第4期 逢增治，等：全钢子午线轮胎X光图像的缺陷检测研究现状 ·795· 2轮胎缺陷检测的常用算法 S.(p)= (2) 根据轮胎的缺陷特征可划分为3类缺陷，分 别是结构缺陷、灰度缺陷和区域缺陷。结构缺陷 P P 是指轮胎胎体区域的帘线在结构上呈现扭曲等异 Ps P 常现象，例如帘线交叉、弯曲等缺陷；灰度缺陷是 P 指轮胎X光图像的灰度值出现偏差、明暗不均等 图4P点的8邻域 灰度现象，例如气泡和杂质缺陷；第3类是区域缺 Fig.4 Eight-neighborhood plot of P 陷，例如胎冠区域帘线开裂、带束层顺线等缺陷。 轮胎缺陷检测算法将按照这3类特征进行分 根据式(1)、(2)，对胎体区域逐个像素点遍 类设计，首先对图像进行预处理，将原始图像的 历，计算像素点8邻域内的交叉数C(p)和帘线像 噪声去除，并进行像素级校正61。然后对轮胎 素点数S(p),通过Cp)和Sp)的取值，可以判断 X光图像进行区域分割18，将轮胎各区域的结 出端点、交叉点和分支点。当存在交叉点或2个 距离较近的分支点时，存在帘线交叉缺陷。此算 构分离，得到胎体、胎冠、钢丝圈的分割位置，并 法在检测过程中，噪声会造成检测误差，需要特 去除连通的无效边界的影响。 别注意对噪声进行处理。在对图像进行二值化和 2.1结构缺陷 细化处理时，分别进行去噪，否则计算出的交叉数 轮胎的结构缺陷主要是帘线上出现帘线稀 Cp)和帘线点数S.p)会受到影响，造成检测误差。 疏、帘线弯曲、帘线交叉等结构异常的现象，如图 文献[26]提出一种基于广度优先方式遍历细 2(a)(c)、()、(g)所示。这类缺陷主要是从帘线 化图像，根据交叉特征判断帘线交叉缺陷的方法。 的几何信息、方向、帘线间距等尺寸特性来提出 将帘线分为2类，第1类如图5(b)所示，第2类 算法。为了能够准确对帘线结构进行判断，需要 如图5(c)所示，依据2类交叉的特征分别进行检测。 将帘线的骨架分离出来，涉及的图像处理方法有 第1类交叉类型是在交叉点处存在帘线分 帘线细化、形态学处理2、灰度校正2、图像缩 支，并且交叉点和帘线在位置上邻接。分支和邻 放四和二值化2等方法。 接可以用像素点P的8邻域表示，如图6所示。 2.1.1帘线交叉 通过像素点P的8邻域内相邻像素值的跳变次 胎体的帘线交叉在细化图像中分为2种情 数Cp来定义第1类交叉结构，如式(3)所示。当 况，一种情况是2条帘线斜交，表现为2个距离很 某个像素点在8邻域的跳变次数Cp>6时，说明 近的分支点，如图3(a)所示。另一种情况是2条 至少存在2条帘线交叉，则点P即为交叉点。 帘线正交或者准正交，表现为一个交叉点，如图 3(b)所示。在实际情况中帘线交叉多数为2条帘 CP-+-P (3) 线斜交4。 式中：P,为像素值，取值0或1。 (a)帘线交叉（斜交）(b)帘线交叉（正交或准正交） 图3帘线交叉缺陷图像 (a)帘线交叉细化(b)第1类交叉结构(c)第2类交叉结构 Fig.3 Cord cross defect images 图5胎体区域帘线交叉缺陷图像 由此，能够根据分支点和交叉点对帘线交叉 Fig.5 Carcass area cord cross defect images 缺陷进行识别2。在帘线细化后的二值图像上， 各像素点的灰度值只能为0或1。在图像上任 Po P P 像素点P,其8邻域如图4所示。像素点p的交叉 P P 数C(p)定义为： Ps P4 C∑1-pl (1) 图6P点的8邻域图 1 Fig.6 Carcass area cord cross defect images 式中：P,为像素点的灰度值。像素点p的8邻域 第2类交叉结构是在邻域内像素点之间形成 帘线像素点数S(p)定义为： 一个环，并不满足邻域内像素点的跳变次数要2 轮胎缺陷检测的常用算法 根据轮胎的缺陷特征可划分为 3 类缺陷，分 别是结构缺陷、灰度缺陷和区域缺陷。结构缺陷 是指轮胎胎体区域的帘线在结构上呈现扭曲等异 常现象，例如帘线交叉、弯曲等缺陷；灰度缺陷是 指轮胎 X 光图像的灰度值出现偏差、明暗不均等 灰度现象，例如气泡和杂质缺陷；第 3 类是区域缺 陷，例如胎冠区域帘线开裂、带束层顺线等缺陷。 