全鋼子午線輪胎X光圖像的缺陷檢測研究現狀

逄增治，鄭修楠，李金屏

（1. 濟南大學 信息科學與工程學院，山東 濟南 250022； 2. 濟南大學 山東省網絡環境智能計算技術重點實驗室，山東 濟南 250022； 3. 濟南大學 山東省“十三五”高校信息處理與認知計算重點實驗室，山東 濟南 250022）

子午線輪胎內部結構復雜，工藝繁瑣，在生產過程中很容易出現質量問題。如果不能及時發現并糾正這些缺陷，不但會增加產品的不合格率，還會使輪胎的壽命受損，甚至會導致汽車在行駛過程中出現嚴重安全事故。因此，在輪胎出廠前，必須對其進行產品質量檢測，及時發現產品缺陷，調整并規范生產過程，確保有缺陷的產品不會流入市場。

目前，子午線輪胎無損檢測技術主要包括抽真空激光干涉圖案檢測技術[1-2]、X射線成像檢測技術[3]、微波無損檢測技術[4]。其中X射線成像檢測技術采集的輪胎內部結構圖像具有較強的直觀性，在輪胎生產廠商中得到廣泛應用。本文介紹的是基于X射線成像技術的輪胎缺陷檢測算法。通過圖像處理技術對輪胎圖像進行分析，檢測輪胎是否存在缺陷，以保證輪胎的質量達到標準。

X射線是在能量相差懸殊的2個能級之間，由于電子躍遷而產生的粒子流，是一種有能量的電磁波，具有較強的透射性[5]。輪胎X射線檢測技術是對輪胎進行X射線照射，由于輪胎內部不同部分的材料厚度和密度不同，X射線吸收量也會發生變化。由于X射線吸收量的不同，X射線光電傳感器接受的輻射量也不同。光電傳感器將接收到的X射線輻射量數字化，通過圖像軟件處理，依據輪胎各部分密度和厚度的不同，將輪胎表面圖像轉化為不同灰度級表示的數字圖像[6]。

1 研究現狀

在輪胎X光檢測設備領域，由于國內的高精密設備制造水平較為落后，輪胎X光檢測設備主要是由歐美國家制造，例如德國的科爾曼公司和法國的賽博耐特公司。科爾曼公司X射線檢測設備檢測精密度高、種類齊全，適合大規模使用。在輪胎X光成像領域有較好的成像特性，輪胎X光圖像紋理清晰，能夠準確地反映輪胎的內部結構，適合在復雜的輪胎生產領域使用。總體上說，國外的輪胎X光檢測技術發展較早，技術成熟，有較好的檢測效果。

目前，國內輪胎制造廠商主要是購買國外的輪胎X光檢測設備。雖然國外有少數公司開發了具有輪胎缺陷檢測的X光檢測設備，但在國內輪胎生產中沒有得到很好應用，國外的缺陷檢測系統在國內實際應用中遇到很多問題[7]。由于國內外對輪胎產品的缺陷標準和分類不同，導致國外的缺陷檢測系統無法應用在國內的生產環境中。當前，國內大部分輪胎生產廠商還是依靠人工方式檢測輪胎缺陷，優點是人工檢測能夠更全面的檢測出輪胎細節上的缺陷，發現更多的缺陷問題；缺點是容易造成視覺疲勞而引起輪胎缺陷的誤檢和漏檢情況，人眼在識別過程中也容易受到主觀條件影響，檢測過程效率低下。所以尋找一種切實可行、有針對性的圖像處理算法以實現全自動缺陷識別是當前亟需解決的關鍵問題。

