毛 艷， 王平凱， 岳曉峰

（長春工業(yè)大學(xué)機(jī)電工程學(xué)院，吉林長春 130012）

0 引 言

汽車輪胎的胎體是由數(shù)層掛膠簾布制成，若覆膠后簾布表面產(chǎn)生凸起、裸面等，則會導(dǎo)致輪胎在使用過程中受力不均，經(jīng)多次屈撓變形、摩擦后產(chǎn)生熱量大，發(fā)生輪胎爆胎。因此，輪胎簾布的質(zhì)量檢測對于人身和車輛安全都非常重要。目前，國內(nèi)外對輪胎質(zhì)量檢測技術(shù)的研究并不多。國內(nèi)的生產(chǎn)廠家由于價格因素的制約，大都采用人眼對輪胎質(zhì)量進(jìn)行判別，但此做法不但產(chǎn)生過多的勞動力、大量的工作強(qiáng)度，還容易造成工人視覺疲勞，對簾布疵點的判別更易受到主觀因素的影響，使輪胎質(zhì)量的可信度大打折扣。隨著計算機(jī)視覺、數(shù)字圖像處理的發(fā)展，基于圖像處理和微機(jī)平臺的織物瑕疵自動檢驗已成為趨勢。輪胎簾布的圖像是一種典型規(guī)則的紋理圖像，表面存在有規(guī)則的經(jīng)緯向紋理，紋理結(jié)構(gòu)基元簡單，排列規(guī)律清晰可見，而表面的疵點破壞了這種規(guī)則紋理，且大多數(shù)疵點呈現(xiàn)無規(guī)則排列。根據(jù)圖像處理方法的不同，織物疵點檢測的方法可以分為兩種:一種是直接對圖像的灰度值在時域空間域進(jìn)行計算，并提取特征值;另外一種是通過傅里葉變換、小波變換等方法，把圖像轉(zhuǎn)換到頻域后再進(jìn)行分析計算[1-4]。

文中結(jié)合實際輪胎簾布的組織結(jié)構(gòu)特點，將視覺技術(shù)應(yīng)用到簾布質(zhì)量檢測中，通過圖像增強(qiáng)、特征描述、匹配等圖像處理方法，實現(xiàn)輪胎胎體簾布圖像疵點的自動識別。

1 簾布圖像處理和分割

由攝像頭的性能以及光照的不均勻?qū)е聢D像存在噪聲是不可避免的，此外，采集到的原始圖像表面也存在椒鹽噪聲，并且輪胎簾布圖像的自身紋理明顯，為了保留較完整的疵點信息，消除噪聲對疵點檢測的影響和便于對后續(xù)圖像的處理，對圖像進(jìn)行預(yù)處理是疵點檢測的關(guān)鍵之一。預(yù)處理[2-3]過程包括灰度變換、對比度調(diào)節(jié)和濾波。為了盡量減輕圖像紋理對疵點造成的干擾，文中采用中值濾波的方法濾除圖像中不感興趣的區(qū)域，圖像經(jīng)過中值濾波后，自身的紋理被弱化，噪聲基本被去除。

簾布的疵點有幾種類型，文中采集了正常的紋理圖像和分別含有溝壑、氣泡、裸面和凸起的待測圖像。

正常紋理圖像如圖1所示。

圖1 正常紋理圖像

含溝壑簾布圖像如圖2所示。

圖2 含溝壑簾布圖像

含氣泡簾布圖像如圖3所示。

圖3 含氣泡簾布圖像

裸面圖像如圖4所示。

圖4 裸面圖像

含凸起圖像如圖5所示。

圖5 含凸起圖像

文中采集的圖像像素數(shù)為110×110，灰度圖的灰度級數(shù)為0～255，對計算灰度共生矩陣和提取特征值的運(yùn)算量過大，因此采取先將圖像二值化。分割后的二值圖如圖6所示。

圖6 簾布疵點二值圖

2 簾布圖像特征值提取

采用灰度共生矩陣方法提取圖像特征值，由于經(jīng)過圖像過濾及二值化后，大大減少了灰度共生矩陣和計算特征值的計算量，使得灰度共生矩陣法速度快且準(zhǔn)確率高。比較各圖像的特征值是疵點判別的依據(jù)，因此提取特征值為疵點的判別的前提。

2.1 灰度共生矩陣的原理

灰度共生矩陣法是通過對圖像的所有像素進(jìn)行統(tǒng)計并描述其灰度分布的一種方法，通過計算圖像中有一定距離和一定方向的兩個像素之間的灰度相關(guān)性，對圖像的所有像素進(jìn)行調(diào)查統(tǒng)計，反映圖像在方向、相鄰間隔、變化幅度及快慢上的綜合信息。取圖像中任意一點（x，y）及偏離它的另一點（x+a，y+b）組成一個點對，設(shè)該點對的灰度值為（i，j）。令點（x，y）按照規(guī)定距離d和方向θ在所分析的區(qū)域內(nèi)搜索，則可得到全部的（i，j）值。若灰度值的級數(shù)為n，則（i，j）共有n2種組合。對于整個區(qū)域，統(tǒng)計出每一個（i，j）值出現(xiàn)的次數(shù)，然后排成一個方陣，再用（i，j）出現(xiàn)的總數(shù)將其歸一化為出現(xiàn)的概率p（i，j），這樣的方陣即為灰度共生矩陣。距離d根據(jù)實際圖像選擇，θ一般取0°，45°，90°，135°這4個方向[5-7]。

