基于特征直方圖的輪胎X 光圖像雜質檢測算法

林 一，苑瑋琦

（1.沈陽工業大學視覺檢測技術研究所，沈陽 110870；2.遼寧省機器視覺重點實驗室，沈陽 110870）

1 引 言

根據國家標準GB-T26276-2010 工程機械子午線輪胎無損檢驗方法X 射線法[1]，國內輪胎X 射線檢測設備主要由外國公司提供[2]。由于國內外對輪胎產品的缺陷標準和分類不同，以及價格等因素，決定了國外輪胎缺陷檢測軟件并不適用于國內的生產環境。國內目前主要采用目測方式判定是否存在缺陷，目測方式存在缺陷漏檢風險，機器視覺檢測取代或者輔助目測成為主流的發展方向。一些研究者提出了基于機器視覺的輪胎雜質檢測方法。經典方法方面，張巖等人[3]提出一種基于小波多尺度分析的輪胎雜質缺陷檢測算法；鄭修楠等人[4]提出改進的極值濾波器和局部自適應閾值二值化的技術提取胎側的雜質和氣泡缺陷；張巖等人[5]提出基于全變分模型圖像分解技術，將圖像分解后的卡通分量進行邊緣提取來檢測雜質缺陷。在深度學習方面，Sofia等人[6]提出GoogleNet 架構的基于卷積神經網絡方法的自動缺陷檢測；鄭洲洲等人[7]提出了簡明的語義分割網絡對缺陷圖像進行像素級分割；其他學者[8]還提出基于工業場景下輪胎殘差重建的輪胎X 射線圖像的無監督缺陷檢測算法。基于這些現有成果，在此，提出一種基于灰度分布曲線特征直方圖最大間距的輪胎雜質缺陷檢測算法。

2 雜質缺陷檢測原理及圖像預處理

2.1 輪胎缺陷檢測原理

在輪胎的生產過程中，由于操作失誤，在輪胎材料中常會混入鐵塊、布料、石子等非加工材料物質。雜質缺陷圖像與其灰度分布曲線如圖1 所示。

圖1 輪胎生產中的雜質缺陷

如圖中所示，通常情況下，凹線段灰度極小值點坐標對應于所在列簾線內部一點；凸線段灰度極大值點坐標對應于所在列兩個簾線之間背景中一點。在X 光射線成像中，由于雜質遮擋并吸收一部分X 光射線，因此在圖像中呈現灰度值較低的區域。在特征層面上，灰度分布曲線中凹線段極小值灰度值會明顯變小。對這一特性加以利用，即可進行雜質缺陷檢測。

2.2 圖像預處理

在圖1 的灰度分布曲線中，凹凸線段上存在一些小幅度的波動，這是輪胎橡膠部分的不均勻性導致的。這種波動在數字圖像灰度分布曲線上表現為原始曲線上疊加的高頻噪聲，會對特征值的選取造成一定程度的干擾，因此需要采用高斯濾波對圖像進行預處理來平滑高頻噪聲。

高斯濾波器是一類根據高斯函數的形狀來選擇權值的線性平滑濾波器，其中，二維高斯函數可如下式所示：

在此對圖庫測試不同的高斯平滑系數σ，根據σ的大小確定高斯濾波核尺寸的大小。在到均值的距離大于3σ的位置，高斯函數的值會小到可以忽略。這意味著，如果選擇的最大高斯核為最接近且不超過6σ×6σ的大小，那么得到的圖片結果與使用任意大的高斯核得到的結果相同。根據這一性質，此處選取的σ值從0.50 開始依次增大，與圖像進行卷積，直到將灰度分布曲線的噪聲完全平滑掉。最終高斯濾波的σ大小為2.05，核尺寸為11×11。

3 雜質缺陷檢測算法

3.1 算法原理

如前所述，此處選取灰度分布曲線中沿垂直方向的凹線段極小值作為特征值。在統計學中，直方圖是一種對數據分布情況的圖形表示，是一種二維統計圖表。而在數字圖像處理中，圖像直方圖是用以表示圖像中灰度分布的直方圖，反映了圖像中各個灰度值出現的頻數。在此將一列中的凹線段極小值灰度值繪制直方圖，如圖2 所示。

圖2 列方向凹線段極小值灰度值直方圖

在直方圖中，橫軸代表凹線段極小值灰度值大小，縱坐標代表每個凹線段極小值灰度值出現的次數。從兩幅直方圖可以看出，胎側區域由于簾線簡單，數據集中；胎冠區域由于簾線結構復雜，數據相對分散，但缺陷位置都是遠離正常數據的異常數據。可基于直方圖的最大間距來檢測異常數據，即最大間距法，其原理如圖3 所示。

圖3 最大間距法示意圖

在圖中的一維數軸中，將數軸中連續不為零的數稱為一組數據，計算相鄰兩組數據的間距d，通過尋找其最大間距來檢測異常數據，可由下式表示：

由于雜質缺陷為灰度值小的部分，只需在圖3中找到直方圖峰值左側的異常數據，同時避免右側的部分存在相對較大的間距對檢測結果造成干擾。根據式(2)計算得到峰值左側的最大間距dmax，閾值設置在最大間距的中間數值，將小于閾值的缺陷檢測出來，判定條件如下式：

