CN115096203B - 一种激光测量轮胎胎纹深度的方法 - Google Patents

Abstract

本发明涉及胎纹深度检测技术领域，特别涉及一种激光测量轮胎胎纹深度的方法，包括S1，获取车辆信息；S2，检测前轮是否进入检测区域，若是则激光成像获取前轮图像，将前轮图像上传至服务器，若否则持续检测；S3，检测后轮是否进入检测区域，若是则激光成像获取后轮图像，将后轮图像上传至服务器，若否则持续检测；S4，服务器标记前轮图像与后轮图像，并分别获取最佳前轮图像与最佳后轮图像；S5，分析最佳前轮图像最佳后轮图像，并识别轮胎布局后计算前轮的胎纹深度与后轮的胎纹深度。本发明通过成像方式以及图像处理算法的结合，避免了不同轮胎尺寸、不同轮胎布局以及不同位置拍照造成的测试误差，解决了现有的激光胎纹检测装置准确率低的问题。

Description

一种激光测量轮胎胎纹深度的方法

技术领域

本发明涉及胎纹深度检测技术领域，特别涉及一种激光测量轮胎胎纹深度的方法。

背景技术

轮胎是在各种车辆或机械上装配的接地滚动的圆环形弹性橡胶制品。通常安装在金属轮辋上，能支承车身，缓冲外界冲击，实现与路面的接触并保证车辆的行驶性能。由于轮胎花纹的主要作用就是增加胎面与路面间的摩擦力，以防止车轮打滑，因此轮胎花纹也是鉴定轮胎质量的重要因素之一。

轮胎花纹的两大重要因素为花纹型式与花纹深度。花纹过深，则花纹块接地弹性变形量愈大，由轮胎弹性迟滞损失形成的滚动阻力也将随之增加，同时不利于轮胎散热，使胎温上升加快，花纹根部因受力严惩而易撕裂、脱落等。花纹过浅不仅影响其贮水、排水能力，容易产生有害的“滑水现象”，而且使光胎面轮胎易打滑的弊端凸现出来，从而使前面提及的汽车性能变坏。因此，花纹过深过浅都不好，客观规律是使用中花纹将越变越小。

现阶段汽车检修过程中，通常通过仪器深入检测并获取胎纹深度，但该检测方式的检测结果容易受检测工具、检测角度或检测环境的影响，进而导致检测结果不准确，难以保证轮胎的安全使用过程，同时该检测效率较低，难以满足快速精准检测的要求。

因此，一种激光测量轮胎胎纹深度的方法应运而生。

发明内容

本发明的发明内容在于提供一种激光测量轮胎胎纹深度的方法，主要解决了现有只能通常通过仪器深入检测并获取胎纹深度，但检测结果容易受检测工具、检测角度或检测环境的影响，进而导致检测结果不准确，难以保证轮胎的安全使用过程，同时该检测效率较低，难以满足快速精准检测的要求。

本发明提出了一种激光测量轮胎胎纹深度的方法，包括以下步骤：

S1，获取车辆信息；

S2，检测前轮是否进入检测区域，若是则通过激光成像获取前轮图像，并将所述前轮图像上传至服务器后执行下一步，若否则持续检测；

S3，检测后轮是否进入检测区域，若是则通过激光成像获取后轮图像，并将所述后轮图像上传至服务器后执行下一步，若否则持续检测；

S4，服务器标记所述前轮图像与后轮图像，并分别获取最佳前轮图像与最佳后轮图像；

S5，分析所述最佳前轮图像与最佳后轮图像，并识别轮胎布局后计算前轮的胎纹深度与后轮的胎纹深度。

优选地，所述步骤S2包括，

S21，检测进车传感器是否被首次触发，若是则开启高速相机进入待机状态，激光发生器启动，若否则持续检测；

S22，检测拍照传感器是否被首次触发，若是则通过激光成像持续获取所述前轮图像，直至拍照传感器触发结束，并执行下一步，若否则持续检测；

S23，检测出车传感器是否被首次触发，若是则关闭激光，并执行下一步，若否则持续检测；

S24，将获取的多个所述前轮图像上传至服务器；

所述步骤S3包括，

S31，检测所述进车传感器是否被再次触发，激光发生器启动，若否则持续检测；

S32，检测拍照传感器是否被再次触发，若是则通过激光成像持续获取所述前轮图像，直至拍照传感器触发结束，并执行下一步，若否则持续检测；

S33，检测所述出车传感器是否被再次触发，若是则关闭激光以及高速相机，并执行下一步，若否则持续检测；

S34，将获取的多个所述后轮图像上传至服务器。

优选地，在所述步骤S2之前，设置有步骤：

SX1，获取与最佳前轮图像或最佳后轮图像间存在偏差的任一所述前轮图像或后轮图像；

SX2，极值化所述高速相机两次曝光时间之间车辆的移动距离，令其等于轮胎圆心离入射光线水平距离；

SX3，极值化状态下，当前设备的测试误差，

SX4，极值化状态下，高速相机的最低帧率f_min；

T_min＝s_min/v_max；

Δt_max＜T_min/(n_min-1)；

1/f_min＜Δt_max；

SX5，预设所述设备的测试误差，并计算所述高速相机的最低帧率f_min；

SX6，设置所述高速相机的帧率f，且f≥f_min；

其中，v为轮胎经过拍照传感器期间的速度，且默认车辆匀速通过；s为车辆在拍照传感器触发期间所移动的距离；r_min为轮胎半径最小值；Δt_max为相邻两次曝光时间差最大值；h_min为拍照传感器的高度最小值。

优选地，所述步骤S4包括：

S41，服务器标记所述前轮图像与后轮图像；

S42，对多个所述前轮图像或多个所述后轮图像按顺序编号，记为n(n∈【1，k】)；

S43，选取第m张图片作为所述最佳前轮图像或所述最佳后轮图像；

m＝int(n/2)；

其中，n等于所述高速相机两次曝光时间之间获取的图像数，且n≥n_min。

优选地，所述步骤S5包括：

S51，根据轮胎胎纹图像识别出对应的轮胎布局；

S52，获取所述最佳前轮图像中的前轮胎纹深度，以及所述最佳后轮图像中的后轮胎纹深度。

优选地，在所述步骤S5之前，设置有步骤，

SX5，设定所述高速相机的位置，包括与水平面夹角以及离激光发生器的水平距离，使拍照期间所有的胎纹图案都在高速相机的视野内；

SX6，以所述前轮图像或后轮图像的任意顶点为原点，轮胎轴向为x轴，沟槽深度方向为y轴建立坐标系；

所述步骤S52包括，

S521，对所述最佳前轮图像或最佳后轮图像进行预处理，筛选得出胎纹图像；

S522，获取轮胎表面的所有点的y坐标，取平均值为y_surfaceAVG；

S523，获取轮胎所有沟槽位置信息以及对应的y坐标，取每个沟槽上y坐标的平均值，记为y_grooveAVGj(n∈【1，k’】)；

S524，计算每个沟槽深度对应的像素点数；

ΔS_pixeln＝y_grooveAVGj-y_surfaceAVG；

S525，根据几何关系以及三角函数关系，计算每个沟槽的胎纹深度S；

S＝[tan(α+β)-tanα]*L；

β＝tan^-1((S_centre+S_pixel)/f_像距)-tan^-1(S_centre/f_像距)；

S_pixel＝b_像元*ΔS_pixel；

S_centre＝b_像元*ΔS_centre；

其中，α为高速相机与水平面间的夹角，L为高速相机到激光发射器的水平距离，f为像距，b_像元为像素尺寸，△S_pixel为胎纹深度在高速相机上投影的像素点数，S_pixel为对应像素点数的长度，ΔS_centre为轮胎表面在高速相机上投影距离感光芯片B像素方向中心点的像素点数，S_centre为对应像素点数的长度。

