一种视觉辅助窑炉表面缺陷快速检测方法与流程

1.本发明涉及图像数据处理领域，特别是涉及一种视觉辅助窑炉表面缺陷快速检测方法。


背景技术：

2.工业窑炉的主要应用场景有冶金、建材、化工等行业。在冶金行业，人们需要工业窑炉来进行炼铁、炼钢的加热熔炼过程；在建材方面，工业窑炉可以帮助人们生产水泥、玻璃、砖瓦等；在化工行业，工业窑炉被用于合成氨、乙炔等产品的生产。然而，如果在窑炉的生产过程中表面出现缺陷的话，会对工业窑炉的性能乃至寿命产生非常大的影响。表面缺陷如裂纹、坑洞等会破坏工业窑炉的结构完整性，影响其强度和密封性，导致使用性能下降，且会增加对流和辐射热量的散失，需要消耗更多的燃料来维持正常工作温度，增加能源的消耗，加速了金属的氧化和损耗，会导致工业窑炉更快的老化和损坏，严重时可能会导致工业窑炉失效甚至报废。并且表面缺陷会造成工业窑炉密封性下降，导致烟气、粉尘等污染物向外排放增多，加大对环境的污染、提升安全隐患和维修成本。
3.而在进行视觉辅助的窑炉表面缺陷快速检测时，工业窑炉的表面通常会带有许多管道以及工业零件，获取图像之后工业零件以及管道会在熔炉表面投下阴影，而有的地方会有多处零件投下的阴影，使得同一幅图像的不同区域明暗不一。而且在进行窑炉表面缺陷检测时，还可能会有表面老化、锈迹等因素的影响。这会影响图像的部分视觉效果和信息提取。在进行缺陷检测时难以分辨出阴影下的缺陷，需要使用retinex图像增强来强化暗部的细节特征。然而，传统的retinex图像增强算法往往会使暗区域的像素值增加，但也会扩张这个区域，导致细节丢失和图像模糊。需要对单尺度retinex算法（ssr）中的高斯环绕函数尺度比例进行改进，以解决上述问题。


技术实现要素：

4.鉴于上述问题，本技术提供了一种视觉辅助窑炉表面缺陷快速检测方法，通过对ssr算法中的高斯环绕函数进行改进，使得算法能够在不同的区域下进行不同的自适应改进，能够更好的增强较暗投影处和复杂纹理处的细节，实现窑炉表面的缺陷快速检测。
5.第一方面，本技术实施例提供了一种视觉辅助窑炉表面缺陷快速检测方法，包括：获取所述窑炉的第一图像；对所述第一图像进行预处理，得到第二图像；对所述第二图像提取感兴趣区域，对所述感兴趣区域进行边缘检测，得到所述感兴趣区域内部的第一边缘图像；对所述第一边缘图像进行多重投影程度计算，得到投影阴影部分的多重投影程度指数；对所述第一边缘图像进行灰度熵计算，得到闭合边缘内部的灰度熵值；基于所述多重投影程度指数和所述灰度熵值对高斯环绕函数的尺度比例进行改
进，基于改进后的高斯环绕函数的尺度比例对所述第二图像进行图像增强，得到第三图像；将所述第三图像用于分类器训练，采用训练好的分类器完成窑炉表面的缺陷检测。
6.在一种可能的实现方式中，所述对所述第一图像进行预处理，得到第二图像，包括：对所述第一图像进行灰度化处理和高斯滤波处理，得到第二图像。
7.在一种可能的实现方式中，所述对所述第一边缘图像进行多重投影程度计算，得到投影阴影部分的多重投影程度指数，包括：对所述第一边缘图像进行梯度幅值变化计算，得到所述第一边缘图像所有边缘像素的梯度幅值变化值，基于所述梯度幅值变化值剔除掉所述第一边缘图像中的外部部件边缘，得到第二边缘图像；对所述第二边缘图像进行零件投影概率计算，得到每个边缘的零件投影概率，基于所述零件投影概率得到零件投影阴影；对所述零件投影阴影使用区域生长算法进行生长获得多重投影区域，对所述多重投影区域进行多重投影程度计算，得到所述零件投影阴影的多重投影程度指数。
8.在一种可能的实现方式中，所述对所述第一边缘图像进行梯度幅值变化计算，得到所述第一边缘图像所有边缘像素的梯度幅值变化值，基于所述梯度幅值变化值剔除掉所述第一边缘图像中的外部部件边缘，得到第二边缘图像，包括：游历所述第一边缘图像的所有边缘像素，以所述边缘像素为中心构建窗口，对所述窗口中心做水平方向和垂直方向上的梯度幅值计算，并计算所有边缘像素的水平方向和垂直方向上的梯度幅值变化值，所述水平方向和垂直方向上的所述梯度幅值变化值的计算公式为：公式为：其中，为窗口中心像素的水平方向梯度幅值， 为中心像素水平方向左侧个单位像素的梯度幅值，为中心像素水平方向右侧个单位像素的梯度幅值，代表的是中心像素在水平方向上的梯度幅值变化值，为窗口中心像素的垂直方向梯度幅值, 为中心像素垂直方向下侧个单位像素的梯度幅值，为中心像素垂直方向上侧个单位像素的梯度幅值，代表的是中心像素在垂直方向上的梯度幅值变化值；
