基于形态学分析的轮胎X射线图像缺陷提取模型构建方法与流程

基于形态学分析的轮胎x射线图像缺陷提取模型构建方法
技术领域
1.本发明属于轮胎图像的无损检测技术领域，具体涉及基于形态学分析的轮胎x射线图像缺陷提取模型构建方法。


背景技术：

2.轮胎行业随着汽车的普及得到了极大的发展，但是因轮胎缺陷而导致的交通事故占到了40％以上。轮胎生产过程中产生的缺陷根据成因不同可以分为内部杂质、气泡、开线等，由于技术的限制，缺陷往往是不可避免的。
3.x射线检测结果直观可靠，成像便于长期保存，作为图像检测的数据来源，被广泛的用于轮胎无损检测中。但是，轮胎x射线图片具有底纹复杂、噪声多的特点，现有方法一般同时只能针对一种缺陷且提取速率偏慢。


技术实现要素：

4.针对现有技术中存在的上述问题，本发明的目的在于提供一种基于形态学分析的轮胎x射线图像缺陷提取方法，以实现快速、可同时识别大部分纹理类及灰度类缺陷的自动化检测的目的。
5.本发明提供如下技术方案：基于形态学分析的轮胎x射线图像缺陷提取模型构建方法，包括以下步骤：
6.(1)获取轮胎x射线缺陷图像数据集：运行x射线成像系统，x射线穿透轮胎后在成像系统上成像，所述成像数字化后导入到计算机中保存；
7.(2)轮胎x射图像分割预处理：对步骤(1)中获取的轮胎缺陷图像的像素大小进行调整，对调整后的图像进行分割,并对分割后的图像做标准化和二值化处理，减少拍摄时外界因素对图像质量的影响，利用数学形态学中的开操作，先腐蚀后膨胀，进一步减少噪声以平滑边缘；
8.(3)提取胎肩和胎侧特征：对步骤(2)中预处理后图像的像素进行分类标记，准确提取胎肩和胎侧部分作为增强对象；
9.(4)轮胎x射线增强预处理：对步骤(2)中预处理后的图像仅保留胎肩和胎侧信息进行标准化和二值化，同时利用闭操作和腐蚀操作消除背景加强缺陷；
10.(5)计算最大边缘信息确定缺陷位置：设置阈值n，提取所有黑点，逐一取点，判断所取黑点是否在已有缺陷组内，若所取黑点在已有缺陷组内，则判断下一个黑点，若所取黑点部在已有缺陷组内，则计算该黑点与离该黑点的最近黑点之间的距离，判断两黑点之间的距离是否小于阈值n，若两黑点之间的距离大于阈值x，则放弃该黑点，若两黑点之间的距离小于阈值x，则判断最近黑点是否在已有缺陷组内，若最近黑点在已有缺陷组内，则将黑点并入该缺陷组，若最近黑点不在已有缺陷组内，则将两个黑点新建缺陷组，计算每组缺陷组的缺陷面积，并进行排序，取最大面积的边缘信息为缺陷位置；
11.(6)轮胎缺陷提取模型表现评估：利用交并比iou作为定位结果好坏的判断指标。
12.所述的基于形态学分析的轮胎x射线图像缺陷提取模型构建方法，其特征在于所述步骤(2)的具体过程如下：
13.步骤2.1：将轮胎缺陷图像调整大小为a
×
b像素，其中，a表示以像素为单位下的图像尺寸的长度值，b表示以像素为单位下的图像尺寸的宽度值，然后将轮胎缺陷图像分割为a
×
像素大小，分n次进行检测，并对分割后的图像做标准化处理；
14.步骤2.2：对步骤2.1中标准化处理后的图像做二值化处理，以所有像素点像素值均值为阈值，使图像中像素点像素值大于阈值的部分转变为黑色，图像中像素点像素值小于阈值的部分变为白色；
15.步骤2.3：将步骤2.32中二值化处理后的图像做形状为正方形的开操作，先腐蚀后膨胀，消除图像中的噪声及小物体，具体公式如下：
[0016][0017]
式中b为核函数，a为原始集合，两者均是二维整数空间z2的元素，$表示腐蚀操作，膨胀操作；
[0018]
步骤2.4：做膨胀操作，进一步平滑边缘，减少边缘噪声，使界限更加清晰。
