数字图像处理在汽车轮胎X射线检测中的应用.docVIP

数字图像处理在汽车轮胎X射线检测中的应用 摘要：将数字图像处理与X射线检测的相关理论应用于轮胎子午线检测图像中质量问题的研究,在轮胎子午线图像与模板图像进行匹配时,对匹配算法进行了深入的研究,提出一种”先全局扫描,后小范围区域扫描”的搜索策略。 关键词 数字图象处理；轮胎检测；图像匹配 子午线轮胎是橡胶行业的一项高精技术成果，由于它的节能，耐用，高速，安全，舒适等优点得到越来越多汽车厂商的青睐。但是，由于子午线轮胎对质量的要求很高，在制造过程中， 时常会出现帘线断裂，帘线稀，钢丝弯，帘线排列不均，帘布重叠，帘线断，胎里气泡，脱层，包布偏和反包低等质量问题，直接或间接影响产品质量，缩短轮胎使用寿命。所以摆在面前的主要任务是如何生产出高质量的子午线轮胎来满足日益发展的汽车运输业的要求。 X射线是被广泛应用于轮胎检测技术。X射线技术的形成已有近100年的历史，其原理也很容易理解，X射线源，探测器和电子元件也比较完善。在某一时刻X射线穿过轮胎的一个横截面,同时图像增强器将该截面内所包含的物体吸收过的X射线能量值记录下来。随着轮胎的转动，被检轮胎的每一个横截面被连续扫描，轮胎的所有截面吸收过的X射线能 量值都能被记录下来，这样就能得到从X射线源到图像增强器方向整个轮胎的投影图像，再经计算机图像处理，可检查出来轮胎是否合格。 1 图像的预处理 检测子午线有无质量问题，就要从图像中将子午线提取出来，在利用改进的图像匹配法检测轮胎子午线之前，首先要对图像进行一系列预处理，包括阈值变换，边缘检测，轮廓提取和种子填充四个步骤。 1.1 阈值变换 经过轮胎检测设备得到的轮胎子午线图像是一幅比较模糊的灰度图像,子午线轮廓并不是很清晰,如图1所示。所以必须先对其进行合适的阈值变换来去除背景，突出子午线。经过阈值变换后得到的结果如图2所示。 1.2 边缘检测算法 图像的边缘在数字图像中表现为灰度的变化，增强和检测边缘的方法就是梯度运算。我们在对轮胎子午线图像进行边缘检测时，主要是对各种边缘检测算子进行比较，并最终选择适合轮胎子午线检测的边缘检测算子。 通过研究比较，我们知道索贝尔算子是一阶微分方法。它通过梯度值来进行边缘检测，用此方法可以忽略细节，得到的边缘也较模糊，如图3所示。高斯-拉普拉斯算子是二阶微分方法，它是通过寻找二阶微分中的零穿越来检测边缘，用此方法得到的边缘较明显，在细节方面比索贝尔算子要好得多，如图4所示。 以下从左到右依次为图1，图2，图3，图4： 1.3 轮廓提取和种子填充算法 对轮胎子午线图像进行轮廓提取的目的是获得子午线的外部轮廓特征，应用一定的方法表达轮廓的特征，为子午线的形状分析作准备。二值图像轮廓提取的算法非常简单，就是掏空内部点，如果原图中有一点为黑，且它的8个相邻点都是黑色时，（此时该点是内部点）则将该点删除。对轮胎子午线图像进行轮廓提取后的结果如图5所示。 而种子填充算法是图形学中的算法，是轮廓提取算法的逆过程。种子填充算法首先假定封闭轮廓线内某点是已知的，然后开始搜索与种子点相邻且位于轮廓线内的点。如果相邻点不在轮廓线内，那么就到达轮廓线的边界；如果相邻点位于轮廓线之内，那么这一点就成为新的种子点，然后继续地搜索下去。对轮胎子午线图像进行种子填充后的结果如图6所示。 以下从左到右依次为图5，图6： 图像匹配 对轮胎子午线图像进行图像匹配是本课题的核心，匹配算法的好坏直接影响到检测系统的性能。而且这是一套在线实时检测系统，要在很短的时间内完成对图像的采集，处理，判别，这就要求图像处理的算法必须简洁，快速。在实际使用时最常用的是模板匹配和神经网络方法。当被检测对象要求检测精度高，同时被检测对象比较大时，神经网络法因其较大的计算量而难以达到实时性要求。这时一般都采用模板匹配这一传统的方法。然而针对一些要求既快速又准确的图像检测问题，该方法又常常显得过于简单和不足。本系统采用了一种改进的模板匹配算法，来满足实时性和精度的要求。 传统的模板匹配算法比较适用于目标识别和跟踪，而对于轮胎子午线图像很难得到理想的检测效果，主要体现在以下两个方面： 1）轮胎子午线检测系统需要很高的检测精度，传统的模板匹配不能达到所要求的精度。2）传统的模板匹配算法适用于模板图像较小，而轮胎子午线模板和被检测图像一样大。 我们经过试验证明，传统的模板匹配算法根本不适用于轮胎子午线图像检测系统。基本上所有的有缺陷的子午线轮胎经检测都是合格的，针对传统算法的不足，本系统采用了一种新的搜索算法，对被检测图像逐行进行扫描直至发现与模板图像不匹配的点时再进行小范围区域扫描，若与模板不匹配则停止扫描，否则继续进行全局扫描。 改进的模板匹配算法主要解决两个方面的问题，一方面要达到所需要的精度要求，另一方面要消除噪波的影响。 改进的模板匹配算法的步骤为 1）将被检