當前國內(nèi)外對厚壁鋼管的表面檢測方式主要有：人工檢測、紅外檢測、超聲波檢測、磁粉檢測和機器視覺檢測等。機器視覺檢測技術(shù)是一種無接觸無損傷檢測，憑借其速度快、精度高、穩(wěn)定性強等優(yōu)點，很好的滿足了當今工業(yè)自動化的需求。因此國內(nèi)外學(xué)者對利用機器視覺檢測產(chǎn)品表面缺陷方面開展了大量的研究。

機器視覺技術(shù)發(fā)展最早、最快、使用最多的國家主要集中在歐美和日本，早在20世紀70年代中期，日本的川崎公司開發(fā)了鍍錫板在線機器視覺檢測裝置;1983年B.V.Suresh等研究出了基于機器視覺的冷軋鋼表面缺陷檢測系統(tǒng)；1988年，德國的SICK公司在冷軋廠的生產(chǎn)線上安裝了五臺基于機器視覺的表面缺陷檢測設(shè)備（ASIS）;美國在1966年，由Connex公司研制了一種基于機器學(xué)習(xí)的表面檢測系統(tǒng)，實現(xiàn)了表面缺陷的分類；進入90年代，伴隨著計算機技術(shù)領(lǐng)域人工智能、神經(jīng)網(wǎng)絡(luò)等學(xué)科的完善，機器視覺技術(shù)得到了進一步的發(fā)展，并使之逐漸走向了智能化。Kerr.D等人將機器視覺應(yīng)用于數(shù)控機床中的刀具磨損情況的檢測，并研究了基于神經(jīng)網(wǎng)絡(luò)的模型，實現(xiàn)了刀具磨損程度的精確測量。B.M.Kumar等人研究了旋轉(zhuǎn)工件表面粗糙度的測量，依據(jù)機器視覺相關(guān)處理方法，得到了不同粗糙度表面的一些特征信息，最終設(shè)計出一套基于機器視覺的厚壁鋼管表面粗糙程度的檢測系統(tǒng)。G.Krummeanacher[6]等利用支持向量機（SVM）分類器對有缺陷的火車車輪圖像進行學(xué)習(xí)訓(xùn)練，完成了對車輪是否有缺陷的判斷并對缺陷進行了分類識別。CTikhe等針對金屬表面存在的難以被人工目視檢測到的孔洞、劃痕等缺陷，提出了一種改進的Gabor濾波器進行缺陷的自動檢測和分類的技術(shù)，以保證生產(chǎn)過程中金屬的質(zhì)量和生產(chǎn)率。

相較于國外，國內(nèi)對于機器視覺領(lǐng)域的研究相對滯后，直至20世紀90年代才開始了相關(guān)的研究，但隨著我國經(jīng)濟實力和地位的不斷提升，國內(nèi)企業(yè)也更加注重工業(yè)自動化的發(fā)展，機器視覺也得到了長足的發(fā)展。1991年重慶大學(xué)的先武等設(shè)計了基于機器視覺的滾子表面缺陷檢測的實驗裝置，并實現(xiàn)了對直徑為10-20毫米的圓柱滾子表面的缺陷檢測；1996年，王斌等分析了厚壁鋼管表面重皮缺陷的特征，提出了一種基于機器視覺的高速在線重皮缺陷圖像識別算法，測量精度達到10mm，且無漏檢、誤檢等情況；2003年，李煒等研究出了一種基于機器視覺的厚壁鋼管表面缺陷檢實時檢測系統(tǒng)，并將模糊算法及人工神經(jīng)網(wǎng)絡(luò)結(jié)合起來，設(shè)計了一種多級分類器，完成了對帶鋼表面缺陷的檢測。2010年，朱錚濤等通過斑點分析工具及斑點特征參數(shù)，完成了薄壁鋼管端面的凹坑、倒角斜面變弧面等缺陷的檢測；駱騰斌等通過對軸承端面圖像灰度直方圖的計算實現(xiàn)了Canny算子閾值的自適應(yīng)，且通過聯(lián)通域的特征與大小完成了軸承端面缺陷的判斷；虞佳佳等通過提取磁環(huán)缺陷的形態(tài)特征參數(shù)并利用支持向量機實現(xiàn)了對磁環(huán)端面的缺陷檢測及分類；2017年浙江大學(xué)的劉子豪以南美白對蝦為研究對象，探究了機器視覺對南美白對蝦進行分類的可行性，并提出一種新穎的分割算法以處理成對蝦粘連的現(xiàn)象，最后識別率達到了94.34%。雖然前述學(xué)者們對基于機器視覺的表面缺陷檢測進行了大量的研究，但是針對厚壁鋼管端面的缺陷檢測的研究較少，上述的研究對于厚壁鋼管端面缺陷檢測有一定的參考價值，但不完全適用于對厚壁鋼管端面的缺陷檢測及分類。因此，本文提出一種基機器視覺的厚壁鋼管端面的缺陷檢測及分類的方法。