全鋼子午線輪胎X光圖像分為胎冠、胎體、鋼絲圈和設備陰影等4部分。其中，鋼絲圈區域呈現大片黑色，由一系列水平方向的反包層鋼絲和斜向的包布層鋼絲構成，如圖1(a)所示。胎體區域由一系列互相平行、間距均勻的簾線構成，如圖1(b)所示。胎冠區域為圖像中間2條直線相互交叉的區域，如圖1(c)所示。設備陰影區域呈現大片黑色，由鋼絲簾線成捆構成，如圖1(d)。常見的輪胎缺陷包括簾線稀疏、帶束層雜物、簾線彎曲、簾線交叉、帶束層打折、帶束層接頭開、0度散線等，如圖2所示。

圖 1 全鋼子午線輪胎X光成像圖像Fig. 1 X-ray image of All-steel radial tire

圖 2 常見的輪胎缺陷圖像Fig. 2 Common tire defect images

在算法研究領域，中北大學的郭奇等[8]利用模板匹配算法判斷輪胎缺陷，青島科技大學的崔雪利等[9]用卷積神經網絡對輪胎圖像進行分類，但這些方法在輪胎缺陷檢測領域并沒有得到很好的應用。主要是因為輪胎內部結構復雜，鋼絲簾線的層數和排列方式差異性大，沒有嚴格的質量標準，并且不同部分的材料厚度和密度不同，導致輪胎圖像的灰度不均勻。由于以上原因使得基于機器視覺的輪胎缺陷檢測系統在實際應用時，不容易實現全自動檢測。

目前，國內根據X光成像圖像提出的子午線輪胎缺陷檢測算法已經很多。例如天津大學的黃戰華[10-12]課題組通過對輪胎圖像紋理的分析來檢測缺陷；東北大學的周欣等[13]提出了以小波分解模極大值多尺度邊緣檢測算法，也獲得了比較好的效果；山東財經大學的郭強等[14]課題組提出利用LTV和VM濾波提取圖像紋理和背景分量，從而進行輪胎缺陷檢測，能夠對缺陷區域進行準確定位；青島科技大學的張巖等[15]提出了基于全變分模型的輪胎缺陷檢測方法，能夠檢測出胎體區域的簾線斷線、彎曲等缺陷。但是在實際應用時，仍然沒有一套完整的、好用的全自動輪胎缺陷檢測系統。本文針對國內已經提出的輪胎X光缺陷檢測算法進行梳理和歸類，介紹各類缺陷檢測的主要方法，通過對實現方法的優缺點分析，指出了未來研究中面臨的挑戰。

2 輪胎缺陷檢測的常用算法

根據輪胎的缺陷特征可劃分為3類缺陷，分別是結構缺陷、灰度缺陷和區域缺陷。結構缺陷是指輪胎胎體區域的簾線在結構上呈現扭曲等異常現象，例如簾線交叉、彎曲等缺陷；灰度缺陷是指輪胎X光圖像的灰度值出現偏差、明暗不均等灰度現象，例如氣泡和雜質缺陷；第3類是區域缺陷，例如胎冠區域簾線開裂、帶束層順線等缺陷。

輪胎缺陷檢測算法將按照這3類特征進行分類設計，首先對圖像進行預處理，將原始圖像的噪聲去除，并進行像素級校正[16]。然后對輪胎X光圖像進行區域分割[17-18]，將輪胎各區域的結構分離，得到胎體、胎冠、鋼絲圈的分割位置，并去除連通的無效邊界的影響。

2.1 結構缺陷

輪胎的結構缺陷主要是簾線上出現簾線稀疏、簾線彎曲、簾線交叉等結構異常的現象，如圖2 (a)、(c)、(f)、(g)所示。這類缺陷主要是從簾線的幾何信息、方向、簾線間距等尺寸特性來提出算法。為了能夠準確對簾線結構進行判斷，需要將簾線的骨架分離出來，涉及的圖像處理方法有簾線細化[19]、形態學處理[20]、灰度校正[21]、圖像縮放[22]和二值化[23]等方法。

