基于機器視覺的輪胎胎面檢測系統設計與實現

祝 磊，韓自營，阮宇靜，何小宇

(杭州電子科技大學 生命信息與儀器工程學院，浙江 杭州 310018)

0 引 言

輪胎胎面定長裁斷是輪胎生產過程中的重要環節，其裁斷精度直接影響到輪胎成型半成品和輪胎成品的質量[1]。實際生產環境中通過在系統傳動輥輪合適位置上布置編碼器，通過對輪胎胎面傳輸過程中所生成的有效脈沖信號進行分析，以此檢測輪胎胎面的長度，并且當檢測到的胎面長度與實際所需胎面長度一致時，啟動系統中的裁斷機構，從而完成輪胎里面的有效裁斷[2]。上面這種方式裁斷的輪胎胎面往往需要二次測量以保證裁斷精度，這是因為實際傳送系統往往在運行的時候存在打滑等很多不可控因素。工人在生產現場對裁斷后的輪胎胎面往往采用卷尺抽取檢測的方式，然而這種方法存在很多缺陷，例如：人工執行效率低下、檢測容易出現偏差、抽查導致檢測不完全等等。基于此本文利用機器視覺的方法，應用在輪胎胎面檢測領域，設計并實現了一種有效的在線檢測系統。該系統可以精確地檢測到輪胎的幾何量(長度和傾斜角)和胎面字符信息，幾何量的檢測用于輪胎的裁斷定長，而胎面字符的檢測是為了實現不同輪胎規格的自動切換，其中胎面字符的檢測識別采用的是多層感知器(MLP)方法，通過實驗獲得最佳的網絡結構并應用到該系統中。該檢測系統經現場測試結果表明，輪胎長度裁斷精確度和字符檢測識別準確率符合工業要求，從而可以實現輪胎生產的自動化、智能化，具有很好地實際應用價值。

1 系統總體設計

實際生產環境中的輪胎胎面的長度是最終產品要求的重要指標，為了有效減小輪胎胎面的傾斜對最終檢測長度的干擾需要進行傾斜角的測定；字符檢測的目的在于提高生產效率即完成輪胎生產過程中不同規格的自動切換；檢測完成，根據幾何量和字符檢測結果進行自動存儲和查詢。輪胎胎面測長系統主要完成對圖像中胎面的長度、傾斜角和字符的檢測、保存，系統框架如圖1所示。圖像采集裝置在工控機接收到下位機發送的拍照指令之后啟動并開始采集輥道上的圖像；采集裝置收集到的圖像經過上位機軟件完成輪胎胎面長度的檢測以及胎面字符的識別并保存最終結果到數據庫中。

圖1 輪胎胎面檢測系統框架

1.1 工控機和下位機

經過對橡膠輪胎實際生產操作流程、環境以及輪胎胎面在線檢測系統需求的綜合考察、研究與分析，該系統最終選取研華UNO-2174A工控機，下位機采用三菱FX系列的PLC。工控機與下位機之間通過RS232串口連接進行數據傳輸。

1.2 圖像采集單元

在本系統中，采用規格為1300×80×100的LED作為測光光源、1300×200×100的LED作為背光光源[3]，系統的光源布局如圖2(a)所示。同時選擇500萬像素的千兆網CMOS工業相機，最高分辨率為2592×1944，6 mm鏡頭。胎面測長系統的相機和鏡頭如圖2(b)所示。

圖2 圖像采集單元的組成部分

1.3 上位機軟件

本系統基于VS2010C#和Halcon平臺進行上位機軟件設計，基于Halcon平臺[4]，對圖像采集單元在工控機中輸出的胎面圖像，根據機器視覺和圖像處理方法，檢測圖像中胎面的像素長度、傾斜角和字符信息。

