基于X光图像的轮胎杂质检测方法及装置

摘要

本发明涉及一种基于X光图像的轮胎杂质检测方法及装置，所述检测方法包括：从数据库中获取多对样本信息，各所述样本信息分别包括X光轮胎原始图像及杂质标注信息；对所述原始图像进行区域分割，得到多个区域图像；根据杂质检测算法对各所述区域图像进行检测，确定在所述原始图像中的疑似杂质区域；分别从原始图像、区域分割过程中的中间处理图像中提取对应疑似杂质区域的杂质子图像；分别从各杂质子图像中提取多种视觉特征，形成特征向量集；基于机器学习方法，根据各特征向量集及杂质标注结果，建立杂质检测分类模型，通过杂质检测分类模型可实现对待测X光轮胎图像的有效检测判别，准确确定待测X光轮胎图像中是否存在杂质以及杂质标注信息。

权利要求

1.一种基于X光图像的轮胎杂质检测方法，其特征在于，所述基于X光图像的轮胎杂质检测方法包括：从数据库中获取多对样本信息，各所述样本信息分别包括X光轮胎原始图像及杂质标注信息；

对所述原始图像进行区域分割，得到多个区域图像，所述多个区域图像包括轮胎的胎侧图像、胎圈图像及胎冠图像；

根据杂质检测算法对各所述区域图像进行检测，检测出所述原始图像中的疑似杂质区域；

分别从所述原始图像、区域分割过程中的中间处理图像中提取对应所述疑似杂质区域的杂质子图像；

分别从各所述杂质子图像中提取多种视觉特征，形成特征向量集；

基于机器学习方法，根据各所述特征向量集及杂质标注结果，建立杂质检测分类模型，用于对待测X光轮胎图像进行检测判别，以确定待测X光轮胎图像中是否存在杂质以及杂质标注信息；

其中，所述对所述原始图像进行区域分割，得到多个区域图像，具体包括：对所述原始图像依次进行高斯滤波、按列直方图均衡化，得到处理图像；

根据明暗区域发现算法对处理图像按列运算，寻找出各列中的暗区域，并将各所述暗区域填充为白色；

根据各列中暗区域的个数及当前列位置，确定所述原始图像中胎侧、胎圈及胎冠的边界线；

根据各所述边界线，对对应的原始图像进行区域分割，获得左胎圈、左胎侧、胎冠、右胎侧和右胎圈五部分图像，其中，左胎圈和右胎圈、左胎侧和右胎侧在结构上对称；

其中，所述根据明暗区域发现算法对图像按列运算，具体包括：根据如下公式，建立坐标方向积分图：

其中S(x,y)表示积分图上(x，y)点坐标的积分值，P(x，y)表示处理图像素点(x，y)像素值，cols表示处理图像的宽度和rows表示处理图像的高度；

设置暗区域检测半径R，对积分图采用列循环操作：

在每一列中设当前检测半径内的平均灰度值为avenow；该像素点上方半径内的平均灰度值为aveup；像素点下方相同半径内的灰度均值为avedown；

根据以下公式，确定如果当前灰度均值avenow小于上方灰度均值aveup减灰度阈值Const，且当前灰度均值avenow小于下方灰度均值avedown减所述灰度阈值Const，则所述当前检测半径内的区域为一个暗区域：avenow＜aveup-Const&&avenow＜avedown-Const。

2.根据权利要求1所述的基于X光图像的轮胎杂质检测方法，其特征在于，所述根据杂质检测算法对各所述区域图像进行检测，具体包括：根据轮胎的结构特征确定分别对应轮胎胎侧图像、胎圈图像及胎冠图像的杂质检测算法；

根据所述杂质检测算法对对应的区域图像进行检测，确定区域检测结果；

将各所述区域检测结果的信息进行整合，确定疑似杂质区域在所述原始图像中大小、形态、灰度及位置信息。

3.根据权利要求2所述的基于X光图像的轮胎杂质检测方法，其特征在于，所述根据杂质检测算法对各所述区域图像进行检测，还包括：对所述疑似杂质区域进行过滤，滤除部分非杂质区域。

4.根据权利要求1所述的基于X光图像的轮胎杂质检测方法，其特征在于，所述分别从各所述杂质子图像中提取多种视觉特征，具体包括：将各所述杂质子图像缩放至设定尺寸，得到对应的缩放图像；