2.1.1 簾線交叉

胎體的簾線交叉在細化圖像中分為2種情況，一種情況是2條簾線斜交，表現為2個距離很近的分支點，如圖3(a)所示。另一種情況是2條簾線正交或者準正交，表現為一個交叉點，如圖3(b)所示。在實際情況中簾線交叉多數為2條簾線斜交[24]。

圖 3 簾線交叉缺陷圖像Fig. 3 Cord cross defect images

由此，能夠根據分支點和交叉點對簾線交叉缺陷進行識別[25]。在簾線細化后的二值圖像上，各像素點的灰度值只能為0或1。在圖像上任一像素點p，其8鄰域如圖4所示。像素點p的交叉數Cn(p)定義為：

式中：pi為像素點的灰度值。像素點p的8鄰域簾線像素點數Sn(p)定義為：

圖 4 P點的8-鄰域Fig. 4 Eight-neighborhood plot of P

根據式(1)、(2)，對胎體區域逐個像素點遍歷，計算像素點8鄰域內的交叉數Cn(p)和簾線像素點數Sn(p)，通過Cn(p)和Sn(p)的取值，可以判斷出端點、交叉點和分支點。當存在交叉點或2個距離較近的分支點時，存在簾線交叉缺陷。此算法在檢測過程中，噪聲會造成檢測誤差，需要特別注意對噪聲進行處理。在對圖像進行二值化和細化處理時，分別進行去噪，否則計算出的交叉數Cn(p)和簾線點數Sn(p)會受到影響，造成檢測誤差。

文獻[26]提出一種基于廣度優先方式遍歷細化圖像，根據交叉特征判斷簾線交叉缺陷的方法。將簾線分為2類，第1類如圖5(b)所示，第2類如圖5(c)所示，依據2類交叉的特征分別進行檢測。

第1類交叉類型是在交叉點處存在簾線分支，并且交叉點和簾線在位置上鄰接。分支和鄰接可以用像素點P的8鄰域表示，如圖6所示。通過像素點P的8鄰域內相鄰像素值的跳變次數CP來定義第1類交叉結構，如式(3)所示。當某個像素點在8鄰域的跳變次數CP＞6時，說明至少存在2條簾線交叉，則點P即為交叉點。

式中：Pi為像素值，取值0或1。

圖 5 胎體區域簾線交叉缺陷圖像Fig. 5 Carcass area cord cross defect images

圖 6 P點的8-鄰域圖Fig. 6 Carcass area cord cross defect images

第2類交叉結構是在鄰域內像素點之間形成一個環，并不滿足鄰域內像素點的跳變次數要求。通過對像素點P的8鄰域內某行或者某列同時為1來描述第2類交叉結構。式(4)判斷像素點P的8鄰域內第1行或第3行灰度值是否全為1。式(5)判斷像素點P的8鄰域內第1列或第3列灰度值是否全為1。當像素點P的8鄰域內某行或者某列同時為1時，說明存在第2類交叉缺陷，如式(6)所示。

在山東玲瓏輪胎股份有限公司提供的分辨率為3 400×8 500的實驗數據集中實現該算法。結果表明，能夠比較準確地檢測到簾線交叉缺陷，并且滿足實時性的要求。但是在胎冠或鋼絲圈區域的簾線發生彎曲時，會導致胎體與胎冠區域的交界處或胎體與鋼絲圈區域的交界處形成交叉，造成簾線交叉缺陷的誤判。當然這種誤判是在胎冠或鋼絲圈區域簾線已經發生彎曲時出現，只是對缺陷類型的誤判，而不是對輪胎缺陷的誤檢。