[0019]
所述的基于形态学分析的轮胎x射线图像缺陷提取模型构建方法，其特征在于所述步骤(3)的具体过程如下：
[0020]
步骤3.1：对预处理后图像的每一个像素进行分类标记，白色记为true，黑色记为false，并统一保存；
[0021]
步骤3.2：对于每一列，若标记为true的像素数量大于5％，则将该列判定为胎肩和胎侧部分，标记该列为1，否则为0；
[0022]
步骤3.3：标记0的列像素与标记1的列像素之间的交界处为轮胎不同部位的分界，分割轮胎。
[0023]
所述的基于形态学分析的轮胎x射线图像缺陷提取模型构建方法，其特征在于所述步骤(4)的具体过程如下：
[0024]
步骤4.1：取步骤(2)中预处理后的图像，利用对每列的标记值，将标记为0的列像素像素值全部转变为255置白，只保留胎肩和胎侧信息做后续检测；
[0025]
步骤4.2：对图像做标准化，减少图像间的差异，然后进行二值化，取单列图像均值为阈值，为了同时检测多种缺陷，额外生成一张颜色翻转图；
[0026]
步骤4.3：分别利用闭操作和腐蚀操作，修复规则底纹的断口，消除规则底纹以及小噪声，加强缺陷；然后合并二值化后的图像及其颜色翻转图像，对合并后的图像做膨胀操作去除小噪声。
[0027]
通过采用上述技术，与现有技术相比，本发明的有益效果如下：
[0028]
本发明提出了一种基于形态学分析的轮胎x射线图像缺陷提取方法，提高了缺陷识别和定位的准确度；该方法利用图像分割和图像增强，增强了轮胎各部分的边界并进行了准确划分，对胎肩和胎侧区域进行缺陷识别和提取；基于数学形态学方法很好地消除了规则底纹以及小噪声，修复了规则底纹的某些断口，提高了缺陷的提取效果。
附图说明
[0029]
图1为本发明的方法流程图；
[0030]
图2为常见的轮胎缺陷示意图，其中，图(2a)为开根缺陷示意图，图(2b)为帘线稀疏缺陷示意图，图(2c)为异物缺陷示意图，图(2d)为气泡缺陷示意图，图(2e)为跳线缺陷示意图；
[0031]
图3为pca算法和本发明形态学算法的轮胎缺陷增强结果示意图，其中，图(3a)、图(3b)、图(3c)分别为灰度类型缺陷原图、pca缺陷提取结果示意图和形态学缺陷提取结果示意图，图(3d)、图(3e)、图(3f)分别为纹理类缺陷原图、pca缺陷提取结果示意图和形态学缺陷提取结果示意图；
[0032]
图4为pca算法和本发明形态学算法的轮胎缺陷定位结果示意图，其中，图(4a)、图(4b)为pca和形态学方法在灰度类缺陷上的定位结果示意图，图(4c)、图(4d)为pca和形态学方法在纹理类缺陷上的定位结果示意图。
具体实施方式
[0033]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合说明书附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0034]
相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
[0035]
参照图1～图4，一种基于形态学分析的轮胎x射线图像缺陷提取方法，所述方法包括以下步骤：
[0036]
(1)获取轮胎x射线缺陷图像数据集
[0037]
运行x射线成像系统，x射线穿透轮胎后在成像系统上成像，数字化后导入到计算机中保存；
[0038]
(2)轮胎x射图像分割预处理，过程如下：
[0039]
步骤2.1：将轮胎缺陷图像调整大小为2000
×
20000像素，并将图像分割为2000
×
2000像素大小，分10次进行检测，对图像做标准化处理，减少拍摄时光照等条件对结果的影响。
