一种基于 A-MSR 和 AG-ABF 的用于区域异质钢板表面缺陷的联合图像增强方法

《Optics & Laser Technology》：A joint image enhancement method using A-MSR and AG-ABF for regionally heterogeneous steel plate surface defects

　　

摘要：传统增强方法在弱缺陷与区域异质性的钢表面图案共存时，可能会放大轧制纹理和背景波动。为解决这一问题，针对热轧钢表面缺陷图像提出了一种自适应双域融合框架（ADF）。方差驱动的自适应多尺度Retinex模块（A-MSR）将归一化MSR响应的局部方差映射为有界增益场，在保留局部均值的同时调节局部细节残差。梯度引导的自适应双边滤波模块（AG-ABF）根据局部边缘强度组合小尺度与大尺度双边响应，提供辅助的保边平滑响应。两个分支被分解为结构层与细节层，并使用由相对细节方差和边缘引导确定的空间变化权重进行集成。在NEU-DET数据集上，ADF的平均梯度为0.5715，信息熵为7.1948，边缘与背景比的池化值为1.3806。与A-MSR相比，ADF将背景区域梯度降低了20.5%，同时保留了约80.8%的缺陷区域梯度和97.5%的信息熵。在下游YOLOv8n检测实验中，与原始图像相比，ADF将mAP50和mAP50-95分别提高了1.73和2.08个百分点。在GC10-DET数据集上，ADF的mAP50为0.7277，mAP50-95为0.3545，在两项mAP指标上均优于原始图像和AW-MSR。这些结果表明，ADF在缺陷增强、背景抑制、信息保留和下游检测性能之间提供了良好的权衡。

引言：热轧钢板广泛应用于汽车制造、机械设备、轨道交通、建筑等工程领域。其表面质量直接影响后续的成形、焊接、涂装、抗疲劳性能和使用可靠性[1]。由于轧制条件波动、氧化铁皮形成、设备磨损和环境干扰，生产过程中可能出现裂纹、夹杂、斑块、压痕、氧化铁皮和划痕等各种缺陷[2]。这些缺陷可能降低表面完整性和产品外观，严重时会影响最终产品的力学性能。因此，可靠的表面缺陷检测对于质量控制和智能钢铁制造至关重要[3]。近期综述强调了在钢材表面检测中自动化视觉方法的应用日益增加，因为人工检测受主观性、效率和一致性的限制[4]。

传统机器视觉方法通常通过灰度统计、边缘算子、纹理描述符、阈值分割和传统分类器来检测钢材表面缺陷[5]。尽管这些方法可解释且计算开销低，但其性能对光照变化[6]、特征选择和背景纹理[7]敏感。近年来，深度卷积网络和视觉Transformer大幅提升了钢材缺陷检测能力[8]。多尺度特征聚合、注意力机制、动态卷积、自监督表示学习和轻量级检测器设计已被引入，以提高对小型、细长和低对比度缺陷的识别能力[9]，[10]。然而，大多数现有研究侧重于后端网络架构、特征融合、损失函数和检测效率。前端图像质量的影响受到的关注相对较少，尽管不清晰的缺陷边界、局部曝光不足、反光和复杂的轧制纹理可能直接导致误报、漏检和定位不准[11]。

图像增强是提高缺陷检测前弱结构可见性的有效手段。直方图均衡化和对比度受限自适应直方图均衡化能够高效地扩展灰度分布，但也可能放大局部波动或导致饱和[12]。因此，钢材专项研究引入了自适应多尺度Retinex、Retinex-Gabor处理和生成式增强来提高缺陷对比度[13]。更广义地说，Retinex理论将光照效果与场景反射率分离，为不均匀光照校正提供了可解释的基础[14]，[15]。近期的自适应Retinex方法结合了局部平坦度[16]、变异系数图[17]、结构约束[18]、光照正则化[19]、自适应分解[20]和学习先验，以改善细节保留[21]并抑制低光噪声[22]。例如，局部统计信息可用于调节光照估计或结构正则化，而深度Retinex模型通常学习光照和反射率成分的分解与重构[23]。这些方法展示了空间适应性的有效性，但大多数是针对一般自然图像或低光图像而非纹理密集的钢材表面开发的。保边滤波器提供了另一条相关技术路线。双边滤波通过同时考虑空间邻近性和灰度相似性进行非线性平滑[24]，[25]。导向滤波在引导图像与输出之间建立局部线性关系[26]，而联合双边滤波从额外引导信号计算范围域权重[27]。自适应双边滤波器通常根据局部图像特征修改滤波核的中心、宽度或空间支撑[28]。与这些方法不同，本研究开发的AG-ABF分支不构建局部线性滤波模型、不引入外部引导图像，也不直接修改双边滤波的范围核。相反，它使用输入图像的梯度响应来组合两个具有互补空间尺度的双边滤波输出。同样，所提出的A-MSR与主要重构光照图或修改变分正则化的自适应Retinex方法不同。它将归一化MSR响应的局部方差映射为有界增益场，并将该场应用于局部细节残差，同时保留局部均值。这些设计将既有的增强和滤波原理适配到钢材表面上弱缺陷与轧制纹理共存的特定场景。

