘上的角点与第/>个边缘上的角点进行匹配，可以得到多个匹配的角点对。基于匹配的角点对中两角点确定一条直线，基于直线的倾斜角度和两角点的距离，得到任意两边缘的相似性；按照上述计算任意两边缘的相似性的方法，能够得到每个边缘与剩余其他边缘的相似性。并将每个边缘与剩余其他边缘的相似性之和的均值作为每个边缘的边缘相似度。

在一个实施例中，定义以轮胎的边缘图像左下角为原点，水平方向为X轴，垂直于水平方向的为Y轴。基于匹配的角点对中的两角点确定一条直线，然后根据角点对之间的直线计算角点对的距离d，以及角点对之间的直线相较于X轴方向的倾斜角度(其中)，用来计算任意两边缘的相似性。两边缘的相似性越大，说明该边缘为纹理的可能性越大。

步骤S106：根据所述连通域面积、周期性程度和边缘相似度，得到该边缘的纹理程度。

在一个实施例中，因为轮胎纹理具有连续性较强，即连通域面积较大，周期性也比较强，以及纹理与纹理间相似性也高的特点，设计函数公式来衡量所检测到的边缘为纹理的可能性大小。也就是说，一边缘的纹理程度越大，则该边缘为轮胎纹理的可能性越大。

步骤S107：根据纹理程度，对所述轮胎的X光图像进行平滑处理，得到处理后的图像。

在一个实施例中，对属于边缘中的每个像素点在原图像（轮胎的X光图像）中进行不同权值的平滑处理，使得对于属于纹理的边缘点平滑程度强，对于属于缺陷的边缘点的平滑程度较弱，以此将纹理平滑，将缺陷保留，能有效减小纹理对缺陷的干扰和影响，从而提高缺陷检测的准确性。

步骤S108：对所述处理后的图像进行图像分割，得到缺陷部分。

在一个实施例中，采用大津阈值分割法对平滑处理后的图像进行分割，得到轮胎上的缺陷部分。

在一个实施例中，关于步骤S105，计算两边缘的相似性的公式为：，其中，/>表示第/>个边缘与第个边缘的相似性，/>表示第/>条边缘上的角点总数，/>表示第/>条边缘上的第/>个角点与第/>个边缘上匹配的角点对中两角点之间的距离，/>表示第/>条边缘上的角点与第/>条边缘上匹配形成的所有角点对的距离的平均值，/>表示第/>条边缘上的第/>个角点与第/>个边缘上匹配的角点对所确定的直线与X轴方向之间的夹角，/>表示第/>条边缘上的角点与第/>条边缘上匹配形成的所有角点对所对应的直线与X轴方向之间夹角的均值，/>表示取最大值，为正切函数。

其中，当值越小，角点对之间的距离越相近；当/>越小，即角点对线段倾斜角度越相近，此时第/>个边缘与第/>个边缘的相似性/>越大，从而/>也会越大。

在一个实施例中，关于步骤S106，该边缘的纹理程度计算公式为：。其中，/>表示第/>个边缘的纹理程度，/>表示第/>个边缘的连通域面积，/>表示为所有连通域面积之和，/>表示为该边缘的周期性程度，/>表示第/>条边缘的边缘相似度，其中，边缘相似度为每个边缘与剩余其他边缘的相似性之和的均值。

在一个实施例中，当一个边缘连通域面积越大，周期性程度/>越大，与其他边缘间的边缘相似度/>越大，其为纹理的可能性/>越大。综合三个因素来决定边缘为纹理的可能性，使得准确性更高。

在一个实施例中，关于步骤S107，计算每个像素点在原图像中的权值的公式如下：

。

其中，表示赋给第/>个边缘像素点的第/>个邻域的权值，/>为平滑处理时模板的尺寸大小，/>表示该模板所对应的不属于边缘的像素点数量，/>是纹理程度/>归一化之后的值，表示为第/>个边缘为纹理的可能性大小，邻域点指一个像素点周围的一圈的像素点。

在一个实施例中，可以采用、/>或/>的模板，在本实施例中并不对模板的大小进行限定。

需要说明的是，对于所有像素点均属于边缘的情况，将逐步扩大滤波模板直到包括了不属于边缘的像素点，如扩大为或/>，此时，上面公式中的q也应改变为5或7。由于属于纹理的边缘中的像素点/>值偏大，对该像素点中不属于边缘的邻域赋予较大的权值，能够很强地平滑纹理；由于属于缺陷的边缘中的像素点/>值偏小，对该像素点中不属于边缘的邻域赋予较小的权值，平滑程度较弱，进行平滑处理后，能很好地保留缺陷部分。

