检测轮胎表面上缺陷的方法与流程

本发明涉及检测轮胎表面上缺陷的方法。

背景技术：

我们知道一种用于自动地搜索轮胎表面上存在的缺陷的方法。在该方法中，首先通过工业视觉技术利用传感器来采集表面的二维或者三维图像。这些图像然后通过自动化的装置来分析以定位表面上的任何缺陷。为此，自动化的装置分析图像的一个或者多个纹理参数，其目的在于，一方面来分割图像，换句话说是把图像分成区域，在这些区域中纹理参数是不同的；并且另一方面，其目的是将图像分类，换句话说是使分割的图像与参考图像基底中的一组图像相匹配，这样的目的是识别任何缺陷。

把图像分成纹理参数不同的区域，例如但是不仅仅是由以下构成：把图像分成对应平滑表面的区域，对应粗糙表面的区域以及对应有条纹的表面的区域。

但是，该方法不能总是产生满意的结果，尤其是要分析的表面是轮胎的内表面时。这是因为这样的表面具有重复的随机图案，通常称为“橘皮”。因此，无缺陷的完好的内表面的外观是自随机的。因此不可能区分具有“橘皮”图案的完好区域与具有缺陷的区域，所以前述的方法不再适用。

技术实现要素：

本发明的一个目的是改进用于检测轮胎表面上的缺陷的方法。

为此，根据本发明提供了一种用于检测轮胎表面上的缺陷的方法，其中自动化的装置：

-从轮胎的表面图像计算多个纹理参数的梯度值，

-确定梯度图像，

-进行梯度图像的二值化，以获得二值化图像。

所述纹理梯度的概念在下面描述中特别地借助示例来解释。

该方法也用于在轮胎表面图像中检测纹理的非均匀性。所述非均匀性常常与缺陷相关。换句话说，具有低梯度的图像区域是均匀的并且是无缺陷的，而具有高梯度的图像区域显示出具有缺陷特征的非均匀性。梯度图像的二值化促进了后来的显示图像中缺陷的位置的自动化的或者人工的装置的使用。多个纹理参数的梯度值的计算也可以用于改善方法，使其能够比从单一的纹理参数中计算梯度值的方法更可靠地检测表面上缺陷的存在。

有利地，轮胎表面是轮胎的内表面。

由于表面图像的纹理梯度值的计算，所述方法使得缺陷甚至在具有重复的随机图案的表面上能够检测出。

有利地，自动化的装置通过激光三角测量来采集表面图像。

该技术能够获得非常高品质的表面图像。

有利地，该自动化的装置通过选择一部分表面图像的像素来计算梯度值。

这样减少了需要确定梯度图像的计算的数量，由此减少了该方法所花费的时间。

有利地，自动化的装置计算表面图像中灰度值的梯度。

灰度值是图像的纹理参数，该图像的梯度值可以很容易地计算得出。

有利地，二值化通过滞后作用来执行。

该二值化的方法是有效的并且是易于实现的。

本发明也考虑到计算机程序，当该计算机程序在计算机上执行时，其包括用于控制如上所描述的方法的执行的代码指令。

本发明也考虑到计算机可读存储媒介，当所述指令在计算上执行时，其包括在计算机上实现如上所描述的方法中的一个的指令。

本发明也考虑到检测轮胎表面上缺陷的设备，其包括的自动化的装置用于：

-从轮胎的表面图像计算纹理的梯度值，

-确定梯度图像，以及

-进行梯度图像的二值化，以获得二值化图像。

有利地，自动化的装置也用于采集轮胎的表面图像。

附图说明

本发明的实施方案将在此借助附图来描述，其中：

-图1是根据本发明的检测轮胎表面上的缺陷的设备的示意图。

-图2是显示了根据本发明的检测缺陷的方法的步骤的进行的示意图。

具体实施方式

图1显示了根据本发明的设备2。所述设备2用于检测轮胎4的表面上的缺陷。此处考虑有问题的表面是轮胎4的内表面，但是可以考虑到其涉及轮胎4的其他表面。

设备2包括用于采集轮胎4的表面图像的自动化装置6。该自动化采集装置6通过激光三角测量来采集表面图像，并且为此所述装置特别地包括激光源8和传感器10。由于激光三角测量是已知的采集方法，所以在下文中将不再详细描述。此外，我们可以考虑到，表面图像可以通过光度立体技术来采集或者借助所谓的工业视觉类型的相机来采集。

所述设备2还包括通过连接构件14连接到自动化采集装置6的自动化计算装置12，通过这样的方式它们可以交换数据。所述自动化计算装置12特别地包括计算机16。我们将在随后看到自动化计算装置12的功能。

根据本发明的检测轮胎4的表面上缺陷的方法将在此描述，该方法通过设备2来实施，并且特别地通过设备2的自动化装置6，12、利用计算机程序来实施，该计算机程序包括当通过所述装置实施时用于控制检测方法的实施的代码指令。在目前情况下，该计算机程序通过自动化装置6，12存储在可读存储媒介中。该计算机程序还可以被提供用于在通信网络下载。

