Page 65 - 《橡塑技术与装备》2023年3期

综述与专论
等尺寸信息。因此，在裂纹检测要求较高的情况下，
可采用二维图像及深度学习算法对裂纹进行快速识别，
筛选存在裂纹的区域，再获取相应区域的三维点云信
息，采用间隙检测的方式对裂纹宽度进行测量，采用
深度方向的点云高度差去估计裂纹深度。
3.3 缘尺寸偏差
外缘尺寸偏差可采用三维成像传感器进行数据采
集，结合点云配准技术，快速对轮胎内外表面进行重
建，获得完整的轮胎三维点云模型。根据轮胎三维模
型可以对轮胎多类尺寸信息进行测量 ：采用 RANSAC
算法对轮胎三维点云模型进行圆柱拟合
得轮胎内、外表面的圆柱侧面的轴线、半径等几何信
息和轮胎内外表面直径、面差等尺寸信息 ；采用边缘
提取和 RANSAC 算法实现轮胎边缘的提取和圆拟合，
获取轮胎内圈直径（空洞区域）及圆心位置。利用以
上信息同标准数据对比，判断外缘尺寸偏差是否在公
差范围内，从而确定是否符合质量要求。
3.4 花纹沟槽深度
由于花纹沟槽宽度狭窄和二维图像缺乏深度信
息，因此基于二维图像的轮胎缺陷算法检测效率低。
基于三维点云的检测方法可以提取沟槽深度和宽度信
息，在处理此类问题时具有很大优势，三维检测方法
获取沟槽内真实结构信息如图 5 所示。同时，采用
RANSAC 算法对圆柱表面进行拟合，依次计算沟槽线
段点到圆柱面的距离即可获得各个花纹沟槽深度
图 5 沟槽测量
4 总结
基于机器视觉的轮胎检测方式可以减少人为干
预，集成到轮胎生产线形成自动化检测能力，对提高
轮胎质量和生产效率具有重要意义。本文针对四种常
见的轮胎缺陷及其特征，总结了其在视觉缺陷检测中
常见的检测算法，并分别分析了基于二维图像检测算
法对每种缺陷的检测能力和基于三维点云检测算法对
每种缺陷的检测能力。二维图像可体现轮胎的颜色、
形状和面状轮廓信息，三维点云数据包含轮胎的深度
及结构信息，各具优势。本文认为，将二维图像和三
年
2023 第 49 卷
陆明璧·轮胎缺陷视觉检测方法探析
维点云通过紧耦合或者松耦合融合，通过信息互补提
高轮胎缺陷检测精度，实现复杂场景条件下多类缺陷
的实时检测，是未来的发展趋势。
参考文献 ：
[1] 王杰华 . 汽车轮胎尺寸因素的试验与有限元分析 [D]. 天津工
业大学，2016.
[2] 洪林，李浩，雷辉， 等 . 缺气保用半钢子午线轮胎胎里气泡问
题的解决措施 [J]. 轮胎工业，2022, 42(07):436-438.
[3] 杨崇才 . 载重轮胎胎里气泡产生的原因及解决措施 [J]. 轮胎
工业，1997(08):52-54.
[4] 张宁，林娟颖，刘晓颖，等 . 子午线轮胎胎圈裂纹的有限元分
[19] ，可以获 析 [J]. 公路交通科技，2019, 36(04):144-150.
[5] 赵智忠，沈鑫，王博文，等 . 用于轮胎胎冠裂纹检测的磁致伸
缩触觉传感器研究 [J]. 仪表技术与传感器，2022(07):11-15.
[6] 王克诚，刘桂英 . 浅谈轮胎生产过程中的消耗与公差控制 [J].
轮胎工业， 1997(11):7-10.
[7] 庞连红，张亚菊 . 轮胎磨损及花纹深度测量方法探析 [J]. 汽车
与新动力，2022, 5(02):68-70.
[8] Ren S, He K, Girshick R, et al. Faster R-CNN: Towards
Real-Time Object Detection with Region Proposal Networks
[J]. IEEE Transactions on Pattern Analysis and Machine
Intelligence, 2016, 39(6):1 137-1 149.
[9] Redmon J, Farhadi A. YOLOv3: An Incremental
Improvement [J]. IEEE Conference on Computer Vision and
Pattern Recognition, 2018.
[10] Zhou S, Qiu J. RSSD: Object Detection via Attention
Regions in SSD Detector [C]. 2019 2nd International
Conference on Safety Produce Informatization (IICSPI),
2019:266-269.
[20] 。 [11] 李明达，姜静 . 基于深度学习的轮胎缺陷检测算法 [J]. 信息技
术与信息化，2021(02):52-53.
[12] 宋佳声，王永坚，戴乐阳 . 基于不同自适应阈值法的铁谱图像
分割效果比较 [J]. 润滑与密封，2021, 46(04):111-115.
[13] 乔韡韡，吴成茂 . 二维最大类间交叉熵阈值分割法 [J]. 西北大
学学报 ( 自然科学版 )，2008(03):374-378.
[14] 刘艳华 . 迭代阈值分割法在 X 射线焊缝检测中的应用 [J]. 自
动化技术与应用，2015, 34(10):74-76+90.
[15] Lin T-Y, Goyal P, Girshick R, et al. Focal loss for dense
object detection [C]. Proceedings of the IEEE international
conference on computer vision, 2017:2 980-2 988.
[16] Law H, Deng J. Cornernet: Detecting objects as paired
keypoints [C]. Proceedings of the European conference on
computer vision (ECCV), 2018:734-750.
[17] 李爱娟，王希波，慈勤蓬 . 基于机器视觉的轮胎花纹深度测量
方法研究 [J]. 自动化仪表，2019, 40(10):53-57.
[18] Segal A, Haehnel D, Thrun S. Generalized-icp [C]. Robotics:
science and systems, 2009: 435.
[19] 顾冲，曹爽，吉宸佳，等 . 基于多元回归随机抽样一致性算法
的圆柱拟合 [J]. 工程勘察 , 2022, 50(05):47-52+72.
[20] 徐仕东，毕远伟，孙海卫 . 基于多线激光的轮胎花纹深度测量
方法研究 [J]. 应用激光，2022, 42(02):64-70.
·17·