分别从各所述缩放图像中提取多种视觉特征，每一杂质子图像中的多种视觉特征组成一组对应杂质子图像的特征向量；

将各所述原始图像对应的全部杂质子图像的特征向量进行归一化处理，得到所述特征向量集。

5.根据权利要求4所述的基于X光图像的轮胎杂质检测方法，其特征在于，所述多种视觉特征包括纹理特征、几何特征和颜色特征。

6.根据权利要求1所述的基于X光图像的轮胎杂质检测方法，其特征在于，所述机器学习方法为多核学习机器分类方法；

所述基于机器学习方法，根据各所述特征向量集及杂质标注结果，建立杂质检测分类模型，具体包括：采用所述多核学习机器分类方法，根据各所述特征向量集及杂质标注结果确定各个核的权重；

根据所述各个核的权重确定杂质检测分类模型。

7.根据权利要求1-6中任一项所述的基于X光图像的轮胎杂质检测方法，其特征在于，所述标注信息包括杂质在原始图像中的位置坐标及表征杂质的严重程度的级别判别等级，所述判别等级表征杂质严重程度的级别，0级杂质标注为负样本，1级和2级杂质标注为正样本；

所述检测方法还包括：

将所述待测X光轮胎图像及对应的杂质标注信息添加到所述数据库中，以更新数据库的样本信息。

8.一种基于X光图像的轮胎杂质检测装置，其特征在于，所述检测装置包括：获取单元，用于从数据库中获取多对样本信息，各所述样本信息分别包括X光轮胎原始图像及杂质标注信息；

区域分割单元，用于对所述原始图像进行区域分割，得到多个区域图像，所述多个区域图像包括轮胎的胎侧图像、胎圈图像及胎冠图像；

检测单元，用于根据杂质检测算法对各所述区域图像进行检测，检测出所述原始图像中的疑似杂质区域；

图像提取单元，用于分别从所述原始图像、区域分割过程中的中间处理图像中提取对应所述疑似杂质区域的杂质子图像；

特征提取单元，用于分别从各所述杂质子图像中提取多种视觉特征，形成特征向量集；

建模单元，用于基于机器学习方法，根据各所述特征向量集及杂质标注结果，建立杂质检测分类模型，用于对待测X光轮胎图像进行检测判别，以确定待测X光轮胎图像是否存在杂质以及杂质标注信息；

其中，所述对所述原始图像进行区域分割，得到多个区域图像，具体包括：对所述原始图像依次进行高斯滤波、按列直方图均衡化，得到处理图像；

根据明暗区域发现算法对处理图像按列运算，寻找出各列中的暗区域，并将各所述暗区域填充为白色；

根据各列中暗区域的个数及当前列位置，确定所述原始图像中胎侧、胎圈及胎冠的边界线；

根据各所述边界线，对对应的原始图像进行区域分割，获得左胎圈、左胎侧、胎冠、右胎侧和右胎圈五部分图像，其中，左胎圈和右胎圈、左胎侧和右胎侧在结构上对称；

其中，所述根据明暗区域发现算法对图像按列运算，具体包括：根据如下公式，建立坐标方向积分图：

其中S(x,y)表示积分图上(x，y)点坐标的积分值，P(x，y)表示处理图像素点(x，y)像素值，cols表示处理图像的宽度和rows表示处理图像的高度；

设置暗区域检测半径R，对积分图采用列循环操作：

在每一列中设当前检测半径内的平均灰度值为avenow；该像素点上方半径内的平均灰度值为aveup；像素点下方相同半径内的灰度均值为avedown；

根据以下公式，确定如果当前灰度均值avenow小于上方灰度均值aveup减灰度阈值Const，且当前灰度均值avenow小于下方灰度均值avedown减所述灰度阈值Const，则所述当前检测半径内的区域为一个暗区域：avenow＜aveup-Const&&avenow＜avedown-Const。

说明书

基于X光图像的轮胎杂质检测方法及装置

技术领域

[0001] 本发明涉及图像识别技术领域，特别是涉及一种基于X光图像的轮胎杂质检测方法及装置。

背景技术

[0002] 在轮胎生产过程中，由于生产环境、原材料或者人为等因素影响，不可避免会生产少数出带有杂质等缺陷的产品，影响了产品质量。及时发现并阻止这些不合格产品进入市场不但可以保证产品质量，还可以提高生产效率减少原材料以及人力资源浪费。由于人眼无法透视整个轮胎发现其中的潜在缺陷，轮胎缺陷的检测主要是通过X光机成像辅以人工检视进行的，这点上与医院通过CT或胸透成像检测人体器官，再加上专业医生判别分析类似。