优选地，在所述步骤S5之前，设置有步骤，

SX5，设定所述高速相机的位置，包括与水平面夹角以及离激光发生器的水平距离，使拍照期间所有的胎纹图案都在高速相机的视野内；

SX6，建立坐标系，以图像任意顶点为原点，B像素方向为Y轴，A像素方向为X轴，且以单个像素点作为最小单位；

SX7，设高速相机的入射光线与测量口相交于点u，且u点在相机感光芯片的B像素方向的中心位置u’成像；

SX8，判断Y轴方向上，入射光线与测量口在u’坐标与最小单位坐标n值的大小，若最小单位坐标n值大于u’，则执行步骤SX9，反之则执行步骤SX10；

SX9，计算Y轴上每一像素点对应真实世界的长度b_j，

b_j＝[tan)α+β₁+γ₁)-tan(α+β₁)]*L；

β₁＝tan^-1(ΔS_spixelβ1*b_像元/f_像距)；

γ₁＝tan^-1((ΔS_spixelβ1+ΔS_spixelγ1)*b_像元/f_像距)-β₁；

SX10，计算Y轴上每一像素点对应真实世界的长度b_j，

b_j＝[tan(α-β₂)-tan(α-β₂-γ₂)]*L；

β₂＝tan^-1(ΔS_spixelβ2*b_像元/f_像距)；

γ₂＝tan^-1))ΔS_spixelβ2+ΔS_spixelγ2)*b_像元/f_像距)-β₂；

SX11，建立胎纹深度查找表；

所述步骤S52包括，

S521，获取测试胎纹图像；

S522，获取轮胎所有沟槽的位置信息及对应的y坐标，取对应沟槽上y坐标的平均值，记为y_grooveAVGj(n∈【1，k’】)；

S523，获取轮胎表面所有点的y坐标，并取平均值y_surfaceAVG；

S524，根据所述胎纹深度查找表，查找表中y_surfaceAVG到y_grooveAVGj的所有像素点长度所代表的真实世界距离，获得数据b_j；

S525，累加所述数据b_j，获得胎纹深度；

其中，α为高速相机入射光线与水平面间的夹角，L为高速相机到激光发射器的水平距离，f为像距，B为沟槽深度方向的分辨率，b为高速相机B像素方向尺寸，△S_pixel为胎纹深度在高速相机上投影的像素点数，S_pixel为对应像素点数的长度，ΔS_centre为轮胎表面在高速相机上投影距离感光芯片B像素方向中心点的像素点数，S_centre为对应像素点数的长度；b_j’为y_surfaceAVG坐标对应的真实世界距离，j∈【1,k’】；b_j”为Y_grooveAVGj坐标对应真实世界距离，j”∈【j’，k’】，b_j为Y坐标为j的像素点对应真实世界距离，j∈【j’,j”】。

优选地，所述步骤S51中，识别出对应的轮胎布局包括：

调用***坐标系；

筛选所述最佳前轮图像与最佳后轮图像的胎纹图像；

连接所述胎纹图像的最低点后向上平移距离s形成参考线L1；

s＝S*h*C；

所述参考线L1上的点位纵坐标，记为y1；

所述轮胎表面所有点的y坐标，记作y_surface；

从左向右依次计算y1-y_surface的差值，并当差值任一次跨越0时，记视为交点，并记录该交点；

计算所述交点的数量，并根据所述交点的数量判断轮胎布局；

其中，C是真实胎纹每毫米代表对应的y轴方向像素数；S为最大胎纹深度；h为比例系数，且1.1≤h≤1.2。

优选地，所述步骤S51中，识别出对应的轮胎布局包括：

调用***坐标系；

筛选所述最佳前轮图像与最佳后轮图像的胎纹图像；

对所述前轮图像与后轮录像的胎纹图像进行平滑处理；

所述轮胎表面所有点的y坐标，记作y_surface；

获取图像最左侧与最右侧的两点坐标，并分别记为P1(x1，y1)，P2(x2，y2)；

比较P1与P2的y坐标后得出较小值y_mix，并计算得出y2；

y2＝y_mix*i(0.8≤i≤0.9)；

y3＝y2-y_surfaceAVG；

连接图像最低点后向上平移距离y3形成参考线L2，且所述参考线L2与胎纹图像必然存在至少2个交点；

从左到右，依次计算y3-y_surface的值，并当差值任一次跨越0时，记视为交点，并记录该交点；

计算所述交点的数量，并根据所述交点的数量判断轮胎布局。

由上可知，应用本发明提供的技术方案可以得到以下有益效果：

第一，本发明提出的技术方案通过胎纹深度与其在像素投影上存在明确几何关系，可减少外界干扰，进而确保检测结果的准确性；

第二，本发明提出的技术方案通过预先录入胎纹深度查找表，可避免外界干扰，同时减小实际测试过程中服务器的运算量，减轻设备硬件压力，还可提高计算速度，提高检测效率；

第三，本发明提出的技术方案中可有效识别轮胎布局，进而确保检测结果全面覆盖所有轮胎，也即保证本方案对多种不同车型的适用性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例1中扫描装置的结构图；

图2为本发明实施例1～实施例5中扫描装置拍摄前轮图像的示意图；

图3为本发明实施例1～实施例5中前轮/后轮移动中拍摄的前轮图像/后轮图片的示意图；

图4为本发明实施2～实施例5中高速相机帧率选择的计算示意图；

图5为本发明实施例2～实施例5中高速相机帧率选择的计算示意图；

图6为本发明实施例2与实施例3中胎纹深度检测的结构示意图；

图7为本发明实施例4与实施例5中胎纹深度检测中第一种情况的结构示意图；

图8为本发明实施例4与实施例5中胎纹深度检测中第二种情况的结构示意图；

图9为本发明实施例4与实施例5中胎纹深度检测的假设成像方式；

图10为本发明实施例2与实施例4中识别轮胎布局算法的示意图；

图11为本发明实施例3与实施例5中识别轮胎布局算法的示意图；

图12为本发明实施例2～实施例5中识别出的轮胎布局的示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

现有只能通常通过仪器深入检测并获取胎纹深度，但检测结果容易受检测工具、检测角度或检测环境的影响，进而导致检测结果不准确，难以保证轮胎的安全使用过程，同时该检测效率较低，难以满足快速精准检测的要求。

