基于GLCM算法的輪胎0°帶束層接頭缺陷檢測

張元剛，劉中華

（青島科技大學 機電工程學院，山東 青島 266061）

輪胎是車輛行駛中直接承受載荷的重要部件，根據(jù)力學原理，輪胎內(nèi)部若存在缺陷，在行駛過程中由于受力不均勻，會產(chǎn)生脫層、破裂，甚至引發(fā)嚴重的交通事故[1]。因此，輪胎缺陷的檢測識別是非常重要的研究課題[2-4]。

通過X光機獲取輪胎X光圖像[5]，再設(shè)計算法實現(xiàn)缺陷的定位、判別是目前普遍采用的方法。該方法避免了人工檢測[6]成本高、效率低、工作強度大、消耗時間長、檢測結(jié)果不客觀等諸多缺點。但輪胎品種和規(guī)格眾多，花紋及鋼絲簾線各異[7-8]，形成的缺陷種類繁多[9-11]，許多缺陷檢測至今無人涉及，如0°帶束層接頭，其X光圖像如圖1所示。

圖1 輪胎0°帶束層接頭X光圖像

輪胎X光圖像是紋理圖像。目前，常用的紋理分析方法大致可以分為四類：結(jié)構(gòu)分析、統(tǒng)計、基于紋理模型的分析和信號處理。其中，結(jié)構(gòu)分析方法是建立在紋理是由紋理基元[12]按照某種規(guī)則排列的假設(shè)基礎(chǔ)上發(fā)展起來的，該方法僅適用于規(guī)則紋理的分析；統(tǒng)計方法的紋理分析是從區(qū)域統(tǒng)計的角度分析灰度隨機變量的空間分布，如基于空域的自相關(guān)函數(shù)分析[13-14]、灰度共生矩陣分析、灰度差分分析[15]等及基于頻域的頻譜分析[16]等；基于紋理模型的分析方法通過Markov隨機場、二維自回歸模型等描述紋理；信號處理方法又可分為空域濾波器方法、頻域濾波器方法、Gabor濾波器方法、小波分析方法[17]。

然而，多數(shù)紋理分析方法理論性較強、運算復雜且通用性不夠，很難成功應用于工程領(lǐng)域。而灰度共生矩陣（GLCM）算法相對簡單，易于實現(xiàn)，因此本研究利用GLCM算法實現(xiàn)輪胎0°帶束層接頭缺陷區(qū)域的特征提取及識別，算法選取4個特征參量的8個特征值作為GLCM的紋理特征，再利用歐氏距離法實現(xiàn)缺陷的判別。

1 GLCM算法的基本原理

GLCM算法是求取紋理圖像中某一個灰度級結(jié)構(gòu)多次重復出現(xiàn)概率的方法，通過對條件概率的求取得到紋理圖像的灰度級在空間上的相互關(guān)系。首先需要依據(jù)紋理圖像各像元之間的距離及方向角度來構(gòu)造GLCM，然后選擇合適的特征參量，進而得到統(tǒng)計特征向量作為GLCM的統(tǒng)計特征，用以描述紋理。

GLCM算法描述如下：假如x軸方向像素總量是Nx，y軸方向像素總量是Ny，為規(guī)避計算量過大，需要先將灰度級進行壓縮，p（i，j，θ，d）表征GLCM（i行j列元素，θ為方向角度，兩像元之間的距離為d），GLCM計算值表示在已知空間距離d和方向角度θ的條件下，灰度級i為始點，出現(xiàn)灰度級j的概率。θ沿順時針方向取值，θ不同，其所對應的GLCM也就不同，定義式如下：

式中，f（k，l）＝i，f（m，n）＝j(luò)；當θ＝0°時，k-m＝0，l-n＝d；當θ＝45°時，k-m＝d，l-n＝d，或k-m＝-d，l-n＝-d；當θ＝90°時，k-m＝d，l-n＝0；當θ＝135°時，k-m＝d，l-n＝-d，或k-m＝-d，ln＝d。

2 GLCM的特征參量

從GLCM得到反映矩陣聯(lián)合概率密度的特征參量，并以此更直觀地描述圖像的紋理特征，通過MATLAB仿真可得到特征參量的紋理值。常用的特征參量主要有以下幾種。

（1）能量（MAS）的計算公式為

能量又稱為角二階矩，能有效反映圖像灰度分布是否均勻，表征圖像紋理粗細和灰度分布。能量最大值是1，表示圖像灰度分布的均勻性最好。圖像表面越粗糙，計算的能量值就越小。

（2）對比度（NCO）的計算公式為

對比度用來表征圖像紋理清晰程度。對比度越大，紋理元素對比越明顯，紋理越突出，圖像的視覺模糊效果越差；反之，對比度越小，紋理的視覺模糊效果越好。若對比度的值為0，則表明該圖像不存在紋理分布。相比粗紋理，細紋理的對比度較大。

（3）相關(guān)性（RCO）的計算公式為

相關(guān)性是對GLCM鄰域灰度值的線性依賴性的度量。紋理圖像不同，所求取的相關(guān)性的值亦不同，但差異并不大，若在相同圖像的不同方向之間作比較，則與圖像紋理一致方向上的相關(guān)性的值往往明顯高于其他方向上的相關(guān)性的值。由此可見，相關(guān)性在描述圖像紋理的方向性方面優(yōu)勢顯著。