2.1.2 簾線彎曲

簾線彎曲缺陷是在胎體區域水平走向的簾線呈現彎曲現象，如圖2(c)所示。針對簾線彎曲缺陷的檢測，文獻[27]提出一種沿水平方向掃描簾線的方法。其基本思想是沿水平方向對簾線進行掃描，當簾線發生彎曲時會產生交點，交點越多代表簾線彎曲程度越大，記錄交點個數，當交點個數大于合理閾值時，判斷簾線出現彎曲缺陷。文獻[28]在此基礎上對算法進行改進，利用一條水平簾線模板與圖像的每行簾線進行相差，模板與簾線會出現水平或重合情況，當平行且不重合時為1，當重合時為0。簾線彎曲時，會出現水平和重合同時發生的情況，即0和1交替出現。通過跳變次數來判斷是否存在簾線彎曲缺陷。

簾線的彎曲程度根據斜率的變化率即曲率判斷，可以把曲線的曲率和斜率作為簾線提取的特征。文獻[29]通過簾線的曲率ρ來表示水平簾線的彎曲程度。首先，計算每條簾線中像素點的曲率ρ，與設定的曲率閾值比對，當連續n個像素點的曲率ρ大于閾值時，存在簾線彎曲缺陷。文獻[30]在曲率ρ值的基礎上加入弦弧距-弦長比和斜率作為判斷條件，提高了檢測的準確性。曲線的弦弧距-弦長比會隨彎曲程度的增大而提高。對簾線進行特征提取，采用弦弧距-弦長比、曲率和斜率作為提取特征，識別彎曲缺陷。

文獻[31]在簾線上的像素點用8鄰接方式將每條簾線做連通分量標注處理，計算每條簾線的各像素的垂直坐標值和圖像簾線的平均垂直坐標值，將其累加后取平均值，如大于閾值δy，則判定簾線存在彎曲缺陷。如式(7)所示：

2.1.3 簾線斷線

輪胎生產過程中由于受力不均或簾線出現質量問題，會導致胎體區域出現簾線斷線情況。簾線斷線缺陷在細化圖像中定義為在同一條簾線上存在2個距離較近的端點，如圖7所示。

圖 7 簾線斷線缺陷圖像Fig. 7 Cord breakage defect image

文獻[32]對簾線上的像素點用8鄰接方式將每條簾線做連通分量標注處理，計算每條簾線的質心并設置2個判斷條件。條件1是每條簾線質點的水平坐標和簾線質點的平均水平坐標值之差大于閾值δcen，如式(8)所示：

式中：n為簾線上連接分量的個數；Lj為第j條簾線；表示為第j條簾線的質心；δcen為簾線質心水平坐標的閾值。條件2是每條簾線的長度和簾線的平均長度之差大于閾值δleng，如式(9)所示：

劉宏貴等[32]沿簾線水平方向對簾線上各像素點進行遍歷，計算各像素點的灰度值，二值圖像中簾線上的像素點灰度值為0。當水平方向相鄰的灰度值為0的像素點之間的距離超過設定的閾值時，該點區域存在斷線缺陷。該算法的缺點是細化后的輪胎簾線并不是都在同一水平線上，如果存在簾線彎曲，則水平方向相鄰黑色像素點的距離極有可能存在大于閾值的情況，從而產生誤報情況。

文獻[33]對圖像輪廓進行提取，在斷線區域提取輪廓時，所提取的輪廓區域的面積和周長會大于正常簾線區域。利用輪廓矩判別形狀，在封閉輪廓區域的邊界提取7個輪廓矩，計算相似度距離Di，通過相似度距離來判斷簾線斷線缺陷，同時能夠將簾線稀疏進行區別，避免誤報問題。

邵明紅[28]提出一種基于穿線法對簾線斷線缺陷進行檢測。穿線法的基本思想是沿垂直方向掃描像素點，計算相鄰簾線的間距。當間距超過合理閾值，則存在簾線斷線缺陷。但該方法無法將簾線稀疏與簾線斷裂缺陷進行有效區分。針對穿線法在檢測簾線斷線時造成簾線稀疏的誤報問題，文獻[34]對穿線法提出改進，改進后的方法是在確保每列的起點簾線和終點簾線相同的條件下，沿垂直方向逐個像素點進行掃描，統計與簾線的交點個數。當該列與前一列交點個數不同時，對該列的相鄰簾線的間距進行判斷。若間距超過合理的閾值，則對相鄰簾線間的白色灰度值進行統計，通過灰度值的大小來排除雜質和簾線稀疏的情況。如果該列正常，對前一列的相鄰簾線的間距進行判斷。若間距超過閾值，則存在簾線斷線缺陷。

