视觉技术在轮胎帘布质量自动检测系统中的应用

毛 艳， 王平凯， 岳晓峰

（长春工业大学机电工程学院，吉林长春 130012）

0 引 言

汽车轮胎的胎体是由数层挂胶帘布制成，若覆胶后帘布表面产生凸起、裸面等，则会导致轮胎在使用过程中受力不均，经多次屈挠变形、摩擦后产生热量大，发生轮胎爆胎。因此，轮胎帘布的质量检测对于人身和车辆安全都非常重要。目前，国内外对轮胎质量检测技术的研究并不多。国内的生产厂家由于价格因素的制约，大都采用人眼对轮胎质量进行判别，但此做法不但产生过多的劳动力、大量的工作强度，还容易造成工人视觉疲劳，对帘布疵点的判别更易受到主观因素的影响，使轮胎质量的可信度大打折扣。随着计算机视觉、数字图像处理的发展，基于图像处理和微机平台的织物瑕疵自动检验已成为趋势。轮胎帘布的图像是一种典型规则的纹理图像，表面存在有规则的经纬向纹理，纹理结构基元简单，排列规律清晰可见，而表面的疵点破坏了这种规则纹理，且大多数疵点呈现无规则排列。根据图像处理方法的不同，织物疵点检测的方法可以分为两种:一种是直接对图像的灰度值在时域空间域进行计算，并提取特征值;另外一种是通过傅里叶变换、小波变换等方法，把图像转换到频域后再进行分析计算[1-4]。

文中结合实际轮胎帘布的组织结构特点，将视觉技术应用到帘布质量检测中，通过图像增强、特征描述、匹配等图像处理方法，实现轮胎胎体帘布图像疵点的自动识别。

1 帘布图像处理和分割

由摄像头的性能以及光照的不均匀导致图像存在噪声是不可避免的，此外，采集到的原始图像表面也存在椒盐噪声，并且轮胎帘布图像的自身纹理明显，为了保留较完整的疵点信息，消除噪声对疵点检测的影响和便于对后续图像的处理，对图像进行预处理是疵点检测的关键之一。预处理[2-3]过程包括灰度变换、对比度调节和滤波。为了尽量减轻图像纹理对疵点造成的干扰，文中采用中值滤波的方法滤除图像中不感兴趣的区域，图像经过中值滤波后，自身的纹理被弱化，噪声基本被去除。

帘布的疵点有几种类型，文中采集了正常的纹理图像和分别含有沟壑、气泡、裸面和凸起的待测图像。

正常纹理图像如图1所示。

图1 正常纹理图像

含沟壑帘布图像如图2所示。

图2 含沟壑帘布图像

含气泡帘布图像如图3所示。

图3 含气泡帘布图像

裸面图像如图4所示。

图4 裸面图像

含凸起图像如图5所示。

图5 含凸起图像

文中采集的图像像素数为110×110，灰度图的灰度级数为0～255，对计算灰度共生矩阵和提取特征值的运算量过大，因此采取先将图像二值化。分割后的二值图如图6所示。

图6 帘布疵点二值图

2 帘布图像特征值提取

采用灰度共生矩阵方法提取图像特征值，由于经过图像过滤及二值化后，大大减少了灰度共生矩阵和计算特征值的计算量，使得灰度共生矩阵法速度快且准确率高。比较各图像的特征值是疵点判别的依据，因此提取特征值为疵点的判别的前提。

2.1 灰度共生矩阵的原理

灰度共生矩阵法是通过对图像的所有像素进行统计并描述其灰度分布的一种方法，通过计算图像中有一定距离和一定方向的两个像素之间的灰度相关性，对图像的所有像素进行调查统计，反映图像在方向、相邻间隔、变化幅度及快慢上的综合信息。取图像中任意一点（x，y）及偏离它的另一点（x+a，y+b）组成一个点对，设该点对的灰度值为（i，j）。令点（x，y）按照规定距离d和方向θ在所分析的区域内搜索，则可得到全部的（i，j）值。若灰度值的级数为n，则（i，j）共有n2种组合。对于整个区域，统计出每一个（i，j）值出现的次数，然后排成一个方阵，再用（i，j）出现的总数将其归一化为出现的概率p（i，j），这样的方阵即为灰度共生矩阵。距离d根据实际图像选择，θ一般取0°，45°，90°，135°这4个方向[5-7]。