将均大于第一阈值的边缘像素设为0，至少有一个小于所述第一阈值的设为1，得到将外部部件边缘剔除掉的第二边缘图像。
9.在一种可能的实现方式中，所述对所述第二边缘图像进行零件投影概率计算，得到每个边缘的零件投影概率，基于所述零件投影概率得到零件投影阴影，包括：对所述第二边缘图像中的所有边缘进行8邻域链码法编码，对于不闭合边缘链码，设链码长度为，建立一个的矩阵，计算不闭合边缘的直线边缘置信度和圆形边缘置信度，所述直线边缘置信度zz和所述圆形边缘置信度yz的计算公式为：所述直线边缘置信度zz和所述圆形边缘置信度yz的计算公式为：其中为链码在方向符为的方向上连续出现了次的次数，
ꢀꢀ
为矩阵的第行第列，定义为在不闭合边缘上，编码和编码连续出现的次数；基于所述直线边缘置信度和所述圆形边缘置信度计算每个边缘的零件投影概率，所述零件投影概率的计算公式为：将所述零件投影概率大于第二阈值的不闭合边缘设为零件投影边缘，将所述零件投影边缘与最近的零件投影边缘之间的部分定义为零件投影阴影。
10.在一种可能的实现方式中，所述对所述零件投影阴影使用区域生长算法进行生长获得多重投影区域，对所述多重投影区域进行多重投影程度计算，得到所述零件投影阴影的多重投影程度指数，包括：使用区域生长算法，对所述零件投影阴影进行生长，获得所述投影阴影部分中的多重投影区域，计算所有所述多重投影区域的灰度值的平均值，并对所有所述多重投影区域的灰度值的平均值进行最大-最小归一化，得到投影阴影部分的多重投影程度指数。
11.在一种可能的实现方式中，所述对所述第一边缘图像进行灰度熵计算，得到闭合边缘内部的灰度熵值，包括：对于闭合边缘， 统计边缘内部像素的灰度值分布，生成灰度直方图，将灰度直方图归一化，得到每个灰度值的概率，基于每个灰度值的概率计算闭合边缘内部的灰度熵值，所述灰度熵值的计算公式为：
其中，为灰度熵值，表示归一化灰度直方图中第个灰度级的概率，求和操作遍历所有的灰度级。
12.在一种可能的实现方式中，所述基于所述多重投影程度指数和所述灰度熵值对高斯环绕函数的尺度比例进行改进，基于改进后的高斯环绕函数的尺度比例对所述第二图像进行图像增强，得到第三图像，包括：基于投影阴影部分的所述多重投影程度指数和闭合边缘内部的所述灰度熵值对单尺度retinex算法中高斯环绕函数的尺度比例进行改进，得到改进后的尺度比例，进行改进的公式为：其中，为改进后的尺寸比例，是投影阴影部分的多重投影程度指数，是闭合边缘内部的灰度熵值，为原始单尺度retinex算法中的尺度比例；和为权重因子，其定义为在进行单尺度retinex算法时，未检测到在阴影部分区域运行时，和均为0；当检测到在非闭合边缘内部阴影部分运行时，，；当检测到在闭合边缘内部阴影部分运行时，，；将改进后的尺寸比例带入到单尺度retinex算法中，对所述第二图像增强，得到第三图像。
13.在一种可能的实现方式中，所述将所述第三图像用于分类器训练，采用训练好的分类器完成窑炉表面的缺陷检测，包括：将所述第三图像划分为训练集和测试集，使用训练集中的所述第三图像对分类器进行训练，将测试集输入到训练好的分类器中，实现对所述训练好的分类器的评估，采用评估通过的分类器对采集的图像进行识别判断，实现窑炉表面的缺陷检测；所述分类器为支持向量机。
14.在一种可能的实现方式中，所述训练集和测试集的比例为7:3或8:2。
15.第二方面，本技术实施例提供了一种电子设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现如第一方面各个可能实现的实施例。
16.第三方面，本技术实施例提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行如第一方面各个可能实现的实施例。
17.本技术的有益效果在于：由于窑炉外部的管道零件等因为光照的原因，会在窑炉表面产生投影，且会有多个不同的零件对表面同一个部位产生多重投影，导致此处的光照值更暗，且表面的老化区域内部纹理极其复杂；这两种情况均会对缺陷检测产生较大的影