实施例1

为了解决上述问题，本实施例提出了一种激光测量轮胎胎纹深度的装置，其包括测量支撑装置10、进车传感器21、出车传感器22、高速相机30、激光发射器40以及拍照传感器50构成。

其中，测量支撑装置10为梯形结构，且该进车传感器21与出车传感器22并行设置于测量支撑装置10的上顶面；高速相机30、激光发射器40内置于测量支撑装置10；激光发射器40与拍照传感器50位于同一直线上，且激光发射器40与拍照传感器50所在直线位于进车传感器21与出车传感器22的中心。

优选但不限定的是，本实施例中进车传感器21与出车传感器22以激光发射器40所在竖直线对称分布。

优选但不限定的是，本实施例中测量支撑装置10的上顶面为钢化玻璃结构，可有效透光，且避免灰尘进入测量支撑装置10内部。优选地，玻璃表面还设置有除气装置，可有效清除玻璃表面灰尘。

优选但不限定的是，进车传感器21与出车传感器22均为激光对射型传感器。

在本实施例中，车辆经过进车传感器21后进入激光发射器40对应的测量窗口，此时激光发射器40发出的线性激光与测试装置底面呈垂直状态，并在接触轮胎表面后反射至高速相机30，以形成前轮图像或后轮图像。

在本实施例中，车辆进入检测准备模式时(例如采集到车牌信息)，可开启除气装置保持玻璃透亮，并检测进车传感器21是否被激活，若是则开启高速相机进入待机状态，激光发生器启动，进一步检测到拍照传感器50被首次触发时，通过激光成像持续拍摄前轮图像，直至拍照传感器触发结束以及当出车传感器22被激活时，关闭激光，当再次激活进车传感器21以及拍照传感器50时，重新开启激光并持续拍摄后轮图像，直至拍照传感器50触发结束以及当出车传感器22被再次激活时，关闭激光。

实施例2

如图2～图5所示，为了解决前述问题，本实施例提出了一种激光测量轮胎胎纹深度的方法，该方法包括第一种深度检测方法，以及第一种轮胎布局判断算法，其主要包括以下步骤：

S1，获取车辆信息；

S2，检测前轮是否进入检测区域，若是则通过激光成像获取前轮图像，并将前轮图像上传至服务器后执行下一步，若否则持续检测；

S3，检测后轮是否进入检测区域，若是则通过激光成像获取后轮图像，并将后轮图像上传至服务器后执行下一步，若否则持续检测；

S4，服务器标记前轮图像与后轮图像，并分别获取最佳前轮图像与最佳后轮图像；

S5，分析最佳前轮图像与最佳后轮图像，并识别轮胎布局后计算前轮的胎纹深度与后轮的胎纹深度。

优选地，步骤S1中，获取车辆信息可通过自动识别车牌信息以录入车牌信息，或者通过手动输入车牌信息的方式。

更具体地，步骤S2包括，

S21，检测进车传感器是否被首次触发，若是则开启高速相机进入待机状态，激光发生器启动，若否则持续检测；

S22，检测拍照传感器是否被首次触发，若是则通过激光成像持续获取前轮图像，直至拍照传感器触发结束，并执行下一步，若否则持续检测；

S23，检测出车传感器是否被首次触发，若是则关闭激光，并执行下一步，若否则持续检测；

S24，将获取的多个前轮图像上传至服务器；

所述步骤S3包括，

S31，检测进车传感器是否被再次触发，激光发生器启动，若否则持续检测；

S32，检测拍照传感器是否被再次触发，若是则通过激光成像持续获取前轮图像，直至拍照传感器触发结束，并执行下一步，若否则持续检测；

S33，检测出车传感器是否被再次触发，若是则关闭激光以及高速相机，并执行下一步，若否则持续检测；

S34，将获取的多个后轮图像上传至服务器。

在本实施例中，进车传感器与出车传感器的设置方向应与车辆移动方向一致，保证前轮顺次激活进车传感器与出车传感器，同时拍照传感器设置于进车传感器与出车传感器之间，可分别开启拍摄前轮图像与关闭拍摄，后轮顺次激活进车传感器与出车传感器可分别开启拍摄后轮图像与关闭拍摄。

更具体地，在步骤S2之前，设置有步骤：

SX1，获取与最佳前轮图像或最佳后轮图像间存在偏差的任一前轮图像或后轮图像；

SX2，极值化高速相机两次曝光时间之间车辆的移动距离，令其等于轮胎圆心离入射光线水平距离；

SX3，极值化状态下，当前设备的测试误差，

SX4，极值化状态下，高速相机的最低帧率f_min；

T_min＝s_min/v_max；

Δt_max＜T_min/(n_min-1)；

1/f_min＜Δt_max；

SX5，预设设备的测试误差，并计算高速相机的最低帧率f_min；

SX6，设置高速相机的帧率f，且f≥f_min；

其中，v为轮胎经过拍照传感器期间的速度，且默认车辆匀速通过；s为车辆在拍照传感器触发期间所移动的距离；r_min为轮胎半径最小值；Δt_max为相邻两次曝光时间差最大值；h_min为拍照传感器的高度最小值。

如图4与图5，选择偏离测量口正上方位置为分析对象，定义此时轮胎圆心离入射光线水平距离为相邻两次曝光时间之间车辆移动的距离，实际过程中相邻两次曝光时间之间车辆移动的距离必定小于相邻两次曝光时间之间车辆移动的距离，在本实施例中通过极端条件去评估图像选择方法的准确性。

假设入射激光交轮胎表面于E，入射激光交沟槽底部于H，过I做直线垂直于EH并延长交于J点，连接此时轮胎圆心位置I和H点，并延长至轮胎表面于K点，定义均匀车速为v，轮胎半径为r，相邻两次曝光之间时间为△t，相机的帧率为f；

△t＝1/f；

测试误差＝(HE/HK-1)％＝(1/cos(∠KHE)-1)％；

由于胎纹深度相对轮胎半径很小，所以近似认为KI＝HI＝r，所以sin(∠JHI)＝JI/IH＝JI/IK＝(车速*相邻两次曝光之间时间)/轮胎半径＝v*△t/r；由于∠KHE很小，这里近似认为△HKE为直角三角形，因此有

cos(∠KHE)＝KH/HE；

而∠KHE＝∠JHI；

由三角函数公式：

cos(∠KHE)²+sin(∠KHE)²＝1；

所以1/cos(∠KHE)＝1/[1-sin(∠KHE)²]^1/2；

也即测试误差＝[(1-sin(∠KHE)²)^-1/2-1]％，代入公式可证：

通常地，汽车轮胎直径为600mm～800mm，采用极值法选定小尺寸轮胎进行分析，主要是因为轮胎越小，通过拍照传感器的时间也越短，速度越快，通过拍照传感器的时间也越短，因此假设轮胎半径r＝300mm，选定车速为允许范围内最大通过时速v＝10km/h，接受误差定为0.1％，此时计算得出Δt＝5ms，相机帧率对应为200fps。