轮胎缺陷检测算法将按照这 3 类特征进行分 类设计，首先对图像进行预处理，将原始图像的 噪声去除，并进行像素级校正[ 1 6 ]。然后对轮胎 X 光图像进行区域分割[17-18] ，将轮胎各区域的结 构分离，得到胎体、胎冠、钢丝圈的分割位置，并 去除连通的无效边界的影响。 2.1 结构缺陷 轮胎的结构缺陷主要是帘线上出现帘线稀 疏、帘线弯曲、帘线交叉等结构异常的现象，如图 2 (a)、(c)、(f)、(g) 所示。这类缺陷主要是从帘线 的几何信息、方向、帘线间距等尺寸特性来提出 算法。为了能够准确对帘线结构进行判断，需要 将帘线的骨架分离出来，涉及的图像处理方法有 帘线细化[19] 、形态学处理[20] 、灰度校正[21] 、图像缩 放 [22] 和二值化[23] 等方法。 2.1.1 帘线交叉 胎体的帘线交叉在细化图像中分为 2 种情 况，一种情况是 2 条帘线斜交，表现为 2 个距离很 近的分支点，如图 3(a) 所示。另一种情况是 2 条 帘线正交或者准正交，表现为一个交叉点，如图 3(b) 所示。在实际情况中帘线交叉多数为 2 条帘 线斜交[24]。 (a) 帘线交叉（斜交） (b) 帘线交叉（正交或准正交） 图 3 帘线交叉缺陷图像 Fig. 3 Cord cross defect images 由此，能够根据分支点和交叉点对帘线交叉 缺陷进行识别[25]。在帘线细化后的二值图像上， 各像素点的灰度值只能为 0 或 1。在图像上任一 像素点 p，其 8 邻域如图 4 所示。像素点 p 的交叉 数 Cn (p) 定义为： Cn (p)= 1 2 ∑7 i=1 |pi+1 − pi | (1) 式中：pi 为像素点的灰度值。像素点 p 的 8 邻域 帘线像素点数 Sn (p) 定义为： Sn (p) = ∑8 i=1 pi (2) p4 p3 p2 p5 p1 p6 p7 p p8 图 4 P 点的 8-邻域 Fig. 4 Eight-neighborhood plot of P 根据式 (1)、(2)，对胎体区域逐个像素点遍 历，计算像素点 8 邻域内的交叉数 Cn (p) 和帘线像 素点数 Sn (p)，通过 Cn (p) 和 Sn (p) 的取值，可以判断 出端点、交叉点和分支点。当存在交叉点或 2 个 距离较近的分支点时，存在帘线交叉缺陷。此算 法在检测过程中，噪声会造成检测误差，需要特 别注意对噪声进行处理。在对图像进行二值化和 细化处理时，分别进行去噪，否则计算出的交叉数 Cn (p) 和帘线点数 Sn (p) 会受到影响，造成检测误差。 文献 [26] 提出一种基于广度优先方式遍历细 化图像，根据交叉特征判断帘线交叉缺陷的方法。 将帘线分为 2 类，第 1 类如图 5(b) 所示，第 2 类 如图 5(c) 所示，依据 2 类交叉的特征分别进行检测。 第 1 类交叉类型是在交叉点处存在帘线分 支，并且交叉点和帘线在位置上邻接。分支和邻 接可以用像素点 P 的 8 邻域表示，如图 6 所示。 通过像素点 P 的 8 邻域内相邻像素值的跳变次 数 CP 来定义第 1 类交叉结构，如式 (3) 所示。当 某个像素点在 8 邻域的跳变次数 CP＞6 时，说明 至少存在 2 条帘线交叉，则点 P 即为交叉点。 CP = |P7 − P0|+ ∑6 i=0 |Pi+1 − Pi | (3) 式中：Pi 为像素值，取值 0 或 1。 (a) 帘线交叉细化 (b) 第 1 类交叉结构(c) 第 2 类交叉结构 图 5 胎体区域帘线交叉缺陷图像 Fig. 5 Carcass area cord cross defect images p0 p1 p2 p3 p6 p5 p4 p7 p 图 6 P 点的 8-邻域图 Fig. 6 Carcass area cord cross defect images 第 2 类交叉结构是在邻域内像素点之间形成 一个环，并不满足邻域内像素点的跳变次数要 第 4 期 逄增治，等：全钢子午线轮胎 X 光图像的缺陷检测研究现状 ·795·