响。传统的单尺度retinex算法虽然对低照度区域有着更强的增强效果，但是对于单个投影和多重投影混合、区域内纹理特征复杂的情况下效果依然不佳，针对此特性本技术对单尺度retinex算法中的高斯环绕函数进行改进，使得算法能够在不同的区域下进行不同的自适应改进，能够分类解决上述两种不同的情况，能够更好的增强较暗投影处和复杂纹理处的细节。
附图说明
18.图1是本技术实施例提供的一种视觉辅助窑炉表面缺陷快速检测方法的步骤流程图；图2是获得的工业窑炉图像的示意图；图3是窑炉表面和零件边缘、投影边缘的示意图；图4是本技术实施例提供的一种电子设备的结构框图；图5是本技术实施例提供的一种计算机可读存储介质的结构框图。
具体实施方式
19.为使本技术的上述目的、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，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员所获得的所有其它实施例，都属于本技术保护的范围。
20.本技术的实施方式部分使用的术语仅用于对本技术的具体实施例进行解释，而非旨在限定本技术。
21.需要注意，本技术中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
22.下面结合附图，对本技术的实施例进行描述。本领域普通技术人员可知，随着技术的发展和新场景的出现，本技术实施例提供的技术方案对于类似的技术问题，同样适用。
23.参见图1所示，本技术实施例公开了一种视觉辅助窑炉表面缺陷快速检测方法，包括：步骤s11，获取所述窑炉的第一图像；步骤s12，对所述第一图像进行预处理，得到第二图像；步骤s13，对所述第二图像提取感兴趣区域，对所述感兴趣区域进行边缘检测，得到所述感兴趣区域内部的第一边缘图像；步骤s14，对所述第一边缘图像进行多重投影程度计算，得到投影阴影部分的多重投影程度指数；步骤s15，对所述第一边缘图像进行灰度熵计算，得到闭合边缘内部的灰度熵值；步骤s16，基于所述多重投影程度指数和所述灰度熵值对高斯环绕函数的尺度比例进行改进，基于改进后的高斯环绕函数的尺度比例对所述第二图像进行图像增强，得到第三图像；步骤s17，将所述第三图像用于分类器训练，采用训练好的分类器完成窑炉表面的缺陷检测。
24.为了保证工业窑炉的正常使用，需要对工业窑炉进行定期的表面缺陷监测，对工业窑炉进行拍照采集，获取到高质量的工业窑炉图像，如附图2所示；例如，采集设备可以是cmos摄像机，在此不对其进行具体限定。
25.在上述实施例步骤中，利用图像采集设备获得所述窑炉的第一图像，对所述第一图像进行预处理，得到第二图像，为后续的图像增强提供良好的图像质量，对所述第二图像提取感兴趣区域，对所述感兴趣区域进行边缘检测，对窑炉表面处的边缘进行提取，得到所述感兴趣区域内部的第一边缘图像，对所述第一边缘图像进行多重投影程度计算，确定由零件投影产生的阴影区域，并对此阴影区域内部的多重投影部分进行划分，得到投影阴影部分的多重投影程度指数，对所述第一边缘图像进行灰度熵计算，计算闭合边缘处内部像素的灰度值特征，确定此边缘内部是否属于老化区域或者表面零件部分，得到闭合边缘内部的灰度熵值，基于所述多重投影程度指数和所述灰度熵值对高斯环绕函数的尺度比例进行改进，基于改进后的高斯环绕函数的尺度比例对所述第二图像进行图像增强，完成针对多重投影和老化区域的图像增强，得到第三图像，将所述第三图像用于分类器训练，采用训练好的分类器完成窑炉表面的缺陷检测。其中，在进行图像增强之前，可以先手动将图像中的工业窑炉部分划为感兴趣区域(roi)，使得后续在进行图像增强时都在工业窑炉区域上进行计算，得到感兴趣区域(roi)之后，对感兴趣区域(roi)使用sobel边缘检测，计算图像中各个像素的水平梯度和垂直梯度，并得到感兴趣区域(roi)图像内部的边缘图；感兴趣区域(roi)的提取方法还可以是自动提取，在此不对其进行具体限定；边缘检测的算子除了sobel算子，还可以使用roberts算子、prewitt算子和 laplacian算子等，在此不对其进行具体限定。