2.2 灰度共生矩陣特征參量

基于灰度共生矩陣的數(shù)學(xué)統(tǒng)計量多達(dá)14種，文中選取了以下幾種能夠明顯表現(xiàn)圖像特征的特征參量[8-9]。

2.2.1 角二階矩

角二階矩又稱能量，是圖像灰度均勻性的度量。

2.2.2 熵

熵是圖像內(nèi)容隨機(jī)性的度量。

2.2.3 對比度

對比度又稱慣性矩。

2.2.4 相關(guān)性

它是度量空間灰度共生矩陣元素在行或列方向上的相似程度。

2.2.5 方差

方差反映了紋理的周期。

式中:μ——p（i，j，d，θ）的均值。

2.2.6 逆差矩

反映圖像紋理的同質(zhì)性，度量圖像紋理局部變化的多少。

2.2.7 相關(guān)信息度測量

式中:HX，HY——分別是px和py的熵。HXY，HXY1為:

文中取距離d=1，方向θ則分別取0°，45°，90°，135°這4個方向，再求4個方向上灰度共生矩陣特征值的均值，這樣就抑制了方向分量，使得到的特征值與方向無關(guān)，紋理特征具有旋轉(zhuǎn)不變性。

根據(jù)實際生產(chǎn)及質(zhì)量檢驗情況，文中需要判別出最小面積為2 mm×2 mm的疵點，即實際待測輪胎簾布疵點面積大于4 mm2，即被判定為不合格疵點，為了以此標(biāo)準(zhǔn)判別其它待測圖像疵點程度，文中建立了一個與待測圖像相同大小并含有4 mm2疵點的圖像模板，提取其灰度共生矩陣特征值，再與其它待測圖像特征值比較，其判別方法在下一節(jié)中詳述。各待測圖像的特征值見表1。

表1 正常簾布與含疵點簾布的灰度共生矩陣特征值

3 簾布疵點的判別

不同種類疵點相應(yīng)的各特征值變化明顯（見表1）。利用特征匹配方法可達(dá)到對疵點相似性的判別。歐式距離為較常用的距離度量法。設(shè)A，B兩幅圖像的特征向量為n維。

歐式距離公式為:

距離度量法表示距離越小的兩幅圖像越相似[10-11]。應(yīng)用此原理可判別輪胎簾布圖像是否含有疵點及所含疵點的程度。文中各疵點圖像與正常紋理圖像的歐式距離見表2。

表2 各疵點圖像與正常紋理圖像的歐式距離

由表2可知，模板圖像與正常紋理圖像的歐式距離為0.227，設(shè)為疵點判別的閾值T，若待測疵點圖像與正常紋理圖像的歐式距離L＜T，則可判別圖像所含疵點對輪胎簾布質(zhì)量沒有影響，判定此疵點合格;同理，若L≥T，則可判別疵點不合格。文中除了含溝壑圖像的疵點的歐式距離小于模板圖像，其它疵點圖像均大于模板圖像。

4 結(jié) 語

圖像處理過程均基于Matlab7.0編寫而成。輪胎簾布圖像由于其紋理復(fù)雜并干擾了疵點，通過對輪胎簾布圖像過濾及二值化等圖像處理，分割出了疵點，且為后續(xù)處理大大降低了運(yùn)算量;利用灰度共生矩陣成功提取了圖像的特征向量，并應(yīng)用特征匹配的方法完成了對疵點的判別。簾布圖像處理的過程中，速度有明顯提高，且準(zhǔn)確率較高，判別效果達(dá)到了預(yù)期，因此，對輪胎簾布疵點的判別方法是可行的。

[1] Barald IA，Parm Iggian F.An investigation oftexture characteristics associated with gray level co-occurrence matrix statistical parameters[J].IEEE Trans on Geoscience and Remote Sensing，1995，33（2）:293-303.

[2] Rafael C Gonzalez，Richaid E Woods.Digital image processing second edition[M].北京:電子工業(yè)出版社，2007:75-219.

[3] 姚敏.數(shù)字圖像處理[M].北京:機(jī)械工業(yè)出版社，2006:55-85.

[4] 姜玲，韓潤萍，袁曄，等.Canny算子在織物疵點檢測中的應(yīng)用[J].北京服裝學(xué)院學(xué)報，2005，25（4）:57-63.

[5] 高士忠.基于灰度共生矩陣的織物紋理分析[J].計算機(jī)工程與設(shè)計，2008，29（16）:4385-4388.

[6] 馮建輝，楊玉靜.基于灰度共生矩陣提取紋理特征圖像的研究[J].北京測繪，2007（3）:19-22.

[7] 汪黎明，陳健敏，王銳，等.織物折皺紋理灰度共生矩陣分析[J].青島大學(xué)學(xué)報，2003，18（4）:5-8.

[8] 王少如，李鵬飛，錢慧芳.基于灰度共生矩陣的紋理周期分析[J].紡織科技進(jìn)展，2009（4）:64-72.

[9] 肖俊明，彭喜英，李建建.基于機(jī)器視覺的簾子布疵點智能識別技術(shù)[J].紡織科技進(jìn)展，2008（4）:12-14.

[10] Yan Ye.Text image compression based on pattern matching[D]:[Master's Degree Thesis].[S.l.]: University of California，2002.

[11] 苑麗紅，孫爽滋，付麗.灰度共生矩陣檢索紋理圖法解算法研究[J].計算科學(xué)，2009，36（11）:300-303.