2 檢測系統軟件設計

在檢測系統軟件方面，首先需要正確采集到輪胎胎面的圖像；再根據幾何量和字符檢測的基本原理設計具體檢測方法，實現像素長度、傾斜角和字符的檢測，最后存儲檢測結果。

2.1 檢測幾何量

幾何量檢測的流程如圖3所示。

圖3 幾何量檢測的流程

2.1.1 圖像預處理和胎面輪廓提取

對采集的胎面圖像進行圖像預處理，主要包括圖像增強、圖像去噪等[5]。胎面輪廓提取的具體步驟如下：①在Halcon中，根據圖像特征和Halcon軟件的特征檢測功能確定了區域右下角坐標column2、區域中心的縱坐標row、區域面積area、最小周邊矩形的方向性rect2_phi等4個特征參數；②利用select_shape算子提取出滿足上述4個特征參數的區域；③用尺寸3×3的結構元素對經過步驟②處理的圖像進行形態學上的腐蝕和膨脹處理；④對③中得到的結果二值化；⑤對④中的得到的二值化之后的圖采取邊緣檢測的方法，具體采用的是sobel算子(5×5大小)；⑥采用閾值法對邊緣檢測后的圖像進行閾值分割[6]，以提取出胎面輪廓。

2.1.2 長度檢測

經過2.1.1小結的處理可以得到胎面輪廓，對該輪廓里的區域首先選擇smallest_retanglel算子得到最小外界矩陣，此時輪胎胎面長度所表示的像素大小即是該最小外接矩陣的相應的最右側的坐標值。實際輪胎胎面的長度可以根據圖像像素大小與實際長度的映射關系進行標定，具體標定方法：①在靜止的傳送輥道上放置一段胎面橡膠；②用本系統流程多次檢測采集圖像中的胎面像素長度并記錄；③用卷尺測量傳送輥道上胎面的實際長度并記錄；④計算圖像中胎面像素長度與實際長度之間的映射關系。最終得到的映射關系為：實際長度(mm)=0.168×胎面像素長度(pixel)。如圖4所示，1497為胎面圖像中胎面的像素長度，其實際長度為251.496 mm。

2.1.3 傾斜角檢測

傾斜角即胎面下端輪廓線與水平線之間的夾角。首先用sobel_dir算子對提出的胎面輪廓進行邊緣方向檢測以提取胎面下端輪廓線。根據目標線段的特征，采用select_shape算子得到目標線段，再用angle_ll算子計算目標線段與水平線段之間的角度。如圖4所示，0.76748為胎面圖像中胎面的傾斜角。

圖4 幾何量測量結果

2.2 字符檢測

字符的檢測能夠提高生產效率實現輪胎生產規格的自動切換。

2.1節完成了輪胎胎面的長度以及傾斜角的檢測，本節主要介紹胎面字符的檢測，檢測流程如圖5所示。

圖5 字符檢測實現流程

2.2.1 圖像預處理與字符分割

(1)方向校正、ROI提取

首先對輪胎胎面圖像選取合適的校正算子進行處理得到校正后的胎面圖，如圖6(a)、圖6(b)所示：其中圖6(c)所示為對字符區域特征提取ROI[7]。

圖6 圖像經過方向校正、ROI提取處理

(2)像素反轉、閾值分割、形態學處理

因為胎面本身是黑色而胎面的字符是白色的，所以可以通過圖像像素灰度值翻轉的操作提高識別率。255-Gray_ROI是指翻轉后的像素值；閾值分割結果，如圖7(a)所示；圖7(b)、圖7(c)分別是經過膨脹的方法和特征選擇之后的得到的結果。

圖7 處理結果

(3)字符分割

對(2)中得到的圖像進行字符分割，分割流程如下：①獲取胎面圖像的最小外接矩陣通過選擇shape_tran算子；②選取partition_rectangle算子分割最小外接矩陣得到C1大小為111.7×95；③選取intersection算子計算C1里的區域塊和閾值分割處理后的區域塊的交集得到圖像C。如圖8(b)所示。字符訓練前，為保證原始圖像中字符的位置與訓練中的維持次序一樣，選擇sort_region算子根據行的次序對分割得到的圖排序。

圖8 字符分割結果

2.2.2 字符訓練

如圖9所示字符訓練的流程。

圖9 字符訓練的流程

2.2.3 MLP字符分類器

如圖10所示的包含一個隱層的多層感知器(MLP)網絡，從圖中可知MLP能夠實現輸入d維x到輸出o的一個變換，其中y的維數根據實際問題而變化[8]。

圖10 含有一個隱藏層的MLP網絡

多層感知器(MLP)由輸入層、隱藏層、輸出層組成，若已知MLP的輸入層的特征向量(x1,x2,…xn)，則根據式(1)計算隱藏層中的一個神經元的輸出

(1)