在山東玲瓏輪胎股份有限公司提供的分辨率為3 400×8 500的實驗數據集中實現該算法。經測試，該方法在沒有漏報的情況下，可以解決雜質和簾線稀疏缺陷對斷線缺陷檢測的影響。但該算法還存在不足之處，如果簾線間存在交叉時，穿線過程經過交叉點，交點的個數會發生變化，當簾線間距大于閾值，會誤判為斷線缺陷。

2.1.4 簾線稀疏

胎體區域的簾線間距均勻，如果出現間距過大的情況，則為簾線稀疏缺陷，如圖2(a)所示。朱越提出一種對簾線細化圖像沿垂直方向掃描的方法，通過判斷相鄰簾線的間距，檢測簾線稀疏缺陷。每隔N列自上而下掃描圖像，統計與簾線交叉點個數，計算相鄰交叉點的間距，當間距大于閾值T，則為簾線稀疏。但是該算法沒有考慮到簾線斷線情況，如果存在簾線斷線缺陷，會誤檢為簾線稀疏。

文獻[35]對每條簾線作如式(10)的運算，當簾線Li滿足式(10)時，簾線Li稀疏。

式中：T為簾線間距閾值； Li.xj為第i條簾線中第j個像素垂直坐標值；a、b和c分別為：

郭強等[36]從圖像紋理的角度出發，提出一種基于權重紋理相異性的輪胎缺陷檢測算法。為避免光照變化以及噪聲點對相鄰像素點的影響，利用特征相關性作為相鄰像素之間相似性衡量的標準。 首先，提取輪胎X光圖像的紋理特征，采用局部核回歸提取每個像素的紋理特征。然后，采用余弦相似度來對相鄰像素塊的紋理特征相異性進行評估，將相異性差別較大的異常區域突出顯示。最后，利用閾值函數方程將缺陷區域進行分割及定位。通過該方法能夠檢測出胎體區域的缺陷，但無法與雜質等缺陷類型進行有效區分。

2.2 灰度缺陷

2.2.1 雜質

雜質缺陷是由于輪胎內部壓入金屬等雜質，密度變大，圖像出現像素灰度值很低的區域，通常分布在胎冠區域和胎體區域，如圖8所示。

圖 8 輪胎雜質缺陷圖像Fig. 8 Tire impurities defect images

當胎體區域存在雜質時，通過式(1)、(2)，逐個像素點遍歷，計算各像素點8鄰域的交叉數Cn(p)和簾線像素點數Sn(p)，通過Cn(p)和Sn(p)的取值情況來檢測雜質缺陷。但是該方法在檢測過程中容易受到噪聲干擾，影響檢測結果。同時也無法對雜質和氣泡進行有效區分，造成缺陷類型的誤檢。文獻[37]對于區域特征明顯的雜質，利用形態學的方法對圖像各個子窗口中進行腐蝕適當的次數后，簾線消除且雜質仍保留一部分像素面積，提取該區域計算塊面積，如果面積超過合適的閾值則為雜質缺陷。在區域特征明顯圖像中腐蝕后能夠保留部分雜質，當雜質區域與背景灰度值相差不明顯時，很難將雜質從圖像中提取出來，導致雜質缺陷的漏檢，無法應用到實際輪胎生產檢測中。高鵬[33]提出了一種利用圖像輪廓的提取對雜質缺陷進行檢測的方法。其基本思想是如果胎體上存在雜質，一個完整的區域將被劃分成多個小區域，這些小區域的輪廓周長會小于正常區域。當存在某一區域輪廓周長明顯小于正常區域，且相鄰幾個小區域的面積均小于正常區域，將其面積累加近似等于正常區域的面積，則為雜質缺陷。

