本發(fā)明涉及智能圖像處理，具體涉及基于人工智能的高溫板坯圖像處理方法及系統(tǒng)。
背景技術(shù)：
1、在高溫板坯工業(yè)生產(chǎn)中，實(shí)時(shí)、精準(zhǔn)的表面缺陷檢測(cè)是保障產(chǎn)品質(zhì)量的關(guān)鍵環(huán)節(jié)，然而，高溫環(huán)境中，通常達(dá)800-1200℃，導(dǎo)致板材表面呈現(xiàn)強(qiáng)烈的熱輻射效應(yīng)，具體表現(xiàn)為圖像動(dòng)態(tài)范圍極端化，如局部過(guò)曝與暗區(qū)并存、非均勻亮度干擾，如氧化皮反光波動(dòng)及熱噪聲密集、熱浪氣流擾動(dòng)等問(wèn)題，傳統(tǒng)圖像處理方法面臨顯著挑戰(zhàn)：固定參數(shù)的動(dòng)態(tài)范圍壓縮算法無(wú)法自適應(yīng)調(diào)節(jié)高光抑制強(qiáng)度，導(dǎo)致微小裂紋或凹坑的紋理細(xì)節(jié)丟失；基于人工經(jīng)驗(yàn)設(shè)計(jì)的濾波去噪模型雖可抑制隨機(jī)噪聲，但易模糊缺陷邊緣特征，造成特征混淆；此外，現(xiàn)有數(shù)據(jù)增強(qiáng)技術(shù)多依賴(lài)幾何變換，缺乏對(duì)高溫物理特性的模擬，導(dǎo)致模型泛化能力不足，此類(lèi)圖像處理鏈中的信息損失直接影響缺陷識(shí)別準(zhǔn)確率，據(jù)統(tǒng)計(jì)，傳統(tǒng)方法在高溫場(chǎng)景下的誤檢率高達(dá)30%-40%，嚴(yán)重制約了產(chǎn)線良品率與自動(dòng)化水平。因此，如何降低圖像獲取與預(yù)處理階段的特征損失率，成為提升高溫工業(yè)質(zhì)檢精度的核心突破口。
技術(shù)實(shí)現(xiàn)思路
1、本發(fā)明目的是針對(duì)背景技術(shù)中存在的問(wèn)題，提出基于人工智能的高溫板坯圖像處理方法及系統(tǒng)。
2、本發(fā)明的技術(shù)方案：基于人工智能的高溫板坯圖像處理方法，包括以下步驟：
3、s1、獲取板坯的原始高溫圖像，動(dòng)態(tài)壓縮原始高溫圖像的高光區(qū)域，隨后分離光照分量和反射分量，增強(qiáng)反射分量對(duì)比度，得到預(yù)處理圖像；最后結(jié)合導(dǎo)向?yàn)V波與小波閾值對(duì)預(yù)處理圖像去噪，得到第一處理圖像；
4、s2、通過(guò)對(duì)第一處理圖像進(jìn)行彈性變換模擬熱浪扭曲效應(yīng)，得到第二處理圖像，對(duì)第二處理圖像施加隨機(jī)亮度擾動(dòng)，得到第三處理圖像；
5、s3、獲取正常板材圖像、原始高溫圖像的噪聲向量和板材缺陷類(lèi)型，構(gòu)建輕量級(jí)模型生成微小缺陷掩模，基于缺陷掩模對(duì)第三處理圖像進(jìn)行隨機(jī)變換，得到合成圖像；
6、s4、基于合成圖像和缺陷掩模，生成高溫圖像數(shù)據(jù)集并進(jìn)行數(shù)據(jù)分析，獲取高溫原始圖像的缺陷特征。
7、優(yōu)選的，針對(duì)s1，獲取原始高溫圖像，h和w分別是像素高度和寬度；動(dòng)態(tài)壓縮原始高溫圖像的高光區(qū)域的方法包括：
8、獲取原始高溫圖像每個(gè)像素點(diǎn)的初始亮度值，基于初始亮度值對(duì)原始高溫圖像進(jìn)行動(dòng)態(tài)壓縮，壓縮公式如下：
9、；
