基于图像增强的钢管缺陷智能检测方法与流程

本技术涉及图像增强，具体涉及基于图像增强的钢管缺陷智能检测方法。

背景技术：

1、钢管是由钢材制成的空心管状产品，是一种常见的建筑材料和工业材料，具有高强度、耐腐蚀、耐高温等特点，被广泛应用于建筑、石油化工、汽车制造、航空航天等领域。但是在钢管的制造过程中，会受到材料、工艺、设备等因素的影响，导致其表面出现凹坑、翘皮、裂纹、划痕等质量缺陷，因此需要对钢管进行表面缺陷的检测，以及时采取相应的预防和控制措施，来提高钢管的质量和性能。

2、随着人工智能的发展，基于机器视觉的检测方法也被逐渐应用于钢管缺陷的智能检测，然而在使用工业相机对钢管表面图像进行采集时，相机光学系统的不稳定、环境光的影响、钢管表面反光等因素都会导致采集到的钢管表面图像光照不均匀、对比度较低且带有大量噪声，而这类低质量的图像对钢管表面图像中的缺陷分割和识别带来了很大的困难，因此在对钢管进行缺陷检测前，需要对钢管表面图像进行图像增强。

3、限制对比度自适应均衡化算法（clahe）是一种图像增强算法，该算法有着提高图像对比度并对噪声进行抑制的优势，相较于传统的图像增强算法能够更有效地提升图像的质量和视觉效果。该算法是通过引入一个裁剪阈值来实现图像对比度的增强和噪声的抑制，但是裁剪阈值通常是人工设置的参数，而这会影响该算法进行图像增强后的图像质量。

4、综上所述，本发明提出基于图像增强的钢管缺陷智能检测方法，获取钢管的表面图像，根据钢管的表面缺陷在钢管的灰度图像中对钢管表面镀层的影响，以及环境光照在钢管的亮度图像中对钢管表面镀层的影响，来构建出各个钢管子区域的钢管镀层覆盖度和钢管镀层反光度，并结合各个钢管子区域的噪声估计值，来得到各个钢管子区域对应的裁剪权重，基于裁剪权重得到各个钢管子区域在限制对比度自适应均衡化算法（clahe）中的裁剪阈值，结合限制对比度自适应均衡化算法（clahe）对钢管的图像进行图像增强，并完成对钢管缺陷的智能检测。

技术实现思路

1、为了解决上述技术问题，本发明提供基于图像增强的钢管缺陷智能检测方法，以解决现有的问题。

2、本发明的基于图像增强的钢管缺陷智能检测方法采用如下技术方案：

3、本发明一个实施例提供了基于图像增强的钢管缺陷智能检测方法，该方法包括以下步骤：

4、采集钢管灰度图像；获取钢管灰度图像的各钢管子区域；

5、根据各钢管子区域钢管镀层分布直方图之间的关系获取各钢管子区域的钢管镀层覆盖度；获取各钢管子区域的强光分布矩阵及弱光分布矩阵；根据钢管子区域内的强光分布矩阵及弱光分布矩阵各元素之间的差异得到钢管子区域的光照不均匀性指数；根据光照不均匀性指数及钢管子区域内像素点的亮度值得到钢管子区域的钢管镀层反光度；根据钢管子区域去噪前后各像素点灰度值的变化得到钢管子区域的噪声估计值；根据钢管子区域的钢管镀层覆盖度、钢管镀层反光度以及噪声估计值得到钢管子区域在限制对比度自适应均衡化算法中裁剪阈值的裁剪权重；根据钢管子区域的所述裁剪权重得到钢管子区域的裁剪阈值；

6、结合各钢管子区域的裁剪阈值及限制对比度自适应均衡化算法对钢管灰度图像进行增强，根据增强后的钢管灰度图像得到钢管缺陷区域，完成钢管缺陷智能检测。

7、进一步地，所述获取钢管灰度图像的各钢管子区域，包括：

8、霍夫直线检测获取钢管灰度图像中的钢管边缘，提取钢管区域，将钢管区域灰度k个等级划分，k为预设灰度等级，获取k个钢管子区域。

9、进一步地，所述根据各钢管子区域钢管镀层分布直方图之间的关系获取各钢管子区域的钢管镀层覆盖度，包括：

10、获取各钢管子区域的钢管镀层分布直方图，计算任意两个钢管子区域钢管镀层分布直方图之间的距离，将所述距离的倒数作为所述任意两个钢管子区域的钢管镀层分布相似度，获取所有所述钢管镀层分布相似度的均值；