式中，f(J)為凹線段極小值灰度值；t 為雜質缺陷檢測閾值。

3.2 雜質分類

雜質按照其物質成分可分為金屬雜質（比如：鐵塊、鐵片等）和非金屬雜質（比如：布料、細線等）。在此通過兩種成分的雜質在灰度分布曲線上的特征來對雜質進行區分。金屬雜質和非金屬雜質的灰度分布曲線如圖4 所示。

圖4 兩種成分雜質的灰度分布曲線

金屬雜質對X 光圖像的吸收能力強，因此在圖像中與背景的對比度強，在灰度分布曲線上灰度值急劇下降，且在雜質處的凹線段極小值的灰度值接近于零并一直持續下去，直到雜質遮擋結束；非金屬雜質對X 光的吸收能力較弱，因此在圖像對比度上沒有金屬雜質那么強烈，非金屬雜質遮擋的背景部分灰度值下降，遮擋的簾線部分灰度值也會下降，但在圖像上的簾線結構并沒有被破壞。

觀察對比圖4 中灰度分布曲線的特征，最明顯的差距就是金屬雜質的凹線段寬度有明顯的變化，如圖4(b)所示。凹線段的寬度為凹線段極小值兩側相鄰的極大值的位置像素之差。在一幅圖像中，簾線的粗細是不變的，因此簾線所代表的凹線段寬度不會發生變化。在圖像處理中，由于凹線段兩側的極大值點分別有一個像素位置的誤差，做差后的誤差為兩個像素大小，因此當缺陷處凹線段寬度w(J)比左右兩側凹線段寬度w(A)、w(B)都大兩個像素時，即判定為金屬缺陷，否則為非金屬缺陷。這一判定過程可表述為：

3.3 特殊區域

在輪胎胎側區域靠近胎冠區域處，有的輪胎由于本身的結構原因，其雜質會出現在X 光圖像中的明暗交替排布部位，如圖5 所示，其凹線段極小值直方圖如圖6 所示。

圖5 明暗交替處的雜質缺陷

圖6 明暗交替處的極小值灰度值直方圖

從直方圖可以看出，數據呈雙峰分布，其中數值大的峰值稱為主峰，數值小的峰值稱為次峰。主峰代表著此處的暗區域，次峰代表著此處的亮區域。由于雜質缺陷可能存在于暗區域中，也可能存在于亮區域中，因此僅用上述最大間隔法并不能很好地檢測出此處的雜質缺陷。針對這一特殊情況，在此提出基于明暗區域的最大間隔法來處理。

依據直方圖的信息，首先將明暗區域分割出來，閾值t 設置為直方圖中主峰a 與次峰b 的中間位置，即：

明暗區域交界處兩側的凹線段灰度值的極小值，其中一側的比閾值大，另一側的比閾值小，即：

由于此位置的亮區域與暗區域是交替排列的，呈現一定周期性，在允許誤差范圍內各亮區域和暗區域的長度近似相同，這就排除了雜質的存在對亮暗區域分割的干擾。明暗區域的分割結果如圖7。

圖7 明暗區域分割結果圖

最終，分別統計亮區域與暗區域中的凹線段極小值灰度值，并繪制直方圖，采用最大間隔法對雜質缺陷進行檢測。檢測結果如圖8 所示。

圖8 明暗區域中雜質缺陷檢測結果圖

4 實驗結果與分析

實驗中所使用的輪胎X 光圖像均來自某輪胎生產廠家實際生產過程拍攝的真實圖像。其中，雜質缺陷圖片51 張，每張圖像均為灰度圖像。算法不僅能檢測明顯的雜質缺陷，也可檢測出目標小、對比度較差的雜質缺陷。檢測結果如圖9 所示。

圖9 雜質缺陷檢測結果

實驗中，雜質缺陷有2 張圖片檢測不出。這2 張圖片中的特征極其輕微，在預處理中的濾波操作會將其平滑掉，因此造成漏檢。

為去除誤檢，第一步，需排除簾線密集對雜質缺陷檢測的干擾，因為簾線密集處X 光透過性變差，導致圖像灰度值下降；第二步，要排除正常位置與缺陷特征在灰度分布曲線上波形的不同而形成的誤檢；第三步利用形態學開運算的方法對灰度分布曲線上波形區分不開的類型進行去除。表1 為本方法與其他方法的雜質缺陷檢測結果的對比情況。

表1 檢測結果對比情況

可知所提出的方法在缺陷檢測的準確性上有所提高。

5 結 束 語

針對輪胎雜質缺陷，提出了一種基于圖像灰度分布曲線特征直方圖的缺陷檢測算法，在圖庫上進行了驗證。所提方法不僅能夠檢測輪胎的嚴重缺陷，對小型輕微缺陷，以及不同背景下的缺陷都具有較高的檢出率，具有一定的實際應用價值。在后續研究中，將對此算法導致的誤檢過多的問題進行進一步原理與實驗上的探索與改進。