再假设拍照传感器的高度为h，轮胎半径为r，车速为v，则测试区间：

车辆移动距离＝2*[r²-(r-h)²]^1/2；

拍照总时间T＝车辆移动距离/v；

则t＜T/(n-1)，

在本实施例中，拍照间隔时间足够短，获取的照片数量就会越多，第m张照片就会越接近正上方位置，但拍照间隔时间越短，对相机的要求越高，即帧率越大，相机也就越贵，服务器处理的数据也就会越多，所以需要选择合适的拍照时间间隔，即合适的帧率，而合适的拍照时间间隔具体可通过误差计算得来。

通常情况下，拍照传感器高度为设备固定值，范围在10mm～20mm，假设h＝10mm，轮胎半径r＝300mm；由前述公式推导，若满足设备误差小于0.1％，此时相机的帧率为200fps；代入可证，车辆移动距离为0.33m，这里得到n_min的值为12。

因此，在本实施例的SX2中，设置高速相机在拍照传感器触发期间，设备最少可以捕获12张轮胎胎纹图像，即n≥12。

更具体地，所述步骤S4包括：

S41，服务器标记所述前轮图像与后轮图像；

S42，对多个所述前轮图像或多个所述后轮图像按顺序编号，记为n(n∈【1，k】)；

S43，选取第m张图片作为所述最佳前轮图像或所述最佳后轮图像；

m＝int(n/2)；

其中，n等于高速相机两次曝光时间之间获取的图像数，且n≥n_min。

在本实施例中，步骤S41中的标记前轮图像与后轮图像，可通过服务器收取图像的顺序进行标号，例如车辆行进方向上，优先获取的图像为前轮图像，还可标记为左前轮图像或右前轮图像。

优选地，本实施例中车辆经过装置上方时，采用匀速移动的方式，因此认为第m张图像所拍摄的照片为轮胎位于测量口正上方时的图像，即图3中的情况2。

更具体地，步骤S5包括：

S51，根据轮胎胎纹图像识别出对应的轮胎布局；

S52，获取最佳前轮图像中的前轮胎纹深度，以及最佳后轮图像中的后轮胎纹深度。

更具体地，在步骤S5之前，设置有步骤，

SX7，设定高速相机的位置，包括与水平面夹角以及离激光发生器的水平距离，使拍照期间所有的胎纹图案都在高速相机的视野内；

SX8，以前轮图像或后轮图像的任意顶点为原点，轮胎轴向为x轴，沟槽深度方向为y轴建立坐标系；

更具体地，步骤S52包括，

S521，对最佳前轮图像或最佳后轮图像进行预处理，筛选得出胎纹图像；

S522，获取轮胎表面的所有点的y坐标，取平均值为y_surfaceAVG；

S523，获取轮胎所有沟槽位置信息以及对应的y坐标，取每个沟槽上y坐标的平均值，记为y_grooveAVGj(j∈【1，k’】)；

S524，计算每个沟槽深度对应的像素点数；

ΔS_pixeln＝y_grooveAVGj-y_surfaceAVG；

S525，根据几何关系以及三角函数关系，计算每个沟槽的胎纹深度；

S＝[tan(α+β)-tanα]*L；

β＝tan^-1((S_centre+S_pixel)/f_像距)-tan^-1(S_centre/f_像距)；

S_pixel＝b_像元*ΔS_pixel；

S_centre＝b_像元*ΔS_centre；

其中，α为高速相机与水平面间的夹角，L为高速相机到激光发射器的水平距离，f_像距为像距，b_像元为像素尺寸，△S_pixel为胎纹深度在高速相机上投影的像素点数，S_pixel为对应像素点数的长度，ΔS_centre为轮胎表面在高速相机上投影距离感光芯片B像素方向中心点的像素点数，S_centre为对应像素点数的长度。

其中，如图2所示，定义入射激光交轮胎表面于P点，反射光线经过高速相机镜头中心点O，在感光芯片上P’点成像，同理，入射光线交轮胎沟槽底部于R点，反射光线经过高速相机镜头中心点O，在感光芯片上R’点成像，感光芯片中心位置为O’，已知相机与水平面夹角为α，高速相机到入射光线水平距离，即OQ长度为L，相机的像距OO’为f，O’P’像素长度为S_base，P’R’像素长度为S_pixel，求胎纹深度RP(S)长度。

在△O’R’O中，∠O’OR’＝tan^-1((S_centre+S_pixel)/f_像距)；

在△O’P’O中，∠O’OP’＝tan^-1(S_centre/f_像距)；

所以，∠P’OR’＝∠O’OR’-∠O’OP’＝tan^-1((S_centre+S_pixel)/f_像距)-tan^-1(S_centre/f_像距)；

因为∠β＝∠P’OR’；

所以∠β＝tan^-1((S_centre+S_pixel)/f_像距)-tan^-1(S_centre/f_像距)；

在△ORQ中，RQ＝L*tan(α+β)；

在△OPQ中，PQ＝L*tanα；

所以胎纹深度S＝PR＝RQ-PQ＝L*[tan(α+β)-tanα]。

优选但不限定的是，本实施例中SX5，假设高速相机获得的图像的分辨率为A*B，通过调节相机的位置，使成像位置方向固定，例如使轮胎沟槽方向在B像素方向成像，轮胎表面方向在A像素方向成像。

优选地，本实施例中步骤SX6建立的坐标系上，坐标轴的最小单位为像素点，即坐标区域的每个点表示一个像素。

在本实施例中，采用本方法检测的胎纹深度，主要是与其在像素投影上存在明确几何关系，也即本申请的技术方案中通过比例关系即可计算得出结果，并不受外界干扰。

更具体地，步骤S51中，识别出对应的轮胎布局包括：

调用***坐标系；

筛选最佳前轮图像与最佳后轮图像的胎纹图像；

连接胎纹图像的最低点(图5中曲线1)后向上平移距离s形成参考线L1(图5中曲线2)；

s＝S*h*C；

参考线L1上的点位纵坐标，记为y1；

轮胎表面所有点的y坐标，记作y_surface；

从左向右依次计算y1-y_surface的差值，并当差值任一次跨越0时，记视为交点，并记录该交点；

计算交点的数量，并根据交点的数量判断轮胎布局；

其中，C是真实胎纹每毫米对应的y轴方向像素数，如C＝25表示每毫米胎纹深度在图像y轴方向需要用25个像素表示；S为最大胎纹深度，单位为毫米，一般汽车轮胎花纹的出厂深度是固定值，如10mm；h为比例系数，且1.1≤h≤1.2。

在本实施例中，当交点数量为2时，判断为小车轮胎布局，也即前后各2个轮胎；当交点数量为4时，判断为双轮胎布局。

实施例3

如图4～图6所示，为了解决前述问题，本实施例提出了一种激光测量轮胎胎纹深度的方法，该方法包括第一种深度检测方法，以及第二种轮胎布局判断算法，具体而言包括了实施例2中除步骤S51外的其余步骤，区别仅在于步骤S51中，识别出对应的轮胎布局包括：