26.在本技术一个可选的实施例中，所述对所述第一图像进行预处理，得到第二图像，包括：对所述第一图像进行灰度化处理和高斯滤波处理，得到第二图像。
27.在上述实施例步骤中，对采集到的图像进行预处理，包括灰度化处理、高斯滤波处理，以消除图像中大部分噪声的影响，为后续的图像增强提供良好的图像质量。上述的滤波方式不唯一，实施者可以根据实际情况进行调整更改，在此不对其进行具体限定。
28.在本技术一个可选的实施例中，所述对所述第一边缘图像进行多重投影程度计算，得到投影阴影部分的多重投影程度指数，包括：对所述第一边缘图像进行梯度幅值变化计算，得到所述第一边缘图像所有边缘像素的梯度幅值变化值，基于所述梯度幅值变化值剔除掉所述第一边缘图像中的外部部件边缘，得到第二边缘图像；对所述第二边缘图像进行零件投影概率计算，得到每个边缘的零件投影概率，基于所述零件投影概率得到零件投影阴影；对所述零件投影阴影使用区域生长算法进行生长获得多重投影区域，对所述多重投影区域进行多重投影程度计算，得到所述零件投影阴影的多重投影程度指数。
29.需要说明的是，在得到的第一边缘图像中，其主要有窑炉表面的外部部件边缘、零件投影边缘和老化锈迹边缘等，然而本技术主要针对的是窑炉表面的零件投影边缘、老化锈迹边缘，很难在边缘图像中将此部分直接提取出来。
30.在上述实施例步骤中， 通过外部部件边缘与零件投影边缘和老化锈迹边缘之间距离产生的过渡像素特性，基于所述梯度幅值变化值将外部部件与窑炉表面相接所产生的边缘剔除得到第二边缘图像，针对第二边缘图像对阴影部分进行零件投影的置信度(零件投影概率)计算，基于所述零件投影概率确定由零件投影产生的阴影区域，并对此阴影区域内部的多重投影部分使用区域生长算法进行划分，对所述多重投影区域进行多重投影程度计算，得到所述零件投影阴影的多重投影程度指数。
31.在本技术一个可选的实施例中，所述对所述第一边缘图像进行梯度幅值变化计算，得到所述第一边缘图像所有边缘像素的梯度幅值变化值，基于所述梯度幅值变化值剔除掉所述第一边缘图像中的外部部件边缘，得到第二边缘图像，包括：游历所述第一边缘图像的所有边缘像素，以所述边缘像素为中心构建窗口，对所述窗口中心做水平方向和垂直方向上的梯度幅值计算，并计算所有边缘像素的水平方向和垂直方向上的梯度幅值变化值，所述水平方向和垂直方向上的所述梯度幅值变化值的计算公式为：公式为：其中，为窗口中心像素的水平方向梯度幅值， 为中心像素水平方向左侧个单位像素的梯度幅值，为中心像素水平方向右侧个单位像素的梯度幅值，代表的是中心像素在水平方向上的梯度幅值变化值，为窗口中心像素的垂直方向梯度幅值, 为中心像素垂直方向下侧个单位像素的梯度幅值，为中心像素垂直方向上侧个单位像素的梯度幅值，代表的是中心像素在垂直方向上的梯度幅值变化值；将均大于第一阈值的边缘像素设为0，至少有一个小于所述第一阈值的设为1，得到将外部部件边缘剔除掉的第二边缘图像。
32.如附图3所示的窑炉表面和零件边缘、投影边缘的示意图。由于投影是零件经过光照投射在窑炉表面的影子，因此在窑炉表面形成的投影中，零件(例如管道)投影对于窑炉表面来说为突变的，并没有过渡(参见附图3左侧)；类似地，老化锈迹边缘所产生的边缘类似也是突变的、并没有过渡。然而，外部部件边缘对于表面来说往往都会有一些过渡像素(参见附图3右侧)。
33.在上述实施例步骤中，基于零件投影边缘、老化锈迹边缘与外部部件边缘在过渡像素上存在的差异，对所有边缘像素，做水平方向和垂直方向上的梯度幅值计算，基于水平
方向和垂直方向上的梯度幅值计算相对应的水平方向和垂直方向上的梯度幅值变化规律值。设置一个第一阈值t，t取经验值0.2，对第一边缘图像进行二值化，具体为将均大于t的边缘像素设为0，剔除掉外部部件边缘，至少有一个小于t的设为1，保留零件投影、老化锈迹形成的边缘，从而最终实现将边缘区域中的外部部件边缘剔除掉，得到第二边缘图像。
34.在本技术一个可选的实施例中，所述对所述第二边缘图像进行零件投影概率计算，得到每个边缘的零件投影概率，基于所述零件投影概率得到零件投影阴影，包括：对所述第二边缘图像中的所有边缘进行8邻域链码法编码，对于不闭合边缘链码，设链码长度为，建立一个的矩阵，计算不闭合边缘的直线边缘置信度和圆形边缘置信度，所述直线边缘置信度zz和所述圆形边缘置信度yz的计算公式为：所述直线边缘置信度zz和所述圆形边缘置信度yz的计算公式为：其中为链码在方向符为的方向上连续出现了次的次数,