当直接应用于钢板表面缺陷图像时，现有增强和保边滤波方法仍存在两个主要局限：

(1) 大多数增强方法是针对自然图像、一般低光场景或全局不均匀光照开发的。弱缺陷、平滑背景、密集轧制纹理、氧化铁皮和局部污染的局部共存并未被明确建模。因此，提升缺陷可见性可能同时增强无关纹理、虚假边缘或噪声，从而降低缺陷与背景之间的可分离性。

(2) 增强与平滑通常被设计为独立操作。基于Retinex的方法可能产生强烈的细节响应，但保留过多的背景波动；而保边滤波器在抑制纹理噪声的同时可能削弱弱缺陷结构。现有方法通常缺乏协调的空间机制，无法在结构和细节域中为增强和平滑响应分配不同的贡献。

为克服上述局限，本研究提出了一个自适应双域融合框架，称为ADF，用于区域异质性的钢板表面缺陷图像。ADF由方差驱动的自适应多尺度Retinex分支、梯度引导的自适应双边滤波分支和空间自适应融合阶段组成。A-MSR作为主增强分支，根据区域方差调节局部细节强度。AG-ABF作为辅助平滑分支，根据局部边缘强度组合小尺度与大尺度双边响应。随后，其结构层与细节层使用由相对细节方差和边缘支持共同约束的空间权重进行集成。该框架旨在保留缺陷相关信息，同时缓和过度的背景增强。本研究的主要贡献总结如下：

(1) 为多尺度Retinex开发了一种方差驱动的残差调节策略。从归一化MSR响应计算的局部方差被映射为连续且有界的增益场。增益场并非缩放完整的Retinex响应，而是在保留局部均值的同时调节局部细节残差，实现了对平滑区域和纹理密集区域的差异化增强。

(2) 构建了梯度引导的双边分支和自适应双域融合机制。AG-ABF根据局部梯度信息组合两个互补的双边滤波尺度。ADF进一步使用相对细节方差和边缘支持为结构层和细节层分配空间变化权重，提供了比固定线性融合更可控的集成方式。

(3) 建立了系统实验协议以评估图像质量和任务级有效性。在NEU-DET上进行了参数敏感性分析、组件消融、区域感知梯度分析、对比实验和计算效率评估。独立的YOLOv8n检测实验用于评估下游收益，GC10-DET用于评估外部数据集的适用性。

基础多尺度Retinex模型

根据Retinex理论[29]，观察到的灰度图像可表示为光照成分与反射率成分的乘积。设I(x,y)∈[0,1]表示输入图像。Retinex分解表示如下：
I(x,y)=L(x,y)ρ(x,y)
其中L(x,y)和ρ(x,y)分别表示光照成分和反射率成分。在传统中心-周围Retinex中，光照成分通过高斯平滑近似。遵循中心-周围Retinex模型……

数据集与实验方案

NEU-DET数据集[32]作为主要基准，GC10-DET数据集[33]用于外部验证。NEU-DET包含1800张热轧钢表面灰度图像，空间分辨率为200×200像素。该数据集涵盖六种缺陷类别——裂纹（Cr）、夹杂（In）、斑块（Pa）、压痕（Ps）、氧化铁皮（Rs）和划痕（Sc）——每类300张图像。使用固定随机种子2026，图像在图像级别被分层为……

结论

本研究提出了一种自适应双域融合框架，称为ADF，用于区域异质性的钢板表面缺陷图像。ADF结合了方差驱动的细节调节、梯度引导的双边平滑和空间自适应的结构-细节融合，以平衡弱缺陷增强与背景抑制。在独立的NEU-DET测试集上，ADF的平均梯度为0.5715，信息熵为7.1948，池化边缘与背景比为1.3806。

作者贡献声明

Yingkui Gu：撰写-初稿，监督，项目管理，资金获取，概念构思。
Wenbo Qing：撰写-初稿，可视化，验证，方法论，调查研究，正式分析。
Wencheng Zhou：撰写-初稿，可视化，验证，方法论，调查研究，概念构思。
Chaolin Yang：撰写-初稿，可视化，方法论，调查研究，正式分析。
Huang Peng：可视化，监督，方法论。

利益冲突声明

作者声明不存在已知的竞争性经济利益或个人关系，这些利益或关系可能影响本研究中报告的工作。

致谢

本研究得到国家自然科学基金（批准号62563014和52165012）及中国江西省自然科学基金（批准号20242BAB25266）的支持。

作者列表：Yingkui Gu|Wenbo Qing|Wencheng Zhou|Chaolin Yang|Peng Huang|Guangqi Qiu