通过以上步骤，对轮胎X光图像边缘检测之后，由于纹理一般较为规则，且分布具有规律性，而缺陷一般是随机的、无规律性的，因此从连续性、周期性、相似性三个方面对所检测到的边缘进行分析，通过计算出该边缘的纹理程度来描述所检测到的边缘属于纹理的可能性大小，并针对性进行平滑操作，以此减小正常纹理特征对缺陷检测的影响，提高系统检测轮胎缺陷部分的准确性。

在本说明书的描述中，“多个”、“若干个”的含义是至少两个，例如两个，三个或更多个等，除非另有明确具体的限定。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (6)

1.一种基于人工智能的轮胎缺陷检测方法，其特征在于，包括：

获取轮胎的X光图像；

对所述X光图像进行边缘检测，得到边缘图像；

对所述边缘图像进行连通域分析，得到不同边缘对应的连通域以及对应的连通域面积；

对各边缘对应的连通域进行周期性分析，得到周期性程度；

提取任意两边缘中的角点，将其中一边缘中任一角点与另一边缘中的角点进行匹配，得到匹配的角点对；基于匹配的角点对中两角点确定的直线的倾斜角度、两角点的距离，得到任意两边缘的相似性，进而得到每个边缘与剩余其他边缘的相似性，将每个边缘与剩余其他边缘的相似性之和的均值作为每个边缘的边缘相似度；

根据所述连通域面积、周期性程度和边缘相似度，得到该边缘的纹理程度，计算公式为：

；

其中，表示第/>个边缘的纹理程度，/>表示第/>个边缘的连通域面积，/>表示为所有连通域面积之和，/>表示为该边缘的周期性程度，/>表示第/>条边缘的边缘相似度；

根据纹理程度，对所述轮胎的X光图像进行平滑处理，得到处理后的图像；

对所述处理后的图像进行图像分割，得到缺陷部分；

对各边缘对应的连通域进行周期性分析，包括：

将所述连通域以长度方向水平放置，其中，连通域的长度方向为x轴，宽度方向为y轴；

根据边缘左端点为原点建立直角坐标系，采用导数法求得边缘上所有的极大值点；

计算出两个相邻极大值点横坐标的距离，并得到该距离的方差，采用该方差的倒数作为周期性程度。

2.根据权利要求1所述的基于人工智能的轮胎缺陷检测方法，其特征在于，包括：

响应于不存在极大值点的边缘，其边缘周期性程度为0。

3.根据权利要求2所述的基于人工智能的轮胎缺陷检测方法，其特征在于，以所述X光图像的左下角为原点建立坐标系，其中，水平方向为X轴，不同边缘间的相似性的计算公式为：

；

其中，表示第/>个边缘与第/>个边缘的相似性，/>表示第/>条边缘上的角点总数，/>表示第/>条边缘上的第/>个角点与第/>个边缘上匹配的角点对中两角点之间的距离，/>表示第/>条边缘上的角点与第/>条边缘上匹配形成的所有角点对的距离的平均值，/>表示第/>条边缘上的第/>个角点与第/>个边缘上匹配的角点对中两角点所确定的直线与X轴方向之间的夹角，/>表示第/>条边缘上的角点与第/>条边缘上匹配形成的所有角点对所对应的直线与X轴方向之间夹角的均值，/>表示取最大值，/>为正切函数。

4.根据权利要求1所述的基于人工智能的轮胎缺陷检测方法，其特征在于，根据纹理程度，对原图像进行平滑处理：

；

其中，表示赋给第/>个边缘像素点的第/>个邻域的权值，/>为平滑处理时模板的尺寸大小，/>表示该模板所对应的不属于边缘的像素点数量，/>是纹理程度/>归一化之后的值，表示为第/>个边缘为纹理的可能性大小。

5.根据权利要求1所述的基于人工智能的轮胎缺陷检测方法，其特征在于，对所述处理后的图像进行图像分割，得到缺陷部分，包括：

采用大津阈值分割法对所述处理后的图像进行分割，得到缺陷部分。

6.根据权利要求1所述的基于人工智能的轮胎缺陷检测方法，其特征在于，对所述X光图像进行边缘检测，包括：

采用Canny边缘检测算法检测到所述轮胎X光图像中的所有边缘。