向媛媛等[38-40]提出了一種基于稀疏表示的輪胎雜質缺陷檢測算法。經觀察，從無缺陷輪胎圖像中構造的字典能夠有效地捕捉數據的變化，該字典能夠表示無缺陷輪胎圖像塊，同時稀疏表示的系數服從正態分布。因此，利用K-SVD算法構造圖像塊的字典，稀疏表示系數的差異來表示局部特征，系數的編碼長度用于衡量全局特征。通過結合局部和全局特征，當稀疏表示的系數偏離正態分布時，很容易檢測出雜質圖像塊，準確找到雜質的位置和大小。青島科技大學的張斌[41]提出基于Curvelet圖像增強和Canny算子的胎體區域雜質缺陷檢測算法。首先對輪胎圖像采用頻率Wrapping方法來實現快速Curvelet變換，根據各子帶的噪聲水平和對表述圖像中胎體區域簾線的貢獻水平進行分段非線性增強；然后對處理后的Curvelet系數進行反變換得到增強圖像；對增強圖像高斯濾波后，利用改進后的非極大值抑制過程，對邊緣精確定位，利用Canny雙閾值方法實現胎體區域中雜質缺陷邊緣的提取。該方法能夠將雜質缺陷區域的邊緣信息清晰而準確的檢測出來，并且絕大多數的偽邊緣得到了很好的抑制和消除。

胎冠區域的簾線呈多層子午線分布，結構復雜。針對該區域的雜質檢測，文獻[42]提出一種基于對圖像預處理的改進和聚類分析的方法來檢測雜質缺陷。在預處理過程中進行了直方圖均衡化、傅里葉變換和低通濾波等處理方法。圖像對比度雖然有了明顯的增強，但還存在一些影響缺陷檢測的因素。為排除這些因素，通過區域生長聚類分析的方式進行缺陷檢測。區域生長是選取種子節點，從種子點的集合開始，將與這些種子點具有相同性質(例如灰度值、紋理、顏色等)像素合并到此區域中。在輪胎圖像中隨機選取灰度值為0的像素作為種子點對8鄰域內灰度值為0的像素點進行聚類。通過對灰度值為0的像素進行8鄰域聚類，則圖中灰度值為0的一部分為一類，統計每一類的像素數目進行排列，取數目最多的2類，則標定為雜質區域。

2.2.2 氣泡

輪胎在生產過程中會進入空氣等雜物，導致輪胎在硫化后會有氣泡產生。圖2(e)是胎體區域圖像，其中亮度較大的區域為氣泡缺陷。氣泡與背景區域灰度值相差不大，與簾線的對比度相差較大。同時在水平方向上灰度不均勻，在豎直方向上灰度相對均勻分布。對于區域特征明顯的氣泡，在圖像子窗口中對圖像進行腐蝕操作，提取腐蝕后存在的像素區域的面積，通過面積的大小來判斷是否存在氣泡缺陷。該算法在區域特征明顯圖像中腐蝕后效果較好，但該方法需要氣泡區域與背景灰度值相差較大，在實際情況中沒有這么理想的輪胎圖像，很容易造成漏檢，無法實際應用。

王冰等[29,43]根據圖像小區域灰度分布相似性沿垂直方向搜索灰度級較高的像素點，初步將氣泡區域分割出來；對搜索出的像素點進行連通區域標定，消除小面積區域，防止噪聲的影響。接著對圖像按照設定的生長規則進行區域生長；最后區域合并，得到氣泡位置和大小。該方法會對偽氣泡造成誤檢，袁曄[27]在此基礎上添加2個準則校驗：1)氣泡大小有一定限制；2)氣泡區域灰度均值高于周邊非氣泡缺陷區域。有效地保證氣泡缺陷檢測結果的正確性。

