轮胎的动平衡和均匀性性能是影响汽车安全性和舒适性的两个重要因素。拓印在轮胎上具有不同颜色和形状的标识点可表示轮胎动平衡和均匀性检测结果,在轮胎安装过程中具有重要标识作用。检测动平衡和均匀性标识点正确与否是成品轮胎质检的一个重要环节。传统的人工识别方法强度大、效率低,准确率低。为提高轮胎标识点识别的准确率和效率,本文基于机器视觉技术,设计了轮胎标识点在线识别系统,并对标识点的识别方法进行了研究,主要内容包括:针对轮胎标识点在线识别的需求,基于机器视觉技术,为标识点在线识别提出整体解决方案,并对视觉识别模块进行了详细的设计分析:其中硬件部分根据识别场景的特点设计了视觉成像方案,并对关键部件选型;软件部分根据采集的轮胎图像,完成相应的图像处理算法设计,并为在线识别系统提供了相应的通讯方案,保证数据准确、及时的传递。分析工业相机采集到原始图像中的轮胎特点,提出基于最小包络圆和基于梯度CHT两种轮胎内圆定位方法。通过实验测试得出,基于梯度CHT的轮胎内圆定位方法定位精度更高、鲁棒性更好。在定位轮胎内圆的基础上,从MES中获取轮胎内径与外径的比值确定轮胎外圆,进而实现轮胎的准确定位,为后续标识点识别奠定基础。结合标识点的颜色特征,通过H-S颜色直方图反向投影获取红色和黄色候选标识点;利用白色标识点亮度高的特征,对亮度通道灰度图像阈值分割得到白色候选标识点;搭建基于残差学习结构的深度卷积神经网络模型对候选轮胎标识点进行分类,识别候选标识点是否为标识点以及标识点的颜色;以红色标识点为例,对标识点形状识别中样本类别不均衡以及训练样本与测试样本存在部分差异产生的过拟合问题,提出六种自适应归一化预处理方法对标识点进行预处理,解决了形状识别中网络模型出现的过拟合问题,提升了标识点的形状识别准确率。对标识点完整度计算方法进行研究。通过对图像的放大处理减小其分辨率低对完整度计算过程中的影响;选用K均值聚类分割算法将标识点图像分割为4个区域,提取亮度最高的标识点目标区域所对应的完整标识点轮廓;以此为参照,利用标识点分割得到不同区域的亮度不同,对完整标识点轮廓内的像素点进行赋权,计算标识点完整度;依据完整度值对标识点完整度情况进行分级评价。