ꢀꢀ
为矩阵的第行第列，定义为在不闭合边缘上，编码和编码连续出现的次数；基于所述直线边缘置信度和所述圆形边缘置信度计算每个边缘的零件投影概率，所述零件投影概率的计算公式为：将所述零件投影概率大于第二阈值的不闭合边缘设为零件投影边缘，将所述零件投影边缘与最近的零件投影边缘之间的部分定义为零件投影阴影。
35.在上述实施例步骤中，在获得的第二边缘图像中，由于零件投影是由窑炉外部的管道或其他零部件由于光照原因投影到窑炉表面的，因为规则的管道和其他零部件形状更符合工业化生产和使用的要求，所以窑炉外部的管道或其他零部件均为规则形状，如直线的管道，圆形的齿轮、阀门等，所以投影到窑炉表面的投影边缘也为规则的，对边缘图像中的所有边缘进行8邻域freeman链码法编码，将一个像素点按照水平、垂直和两条对角线方向，将相邻的两个像素点定义8个方向符：0、1、2、3、4、5、6、7。freeman链码是指用曲线起始点的坐标和边界点方向代码来描述曲线或边界的方法，对于不闭合的边缘链码，设链码长度为，建立一个的矩阵。
36.在不闭合的边缘中，可能存在一些直线零件的投影，也存在一些由于光照投影而没有完全展现的圆形零件的投影。对此，可以求出不闭合边缘的直线边缘(直线零件)置信度和圆形边缘(圆形零件)置信度；直线边缘(直线零件)置信度表达了在一段不闭合边缘上，出现直线边缘的概率，可以很好的反应次边缘的直线零件置信度；圆形边缘(圆形零件)置信度代表了编码和编码连续出现的次数所占编码长度的比例，因为对于圆形像素编码来说，由于弧度原因编码和编码会经常连续出现，所以可以代表圆形零件的置信度。基于所述直线边缘置信度和所述圆形边缘置信度可以计算每个边缘的零件投影概率，边缘像素的零件投影概率v值越大，则代表该边缘像素越可能是投影到窑炉表面暗部的边缘。针对每个边缘的零件投影概率，设置第二阈值，取经验值0.6，将的不闭合边缘设为零件投影边缘，将其与最近的零件投影边缘之间的部分定义为零件投影阴影，并进行标记，得到所有的零件投影阴影。
37.在本技术一个可选的实施例中，所述对所述零件投影阴影使用区域生长算法进行生长获得多重投影区域，对所述多重投影区域进行多重投影程度计算，得到所述零件投影阴影的多重投影程度指数，包括：使用区域生长算法，对所述零件投影阴影进行生长，获得所述投影阴影部分中的多重投影区域，计算所有所述多重投影区域的灰度值的平均值，并对所有所述多重投影区域的灰度值的平均值进行最大-最小归一化，得到投影阴影部分的多重投影程度指数。
38.需要说明的是，在零件投影的阴影处，不仅仅有单个零件在一个地方的投影，还有多个零件在一个地方的混合投影，这种混合投影相对于单个投影来说会导致亮度值更暗，需要进行着重进行处理。
39.在上述实施例步骤中，使用区域生长算法，对零件投影阴影进行生长，设在投影阴影部分生长了个区域，，则代表阴影部分有个多重投影区域。计算所有多重投影区域的灰度值均值，并对所有区域的灰度值均值进行最大-最小归一化，得到投影阴影部分的多重投影程度指数。多重投影程度指数反映了投影阴影部分的强度和数量，较大的值表示投影阴影部分更显著。
40.在本技术一个可选的实施例中，所述对所述第一边缘图像进行灰度熵计算，得到闭合边缘内部的灰度熵值，包括：对于闭合边缘，统计边缘内部像素的灰度值分布，生成灰度直方图，将灰度直方图归一化，得到每个灰度值的概率，基于每个灰度值的概率计算闭合边缘内部的灰度熵值，所述灰度熵值的计算公式为：其中，为灰度熵值，表示归一化灰度直方图中第个灰度级的概率，求和操
作遍历所有的灰度级。
41.在上述实施例步骤中，对于闭合的边缘，同上述一样利用链码原理求出闭合边缘的圆形边缘置信度，统计边缘内部像素的灰度值分布，生成灰度直方图，将灰度直方图归一化，即将灰度值频数除以边缘内部像素总数，得到每个灰度值的概率，并基于每个灰度值的概率求出闭合边缘内部的灰度熵值。灰度熵值可以描述闭合边缘区域内部的纹理复杂度或灰度分布的不确定性，因为在窑炉表面上，拥有闭合的边缘区域有可能是表面所带零件或者是表面老化区域，当灰度熵值越大，代表边缘内部纹理分布越紊乱，越有可能是老化区域，反之越有可能是表面所带零件部分。最后，将非闭合边缘内部阴影部分、闭合边缘内部的部分分别用不同颜色标记出来。