劉宏貴[32]在識別氣泡缺陷中，首先用Gaussian濾波器對圖像進行濾波后再線性拉伸，用Robert算子對圖像進行邊緣提取后用Ostu自動閾值分割，再用形態學濾波進行處理，去除圖像中的小邊緣區域。該算法在少數氣泡與背景灰度明顯的圖片能夠檢測出，但大多數圖片的氣泡較為復雜，用Robert算子的邊緣檢測很難將氣泡目標分離出來。 針對氣泡與背景灰度值對比不明顯的情況，邵明紅[28]對該方法進行了改進，利用Sobel算子進行邊緣檢測，在水平和垂直方向模板上增加45°和135°方向模板，能夠提高邊緣檢測的準確性，有效消除假邊緣問題。其中，45°和135°方向模板如式(14)、(15)所示。

同時，對Sobel算子的梯度計算公式進行改進，將4個方向上的最大值作為該點新的灰度值，將最大值對應方向作為邊緣檢測的方向，如式(16)所示：

該方法進行氣泡檢測時，在氣泡與胎體區域灰度值相差較大的圖像中能夠準確將氣泡區域檢測出來。但在一些圖像中，仍會將部分與氣泡灰度值近似的非氣泡區域檢測出來。

2.3 區域缺陷

2.3.1 帶束層順線

胎冠區域結構復雜，帶束層簾線沿0°、45°和135° 3個方向交叉排列，如圖10(a)所示。在生產過程中由于操作不當會使胎冠區域帶束層簾線按照一個方向排列，缺失了45°方向或135°方向的簾線，造成帶束層的順線缺陷，如圖9(b)所示。

當帶束層出現順線缺陷時，帶束層會缺失某一方向的簾線，則不同2個方向的紋理特征值會出現明顯的數值差距[44-47]。朱越[6]提出一種基于Gabor變換的方法檢測帶束層順線缺陷，其基本思想是對胎冠區域分別進行45°和135° 兩個方向上的Gabor濾波，計算2個方向上的Gabor能量均值m和方差d，作為紋理特征值。如果滿足|m1-m2|＞T1且|d1-d2|＞T2時，則為帶束層順線缺陷。

圖 9 輪胎胎冠區域帶束層簾線圖像Fig. 9 Tire crown area belt cord images

2.3.2 胎冠簾線開裂

胎冠簾線開裂形態各異，難以用結構特征來描述，如圖10所示。張傳海等[48-49]提出了一種基于紋理無關的胎冠裂紋缺陷檢測算法，基本思想是從各個角度對輪胎胎冠區域進行線密度投影。當胎冠區域簾線發生開裂時，裂紋處會發生跳變，計算胎冠區域在各個角度的投影密度曲線Pθ(t)。圖中箭頭標記區域為裂紋位置，可以明顯的看出曲線的值在裂紋邊緣處會出現較大波動。

圖 10 輪胎胎冠區域簾線開裂圖像Fig. 10 Tire crown area cord crack images

通過曲線求導得到線密度導數函數P′θ(t)，通過P′θ(t)能夠反映曲線形態的變化，其中函數的極值點對應裂紋特征的位置，因為胎冠紋理的寬度特征，P′θ(t)應該在2個位置有極值點，若出現多個極值點按照極值的情況來取極值點(t0，t1)。調整角度θ可以得到一系列極值點t，用函數T0(θ)和T1(θ)表示。根據極值點函數，投影密度函數可以得到判定曲線 (θ′，t′)，如式 (17)所示：

然后用近似直線 l(θ′，t′)標注胎冠區域裂紋的位置。在山東玲瓏輪胎股份有限公司提供的分辨率為3 400×8 500的實驗數據集中實現該算法。結果表明，在胎冠區域出現各種形態的裂紋缺陷，通過該方法能夠判斷裂紋缺陷，并且能夠比較精準的標定裂紋的位置，并且滿足算法對于實時性的要求。