10、式中，為處理亮度值；i（i，j）為初始亮度值；d為標(biāo)準(zhǔn)亮度范圍最大值；α1為自適應(yīng)參數(shù)，根據(jù)圖像動(dòng)態(tài)范圍計(jì)算，，μ1為原始高溫圖像亮度值均值，σ1為方亮度值方差；
11、基于每個(gè)像素點(diǎn)的處理亮度值，生成預(yù)處理圖像。
12、優(yōu)選的，分析獲取分離光照分量和反射分量，增強(qiáng)反射分量對(duì)比度的方法包括：
13、使用三個(gè)高斯核對(duì)預(yù)處理圖像進(jìn)行卷積，卷積公式如下：
14、；
15、式中，為基于高斯核的光照分量；σ2為用于控制高斯核的平滑參數(shù)，σ2∈{15，80，200}。
16、優(yōu)選的，對(duì)每個(gè)尺度下的光照分量取對(duì)數(shù)并相減，得到多尺度下對(duì)應(yīng)的反射分量，計(jì)算公式如下：
17、；
18、最終反射分量r（x）通過(guò)將多尺度反射分量進(jìn)行融合平均計(jì)算，公式如下：
19、。
20、優(yōu)選的，對(duì)最終反射分量r（x）進(jìn)行增強(qiáng)處理，對(duì)最終反射分量r（x）進(jìn)行直方圖拉伸至?[0,?d]，并應(yīng)用clahe限制對(duì)比度自適應(yīng)直方圖均衡化；
21、結(jié)合導(dǎo)向?yàn)V波與小波閾值去噪，得到第一處理圖像的方法包括：
22、使用最終反射分量r（x）作為引導(dǎo)圖，對(duì)原始高溫圖像進(jìn)行濾波，對(duì)濾波后圖像進(jìn)行3層小波分解，得到高頻子帶和低頻子帶，對(duì)高頻子帶應(yīng)用全局硬閾值，得到第一處理圖像。
23、優(yōu)選的，針對(duì)s2，通過(guò)彈性變換模擬熱浪扭曲效應(yīng)，得到第二處理圖像的方法包括：
24、創(chuàng)建兩個(gè)獨(dú)立的高斯濾波位移矩陣和，高斯濾波位移矩陣的尺寸與第一處理圖像的尺寸相同，兩個(gè)高斯濾波位移矩陣和基于以下公式計(jì)算獲取：
25、，；
26、式中，α2為位移幅度；σ4為高斯核標(biāo)準(zhǔn)差；為二維高斯分布隨機(jī)數(shù)；i和j分別為處理圖像中像素點(diǎn)的橫縱坐標(biāo)；
27、對(duì)處理圖像的每個(gè)像素點(diǎn)（i，j）計(jì)算新坐標(biāo)，計(jì)算公式如下：
28、，；
29、對(duì)每個(gè)像素點(diǎn)的坐標(biāo)按新坐標(biāo)進(jìn)行更新，將使用雙線性插值對(duì)計(jì)算新坐標(biāo)后的處理圖像進(jìn)行重采樣，得到第二處理圖像，避免鋸齒效應(yīng)。
30、優(yōu)選的，對(duì)第二處理圖像施加隨機(jī)亮度擾動(dòng)，得到第三處理圖像的方法包括：
31、對(duì)處理圖像進(jìn)行亮度通道提取，對(duì)亮度通道進(jìn)行隨機(jī)縮放，隨機(jī)縮放表達(dá)式如下：
32、；
33、式中，為縮放亮度；v為原始亮度；δ為隨機(jī)縮放參數(shù)，δ∈（-0.3，0.3）；
34、構(gòu)建輕量級(jí)模型生成微小缺陷掩模的方法包括：
35、利用one-hot編碼定義缺陷類(lèi)型標(biāo)簽，將噪聲向量和缺陷類(lèi)型標(biāo)簽輸入至缺陷生成器網(wǎng)絡(luò)中，得到缺陷掩模m，并對(duì)缺陷掩模m進(jìn)行歸一化處理；
36、對(duì)缺陷掩模m按隨機(jī)位置和隨機(jī)旋轉(zhuǎn)角度疊加到正常板材圖像上進(jìn)行變換和縮放，得到變換圖像，變換和縮放基于以下公式實(shí)現(xiàn)：