[0003] 目前X光机成像后的轮胎杂质判断、等级划分还主要是依靠人工完成。面对自动化轮胎生产线一条条持续不断输送过来的轮胎，杂质检测判别需要工人长时间对着屏幕仔细检视，工作强度大，精神压力大且容易造成漏判，落后的检测方法已经成为了制约轮胎生产发展进步的一个瓶颈点。

[0004] 近年来，以图像处理算法为核心的机器视觉自动缺陷检测方法在生产加工领域取得广泛应用，例如：食品加工、汽车零部件加工等。机器视觉通过摄像头采集产品图像并自动分析得到诸如合格品—不合格品的有效判别，被誉为智能制造的眼睛。具体到基于X光图像检测轮胎缺陷这块，目前市面上仅有德国YXLON(依科视朗)公司提供的轮胎质量判级软件。但是由于中国国内外轮胎企业在橡胶配方、制造工艺和制造环境等方面的差异，导致缺陷的种类、不同缺陷的出现比例情况和表现形式等均存在一定区别，直接将国外轮胎缺陷检测软件引入中国并不能达到较为满意的检测效果。近年来，中国国内也有部分企业、科研院所等单位开始重视轮胎质量自动检测问题研究，并提出了一些基于图像处理的解决方案。但是，由于轮胎规格型号，生产制作工艺、X光成像条件方面的差异也使得轮胎具备了较为丰富的呈现形态，增加了图像处理算法设计的难度，导致这些方法在非一致生产环境下的漏检率和误检率并未达到可以替代人工判别的水平，目前国内在轮胎内部缺陷检测方面仍以人工检测为主。

[0005] 杂质是轮胎最为常见的缺陷之一。它主要是轮胎生产过程中不慎卷入到炭黑橡胶中的钢丝、硬物、油污、挥发小料等。体现在X光图像上，它们通常是一小段或一小块黑色线条或者块状物、或是黑色絮状物，且可能出现在轮胎的任意位置。杂质严重影响了轮胎质量，是影响轮胎使用寿命和触发交通事故的重要因素之一。因此，亟需一种对杂质的有效检测方法。

发明内容

[0006] 为了解决现有技术中的上述问题，即为了解决有效检测轮胎杂质，本发明提供了一种基于X光图像的轮胎杂质检测方法及装置。

[0007] 为实现上述目的，本发明提供了如下方案：

[0008] 一种基于X光图像的轮胎杂质检测方法，所述检测方法包括：

[0009] 从数据库中获取多对样本信息，各所述样本信息分别包括X光轮胎原始图像及杂质标注信息；

[0010] 对所述原始图像进行区域分割，得到多个区域图像，所述多个区域图像包括轮胎的胎侧图像、胎圈图像及胎冠图像；

[0011] 根据杂质检测算法对各所述区域图像进行检测，检测出所述原始图像中的疑似杂质区域；

[0012] 分别从所述原始图像、区域分割过程中的中间处理图像中提取对应所述疑似杂质区域的杂质子图像；

[0013] 分别从各所述杂质子图像中提取多种视觉特征，形成特征向量集；

[0014] 基于机器学习方法，根据各所述特征向量集及杂质标注结果，建立杂质检测分类模型，用于对待测X光轮胎图像进行检测判别，以确定待测X光轮胎图像是否存在杂质以及杂质标注信息。

[0015] 可选的，所述对所述原始图像进行区域分割，得到多个区域图像，具体包括：

[0016] 对所述原始图像依次进行高斯滤波、按列直方图均衡化，得到处理图像；

[0017] 根据明暗区域发现算法对处理图像按列运算，寻找出各列中的暗区域，并将各所述暗区域填充为白色；

[0018] 根据各列中暗区域的个数及当前列位置，确定所述原始图像中胎侧、胎圈及胎冠的边界线；

[0019] 根据各所述边界线，对对应的原始图像进行区域分割，获得左胎圈、左胎侧、胎冠、右胎侧和右胎圈五部分图像，其中，左胎圈和右胎圈、左胎侧和右胎侧在结构上对称。

[0020] 可选的，所述根据明暗区域发现算法对图像按列运算，具体包括：

[0021] 根据如下公式，建立坐标方向积分图：

[0022]

[0023] 其中S(x,y)表示积分图上(x,y)点坐标的积分值，P(x,y)表示处理图像素点(x,y)像素值，cols表示处理图像的宽度，rows表示处理图像的高度；

[0024] 设置暗区域检测半径R，对积分图采取列循环操作：

[0025] 在每一列中设当前检测半径内的平均灰度值为avenow；该像素点上方半径内的平均灰度值为aveup；像素点下方相同半径内的灰度均值为avedown；

[0026] 根据以下公式，确定如果当前灰度均值avenow小于上方灰度均值aveup减灰度阈值Const，且当前灰度均值avenow小于下方灰度均值avedown减所述灰度阈值Const，则所述当前检测半径内的区域为一个暗区域：