42.在本技术一个可选的实施例中，所述基于所述多重投影程度指数和所述灰度熵值对高斯环绕函数的尺度比例进行改进，基于改进后的高斯环绕函数的尺度比例对所述第二图像进行图像增强，得到第三图像，包括：基于投影阴影部分的所述多重投影程度指数和闭合边缘内部的所述灰度熵值对单尺度retinex算法中高斯环绕函数的尺度比例进行改进，得到改进后的尺度比例，进行改进的公式为：其中，为改进后的尺寸比例，是投影阴影部分的多重投影程度指数，是闭合边缘内部的灰度熵值，为原始单尺度retinex算法中的尺度比例；和为权重因子，其定义为在进行单尺度retinex算法时，未检测到在阴影部分区域运行时，和均为0；当检测到在非闭合边缘内部阴影部分运行时，，；当检测到在闭合边缘内部阴影部分运行时，，；将改进后的尺寸比例带入到单尺度retinex算法中，对所述第二图像增强，得到第三图像。
43.在上述实施例步骤中，基于投影阴影部分的所述多重投影程度指数和闭合边缘内部的所述灰度熵值对对单尺度retinex算法中高斯环绕函数的值进行改进，将改进后的带入到单尺度retinex(ssr)算法中，实现对窑炉图像的图像增强，得到第三图像，能够将投影部分以及老化部分的纹理特征进一步保留，使得其中的纹理信息更为清晰，方便后续检测。
44.需要说明的是，当检测到在非闭合边缘内部阴影部分运行时，，，此时对管道零件投影处的阴影部分像素的进行关于多重投影程度的自适应增大改进，使得
对更低亮度的增强效果加强；当检测到在闭合边缘内部阴影部分运行时，，，此时根据边缘内部的熵值对管道表面的像素进行自适应改进，对表面零件部分进行适当的增强，对于老化部分则有着更强的增强效果。
45.需要进一步说明的是，和的大小对的影响：反映了投影阴影部分的强度和数量，较大的值表示投影阴影部分更显著，对尺度比例的改进影响更大；值越大表示边缘内部的灰度变化更多，即灰度更不均匀，应加大增强效果，对尺度比例的改进影响越大。
46.在本技术一个可选的实施例中，所述将所述第三图像用于分类器训练，采用训练好的分类器完成窑炉表面的缺陷检测，包括：将所述第三图像划分为训练集和测试集，使用训练集中的所述第三图像对分类器进行训练，将测试集输入到训练好的分类器中，实现对所述训练好的分类器的评估，采用评估通过的分类器对采集的图像进行识别判断，实现窑炉表面的缺陷检测；所述分类器为支持向量机。
47.在上述实施例步骤中，将经过增强后的第三图像划分为训练集和测试集，其比例约为7:3或8:2。训练集用于训练分类器，使用支持向量机(svm)分类器对训练集中的图像进行训练。将测试集输入到训练好的支持向量机(svm)分类器中，实现对所述训练好的分类器的评估，采用评估通过的分类器对采集的图像进行识别判断，实现对图像的二分类，即正常与缺陷分类，获得图像是正常还是具有缺陷以及属于哪种缺陷类别，最终对采集的图像进行识别判断，实现快速的自动化表面缺陷监测。分类器除了支持向量机，也可以使用其他常规分类器，在此不做具体限定。
48.参见图4所示，本技术实施例公开了一种电子设备20，包括处理器21和存储器22；其中，存储器22，用于保存计算机程序；处理器21，用于通过执行计算机程序来实现前述方法实施例提供的视觉辅助窑炉表面缺陷快速检测方法。
49.关于上述视觉辅助窑炉表面缺陷快速检测方法的具体过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
50.并且，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，存储方式可以是短暂存储或者永久存储。
51.另外，电子设备20还包括电源23、通信接口24、输入输出接口25和通信总线26；其中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本技术技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