（4）熵（TEN）的計算公式為

熵表征紋理圖像所含信息量大小，紋理信息是圖像的重要信息。若求取的灰度共生矩陣接近零矩陣，熵值約為零，則圖像中未含紋理信息。若圖像的紋理較細，則p（i，j，θ，d）的數(shù)值幾乎相同，紋理圖像熵達到最大。圖像中所含紋理越少，p（i，j，θ，d）的值相差越大，紋理圖像熵值越小。

3 GLCM算法應用

由于0°帶束層遍布鋼絲簾線，所以其在輪胎X光圖像上灰度值較低，而0°帶束層接頭缺陷所在區(qū)域灰度值更低，人眼難以分辨，因此急需切實有效的計算機識別算法識別。GLCM算法的應用流程詳述如下。

（1）讀入待檢測圖像，剪切0°帶束層并將其進行分塊處理。

（2）搜索接頭缺陷所在紋理塊。

（3）為減少計算量，對接頭缺陷所在紋理塊的灰度級進行壓縮并將灰度均勻量化成16級，以減小生成矩陣的尺寸，提高效率。

（4）設(shè)定合適的兩像元之間的距離、方向角度及窗口大小，取d＝1，分別形成θ為0°，45°，90°，135°方向上的GLCM。

（5）對求取的GLCM進行歸一化處理。

（6）求取4個方向紋理特征值的平均值，消除方向分量的影響。

（7）計算出GLCM特征參量的相關(guān)系數(shù)，以選取合適的特征參量。

（8）通過求取GLCM特征參量的相關(guān)性，選擇合適的特征參量。本算法中選擇能量（MAS）、熵（TEN）、對比度（NCO）和相關(guān)性（RCO）。

（9）分別求得能量、熵、對比度和相關(guān)性的均值μ和標準差σ，得到8個統(tǒng)計特征值的特征向量作為GLCM的紋理特征。

（10）特征向量內(nèi)部歸一化。由于（8）中特征參量具有不同的物理含義，因此需進行歸一化，使用的歸一化模型同（5）的歸一化模型。

（11）利用歐氏距離判別法進行缺陷判別，該方法首先需獲得正常輪胎0°帶束層接頭紋理圖像分塊后的統(tǒng)計特性，并計算與待測輪胎0°帶束層接頭紋理圖像統(tǒng)計特性的相似度，進而進行比較。

（12）選取合適的歐氏距離為缺陷的判別閾值，若相似度比選定的閾值大，則判別為正常；若相似度小于閾值，則判別為缺陷。

4 結(jié)果與討論

在利用GLCM描述紋理特征時，能量、熵、對比度和相關(guān)性互不相關(guān)，這4個特征參量不僅使分類精度高而且便于計算，因此，本研究選取這4個特征參量進行統(tǒng)計，待測輪胎0°帶束層接頭紋理圖像各方向的特征參量值及擬合結(jié)果如表1所示。

表1 待測輪胎0°帶束層接頭紋理圖像各方向的特征參量值及擬合結(jié)果

以10幅含有缺陷的0°帶束層接頭紋理圖像為例，計算擬合的特征參量值如表2所示。經(jīng)過歸一化的各特征參量值如表3所示。

表2 輪胎0°帶束層接頭缺陷紋理圖像的灰度共生矩陣的特征參量值

表3 輪胎0°帶束層接頭缺陷紋理圖像特征參量值歸一化結(jié)果

本研究使用歐氏距離判別法對輪胎0°帶束層接頭缺陷進行判定，根據(jù)歐氏距離公式，計算得到的正常0°帶束層接頭紋理圖像與含有缺陷的0°帶束層接頭紋理圖像的歐氏距離值如表4所示。

表4 輪胎0°帶束層接頭缺陷紋理圖像與正常紋理圖像歸一化前后的歐氏距離

可以看出，含有缺陷的0°帶束層接頭紋理圖像特征參量值與未含有缺陷的0°帶束層接頭紋理圖像特征參量值歐氏距離相差比較明顯。

通過對軟控股份有限公司提供的輪胎圖像數(shù)據(jù)進行計算，將判別閾值設(shè)置為適當值。若待測0°帶束層接頭紋理圖像與正常0°帶束層接頭紋理圖像的歐氏距離小于設(shè)定閾值，則判定為接頭無缺陷；反之，若比設(shè)定閾值大，則判別為接頭缺陷，且歐式距離越大，接頭缺陷區(qū)域越大。根據(jù)實際工藝要求設(shè)置合適的判定標準即可完成對接頭過大或過小的判別。

利用GLCM算法所做的輪胎0°帶束層接頭缺陷標記結(jié)果如圖2所示。試驗結(jié)果顯示，由GLCM產(chǎn)生的4個紋理特征參量可對輪胎0°帶束層接頭接頭缺陷有效描述，鑒別能力較強。

圖2 GLCM算法的輪胎0°帶束層接頭缺陷標記結(jié)果

5 結(jié)語

輪胎品種和規(guī)格及缺陷種類繁多，為輪胎的缺陷檢測識別工作帶來困難。本研究利用GLCM算法，通過大量樣本訓練，提取4個特征參量的紋理特征值，可實現(xiàn)對輪胎0°帶束層接頭缺陷的檢測識別，鑒別能力較強。