11、对于各钢管子区域，计算钢管子区域与其他所有钢管子区域的钢管镀层分布相似度减去所述均值的平方的平均值，将所述平均值作为钢管子区域与其他钢管子区域之间的综合钢管镀层分布差异系数；

12、对于各钢管子区域，将钢管子区域灰度共生矩阵的逆差距与所述综合钢管镀层分布差异系数的比值作为钢管子区域的钢管镀层覆盖度。

13、进一步地，所述获取各钢管子区域的强光分布矩阵及弱光分布矩阵，包括：

14、获取钢管亮度图像并进行大津阈值分割，得到亮度阈值，将钢管亮度图像中亮度值大于亮度阈值的像素点作为强光点，钢管亮度图像中亮度值小于等于亮度阈值的像素点作为弱光点；

15、对于钢管子区域内各像素点，以像素点为中心获取邻域窗口，分别统计像素点邻域窗口内强光点、弱光点的个数，作为像素点的强光度、弱光度，将钢管子区域内所有像素点的强光度组成钢管子区域的强光分布矩阵，所有像素点的弱光度组成钢管子区域的弱光分布矩阵。

16、进一步地，所述根据钢管子区域内的强光分布矩阵及弱光分布矩阵各元素之间的差异得到钢管子区域的光照不均匀性指数，包括：

17、计算钢管子区域内各像素点的强光度与弱光度的差值平方，将钢管子区域内所有像素点的所述差值平方的均值作为钢管子区域的光照不均匀性指数。

18、进一步地，所述根据光照不均匀性指数及钢管子区域内像素点的亮度值得到钢管子区域的钢管镀层反光度，包括：

19、获取钢管子区域内所有像素点的亮度均值，将所述均值与所述光照不均匀性指数的乘积作为钢管子区域钢管镀层反光度。

20、进一步地，所述根据钢管子区域去噪前后各像素点灰度值的变化得到钢管子区域的噪声估计值，包括：

21、对钢管子区域灰度图像进行去噪处理，获取钢管子区域的去噪图像，计算钢管子区域灰度图像与所述去噪图像中对应像素点的灰度差值平方，将钢管子区域中所有像素点的所述灰度差值平方的均值作为钢管子区域的噪声估计值。

22、进一步地，所述裁剪权重，包括：

23、获取钢管子区域钢管镀层反光度与噪声估计值的乘积，计算所述乘积与钢管镀层覆盖度比值的归一化值，将所述归一化值作为钢管子区域的采裁剪权重。

24、进一步地，所述根据钢管子区域的所述裁剪权重得到钢管子区域的裁剪阈值，包括：

25、计算钢管子区域的像素点个数与灰度级数的比值，获取钢管子区域直方图均衡化后所得直方图中纵坐标的最大值，计算钢管子区域裁剪权重与所述最大值的乘积，将所述乘积与所述比值的和值作为钢管子区域的裁剪阈值。

26、进一步地，所述根据增强后的钢管灰度图像得到钢管缺陷区域，具体包括：对增强后的钢管灰度图像进行二值分割获取二值图像，将二值图像中灰度值为1的像素点组成的区域作为钢管缺陷区域。

27、本发明至少具有如下有益效果：

28、本发明提出基于图像增强的钢管缺陷智能检测方法，针对传统的限制对比度自适应均衡化算法（clahe）中不能动态的调整裁剪阈值，而影响最终得到的图像的质量和视觉效果的问题，基于钢管的表面缺陷在钢管的灰度图像中对钢管表面镀层的影响，构建各个钢管子区域的钢管镀层覆盖度，以区分包含钢管表面缺陷的钢管子区域，对不包含钢管表面缺陷的钢管子区域赋予较小的裁剪阈值的裁剪权重，减少钢管的正常表面区域中出现对比度过度增强问题的发生；同时，根据环境光照在钢管的亮度图像中对钢管表面镀层的影响，构建钢管镀层反光度，并对钢管镀层反光度较大的钢管子区域赋予较大的裁剪阈值的裁剪权重，以提高钢管表面缺陷在该钢管子区域中的细节信息；

29、进一步，通过对各个钢管子区域进行噪声的估计，对含噪量较高的钢管子区域赋予较大的裁剪阈值的裁剪权重，实现对图像中噪声的抑制，并基于钢管镀层覆盖度、钢管镀层反光度以及噪声估计值得到各个钢管子区域的裁剪阈值，使得限制对比度自适应均衡化算法（clahe）最终的图像增强的效果，提高了钢管灰度图像的图像质量，为后续钢管缺陷的智能检测提供了极大的便利。