参考图2，在步骤a中，轮胎4的内表面的图像首先利用自动化采集装置6通过激光三角测量来采集。通过这种方式，获得了称为表面图像的图像18。表面图像18然后利用连接构件14发送到自动化计算装置12。该图像是黑白的，并且包括灰度值。

随后，在步骤b中，自动化计算装置12利用计算机16从表面图像18计算纹理梯度值。将在随后描述用于计算这些值的算法。

首先选择纹理参数。在图像处理领域，有已知的利用下面参数中一个的方法：共生矩阵、haralick参数、形态学参数(例如通过打开和关闭的粒度测定)、以及局部二元模式(通常表示为lbp，即英语术语“localbinarypattern”的缩略语)。所述参数在图像的灰度值上都具有对应于空间统计学的共同特征。更普遍地，纹理梯度值的计算可以应用于所有纹理参数并且可以应用于在图像上计算的所有统计数值。

在下文中，假设自动化计算装置12计算表面图像中多个纹理参数的梯度值。参数的数量标记为n。

fi，j是包含n个参数的矢量参数，该n个参数是以表面图像18的像素(i，j)为中心的wi×wj尺寸的矩形窗上计算的，所述表面图像18假设为矩形的并且尺寸为si×sj。

计算矢量fi，j用于表面图像18中的除了在边缘处以外的所有像素，即并且得到尺寸的超级矩阵f。

d为说明两个矢量fi，j之间距离的度量。应记住的是，该度量是集合中的的函数，该集合满足下列条件用于中所有fi，j，fk，l，fm，n：

d(fi，j，fk，l)＝0当且仅当fi，j＝fk，l

d(fi，j，fk，l)＝d(fk，l，fi，j)(对称)

d(fi，j，fm，n)≤d(fi，j，fk，l)+d(fk，l，fm，n)(三角不等式)

马氏距离以及直方图之间的χ²距离是度量的实例。可以选择任何度量。然而，某些度量更适合于纹理参数的某些选择。通过无限的示例性实施方案，下面的参数和度量的组合可以获得满意的结果：

-haralick参数(包含n＝5个纹理参数的矢量)结合欧几里得距离，

-局部二元模式(包含n＝25个纹理参数的矢量)结合直方图之间的χ²距离，以及

-一系列形态的转换之后创建的灰度直方图。

对于给定的平移矢量表面图像18的像素(i，j)上的纹理梯度值为，在所选择的度量的方向上相距的两点f之间的距离，除以的模。

实际上，自动化计算装置12计算了两个纹理梯度的值：竖直纹理梯度和水平纹理梯度然后推导出它们的模：

选择距离tvert和thor的值使得纹理参数的计算窗口不重叠，即，tvert＝wi和thor＝wj。

为了优化计算的时间，梯度值的计算可以不对原始图像的每个像素进行，而是通过竖直像素stepi的间距和水平像素stepj的间距来进行。换句话说，自动化的计算装置12通过选择一部分图像的像素来计算纹理梯度值。这相当于在超级矩阵f上执行了抽样。为f的子样：

于是,

通过无限的示例性实施方案，可以以下面方式选择参数：

wi＝wj＝40像素，

tvert＝thor＝40像素，并且

stepi＝stepi＝5像素。

在此选择了统一的窗口尺寸wi＝wj＝1像素，并且自动化计算装置12计算表面图像18中的灰度的梯度，所以g通常称为表面图像18的梯度。

然后自动化计算装置12利用根据上面所描述的算法所计算的梯度值来确定梯度图像20。

最后，在步骤c中，自动化计算装置12执行梯度图像20的二值化，以获得二值化图像22。该二值化通过滞后作用来执行。所述二值化图像22可以表现为黑白图像，也称为二值图像。因此，该图像仅仅包括两种像素，即黑像素和白像素。

因此所述设备2的自动化装置6，12用于：

-计算轮胎4的表面图像中的纹理梯度值，

-确定梯度图像20，以及

-执行梯度图像的二值化以获得二值化图像22。

所述二值化图像22然后提交给操作员，以便其能够查看轮胎4的内表面上的任何缺陷的位置。在图2所示的二值化图像22中，白色区域对应于轮胎4的内表面的缺陷存在所特有的高梯度的区域，而黑色区域对应于低梯度的表面的区域。

根据可能的缺陷的特征，例如其尺寸和数量，操作员可以决定是否应该采取关于轮胎4的行动，例如将轮胎报废或者毁坏。也考虑到自动化计算装置12其自己查看二值化图像22，并且决定是否采取关于轮胎4的行动。

当然，可以对本发明进行很多修改而不偏离本发明的范围。

可以考虑利用设备来检测除了轮胎以外的物体表面上的缺陷。