2.3 字符檢測性能分析

本文實驗是基于Halcon平臺的，其中MLP參數選擇是一個需要在字符訓練文件上不斷驗證的過程。胎面圖像來源于實際生產車間中使用同一相機參數拍攝制作的胎面圖像庫，其中訓練樣本都來自于每張圖片上至少存在10個字符的胎面圖，總共選取100張胎面圖；測試樣本來源于訓練集之外的80張胎面圖。圖片數量和字符個數的分布情況見表1。

表1 圖片數量分布

2.3.1 MLP參數對字符檢測的影響

MLP網絡中隱藏層的數目對網絡的識別率有著巨大影響，實驗中探究合適的MLP網絡隱層數目[9]確定最終的網絡結構。在訓練過程中，10、20、30、40、60、80分別作為實驗隱層數目，考慮到實際生產要求，在字符檢測的準確率以及執行效率上這兩個方面進行性能上的分析。

(1)檢測準確率

由表2可得，當隱層數目為80、20時，訓練錯誤率分別為0.000 12、0.000 52，檢測1403個字符達到99.6%、98.7%的準確率。

表2 字符檢測準確率

(2)檢測時間

表3可得當隱層數目為20時總檢測時間最短為12.974 s，當隱層數目為80時總檢測時間為16.674 s。

2.3.2 確定合適的MLP參數

由2.3.1中在檢測準確率和檢測時間這兩個方面上的性能比較分析可以得到，準確率最高可以得到99.6%，此時的MLP網絡隱層數為80且檢測時間是16.674 s；12.974 s是所有檢測時間中最少，此時隱層數是20，準確率同樣高達98.7%。因為最終需要應用在實際生產環境下，所以考慮檢測率和執行效率這兩者要求后決定采取包含20隱層數的MLP分類器。

表3 不同隱層數目的字符平均檢測時間/s

2.4 MLP分類器性能分析

分別選擇由2.3.1里確定的隱層數目為20的MLP分類器、q為2的多項式核函數的支持向量機(SVM)[10]分類器對測試樣本進行分析，主要是檢測率以及檢測時間這兩個性能。其中測試樣本含80張圖片共1125個字符。

(1)檢測準確率

字符檢測準確率見表4。MLP分類器檢測準確率更高，MLP和SVM分類器的準確率分別為98.5%,96.7%，相差1.8%。

表4 分類器檢測率

(2)檢測時間

字符檢測時間見表5，MLP分類器檢測效率更高，其中MLP和SVM分類器的檢測時間分別為8.865 s、9.848 s，平均每張圖片相差12.288 ms。

表5 字符檢測時間

對測試樣本進行檢測分析發現，在檢測準確率和檢測時間的對比上MLP分類器效果明顯好于SVM分類器。

2.5 存儲數據

在VS2010C#中，通過C#與MySQL數據庫之間建立連接、創建表格、插入信息、讀取信息，提供保存數據和查詢數據。這樣當輪胎生產規格改變時可以通過字符在線檢測和數據庫查詢功能來決定當前輪胎定長裁斷的規格，從而實現輪胎定長裁斷環節的自動化。

3 檢測結果及分析

通過部署在實際生產車間并對該檢測系統進行現場測試，測試性能包括輪胎胎面幾何量和胎面字符檢測，最后對整個現場測試結果做進一步的分析。其中現場測試數據來源于實時采集到的胎面圖像總共包含400張圖片。

3.1 系統幾何量檢測準確率分析

在測試樣本中，幾何量測試得到檢測準確率，見表6。從表6中可知，現場的實時長度檢測率高達96.8%，同時角度上的檢測率同樣可以達到98.0%。

表6 長度、角度檢測準確率

3.2 字符檢測準確率分析

表7所示代表的是實際生產車間實時字符檢測的結果，表中可知即使在最復雜其中每張圖片包含19字符輪胎胎面圖像上的檢測率依然能夠高達96.8%。

表7 字符檢測的準確率

3.3 系統檢測精度分析

進行系統檢測精度分析時，在現場人工手動采用卷尺對傳送輥道上的輪胎胎面進行長度測量并記錄；作為對比，查詢數據庫中的這400張輪胎胎面圖像的在線系統檢測結果并導出，進行精度分析，從396組正確檢測數據中挑出6組整理見表8。由表8數據可知，卷尺測量和系統標定的結果精度可以達到0.1 mm、0.001 mm，基于機器視覺的測長方式可滿足更高的要求；兩個測量結果之間的偏差在可接受范圍內，且實際生產線上可容許偏差較小的檢測結果。

