[发明专利]一种基于图像处理的轮胎X光图像缺陷检测方法

说明书

本发明公开了一种基于图像处理的轮胎X光图像缺陷检测方法，是利用边缘分析的图像分割算法，并结合基于列的自适应阈值二值化算法对轮胎稀线缺陷进行自适应特征提取，然后采用非极大值抑制的方法对特征向量进行阈值判定以完成缺陷检测。本发明能适应绝大多数稀线缺陷的形态与出现位置，并能避免由背景灰度变化引起的漏查现象，从而提高检测效率和准确性。

技术领域

本发明属于计算机视觉和图像处理技术领域，具体地说是一种基于自适应阈值和边缘分析的轮胎X光图像缺陷检测方法。

背景技术

子午线轮胎在制造过程中，受生产设备及工艺流程等因素的影响，时常会出现各类质量问题，缩短轮胎使用寿命，直接或间接影响行车安全。所以必须对每一条成品子午线轮胎进行检验，以便及时发现问题，调整工艺，提高产品质量。

目前，基于计算机视觉技术的X射线无损检测技术已在多个学科的应用领域取得了关键突破。大多数计算机视觉中的分类任务都是两步走策略：1)特征提取；2)特征向量分类。从技术角度看，特征提取方法可以分为两大类，第一类是通过直观理解或数学推导设计算法进行提取，这需要对图片的特征有先验认识；第二类，基于DNN、CNN或RNN的学习式特征提取，这种方式将特征提取视作一种统计任务。理论上CNN可以拟合任何多项式映射，而拟合所需的样本数和待拟合维度成正比，于是样本量和样本代表性就自然成了学习式特征提取方法的关键点。而在实际生产中，负样本的数量远远小于正样本数量，负样本的严重匮乏使得目前大多数使用深度学习的检测算法难以训练得到一个健壮且泛用的模型。

现有的轮胎X图像缺陷检测技术方法普遍存在非自适应、不鲁棒的问题。由于轮胎缺陷的双重多样性，一是缺陷种类的多样性，二是同类缺陷形状和出现位置的多样性，很多特征提取算法在负样本上的响应很差，包括基于深度学习的算法。并且，不同轮胎生产公司轮胎的结构比例，帘线间距等标准可能不同，而大多数现有检测算法在轮胎的型号发生变化时都难以顺利提取新型轮胎的特征，泛用性严重受限。

发明内容

本发明是为克服上述现有技术所存在的不足之处，提出一种基于图像处理的轮胎X光图像缺陷检测方法，以前能适应绝大多数稀线缺陷的形态与出现位置，并能避免由背景灰度变化引起的漏查现象，从而提高检测效率和准确性。

本发明为解决技术问题所采用如下技术方案：

本发明一种基于图像处理的轮胎X光图像缺陷检测方法的特点包括如下步骤：

步骤1、获取同一规格轮胎的轮胎X光图像集并分别进行图像处理，得到所有轮胎图像的钢丝圈、胎体和胎冠；

步骤1.1、根据所述轮胎X光图像集中轮胎图像的帘线方向和帘线间距，设置纹理滤波核，从而利用所述纹理滤波核对所述轮胎图像进行纹理滤波，得到消除帘线后的轮胎图像；

步骤1.2、根据所述轮胎X光图像集中轮胎图像的帘线宽度和帘线间距，设置模糊滤波核，从而利用所述模糊滤波核对所述消除帘线后的轮胎图像进行模糊滤波，得到高斯模糊后的轮胎图像；

步骤1.3、对所述高斯模糊后的轮胎图像进行进行灰度分析，得到灰度投影函数；

步骤1.4、对所述灰度投影函数的导函数进行非极大值抑制处理，得到四条分割线，从而利用四条分割线对所述轮胎X光图像集中轮胎图像进行图像分割，划分为钢丝圈、胎体和胎冠；

步骤2、对所有轮胎图像的胎体进行二值化处理，得到相应的二值化胎体图；

步骤2.1、对所述轮胎X光图像集中的轮胎图像，筛选出所有无稀线缺陷的轮胎图像，对任一无稀线缺陷的轮胎图像分别按列统计帘线在各列所占的像素值比例，并取平均值后得到比例均值，再对所有无稀线缺陷的轮胎图像的比例均值取平均值后，得到帘线比例均值T₀；

步骤2.2、令胎体宽度为w；定义变量i，并初始化i＝1；