52.进一步的，本技术实施例还公开了一种计算机可读存储介质，如图5所示，用于保存计算机程序31，其中，计算机程序被处理器执行时实现前述方法实施例提供的视觉辅助窑炉表面缺陷快速检测方法。
53.关于上述视觉辅助窑炉表面缺陷快速检测方法的具体过程可以参考前述实施例
中公开的相应内容，在此不再进行赘述。
54.本技术实施例还提供了一种包含指令的计算机程序产品，当该计算机程序产品在计算机上运行时，使得计算机执行本技术方法实施例所示的视觉辅助窑炉表面缺陷快速检测方法。
55.本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。
56.结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（ram）、内存、只读存储器（rom）、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
57.以上对本技术所提供的一种视觉辅助窑炉表面缺陷快速检测方法、设备及介质进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想；同时，对于本领域的一般技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本技术的限制。

技术特征：
1.一种视觉辅助窑炉表面缺陷快速检测方法，其特征在于，包括：获取所述窑炉的第一图像；对所述第一图像进行预处理，得到第二图像；对所述第二图像提取感兴趣区域，对所述感兴趣区域进行边缘检测，得到所述感兴趣区域内部的第一边缘图像；对所述第一边缘图像进行多重投影程度计算，得到投影阴影部分的多重投影程度指数；对所述第一边缘图像进行灰度熵计算，得到闭合边缘内部的灰度熵值；基于所述多重投影程度指数和所述灰度熵值对高斯环绕函数的尺度比例进行改进，基于改进后的高斯环绕函数的尺度比例对所述第二图像进行图像增强，得到第三图像；将所述第三图像用于分类器训练，采用训练好的分类器完成窑炉表面的缺陷检测。2.根据权利要求1所述的视觉辅助窑炉表面缺陷快速检测方法，其特征在于，所述对所述第一图像进行预处理，得到第二图像，包括：对所述第一图像进行灰度化处理和高斯滤波处理，得到第二图像。3.根据权利要求1所述的视觉辅助窑炉表面缺陷快速检测方法，其特征在于，所述对所述第一边缘图像进行多重投影程度计算，得到投影阴影部分的多重投影程度指数，包括：对所述第一边缘图像进行梯度幅值变化计算，得到所述第一边缘图像所有边缘像素的梯度幅值变化值，基于所述梯度幅值变化值剔除掉所述第一边缘图像中的外部部件边缘，得到第二边缘图像；对所述第二边缘图像进行零件投影概率计算，得到每个边缘的零件投影概率，基于所述零件投影概率得到零件投影阴影；对所述零件投影阴影使用区域生长算法进行生长获得多重投影区域，对所述多重投影区域进行多重投影程度计算，得到所述零件投影阴影的多重投影程度指数。4.根据权利要求3所述的视觉辅助窑炉表面缺陷快速检测方法，其特征在于，所述对所述第一边缘图像进行梯度幅值变化计算，得到所述第一边缘图像所有边缘像素的梯度幅值变化值，基于所述梯度幅值变化值剔除掉所述第一边缘图像中的外部部件边缘，得到第二边缘图像，包括：游历所述第一边缘图像的所有边缘像素，以所述边缘像素为中心构建窗口，对所述窗口中心做水平方向和垂直方向上的梯度幅值计算，并计算所有边缘像素的水平方向和垂直方向上的梯度幅值变化值，所述水平方向和垂直方向上的所述梯度幅值变化值的计算公式为：为：
其中，为窗口中心像素的水平方向梯度幅值, 为中心像素水平方向左侧个单位像素的梯度幅值，为中心像素水平方向右侧个单位像素的梯度幅值，代表的是中心像素在水平方向上的梯度幅值变化值，为窗口中心像素的垂直方向梯度幅值, 为中心像素垂直方向下侧个单位像素的梯度幅值，为中心像素垂直方向上侧个单位像素的梯度幅值，代表的是中心像素在垂直方向上的梯度幅值变化值；将均大于第一阈值的边缘像素设为0，至少有一个小于所述第一阈值的设为1，得到将外部部件边缘剔除掉的第二边缘图像。5.根据权利要求4所述的视觉辅助窑炉表面缺陷快速检测方法，其特征在于，所述对所述第二边缘图像进行零件投影概率计算，得到每个边缘的零件投影概率，基于所述零件投影概率得到零件投影阴影，包括：对所述第二边缘图像中的所有边缘进行8邻域链码法编码，对于不闭合边缘链码，设链码长度为，建立一个的矩阵，计算不闭合边缘的直线边缘置信度和圆形边缘置信度，所述直线边缘置信度zz和所述圆形边缘置信度yz的计算公式为：所述直线边缘置信度zz和所述圆形边缘置信度yz的计算公式为：其中为链码在方向符为的方向上连续出现了次的次数,