文獻[50]提出一種基于灰度累積投影的胎冠簾線開裂檢測方法。其基本思想是在不同角度對胎冠區域進行灰度累計投影，得到灰度累計投影曲線，通過投影曲線計算局部區域的具有波動性的峰值能量，用曲線整體波動分布的前n個最大峰值能量組成能量特征向量，構造支持向量機分類器來對最大灰度累計曲線進行判別；最后利用位置反演將裂紋缺陷的位置標注。該方法的算法復雜度較高，檢測缺陷過程慢，不滿足缺陷檢測的實時性要求。

3 輪胎缺陷檢測在未來所面臨的挑戰

子午線輪胎結構復雜，存在各種缺陷類型，同一類缺陷其結構上差別很大，比如簾線彎曲程度、簾線交叉的形態等，沒有統一的標準來描述，如圖11所示。這給輪胎缺陷檢測的分析識別帶來挑戰，決定了在短時間內不能很好地解決這項研究。同時，子午線X光圖像數據量大(約為3 400像素×8 500像素)，現有一些算法處理過程較慢，檢測效率不高。因此對現有算法進行簡化，提高現有缺陷識別算法的計算速度，更好地滿足缺陷檢測系統的實時性是未來所面臨的挑戰之一。

圖 11 輪胎同類缺陷對比圖像Fig. 11 Comparison of same defect type in tire images

其次，能夠檢測的輪胎缺陷類型還需要進一步豐富。現有輪胎缺陷檢測算法的研究主要在胎側區域的簾線檢測、雜質和氣泡，胎冠簾線開裂、帶束層順線等方面，還有一些缺陷類型因為區域內以及相鄰區域交界處的結構復雜，對缺陷檢測過程存在干擾，沒有能夠實際應用的缺陷檢測算法，如鋼絲圈區域的鋼絲打折、鋼包開裂、鋼包雜物、鋼圈彎曲等缺陷，如圖12所示。

圖 12 鋼絲圈區域缺陷圖像Fig. 12 Bead ring area defect images

今后應對這些缺陷類型進一步研究，提出新的算法理論，更好的對輪胎缺陷進行檢測。同時，還有一些算法對缺陷檢測效果較差，會出現誤報、漏報的情況，提高識別的精度及檢測能力也是未來所面臨的挑戰。

4 結束語

利用圖像處理技術對子午線輪胎進行缺陷檢測是一個非常重要的課題，基于機器視覺的輪胎缺陷檢測技術的成熟，可以提高我國輪胎制造產業的生產效率，并加快了我國工業自動化的發展進程。

本論文對輪胎缺陷檢測算法進行了梳理，重點是對胎體區域的簾線結構缺陷以及胎冠區域的帶束層順線等缺陷檢測算法的研究分析。每種算法實現的環境都不一樣，要求也不一樣。其中存在諸多難點需要解決，如在復雜條件下輪胎的區域定位問題，X光圖像的成像光照問題等等。相信隨著機器學習、機器視覺和圖像處理學科領域的不斷進步，輪胎缺陷檢測技術也會不斷完善、更加優化，能夠克服人工檢測的主觀性，提高輪胎缺陷檢測的自動化程度。下面給出對今后工作的一些展望：

1)對已有的算法進行優化，在缺陷檢測過程中，對缺陷結構特征的真偽性需要進行嚴密的判斷，同時通過對算法的優化，得到更加準確的檢測結果，提升算法的實時性。

2)對缺陷檢測各參數的設定可以考慮引入機器學習的方法，通過計算機學習、訓練參數集，減少人工干預參數的設定，提高參數的準確性。

解決上面提及的各類問題則既是創新，更是挑戰，而且也已成為輪胎缺陷檢測技術開展未來研究的后續發展方向。