2.2 灰度共生矩阵特征参量

基于灰度共生矩阵的数学统计量多达14种，文中选取了以下几种能够明显表现图像特征的特征参量[8-9]。

2.2.1 角二阶矩

角二阶矩又称能量，是图像灰度均匀性的度量。

2.2.2 熵

熵是图像内容随机性的度量。

2.2.3 对比度

对比度又称惯性矩。

2.2.4 相关性

它是度量空间灰度共生矩阵元素在行或列方向上的相似程度。

2.2.5 方差

方差反映了纹理的周期。

式中:μ——p（i，j，d，θ）的均值。

2.2.6 逆差矩

反映图像纹理的同质性，度量图像纹理局部变化的多少。

2.2.7 相关信息度测量

式中:HX，HY——分别是px和py的熵。HXY，HXY1为:

文中取距离d=1，方向θ则分别取0°，45°，90°，135°这4个方向，再求4个方向上灰度共生矩阵特征值的均值，这样就抑制了方向分量，使得到的特征值与方向无关，纹理特征具有旋转不变性。

根据实际生产及质量检验情况，文中需要判别出最小面积为2 mm×2 mm的疵点，即实际待测轮胎帘布疵点面积大于4 mm2，即被判定为不合格疵点，为了以此标准判别其它待测图像疵点程度，文中建立了一个与待测图像相同大小并含有4 mm2疵点的图像模板，提取其灰度共生矩阵特征值，再与其它待测图像特征值比较，其判别方法在下一节中详述。各待测图像的特征值见表1。

表1 正常帘布与含疵点帘布的灰度共生矩阵特征值

3 帘布疵点的判别

不同种类疵点相应的各特征值变化明显（见表1）。利用特征匹配方法可达到对疵点相似性的判别。欧式距离为较常用的距离度量法。设A，B两幅图像的特征向量为n维。

欧式距离公式为:

距离度量法表示距离越小的两幅图像越相似[10-11]。应用此原理可判别轮胎帘布图像是否含有疵点及所含疵点的程度。文中各疵点图像与正常纹理图像的欧式距离见表2。

表2 各疵点图像与正常纹理图像的欧式距离

由表2可知，模板图像与正常纹理图像的欧式距离为0.227，设为疵点判别的阈值T，若待测疵点图像与正常纹理图像的欧式距离L＜T，则可判别图像所含疵点对轮胎帘布质量没有影响，判定此疵点合格;同理，若L≥T，则可判别疵点不合格。文中除了含沟壑图像的疵点的欧式距离小于模板图像，其它疵点图像均大于模板图像。

4 结 语

图像处理过程均基于Matlab7.0编写而成。轮胎帘布图像由于其纹理复杂并干扰了疵点，通过对轮胎帘布图像过滤及二值化等图像处理，分割出了疵点，且为后续处理大大降低了运算量;利用灰度共生矩阵成功提取了图像的特征向量，并应用特征匹配的方法完成了对疵点的判别。帘布图像处理的过程中，速度有明显提高，且准确率较高，判别效果达到了预期，因此，对轮胎帘布疵点的判别方法是可行的。

[1] Barald IA，Parm Iggian F.An investigation oftexture characteristics associated with gray level co-occurrence matrix statistical parameters[J].IEEE Trans on Geoscience and Remote Sensing，1995，33（2）:293-303.

[2] Rafael C Gonzalez，Richaid E Woods.Digital image processing second edition[M].北京:电子工业出版社，2007:75-219.

[3] 姚敏.数字图像处理[M].北京:机械工业出版社，2006:55-85.

[4] 姜玲，韩润萍，袁晔，等.Canny算子在织物疵点检测中的应用[J].北京服装学院学报，2005，25（4）:57-63.

[5] 高士忠.基于灰度共生矩阵的织物纹理分析[J].计算机工程与设计，2008，29（16）:4385-4388.

[6] 冯建辉，杨玉静.基于灰度共生矩阵提取纹理特征图像的研究[J].北京测绘，2007（3）:19-22.

[7] 汪黎明，陈健敏，王锐，等.织物折皱纹理灰度共生矩阵分析[J].青岛大学学报，2003，18（4）:5-8.

[8] 王少如，李鹏飞，钱慧芳.基于灰度共生矩阵的纹理周期分析[J].纺织科技进展，2009（4）:64-72.

[9] 肖俊明，彭喜英，李建建.基于机器视觉的帘子布疵点智能识别技术[J].纺织科技进展，2008（4）:12-14.

[10] Yan Ye.Text image compression based on pattern matching[D]:[Master's Degree Thesis].[S.l.]: University of California，2002.

[11] 苑丽红，孙爽滋，付丽.灰度共生矩阵检索纹理图法解算法研究[J].计算科学，2009，36（11）:300-303.