ꢀꢀ
为矩阵的第行第列，定义为在不闭合边缘上，编码和编码连续出现的次数；基于所述直线边缘置信度和所述圆形边缘置信度计算每个边缘的零件投影概率，所述零件投影概率的计算公式为：将所述零件投影概率大于第二阈值的不闭合边缘设为零件投影边缘，将所述零件投影边缘与最近的零件投影边缘之间的部分定义为零件投影阴影。6.根据权利要求5所述的视觉辅助窑炉表面缺陷快速检测方法，其特征在于，所述对所
述零件投影阴影使用区域生长算法进行生长获得多重投影区域，对所述多重投影区域进行多重投影程度计算，得到所述零件投影阴影的多重投影程度指数，包括：使用区域生长算法，对所述零件投影阴影进行生长，获得所述投影阴影部分中的多重投影区域，计算所有所述多重投影区域的灰度值的平均值，并对所有所述多重投影区域的灰度值的平均值进行最大-最小归一化，得到投影阴影部分的多重投影程度指数。7.根据权利要求1所述的视觉辅助窑炉表面缺陷快速检测方法，其特征在于，所述对所述第一边缘图像进行灰度熵计算，得到闭合边缘内部的灰度熵值，包括：对于闭合边缘，统计边缘内部像素的灰度值分布，生成灰度直方图，将灰度直方图归一化，得到每个灰度值的概率，基于每个灰度值的概率计算闭合边缘内部的灰度熵值，所述灰度熵值的计算公式为：其中，为灰度熵值，表示归一化灰度直方图中第个灰度级的概率，求和操作遍历所有的灰度级。8.根据权利要求1所述的视觉辅助窑炉表面缺陷快速检测方法，其特征在于，所述基于所述多重投影程度指数和所述灰度熵值对高斯环绕函数的尺度比例进行改进，基于改进后的高斯环绕函数的尺度比例对所述第二图像进行图像增强，得到第三图像，包括：基于投影阴影部分的所述多重投影程度指数和闭合边缘内部的所述灰度熵值对单尺度retinex算法中高斯环绕函数的尺度比例进行改进，得到改进后的尺度比例，进行改进的公式为：其中，为改进后的尺寸比例，是投影阴影部分的多重投影程度指数，是闭合边缘内部的灰度熵值，为原始单尺度retinex算法中的尺度比例；和为权重因子，其定义为在进行单尺度retinex算法时，未检测到在阴影部分区域运行时，和均为0；当检测到在非闭合边缘内部阴影部分运行时，，；当检测到在闭合边缘内部阴影部分运行时，，；将改进后的尺寸比例带入到单尺度retinex算法中，对所述第二图像增强，得到第三图像。9.根据权利要求1所述的视觉辅助窑炉表面缺陷快速检测方法，其特征在于，所述将所述第三图像用于分类器训练，采用训练好的分类器完成窑炉表面的缺陷检测，包括：将所述第三图像划分为训练集和测试集，使用训练集中的所述第三图像对分类器进行训练，将测试集输入到训练好的分类器中，实现对所述训练好的分类器的评估，采用评估通过的分类器对采集的图像进行识别判断，实现窑炉表面的缺陷检测；所述分类器为支持向量机。
10.根据权利要求9所述的视觉辅助窑炉表面缺陷快速检测方法，其特征在于，所述训练集和测试集的比例为7:3或8:2。

技术总结
本发明提供了一种视觉辅助窑炉表面缺陷快速检测方法，涉及图像数据处理领域，包括：获取窑炉的第一图像；对第一图像进行预处理得到第二图像；对第二图像提取感兴趣区域进行边缘检测得到第一边缘图像；对第一边缘图像进行多重投影程度计算得到多重投影程度指数；对第一边缘图像进行灰度熵计算得到灰度熵值；基于多重投影程度指数和灰度熵值对高斯环绕函数的尺度比例进行改进进行图像增强得到第三图像；将第三图像用于分类器训练，采用训练好的分类器完成窑炉表面的缺陷检测。通过对SSR算法中的高斯环绕函数进行改进，使得能在不同的区域下进行不同的自适应改进，能够更好的增强较暗投影处和复杂纹理处的细节，实现窑炉表面缺陷快速检测。快速检测。快速检测。


技术研发人员：黄立刚 张跃进
受保护的技术使用者：苏州科尔珀恩机械科技有限公司
技术研发日：2023.08.25
技术公布日：2023/9/20