[0027] avenow＜aveup-Const&&avenow＜avedown-Const

[0028] 可选的，所述根据杂质检测算法对各所述区域图像进行检测，具体包括：

[0029] 根据轮胎的结构特征确定分别对应轮胎胎侧图像、胎圈图像及胎冠图像的杂质检测算法；

[0030] 根据所述杂质检测算法对对应的区域图像进行检测，确定区域检测结果；

[0031] 将各所述区域检测结果的信息进行整合，确定疑似杂质区域在所述原始图像中大小、形态、灰度及位置信息。

[0032] 可选的，所述根据杂质检测算法对各所述区域图像进行检测，还包括：对所述疑似杂质区域进行过滤，滤除部分非杂质区域。

[0033] 可选的，所述分别从各所述杂质子图像中提取多种视觉特征，具体包括：

[0034] 将各所述杂质子图像缩放至设定尺寸，得到对应的缩放图像；

[0035] 分别从各所述缩放图像中提取多种视觉特征，每一杂质子图像中的多种视觉特征组成一组对应杂质子图像的特征向量；

[0036] 将各所述原始图像对应的全部杂质子图像的特征向量进行归一化处理，得到所述特征向量集。

[0037] 可选的，所述多种视觉特征包括纹理特征、几何特征和颜色特征。

[0038] 可选的，所述机器学习方法为多核学习机器分类方法；

[0039] 所述基于机器学习方法，根据各所述特征向量集及杂质标注结果，建立杂质检测分类模型，具体包括：

[0040] 采用所述多核学习机器分类方法，根据各所述特征向量集及杂质标注结果确定各个核的权重；

[0041] 根据所述各个核的权重确定杂质检测分类模型。

[0042] 可选的，所述标注信息包括杂质在原始图像中的位置坐标及表征杂质的严重程度的级别，0级杂质标注为负样本，1级和2级杂质标注为正样本；

[0043] 所述检测方法还包括：

[0044] 将所述待测X光轮胎图像及对应的杂质标注信息添加到所述数据库中，以更新数据库的样本信息。

[0045] 根据本发明提供的具体实施例，本发明公开了以下技术效果：

[0046] 本发明基于X光图像的轮胎杂质检测方法通过对原始图像进行区域分割，准确确定轮胎的胎侧图像、胎圈图像及胎冠图像；根据杂质检测算法，以实现对各个区域图像的杂质检测，获取所有疑似杂质区域；提取疑似杂质区对应的杂质子图像的视觉特征，形成特征向量集，进而建立基于机器学习方法的杂质检测分类模型，通过所述杂质检测分类模型可实现对待测X光轮胎图像进行在线杂质检测，准确度高。

[0047] 为实现上述目的，本发明还提供了如下方案：

[0048] 一种基于X光图像的轮胎杂质检测装置，所述检测装置包括：

[0049] 获取单元，用于从数据库中获取多对样本信息，各所述样本信息分别包括X光轮胎原始图像及杂质标注信息；

[0050] 区域分割单元，用于对所述原始图像进行区域分割，得到多个区域图像，所述多个区域图像包括轮胎的胎侧图像、胎圈图像及胎冠图像；

[0051] 检测单元，用于根据杂质检测算法对各所述区域图像进行检测，确定在所述原始图像中的疑似杂质区域；

[0052] 图像提取单元，用于分别从所述原始图像、区域分割过程中的中间处理图像中提取对应所述疑似杂质区域的杂质子图像；

[0053] 特征提取单元，用于分别从各所述杂质子图像中提取多种视觉特征，形成特征向量集；

[0054] 建模单元，用于基于机器学习方法，根据各所述特征向量集及杂质标注结果，建立杂质检测分类模型，用于对待测X光轮胎图像进行检测判别，以确定待测X光轮胎图像是否存在杂质以及杂质标注信息。

[0055] 根据本发明提供的具体实施例，本发明公开了以下技术效果：

[0056] 本发明基于X光图像的轮胎杂质检测装置通过获取单元、区域分割单元，对原始图像进行区域分割，准确确定轮胎的胎侧图像、胎圈图像及胎冠图像；通过检测单元，根据杂质检测算法，以实现对各个区域图像的杂质检测，获取所有疑似杂质区域；通过图像提取单元、特征提取单元，提取疑似杂质区对应的杂质子图像的视觉特征，形成特征向量集，进而通过建模单元建立基于机器学习方法的杂质检测分类模型，通过所述杂质检测分类模型可实现对待测X光轮胎图像进行在线杂质检测，准确度高。