调用***坐标系；

筛选最佳前轮图像与最佳后轮图像的胎纹图像；

对前轮图像与后轮录像的胎纹图像进行平滑处理；优选地，平滑处理可采用对图像先进行开运算，再并进行多项式拟合的方式；

轮胎表面所有点的y坐标，记作y_surface；

获取图像最左侧与最右侧的两点坐标，并分别记为P1(x1，y1)，P2(x2，y2)；

比较P1与P2的y坐标后得出较小值y_mix，并计算得出y2；

y2＝y_mix*i(0.8≤i≤0.9)；

y3＝y2-y_surfaceAVG；

连接图像最低点后(图6中的曲线3)向上平移距离y2形成参考线L2(图6中的曲线4)，且参考线L2与胎纹图像必然存在至少2个交点；

从左到右，依次计算y3-y_surface的值，并当差值任一次跨越0时，记视为交点，并记录该交点；

计算交点的数量，并根据交点的数量判断轮胎布局。

在本实施例中，i的取值根据激光相机实际成像效果进行调整。

在本实施例中，若不存在焦点，判断为小车轮胎布局，也即前后各2个轮胎；若交点数量为2，判断为双轮胎布局。

实施例4

如图7～图12所示，为了解决前述问题，本实施例提出了一种激光测量轮胎胎纹深度的方法，该方法包括第二种深度检测方法，以及第一种轮胎布局判断算法，具体在于包括了实施例2中除步骤SX5～SX8以及步骤S52外的其余步骤，区别在于：

在步骤S5之前，设置有步骤，

SX7，设定高速相机的位置，包括与水平面夹角以及离激光发生器的水平距离，使拍照期间所有的胎纹图案都在高速相机的视野内；

SX8，建立坐标系，以图像任意顶点为原点，B像素方向为Y轴，A像素方向为X轴，且以单个像素点作为最小单位；

SX9，设高速相机的入射光线与测量口相交于点u，且u点在相机感光芯片的B像素方向的中心位置u’成像；

SX10，判断Y轴方向上，入射光线与测量口在u’坐标与最小单位坐标j值的大小，若最小单位坐标j值大于u’，则执行步骤SX11，反之则执行步骤SX12；

SX11，计算Y轴上每一像素点对应真实世界的长度b_j，

b_j＝[tan)α+β₁+γ₁)-tan(α+β₁)]*L；

β₁＝tan^-1(ΔS_spixelβ1*b_像元/f_像距)；

γ₁＝tan^-1((ΔS_spixelβ1+ΔS_spixelγ1)*b_像元/f_像距)-β₁；

SX12，计算Y轴上每一像素点对应真实世界的长度b_j，

b_j＝[tan(α-β₂)-tan(α-β₂-γ₂)]*L；

β₂＝tan^-1(ΔS_spixelβ2*b_像元/f_像距)；

γ₂＝tan^-1))ΔS_spixelβ2+ΔS_spixelγ2)*b_像元/f_像距)-β₂；

SX13，建立胎纹深度查找表；

步骤S52包括，

S521，获取测试胎纹图像；

S522，获取轮胎所有沟槽的位置信息及对应的y坐标，取对应沟槽上y坐标的平均值，记为y_grooveAVGj(j∈【1，k’】)；

S523，获取轮胎表面所有点的y坐标，并取平均值y_surfaceAVG；

S524，根据胎纹深度查找表，查找表中y_surfaceAVG到y_grooveAVGj的所有像素点长度所代表的真实世界距离，获得数据b_j；

S525，累加数据b_j，获得胎纹深度；

其中，α为高速相机入射光线与水平面间的夹角，L为高速相机到激光发射器的水平距离，f为像距，B为沟槽深度方向的分辨率，b为高速相机B像素方向尺寸，△S_pixel为胎纹深度在高速相机上投影的像素点数，S_pixel为对应像素点数的长度，ΔS_centre为轮胎表面在高速相机上投影距离感光芯片B像素方向中心点的像素点数，S_centre为对应像素点数的长度；b_j’为y_surfaceAVG坐标对应的真实世界距离，j∈【1，k’】；b_j”为Y_grooveAVGj坐标对应真实世界距离，j”∈【j’，k’】。b_j为Y坐标为j的像素点对应真实世界距离，j∈【j’,j”】。

在本实施例中，高速相机视野内，每个像素点对应着入射光线上的每一段距离。

以具体事例进行分析，假设B方向像素大小为1024，像距6mm，像元尺寸4.8μm的相机为例，其中高速相机与水平面夹角α等于40°，到入射光线水平距离L为320mm，分别计算Y坐标分别为1，512，1024三个像素点(图中b_spixel1、b_spixel512、b_spixel1024)所代表的真实距离长度，即b₁，b₅₁₂，b₁₀₂₄的值。对于坐标大于或等于512以上像素点，代入如下数值到公式中得出，其中△S_pixelβ和△S_pixelγ分别表示β和γ所对应的像素点数；

y坐标为512的像素点：

△_Spixelβ＝0

△_Spixelγ＝1

b₅₁₂＝0.438mm

y坐标为1024的像素点：

△_Spixelβ＝511

△_Spixelγ＝1

b₁₀₂₄＝1.005mm

对于坐标位置在0-512之间的像素点，计算公式需做调整：

y坐标为1的像素点

△_Spixelβ＝511

△_Spixelγ＝1

b₀＝0.2401mm

优选地，步骤SX10中建立的胎纹深度查找表如下，查找表横坐标为像素的Y坐标值，纵坐标为对应坐标值对应的像素点长度所代表的的真实世界的距离。

Y坐标	bn
		1	b1
2	b2
		......	......
1024	B1024

在本实施例中，将y坐标与胎纹深度关系提前计算出，以列表或其它形式导入***中，建立一个“胎纹深度查找表”，在此表中，包含两类数据，分别为y轴坐标以及对应位置的像素B像素方向上的像元尺寸所代表的真实世界长度，例如数据(512，0.438)表示沟槽底部像素y轴坐标为512时，其B像素方向上的像元尺寸所代表的真实世界长度胎纹深度为0.438mm。测试时，我们通过对图像处理，获取到胎纹图像沟槽底部的像素y轴坐标信息，例如y620，胎纹图像轮胎表面的像素y坐标信息，例如y515，根据yn信息比对“胎纹深度查找表”查找b515到b620区间所有的值，并计算胎纹深度为/>

实施例5

如图2～图5所示，为了解决前述问题，本实施例提出了一种激光测量轮胎胎纹深度的方法，该方法包括第二种深度检测方法，以及第二种轮胎布局判断算法，具体在于包括了实施例2中除步骤SX5～SX8以及步骤S52外的其余步骤，区别在于：