37、；
38、式中，為合成圖像；為正常板材圖像；為缺陷圖像；符號(hào)“⊙”表示逐元素相乘。
39、優(yōu)選的，學(xué)習(xí)高溫原始圖像的缺陷特征的方法包括：
40、從高溫圖像數(shù)據(jù)集中加載一個(gè)批次的合成圖像和缺陷掩模m，并輸入同一批次的合成圖像經(jīng)過(guò)預(yù)處理后的mobilenetv3-small模型中，得到原始輸出結(jié)果，通過(guò)sigmoid激活函數(shù)將原始輸出結(jié)果歸一化到概率空間，得到缺陷概率；
41、對(duì)每個(gè)像素點(diǎn)（i，j）計(jì)算分類(lèi)損失，計(jì)算公式如下：
42、；
43、式中，z（i，j，b）為真實(shí)掩模標(biāo)簽，z（i，j，b）∈{0，1}；p（i，j，b）為像素點(diǎn)缺陷概率；b為同一批次的合成圖像編號(hào)，b為正整數(shù)，b∈[1，b]，b為β批次大小；為正樣本權(quán)重；f（）為損失函數(shù)。
44、優(yōu)選的，損失函數(shù)的表達(dá)式如下：
45、；式中，a、b、c均為變量；
46、通過(guò)以下公式對(duì)所有像素求和并歸一化：
47、；式中，為總損失；
48、將總損失作為原始高溫圖像的缺陷特征。
49、本發(fā)明還公開(kāi)了基于人工智能的高溫板坯圖像處理系統(tǒng)，應(yīng)用了上述的基于人工智能的高溫板坯圖像處理方法，具體包括：
50、圖像獲取與第一處理模塊，用于獲取板坯的原始高溫圖像，動(dòng)態(tài)壓縮原始高溫圖像的高光區(qū)域，隨后分離光照分量和反射分量，增強(qiáng)反射分量對(duì)比度，得到預(yù)處理圖像；最后結(jié)合導(dǎo)向?yàn)V波與小波閾值對(duì)預(yù)處理圖像去噪，得到第一處理圖像；
51、第二處理模塊，用于通過(guò)對(duì)第一處理圖像進(jìn)行彈性變換模擬熱浪扭曲效應(yīng)，得到第二處理圖像，對(duì)第二處理圖像施加隨機(jī)亮度擾動(dòng)，得到第三處理圖像；
52、第三處理模塊，用于獲取正常板材圖像、原始高溫圖像的噪聲向量和板材缺陷類(lèi)型，構(gòu)建輕量級(jí)模型生成微小缺陷掩模，基于缺陷掩模對(duì)第三處理圖像進(jìn)行隨機(jī)變換，得到合成圖像；
53、圖像分析與第四處理模塊，基于合成圖像和缺陷掩模，生成高溫圖像數(shù)據(jù)集并進(jìn)行數(shù)據(jù)分析，獲取高溫原始圖像的缺陷特征。
54、與現(xiàn)有技術(shù)相比，本發(fā)明的上述技術(shù)方案具有如下有益的技術(shù)效果：
55、（1）通過(guò)動(dòng)態(tài)對(duì)數(shù)色調(diào)映射，基于圖像均值與方差自適應(yīng)調(diào)整壓縮強(qiáng)度，避免固定參數(shù)造成的局部信息損失；
56、（2）采用多尺度分解與clahe融合，通過(guò)三尺度高斯核分離非均勻光照分量，結(jié)合塊狀直方圖均衡化增強(qiáng)微小缺陷的反射特征；
57、設(shè)計(jì)導(dǎo)向?yàn)V波-小波閾值聯(lián)合去噪，在保留邊緣的同時(shí)抑制熱輻射噪聲；通過(guò)高溫?cái)?shù)據(jù)增強(qiáng)創(chuàng)新性地引入物理約束的缺陷合成與彈性熱浪扭曲，解決了傳統(tǒng)增強(qiáng)方法缺乏高溫場(chǎng)景真實(shí)性的問(wèn)題，降低了圖像處理鏈中的特征損失率，為后續(xù)分析提供了高保真輸入。