附图说明

[0057] 图1是本发明基于X光图像的轮胎杂质检测方法的流程图；

[0058] 图2是本发明基于X光图像的轮胎杂质检测方法中区域分割的流程图；

[0059] 图3是本发明基于X光图像的轮胎杂质检测方法中杂质检测的流程图；

[0060] 图4是本发明基于X光图像的轮胎杂质检测方法中特征提取的流程图；

[0061] 图5是本发明基于X光图像的轮胎杂质检测装置的模块结构示意图。

[0062] 符号说明：

[0063] 获取单元—1，区域分割单元—2，检测单元—3，图像提取单元—4，特征提取单元—5，建模单元—6。

具体实施方式

[0064] 下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。

[0065] 本发明提供一种基于X光图像的轮胎杂质检测方法，通过对原始图像进行区域分割，准确确定轮胎的胎侧图像、胎圈图像及胎冠图像；根据杂质检测算法，以实现对各个区域图像的杂质检测，获取所有疑似杂质区域；提取疑似杂质区对应的杂质子图像的视觉特征，形成特征向量集，进而建立基于机器学习方法的杂质检测分类模型，通过所述杂质检测分类模型可实现对待测X光轮胎图像进行在线杂质检测，准确度高。

[0066] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

[0067] 如图1所示本发明基于X光图像的轮胎杂质检测方法包括：

[0068] 步骤100：从数据库中获取多对样本信息，各所述样本信息分别包括X光轮胎原始图像及杂质标注信息；

[0069] 步骤200：对所述原始图像进行区域分割，得到多个区域图像，所述多个区域图像包括轮胎的胎侧图像、胎圈图像及胎冠图像；

[0070] 步骤300：根据杂质检测算法对各所述区域图像进行检测，确定在所述原始图像中的疑似杂质区域；

[0071] 步骤400：分别从所述原始图像、区域分割过程中的中间处理图像中提取对应所述疑似杂质区域的杂质子图像；

[0072] 步骤500：分别从各所述杂质子图像中提取多种视觉特征，形成特征向量集；

[0073] 步骤600：基于机器学习方法，根据各所述特征向量集及杂质标注信息，建立杂质检测分类模型，用于对待测X光轮胎图像进行检测判别，以确定待测X光轮胎图像是否存在杂质以及杂质标注信息。

[0074] 其中，所述标注信息包括杂质在原始图像中的位置坐标及用于表征杂质严重程度的级别，0级杂质(即非杂质)标注为负样本，表示非杂质，即正常图像；1级和2级杂质标注为正样本，1级表示一般性杂质，2级表示严重性杂质。所述数据库中的标注信息可为人工标注，也可为机器标注。

[0075] 杂质检测分类模型的训练前期，需借助工人人工标注所收集的数据集。具体地，数据标注结果依照轮胎质检专家制定的质量规则为准。这里我们将杂质主要分类为：非杂质、一般性杂质和严重性杂质，分别表示对应杂质的评定结果。但实际环境中并不局限于上述三种分类结果，可以是更多种分类结果。

[0076] 如图2所示，在步骤200中，所述对所述原始图像进行区域分割，得到多个区域图像，具体包括：

[0077] 步骤201：对所述原始图像依次进行高斯滤波、按列直方图均衡化，得到处理图像。

[0078] 步骤202：根据明暗区域发现算法对处理图像按列运算，寻找出各列中的暗区域，并将各所述暗区域填充为白色(0xFF)，从而形成灰度图像。

[0079] 也就是说，寻找出上下临界像素梯度较大的点，并将这些点像素值设定为0xFF。

[0080] 步骤203：根据各列中暗区域的个数及当前列位置，确定所述原始图像中胎侧、胎圈及胎冠的边界线。

[0081] 步骤204：根据各所述边界线，对对应的原始图像进行区域分割，获得左胎圈、左胎侧、胎冠、右胎侧和右胎圈五部分图像，其中，左胎圈和右胎圈、左胎侧和右胎侧在结构上对称。

[0082] 其中，在步骤203中，所述根据明暗区域发现算法对图像按列运算，具体包括：

[0083] 根据公式(1)，建立坐标方向积分图：

[0084]

[0085] 其中S(x,y)表示积分图上(x,y)点坐标的积分值，P(x,y)表示处理图像素点(x,y)像素值，cols表示处理图像的宽度和rows表示处理图像的高度。