在步骤S5之前，设置有步骤，

SX7，设定高速相机的位置，包括与水平面夹角以及离激光发生器的水平距离，使拍照期间所有的胎纹图案都在高速相机的视野内；

SX8，建立坐标系，以图像任意顶点为原点，B像素方向为Y轴，A方向为X轴，且以单个像素点作为最小单位；

SX9，设高速相机的入射光线与测量口相交于点u，且u点在相机感光芯片的B像素方向的中心位置u’成像；

SX10，判断Y轴方向上，入射光线与测量口在u’坐标与最小单位坐标n值的大小，若最小单位坐标n值大于u’，则执行步骤SX11，反之则执行步骤SX12；

SX11，计算Y轴上每一像素点对应真实世界的长度b_j，

b_j＝[tan(α+β₁+γ₁)-tan(α+β₁0]*L；

β₁＝tan^-1(ΔS_spixelβ1*b_像元/f_像距)；

γ₁＝tan^-1((ΔS_spixelβ1+ΔS_spixelγ1)*b_像元/f_像距)-β₁；

SX12，计算Y轴上每一像素点对应真实世界的长度b_j，

b_j＝[tan(α-β₂)-tan(α-β₂-γ₂)]*L；

β₂＝tan^-1(ΔS_spixelβ2*b_像元/f_像距)；

γ₂＝tan^-1((ΔS_spixelβ2+ΔS_spixelγ2)*b_像元/f_像距)-β₂；

SX13，建立胎纹深度查找表；

步骤S52包括，

S521，获取测试胎纹图像；

S522，获取轮胎所有沟槽的位置信息及对应的y坐标，取对应沟槽上y坐标的平均值，记为y_grooveAVGj(j∈【1，k’】)；

S523，获取轮胎表面所有点的y坐标，并取平均值y_surfaceAVG；

S524，根据胎纹深度查找表，查找表中y_surfaceAVG到y_grooveAVGj的所有像素点长度所代表的真实世界距离，获得数据b_j；

S525，累加数据b_j，获得胎纹深度；

其中，其中，α为高速相机入射光线与水平面间的夹角，L为高速相机到激光发射器的水平距离，f为像距，B为沟槽深度方向的分辨率，b为高速相机B像素方向尺寸，△S_pixel为胎纹深度在高速相机上投影的像素点数，S_pixel为对应像素点数的长度，ΔS_centre为轮胎表面在高速相机上投影距离感光芯片B像素方向中心点的像素点数，S_centre为对应像素点数的长度；b_j为y_surfaceAVG坐标对应的真实世界距离，j∈【1,k’】；b_j”为Y_grooveAVGj坐标对应真实世界距离，j”∈【j’，k】。b_j为Y坐标为j的像素点对应真实世界距离，j∈【j’,j”】。

在本实施例中，高速相机视野内，每个像素点对应着入射光线上的每一段距离。

以具体事例进行分析，假设B方向像素大小为1024，像距6mm，像元尺寸4.8μm的相机为例，其中高速相机与水平面夹角α等于40°，到入射光线水平距离L为320mm，分别计算Y坐标分别为1，512，1024三个像素点(图中b_spixel1、b_spixel512、b_spixel1024)所代表的真实距离长度，即b₁，b₅₁₂，b₁₀₂₄的值。对于坐标大于或等于512以上像素点，代入如下数值到公式中得出，其中△S_pixelβ和△S_pixelγ分别表示β和γ所对应的像素点数；

y坐标为512的像素点：

△_Spixelβ＝0

△_Spixelγ＝1

b₅₁₂＝0.438mm

y坐标为1024的像素点：

△_Spixelβ＝511

△_Spixelγ＝1

b₁₀₂₄＝1.005mm

对于坐标位置在0-512之间的像素点，计算公式需做调整：

y坐标为1的像素点

△_Spixelβ＝511

△_Spixelγ＝1

b₀＝0.2401mm

优选地，步骤SX10中建立的胎纹深度查找表如下，查找表横坐标为像素的Y坐标值，纵坐标为对应坐标值对应的像素点长度所代表的真实世界的距离。

/>

在本实施例中，将y坐标与胎纹深度关系提前计算出，以列表或其它形式导入***中，建立一个“胎纹深度查找表”，在此表中，包含两类数据，分别为y轴坐标以及对应位置的像素B像素方向上的像元尺寸所代表的真实世界长度，例如数据(512，0.438)表示沟槽底部像素y轴坐标为500时，其B像素方向上的像元尺寸所代表的真实世界长度胎纹深度为0.438mm。测试时，我们通过对图像处理，获取到胎纹图像沟槽底部的像素y轴坐标信息，例如y₆₂₀，胎纹图像轮胎表面的像素y坐标信息，例如y₅₁₅，根据y_n信息比对“胎纹深度查找表”查找b515到b620区间所有的值，查找b515到b620区间所有的值，并计算胎纹深度为/>

应强调的是，本实施例4与实施例5中深度检测算法的SX11与SX12分别代表u’成像于u点上方以及u’成像于u点下方，事实在胎纹案例中，胎纹只可能存在于u点上方。因此，本实施例4与实施例5中的深度检测算法可进行拓展应用，不局限于胎纹深度检测中。

更进一步地，在实施例2～实施例5中，在步骤S5之后，还可根据识别的轮胎布局，选择合适的用户界面，在对应的用户界面上显示胎纹深度信息以及对应的轮胎位置信息。

综上所述，本实施例1～实施例5提出的一种激光测试轮胎胎纹深度的装置及方法，通过激光垂直入射的方式获取轮胎胎纹图像，再通过选择合适的拍照时间间隔以及图像选取方法提高检测精准度，同时还设置有可识别轮胎布局的AI算法，实现自动识别轮胎布局。

以上所述的实施方式，并不构成对该技术方案保护范围的限定。任何在上述实施方式的精神和原则之内所作的修改、等同替换和改进等，均应包含在该技术方案的保护范围之内。

Claims (12)