[0040]
步骤2.2：对图像做二值化处理，以所有像素点像素值均值为阈值，使图像中大于阈值的部分转变为黑色，小于阈值的部分变为白色。
[0041]
步骤2.3：做核大小为5
×
5，形状为正方形的开操作，先腐蚀后膨胀，消除图像中的噪声及小物体；
[0042][0043]
式中b为核函数，a为原始集合，两者均是二维整数空间z2的元素，$表示腐蚀操作，膨胀操作。
[0044]
步骤2.4：做核大小为3
×
3的膨胀操作，进一步平滑边缘，减少边缘噪声，使界限更加清晰。
[0045]
(3)提取胎肩和胎侧特征，过程如下：
[0046]
步骤3.1：对每一个像素进行分类标记，白色记为真(true)，黑色记为假(false)，
并统一保存。
[0047]
步骤3.2：对于每一列，若true数量大于5％，则将该列判定为胎肩和胎侧部分，标记该列为1，否则为0。
[0048]
步骤3.3：标记0，1交界处为轮胎不同部位的分界，分割轮胎。
[0049]
(4)轮胎x射线增强预处理，过程如下：
[0050]
步骤4.1：取原图，利用对每列的标记值，将标记为0的列像素像素值全部转变为255置白，只保留胎肩和胎侧信息做后续检测。
[0051]
步骤4.2：对图像做标准化，减少图像间的差异。然后进行二值化，取单列图像均值为阈值，对于不同的缺陷，如异物类缺陷等二值化后呈现黑色，开线类缺陷等二值化后呈现白色，故为了同时检测多种缺陷，额外生成一张颜色翻转图，之后的步骤均对两张图片分别处理。
[0052]
步骤4.3：分别利用核大小为8
×
8的闭操作和核大小为12
×
12的腐蚀操作，修复规则底纹的某些断口，消除规则底纹以及小噪声，加强缺陷；然后合并两张图片做一次核大小为5
×
5的膨胀操作去除小噪声。
[0053]
(5)计算最大边缘信息确定缺陷位置，过程如下：
[0054]
提取所有黑点，逐一取点，判断其是否在已有分组内，若有则判断下一个点，没有则计算离该点的最近点，判断两点的距离是否小于阈值50，若大于则放弃该点，若小于判断最近点是否有分组，有则将点并入该组，没有则两个点新建缺陷组，计算每组缺陷面积，排序取最大面积的边缘信息为缺陷位置。
[0055]
(6)轮胎缺陷提取模型表现评估，过程如下：
[0056]
在轮胎缺陷提取中，结果的好坏主要取决于最后获得的缺陷位置与标签的差距，因此利用交并比(iou)作为定位结果好坏的指标
[0057][0058]
式中area(c)表示标签框面积，area(g)表示预测框面积。在测试中交并比值越大越好，最理想的状态是完全重合，即交并比＝1，此时效果最好。
[0059]
对多种轮胎缺陷上进行实验验证形态学方法的有效性，并与主成分分析方法比较验证方法的有效性，结果如表1所示。
[0060]
表1形态学与pca变换结果比较
[0061]
[0062][0063]
从上述对比结果可以看出，本发明对于不同缺陷类型的轮胎图像在增强和定位结果上均优于传统的主成分分析方法。而且主成分分析方法容易造成对缺陷的错误定位，并对某些缺陷特征提取不敏感。而形态学方法基本提取出较完整的缺陷，且几乎不包含噪声，具有良好的缺陷识别能力。它是一种有效的轮胎x射线缺陷图像数据分析方法，有助于提高x射线无损检测对轮胎缺陷评估的能力。
[0064]
本发明方法采用数学形态学方法对轮胎缺陷图像进行分割和增强，提高了缺陷的识别效果，同时也提高了检测效率，具有普遍性和通用性。
[0065]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。