[0086] 设置暗区域检测半径R，对积分图采用列循环操作：

[0087] 在每一列中设当前检测半径内的平均灰度值为avenow；该像素点上方半径内的平均灰度值为aveup；像素点下方相同半径内的灰度均值为avedown；

[0088] 根据公式(2)，确定如果当前灰度均值avenow小于上方灰度均值aveup减灰度阈值Const，且当前灰度均值avenow小于下方灰度均值avedown减所述灰度阈值Const，则所述当前检测半径内的区域为一个暗区域：

[0089] avenow＜aveup-Const&&avenow＜avedown-Const    (2)

[0090] 一般而言汽车轮胎从结构上可以分为胎圈、胎侧和胎冠(带束层)三个主要部分，其中胎冠是轮胎的主要受力部分因此这部分的钢丝线分布比较密集，呈网状交叉形；胎侧受力一般，所以嵌入胎侧的钢丝线排列均匀形状相对规整；胎圈受力较小，所以这部分橡胶层较多钢丝线不明显。由于这三部分结构的明显差异，在X光机形成的轮胎图像中有明显的不同：胎冠纹理偏多，钢丝线交错复杂，灰度偏暗；胎侧连线均匀，橡胶涂层薄，灰度明显偏亮；胎圈钢丝不明显，橡胶层厚，图像偏暗。

[0091] 明确了以上图像结构信息，可根据各部分特征设计相应的图像处理算法定位三部分的边界线，从而能够对原图像实现准确分割。

[0092] 具体地，可以采用区域生长算法，即首先选择一组能正确代表各个区域的种子像素点，然后再确定在生长过程中的相似性准则，制定停止生长的条件或者准则。可选择灰度级、纹理或梯度等特性作为区域生长的生长准则。最后，可以根据区域边界确定胎圈、胎冠和胎侧的边界信息。此外，也可以通过设计的Gabor滤波器或者阈值分割等方法对图像进行分割处理。

[0093] 如图3所示，在步骤300中，所述根据杂质检测算法对各所述区域图像进行检测，具体包括：

[0094] 步骤301：根据轮胎的结构特征确定分别对应轮胎胎侧图像、胎圈图像及胎冠图像的杂质检测算法。

[0095] 步骤302：根据所述杂质检测算法对对应的区域图像进行检测，确定区域检测结果。

[0096] 步骤303：将各所述区域检测结果的信息进行整合，确定疑似杂质区域在所述原始图像中大小、形态、灰度及位置信息。

[0097] 步骤304：对所述疑似杂质区域进行过滤，滤除部分非杂质区域。通过形态学滤波、高斯滤波等过滤方法，滤除那些明显不符合杂质特征的误检测情况，剩下的即疑似杂质。

[0098] 在步骤301和步骤302中，由于轮胎结构特征的不同导致了不同部分X光图像的明显差异，即使相同类型的杂质在轮胎不同结构的图像显示也不尽相同。所以对于轮胎不同的部分，采用不同的处理算法。具体的，轮胎胎圈、胎冠部分图像比较发暗，对其首先按列进行直方图均衡化处理，使其中的杂质信息结构更加明显突出，然后结合梯度信息、边缘检测信息和灰度信息等对图像进行局部判断处理。可以通过直方图均衡化、自适应滤波算法、形态学运算和边界检测等算法结合使用确定疑似杂质的中心位置和形状大小。

[0099] 进一步地，相比胎侧部分钢丝连线均匀，亮度适中的特点，胎圈的橡胶层比较厚且形状不规则，所以在杂质检测时应首先考虑通过图像处理算法滤除边界橡胶层的影响。然后，对图像进行按列直方图均衡化以突出杂质块信息，通过融合明/暗区域发现算法结果、方向梯度、二值化图等中间处理结果图特征信息，寻找出疑似杂质区域。最后，通过一些形态学滤波、高斯滤波等过滤方法，滤除那些明显不符合杂质特征的误检测情况。

[0100] 轮胎胎冠和胎侧杂质预判方法采用类似思路实现。它们区别在于，在获得相应部分的区域图像后，由于不同功能部分视觉表观差异较大，需要利用不同的图像处理操作并合理组合，以去除正常图像区域的影响。最后，通过形态学滤波、高斯滤波等过滤方法，滤除那些明显不符合杂质特征的误检测情况，剩下的即疑似杂质。