1.一种激光测量轮胎胎纹深度的方法，其特征在于，包括以下步骤：

S1，获取车辆信息；

S2，检测前轮是否进入检测区域，若是则通过激光成像获取前轮图像，并将所述前轮图像上传至服务器后执行下一步，若否则持续检测；

S3，检测后轮是否进入检测区域，若是则通过激光成像获取后轮图像，并将所述后轮图像上传至服务器后执行下一步，若否则持续检测；

S4，服务器标记所述前轮图像与后轮图像，并分别获取最佳前轮图像与最佳后轮图像；

S5，分析所述最佳前轮图像与最佳后轮图像，并识别轮胎布局后计算前轮的胎纹深度与后轮的胎纹深度；

所述步骤S5包括，

S51，根据轮胎胎纹图像识别出对应的轮胎布局；

S52，获取所述最佳前轮图像中的前轮胎纹深度，以及所述最佳后轮图像中的后轮胎纹深度；

在所述步骤S5之前，设置有步骤，

SX7，设定高速相机的位置，包括与水平面夹角以及离激光发生器的水平距离，使拍照期间所有的胎纹图案都在高速相机的视野内；

SX8，以所述前轮图像或后轮图像的任意顶点为原点，轮胎轴向为x轴，沟槽深度方向为y轴建立坐标系；

所述步骤S52包括，

S521，对所述最佳前轮图像或最佳后轮图像进行预处理，筛选得出胎纹图像；

S522，获取轮胎表面的所有点的y坐标，取平均值为y_surfaceAVG；

S523，获取轮胎所有沟槽位置信息以及对应的y坐标，取每个沟槽上y坐标的平均值，记为y_grooveAVGj(j∈【1，k’】)；

S524，计算每个沟槽深度对应的像素点数；

ΔS_pixeln＝y_grooveAVGj-y_surfaceAVG；

S525，根据几何关系以及三角函数关系，计算每个沟槽的胎纹深度S；

S＝[tan(α+β)-tanα]*L；

β＝tan^-1((S_centre+S_pixel)/f_像距)-tan^-1(S_centre/f_像距)；

S_pixel＝b_像元*ΔS_pixel；

S_centre＝b_像元*ΔS_centre；

其中，α为高速相机与水平面间的夹角，L为高速相机到激光发射器的水平距离，f_像距为像距，b_像元为像素尺寸，△S_pixel为胎纹深度在高速相机上投影的像素点数，S_pixel为对应像素点数的长度，ΔS_centre为轮胎表面在高速相机上投影距离感光芯片B像素方向中心点的像素点数，且B像素方向为轮胎的沟槽深度方向；S_centre为对应像素点数的长度。

2.根据权利要求1所述的一种激光测量轮胎胎纹深度的方法，其特征在于：

所述步骤S2包括，

S21，检测进车传感器是否被首次触发，若是则开启高速相机进入待机状态，激光发生器启动，若否则持续检测；

S22，检测拍照传感器是否被首次触发，若是则通过激光成像持续获取所述前轮图像，直至拍照传感器触发结束，并执行下一步，若否则持续检测；

S23，检测出车传感器是否被首次触发，若是则关闭激光，并执行下一步，若否则持续检测；

S24，将获取的多个所述前轮图像上传至服务器；

所述步骤S3包括，

S31，检测所述进车传感器是否被再次触发，激光发生器启动，若否则持续检测；

S32，检测拍照传感器是否被再次触发，若是则通过激光成像持续获取所述前轮图像，直至拍照传感器触发结束，并执行下一步，若否则持续检测；

S33，检测所述出车传感器是否被再次触发，若是则关闭激光以及高速相机，并执行下一步，若否则持续检测；

S34，将获取的多个所述后轮图像上传至服务器。

3.根据权利要求2所述的一种激光测量轮胎胎纹深度的方法，其特征在于，在所述步骤S2之前，设置有步骤：

SX1，获取与最佳前轮图像或最佳后轮图像间存在偏差的任一所述前轮图像或后轮图像；

SX2，极值化所述高速相机两次曝光时间之间车辆的移动距离，令其等于轮胎圆心离入射光线水平距离；

SX3，极值化状态下，当前设备的测试误差，

SX4，极值化状态下，高速相机的最低帧率f_min；

T_min＝s_min/v_max；

Δt_max＜T_min/(n_min-1)；

1/f_min＜Δt_max；

SX5，预设所述设备的测试误差，并计算所述高速相机的最低帧率f_min；

SX6，设置所述高速相机的帧率f，且f≥f_min；

其中，v为轮胎经过拍照传感器期间的速度，且默认车辆匀速通过；s为车辆在拍照传感器触发期间所移动的距离；r_min为轮胎半径最小值；Δt_max为相邻两次曝光时间差最大值；h_min为拍照传感器的高度最小值。