本系統基于機器視覺的非接觸式測量得到實際胎面長度，檢測速度、精度較人工卷尺接觸式測量都有較大提高，減少了人為因素、環境因素對測量結果造成的影響，同時提高了檢測效率，體現了機器視覺檢測技術在生產線上的優勢。

表8 系統檢測結果及卷尺測量結果

4 結束語

本文針對胎面長度人工二次抽檢存在的效率較低、檢測不全面等不足，設計了基于機器視覺的輪胎胎面檢測系統。根據胎面生產線和生產現場的環境，選擇了由光源、相機和鏡頭組成的圖像采集單元。針對胎面長度、傾斜角以及字符這3個方面分別設計了基于3種有效且效率高的檢測方法。最終在實際生產環境下進行系統測試，測試結果表明本文設計的基于機器視覺的輪胎胎面檢測系統能夠提高檢測效率、精度并有助于提高輪胎胎面檢測的自動化程度。該系統完全符合設計要求，具有很高的實際應用價值。

參考文獻：

[1]LU Yonggao,WANG Xihua,WANG Lianyun,et al.Deve-lopment of cushion rubber automatic fixed-length cutting machine for TBR[J].Plastics Technology and Equipment,2016,42(17):40-43(in Chinese).[陸永高,王錫花,王聯韻,等.全鋼載重子午胎墊膠自動定長裁切機的研制[J].橡塑技術與裝備,2016,42(17):40-43.]

[2]SUN Yumei,WANG Pengyao,SUN Qiaoyan,et al.Research and application of on-line automatic measurement system for tire tread parameters[J].Chinese Journal of Scientific Instrument,2016,37(12):2859-2865(in Chinese).[孫玉梅,王鵬遙,孫巧妍,等.輪胎胎面參數在線檢測系統研究及應用[J].儀器儀表學報,2016,37(12):2859-2865.]

[3]ZHU Baowei.Lighting design in machine vision[J].Electronic Science and Technology,2013,26(3):80-82(in Chinese).[朱寶偉.機器視覺中的光源照明設計[J].電子科技,2013,26(3):80-82.]

[4]ZHANG Zhu,ZHANG Ying,YAN Fan,et al.Application study of omnidirectional camera calibration based on HALCON[J].Computer Engineering and Applications,2016,52(10):241-246(in Chinese).[張柱,張瑩,閆璠,等.基于HALCON的全景攝像機標定及應用研究[J].計算機工程與應用,2016,52(10):241-246.]

[5]LI Hua.Precision measurement based on computer vision image analysis of the key technologies[J].Computer Knowledge and Technology,2013,9(5):1211-1212(in Chinese).[李華.基于計算機視覺圖像精密測量的關鍵技術分析[J].電腦知識與技術,2013,9(5):1211-1212.]

[6]SHA Sha,PENG Li,LUO Sanding.A threshold image segmentation algorithm directed by edge information[J].Journal of Image and Graphics,2016,15(3):490-494(in Chinese).[沙莎,彭麗,羅三定.邊緣信息引導的閾值圖像分割算法[J].中國圖象圖形學報,2016,15(3):490-494.]

[7]YUAN Yuan,FAN Wanmei.A method for ROI extraction based on background statistics[J].Journal of Chongqing University of Technology,2012,26(3):89-92(in Chinese).[袁源,樊萬梅.基于背景統計的ROI提取方法[J].重慶理工大學學報,2012,26(3):89-92.]

[8]HE Liqun,ZHAN Yongping.The research of perception mo-del of neural network[J].Journal of Jiujiang University,2014(4):37-39(in Chinese).[何立群,占永平.感知器神經網絡模型研究[J].九江學院學報,2014(4):37-39.]

[9]ZENG Xiaoqing.Study on the parameter optimization problem of BP neural network in the modeling[J].Meteorological Monthly,2013,39(3):333-339(in Chinese).[曾曉青.BP神經網絡在建模中的參數優化問題研究[J].氣象,2013,39(3):333-339.]

[10]GUO Keyou,GUO Xiaoli,WANG Yiwei.Analysis and strategy for parameter optimization methods of SVM[J].Computer Measurement & Control,2016,24(6):255-259(in Chinese).[郭克友,郭曉麗,王藝偉.SVM參數優化方法分析與決策[J].計算機測量與控制,2016,24(6):255-259.]