[0101] 在步骤400中，区域分割过程中的中间处理图像包括滤波图像、二值化图像、灰度图像等。

[0102] 如图4所示，在步骤500中，所述分别从各所述杂质子图像中提取多种视觉特征，具体包括：

[0103] 步骤501：将各所述杂质子图像缩放至设定尺寸，得到对应的缩放图像。其中，所述设定尺寸可为256*256像素。

[0104] 步骤502：分别从各所述缩放图像中提取多种视觉特征，每一杂质子图像中的多种视觉特征组成一组对应杂质子图像的特征向量。其中，所述多种视觉特征包括纹理特征、几何特征和颜色特征。

[0105] 此外，所述多种视觉特征还包括Gabor小波特征、灰度共生矩阵(Gray Level Co-occurrence Matrix,简称GLCM)、局部二值模式(Local Binary Pattern,简称LBP)、尺度不变量特征变换(Scale-invariant feature transform,简称SIFT)、方向梯度直方图(Histogram of Oriented Gradient,简称HOG)中至少一者，但并不以此图像特征为限。

[0106] 步骤503：将各所述原始图像对应的全部杂质子图像的特征向量进行归一化处理，得到所述特征向量集。所述特征向量集由K*M特征向量表示，其中，K表示杂质子图像的数量，M表示视觉特征的数量。

[0107] 在步骤600中，机器学习是人工智能的核心部分，其主要目的是使计算机具有类似于人类的自适应分析决策能力，主要方法是通过前期有限样本训练学习，从而可以使得机器模型具有对未知样本的分类分析判断的能力。在本实施例中，采用基于多核学习的机器分类方法，但本发明并不局限于此。

[0108] 其中，多核学习的机器分类方法是机器学习领域核学习的一个热点方法，核方法是解决非线性分类问题的一种有效方法，仅由单核函数(如SVM)构成的机器学习并不能很好满足如数据异构或者不规则、样本不平均分布等实际的应用需求，因此采用多个核函数进行组合，可以获得更好的结果。多核学习模型早期有Boosting模型学习方法、基于半定规划的多核学习方法和基于二次约束型二次规划的学习方法；近些年来出现了简单多核学习(Simple MKL)方法和基于Lasso思想的多核学习方法。具体地，结合训练效果与学习效率，采用线性核、多项式核以及RBF核的线性组合方式，通过样本训练得到每一个核空间的权重，该方法融合了各种该方法，可以照顾到不同视觉特征多源异构的问题特征，此外由于每个核的权重都是通过机器自学得到，训练效果更加优化。简单多核学习(Simple MKL)是多核学习方法的一种经典实现。

[0109] 其中，在步骤600中，所述基于机器学习方法，根据各所述特征向量集及杂质标注结果，建立杂质检测分类模型，具体包括：

[0110] 采用所述多核学习机器分类方法，根据各所述特征向量集及杂质标注结果通过前期离线训练确定各个核的权重；根据所述各个核的权重确定杂质检测分类模型。

[0111] 通过所述杂质检测分类模型可有效的对待检测X光轮胎图像进行检测，准确确定所述X光轮胎图像中的疑似杂质区域中哪些是误判的正常区域和哪些是真正的杂质以及对应的杂质标注信息。

[0112] 此外，本发明将基于X光图像的轮胎杂质检测方法还包括：所述待测X光轮胎图像及对应的杂质标注信息添加到所述数据库中，以更新数据库的样本信息。

[0113] 下面以轮胎胎圈杂质为例详细描述了图像处理步骤及结果，具体包括以下步骤：

[0114] 首先，从数据库中获取的多对样本信息，所述样本信息包括X光轮胎原始图像及杂质标注信息。

[0115] 为了对图像有效分割需对图像进行滤波处理消除图像中噪声影响。明暗区域发现算法对处理图像按列运算确定图像中有明显暗区域突变的地方以及被标出(白色)，得到灰度图像；

[0116] 然后，分别统计灰度图像每一列中被标记白色区域的个数，可以发现胎圈被标记的明显多于胎侧，胎冠与胎侧之间也有明显标记不同的差别，于是便可以确定可靠的胎圈、胎侧和胎冠的边界区域。

[0117] 最后，对上述分割的不同区域分别采用不同的杂质预判方法，滤除那些明显不是杂质的误检测区域。

[0118] 但是由于图像检测算法的局限性，有些非杂质区域也没误判为疑似杂质，接下来就需要通过杂质子区域分割、视觉特征提取和机器判别方法来对上述疑似区域做进一步区分。

