Page 63 - 《橡塑技术与装备》2023年3期
P. 63
综述与专论 陆明璧·轮胎缺陷视觉检测方法探析
汽车的标准之一，过大的外缘尺寸容易在行驶过程中 使用 X 光等成像设备配合裸眼检测，该检测方式主观
产生较大的噪音，增大轮胎与地面的摩擦力，并增加 性强、检测效率低、难以满足自动化实时检测的需求。
油耗 ；过小的外缘尺寸会降低车辆的刹车和操作性能， 近年来，诸多学者基于二维图像视觉算法提出了一系
也会减小抓地能力。因此，有效地检测轮胎的外缘尺 列轮胎缺陷检测算法，有效促进了轮胎表面质量检测
寸是否符合标准是安全行驶的一项基本保障。 方法的发展。
胎面花纹沟槽深度偏差是指在生产轮胎时，轮胎 2.1 胎里气泡
胎面的花纹沟槽深度与标称值间公差过大的缺陷。轮 如图 1 所示，胎里气泡表现在 X 光图像中是不规
胎的胎面花纹主要是用于增加胎面与地面之间的摩擦 则的亮白区域，其视觉特征主要有以下特点 ：
力，提高轮胎的抓地能力，防止打滑。如果生产的轮 （1）气泡缺陷尺寸通常较小，属于小目标。
胎的胎面花纹深度如果低于安全极限值，会降低轮胎 （2）纹理特征与周围背景相似且易受其他纹理
的抓地能力，在积水路面易打滑，而导致严重交通事 的干扰。在基于深度学习的目标检测算法中 Faster
[8]
故的发生 [7] 。因此在轮胎生产时应该检测胎面花纹的 R-CNN 、YOLO V3 [9] 和 RSSD [10] 等算法对小目标
深度是否达标，消除车辆行驶中的安全隐患。 有良好的检测效果，其中 Faster R-CNN 算法的检测
目前，很多学者已对轮胎缺陷检测的相关问题进 精度高，但检测速度较慢，难以满足实时性 ； YOLO
行了较为系统的研究。在检测方法方面，随着计算机 V3 和 RSSD 等算法的检测速度较高，但检测精度稍
硬件技术水平的提高，以机器视觉为代表的非接触式 有不足。因此，根据对胎里气泡的检测任务要求不同，
检测方法已逐渐成为该领域的研究热点。此类方法以 可选择不同算法。如：李明达 [11] 等人以 Faster R-CNN
计算机视觉技术为基础，针对轮胎缺陷检测过程中可 为基础并针对检测目标对其进行了优化，使改进的
能遇到的问题做出适当改进，具有准确度高，鲁棒性 Faster R-CNN 对胎里气泡等轮胎缺陷的平均检测精
强等优点，可以完成各任务的具体要求。目前，计算 度达到了 93.08%，相较于基础算法提升了 2.72%。
机视觉技术主要分为二维图像处理与三维图像处理 [8] 。
其中，二维图像处理借助机器学习和深度学习模型强
大的特征提取能力，从图像数据中寻找各类缺陷的典
型特征，并做出精准识别。二维图像数据获取方便，
故可基于大型数据集训练得到高精度的模型。三维图
像处理主要通过直接方法来处理三维点云数据。直接
处理的方法是利用机器学习和深度学习算法处理点云
的特征信息判断轮胎缺陷状况。三维点云数据可以获
取轮胎全方位的三维信息，比二维图像具有更好的特
征表现能力。
然而，不同算法对不同类别缺陷的检测能力不同，
目前并没有一个统一的算法实现高精度的多缺陷检测。 图 1 胎里气泡的 X 光图像
基于以上问题，本文探析了不同方法对于不同轮胎缺
陷检测的优缺点。首先，探讨了基于二维图像的视觉 2.2 裂纹
如图 2 所示，裂纹的视觉特征清晰，易于检测。
检测算法在轮胎缺陷检测任务中的应用以及优缺点 ；
其次，探讨了基于三维点云的视觉检测算法在轮胎缺 裂纹检测常用 YOLO 等目标检测算法。除了识别裂纹，
通常还要得到裂纹的尺寸来评判安全等级，因此对裂
陷检测任务上的应用以及优缺点 ；最后，针对不同缺
纹的检测要求性高。基于二维图像的裂纹检测方法步
陷的特征以及视觉图像的特点，提出了二维和三维传
感器融合的观点，为未来的研究指明了方向。 骤如下 ：首先，对胎面图像做阈值分割提取裂纹，常
用的方法有自适应阈值法 [12] 、最大熵阈值分割法 [13]
和迭代阈值分割法 [14] 等 ；然后，使用深度学习算法对
2 二维图像轮胎缺陷检测方法
裂 纹 进 行 识 别， 例 如 RetinaNet [15] 、CornerNet [16] 等
传统的轮胎缺陷检测主要依靠人工裸眼检测或者
年
2023 第 49 卷 ·15·