4.根据权利要求3所述的一种激光测量轮胎胎纹深度的方法，其特征在于，所述步骤S4包括：

S41，服务器标记所述前轮图像与后轮图像；

S42，对多个所述前轮图像或多个所述后轮图像按顺序编号，记为n(n∈【1，k】)；

S43，选取第m张图片作为所述最佳前轮图像或所述最佳后轮图像；

m＝int(n/2)；

其中，n等于所述高速相机两次曝光时间之间获取的图像数，且n≥n_min。

5.根据权利要求1～4任一项所述的一种激光测量轮胎胎纹深度的方法，其特征在于，所述步骤S51中，识别出对应的轮胎布局包括：

调用***坐标系；

筛选所述最佳前轮图像与最佳后轮图像的胎纹图像；

连接所述胎纹图像的最低点后向上平移距离s形成参考线L1；

s＝S*h*C；

所述参考线L1上的点位纵坐标，记为y1；

所述轮胎表面所有点的y坐标，记作y_surface；

从左向右依次计算y1-y_surface的差值，并当差值任一次跨越0时，记视为交点，并记录该交点；

计算所述交点的数量，并根据所述交点的数量判断轮胎布局；

其中，C是真实胎纹每毫米代表对应的y轴方向像素数；S为最大胎纹深度；h为比例系数，且1.1≤h≤1.2。

6.根据权利要求1～4任一项所述的一种激光测量轮胎胎纹深度的方法，其特征在于，所述步骤S51中，识别出对应的轮胎布局包括：

调用***坐标系；

筛选所述最佳前轮图像与最佳后轮图像的胎纹图像；

对所述前轮图像与后轮录像的胎纹图像进行平滑处理；

所述轮胎表面所有点的y坐标，记作y_surface；

获取图像最左侧与最右侧的两点坐标，并分别记为P1(x1，y1)，P2(x2，y2)；

比较P1与P2的y坐标后得出较小值y_mix，并计算得出y2；

y2＝y_mix*i(0.8≤i≤0.9)；

y3＝y2-y_surfaceAVG；

连接图像最低点后向上平移距离y3形成参考线L2，且所述参考线L2与胎纹图像必然存在至少2个交点；

从左到右，依次计算y3-y_surface的值，并当差值任一次跨越0时，记视为交点，并记录该交点；

计算所述交点的数量，并根据所述交点的数量判断轮胎布局。

7.一种激光测量轮胎胎纹深度的方法，其特征在于，包括以下步骤：

S1，获取车辆信息；

S2，检测前轮是否进入检测区域，若是则通过激光成像获取前轮图像，并将所述前轮图像上传至服务器后执行下一步，若否则持续检测；

S3，检测后轮是否进入检测区域，若是则通过激光成像获取后轮图像，并将所述后轮图像上传至服务器后执行下一步，若否则持续检测；

S4，服务器标记所述前轮图像与后轮图像，并分别获取最佳前轮图像与最佳后轮图像；

S5，分析所述最佳前轮图像与最佳后轮图像，并识别轮胎布局后计算前轮的胎纹深度与后轮的胎纹深度；

所述步骤S5包括，

S51，根据轮胎胎纹图像识别出对应的轮胎布局；

S52，获取所述最佳前轮图像中的前轮胎纹深度，以及所述最佳后轮图像中的后轮胎纹深度；

在所述步骤S5之前，设置有步骤，

SX7，设定高速相机的位置，包括与水平面夹角以及离激光发生器的水平距离，使拍照期间所有的胎纹图案都在高速相机的视野内；

SX8，建立坐标系，以图像任意顶点为原点，B像素方向为Y轴，A像素方向为X轴，且以单个像素点作为最小单位；

SX9，设高速相机的入射光线与测量口相交于点u，且u点在相机感光芯片的B像素方向的中心位置u’成像；

SX10，判断Y轴方向上，入射光线与测量口在u’坐标与最小单位坐标n值的大小，若最小单位坐标n值大于u’，则执行步骤SX11，反之则执行步骤SX12；

SX11，计算Y轴上每一像素点对应真实世界的长度b_j，

b_j＝[tan(α+β₁+γ₁)-tan(α+β₁)]*L；

β₁＝tan^-1(ΔS_spixelβ1*b_像元/f_像距)；

γ₁＝tan^-1((ΔS_spixelβ1+ΔS_spixelγ1)*b_像元/f_像距)-β₁；

SX12，计算Y轴上每一像素点对应真实世界的长度b_j，

b_j＝[tan(α-β₂)-tan(α-β₂-γ₂)]*L；

β₂＝tan^-1(ΔS_spixelβ2*b_像元/f_像距)；

γ₂＝tan^-1((ΔS_spixelβ2+ΔS_spixelγ2)*b_像元/f_像距)-β₂；

SX13，建立胎纹深度查找表；

所述步骤S52包括，

S521，获取测试胎纹图像；

S522，获取轮胎所有沟槽的位置信息及对应的y坐标，取对应沟槽上y坐标的平均值，记为y_grooveAVGj(j∈【1，k’】)；

S523，获取轮胎表面所有点的y坐标，并取平均值y_surfaceAVG；

S524，根据所述胎纹深度查找表，查找表中y_surfaceAVG到y_grooveAVGj的所有像素点长度所代表的真实世界距离，获得数据b_j；

S525，累加所述数据b_j，获得胎纹深度；

其中，α为高速相机入射光线与水平面间的夹角，L为高速相机到激光发射器的水平距离，f_像距为像距，B像素方向为轮胎沟槽深度方向，b为高速相机B像素方向尺寸，△S_pixel为胎纹深度在高速相机上投影的像素点数，S_pixel为对应像素点数的长度，ΔS_centre为轮胎表面在高速相机上投影距离感光芯片B像素方向中心点的像素点数，S_centre为对应像素点数的长度；b_j’为y_surfaceAVG坐标对应的真实世界距离，j’∈【1，k’】；b_j”为Y_grooveAVGn坐标对应真实世界距离，j”∈【j’，k’】，b_j为Y坐标为j的像素点对应真实世界距离，j∈【j’,j”】。

8.根据权利要求7所述的一种激光测量轮胎胎纹深度的方法，其特征在于：

所述步骤S2包括，

S21，检测进车传感器是否被首次触发，若是则开启高速相机进入待机状态，激光发生器启动，若否则持续检测；

S22，检测拍照传感器是否被首次触发，若是则通过激光成像持续获取所述前轮图像，直至拍照传感器触发结束，并执行下一步，若否则持续检测；

S23，检测出车传感器是否被首次触发，若是则关闭激光，并执行下一步，若否则持续检测；

S24，将获取的多个所述前轮图像上传至服务器；

所述步骤S3包括，

S31，检测所述进车传感器是否被再次触发，激光发生器启动，若否则持续检测；

S32，检测拍照传感器是否被再次触发，若是则通过激光成像持续获取所述前轮图像，直至拍照传感器触发结束，并执行下一步，若否则持续检测；

S33，检测所述出车传感器是否被再次触发，若是则关闭激光以及高速相机，并执行下一步，若否则持续检测；

S34，将获取的多个所述后轮图像上传至服务器。

9.根据权利要求8所述的一种激光测量轮胎胎纹深度的方法，其特征在于，在所述步骤S2之前，设置有步骤：

SX1，获取与最佳前轮图像或最佳后轮图像间存在偏差的任一所述前轮图像或后轮图像；

SX2，极值化所述高速相机两次曝光时间之间车辆的移动距离，令其等于轮胎圆心离入射光线水平距离；

SX3，极值化状态下，当前设备的测试误差，

SX4，极值化状态下，高速相机的最低帧率f_min；

T_min＝s_min/v_max；

Δt_max＜T_min/(n_min-1)；

1/f_min＜Δt_max；

SX5，预设所述设备的测试误差，并计算所述高速相机的最低帧率f_min；

SX6，设置所述高速相机的帧率f，且f≥f_min；

其中，v为轮胎经过拍照传感器期间的速度，且默认车辆匀速通过；s为车辆在拍照传感器触发期间所移动的距离；r_min为轮胎半径最小值；Δt_max为相邻两次曝光时间差最大值；h_min为拍照传感器的高度最小值。

10.根据权利要求9所述的一种激光测量轮胎胎纹深度的方法，其特征在于，所述步骤S4包括：

S41，服务器标记所述前轮图像与后轮图像；

S42，对多个所述前轮图像或多个所述后轮图像按顺序编号，记为n(n∈【1，k】)；

S43，选取第m张图片作为所述最佳前轮图像或所述最佳后轮图像；

m＝int(n/2)；

其中，n等于所述高速相机两次曝光时间之间获取的图像数，且n≥n_min。

11.根据权利要求7～10任一项所述的一种激光测量轮胎胎纹深度的方法，其特征在于，所述步骤S51中，识别出对应的轮胎布局包括：

调用***坐标系；

筛选所述最佳前轮图像与最佳后轮图像的胎纹图像；

连接所述胎纹图像的最低点后向上平移距离s形成参考线L1；

s＝S*h*C；

所述参考线L1上的点位纵坐标，记为y1；

所述轮胎表面所有点的y坐标，记作y_surface；

从左向右依次计算y1-y_surface的差值，并当差值任一次跨越0时，记视为交点，并记录该交点；

计算所述交点的数量，并根据所述交点的数量判断轮胎布局；

其中，C是真实胎纹每毫米代表对应的y轴方向像素数；S为最大胎纹深度；h为比例系数，且1.1≤h≤1.2。

12.根据权利要求7～10任一项所述的一种激光测量轮胎胎纹深度的方法，其特征在于，所述步骤S51中，识别出对应的轮胎布局包括：

调用***坐标系；

筛选所述最佳前轮图像与最佳后轮图像的胎纹图像；

对所述前轮图像与后轮录像的胎纹图像进行平滑处理；

所述轮胎表面所有点的y坐标，记作y_surface；

获取图像最左侧与最右侧的两点坐标，并分别记为P1(x1，y1)，P2(x2，y2)；

比较P1与P2的y坐标后得出较小值y_mix，并计算得出y2；

y2＝y_mix*i(0.8≤i≤0.9)；

y3＝y2-y_surfaceAVG；

连接图像最低点后向上平移距离y3形成参考线L2，且所述参考线L2与胎纹图像必然存在至少2个交点；

从左到右，依次计算y3-y_surface的值，并当差值任一次跨越0时，记视为交点，并记录该交点；

计算所述交点的数量，并根据所述交点的数量判断轮胎布局。