[0119] 通过上述图像处理、图像分割、杂质预判后，分别从所述原始图像、区域分割过程中的中间处理图像中提取对应所述疑似杂质区域的杂质子图像。其中，提取的杂质子图像包括杂质-原图、杂质-直方图及杂质-二值化图像；所述杂质-原图表示该部分的疑似杂质图像是在轮胎原始图像上提取的；所述杂质-直方图均衡化表示该部分杂质图像是在轮胎图像处理过程中通过对原始图像进行适当预处理并进行直方图均衡化后图像上提取而来的；所述杂质-二值化图像是从杂质检测步骤中得出的二值化图像上分割得来的。

[0120] 本发明基于X光图像的轮胎杂质检测方法可用于并行处理多条轮胎生产流水线进行轮胎杂质检测，计算出待测杂质信息与杂质特征传送到工程机进行检测判断，并将检测结果通过现场总线发送到总控制台保存备份。每条生产线都并行独立工作，为了进一步适应每条生产线独特性和提高判断准确率，需要判断分类器具有较高的准确度，因此，每条流水线除了有离线检测的功能还具有在线学习功能。

[0121] 如果工作人员需要查阅某条生产线产品情况，可以通过查看控制中心轮胎数据库详细了解该生产线工作情况，从而基本脱离了人工干预，避免了人为主观因素的影响，使检测、判断更加客观，标准更加统一。而且，基于大批量数据的不断迭代改进，模型判别准确率更高。

[0122] 本发明基于X光图像的轮胎杂质检测方法存在以下的优点与创新：

[0123] 1)采用图像处理与机器学习相结合的方法，既避免了采用传统像处理方法通用性差，又有效解决了单纯采用机器学习分类方法需对分析整个图像待处理数据量大的问题，从而提高了图像杂质检测的速度与鲁棒性；

[0124] 2)通过采用机器学习方法构建疑似杂质多分类模型，自适应挖掘利用大量样本中蕴含的辨别性视觉特性实现杂质有效分类，提高了检测算法的准确率与泛化能力；

[0125] 3)可以在实际生产线上替换工人完成轮胎杂质检测工作，提高生产线的自动化程度。

[0126] 此外，本发明还提供一种基于X光图像的轮胎杂质检测装置。如图5所示，本发明基于X光图像的轮胎杂质检测装置包括获取单元1、区域分割单元2、检测单元3、图像提取单元4、特征提取单元5及建模单元6。

[0127] 其中，所述获取单元1从数据库中获取多对样本信息，各所述样本信息分别包括X光轮胎原始图像及杂质标注信息；所述区域分割单元2与所述获取单元连接，对所述原始图像进行区域分割，得到多个区域图像，所述多个区域图像包括轮胎的胎侧图像、胎圈图像及胎冠图像；所述检测单元3根据杂质检测算法对各所述区域图像进行检测，检测在所述原始图像中的疑似杂质区域；所述图像提取单元4分别从所述原始图像、区域分割过程中的中间处理图像中提取对应所述疑似杂质区域的杂质子图像；所述特征提取单元5，用于分别从各所述杂质子图像中提取多种视觉特征，形成特征向量集；所述建模单元6基于机器学习方法，根据各所述特征向量集及杂质标注结果，建立杂质检测分类模型，用于对待测X光轮胎图像进行检测，以确定待测X光轮胎图像是否存在杂质以及对应的杂质标注信息。

[0128] 此外，本发明基于X光图像的轮胎杂质检测装置还包括更新单元(图中未示出)，将所述待测X光轮胎图像中的杂质及对应的杂质标注信息添加到所述数据库中，以更新数据库的样本信息。

[0129] 具体地，本发明基于X光图像的轮胎杂质检测装置可封装到电子设备中，所述电子设备包括通过系统总线连接的处理器、非易失性存储介质和内存储器。其中处理器具有计算功能和控制电子设备工作的功能，所述处理器被配置基于X光图像的轮胎杂质检测装置，执行轮胎X光图像杂质检测，包括：从数据库中获取多对样本信息；根据图像处理算法对原始图像进行胎侧、胎圈和胎冠的分割；根据分割的子图像，对不同区域采用不同的图像处理算法提取疑似杂质区域；根据提取的疑似杂质视觉特征对多核学习图像分类器进行离线训练与在线检测；根据分类结果对杂质信息统计输出。非易失性存储介质可以是磁存储介质、光存储介质或者闪存式存储介质，非易失性存储介质存储有操作系统和轮胎图像杂质检测装置，该轮胎图像杂质检测装置用于实现一种基于X光图像的轮胎杂质检测方法。内存储器用于提供运行环境。

[0130] 相对于现有技术，本发明基于X光图像的轮胎杂质检测装置与上述基于X光图像的轮胎杂质检测方法的有益效果相同，在此不再赘述。

[0131] 至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。