当前国内外对厚壁钢管的表面检测方式主要有：人工检测、红外检测、超声波检测、磁粉检测和机器视觉检测等。机器视觉检测技术是一种无接触无损伤检测，凭借其速度快、精度高、稳定性强等优点，很好的满足了当今工业自动化的需求。因此国内外学者对利用机器视觉检测产品表面缺陷方面开展了大量的研究。

机器视觉技术发展最早、最快、使用最多的国家主要集中在欧美和日本，早在20世纪70年代中期，日本的川崎公司开发了镀锡板在线机器视觉检测装置;1983年B.V.Suresh等研究出了基于机器视觉的冷轧钢表面缺陷检测系统；1988年，德国的SICK公司在冷轧厂的生产线上安装了五台基于机器视觉的表面缺陷检测设备（ASIS）;美国在1966年，由Connex公司研制了一种基于机器学习的表面检测系统，实现了表面缺陷的分类；进入90年代，伴随着计算机技术领域人工智能、神经网络等学科的完善，机器视觉技术得到了进一步的发展，并使之逐渐走向了智能化。Kerr.D等人将机器视觉应用于数控机床中的刀具磨损情况的检测，并研究了基于神经网络的模型，实现了刀具磨损程度的精确测量。B.M.Kumar等人研究了旋转工件表面粗糙度的测量，依据机器视觉相关处理方法，得到了不同粗糙度表面的一些特征信息，最终设计出一套基于机器视觉的厚壁钢管表面粗糙程度的检测系统。G.Krummeanacher[6]等利用支持向量机（SVM）分类器对有缺陷的火车车轮图像进行学习训练，完成了对车轮是否有缺陷的判断并对缺陷进行了分类识别。CTikhe等针对金属表面存在的难以被人工目视检测到的孔洞、划痕等缺陷，提出了一种改进的Gabor滤波器进行缺陷的自动检测和分类的技术，以保证生产过程中金属的质量和生产率。

相较于国外，国内对于机器视觉领域的研究相对滞后，直至20世纪90年代才开始了相关的研究，但随着我国经济实力和地位的不断提升，国内企业也更加注重工业自动化的发展，机器视觉也得到了长足的发展。1991年重庆大学的先武等设计了基于机器视觉的滚子表面缺陷检测的实验装置，并实现了对直径为10-20毫米的圆柱滚子表面的缺陷检测；1996年，王斌等分析了厚壁钢管表面重皮缺陷的特征，提出了一种基于机器视觉的高速在线重皮缺陷图像识别算法，测量精度达到10mm，且无漏检、误检等情况；2003年，李炜等研究出了一种基于机器视觉的厚壁钢管表面缺陷检实时检测系统，并将模糊算法及人工神经网络结合起来，设计了一种多级分类器，完成了对带钢表面缺陷的检测。2010年，朱铮涛等通过斑点分析工具及斑点特征参数，完成了薄壁钢管端面的凹坑、倒角斜面变弧面等缺陷的检测；骆腾斌等通过对轴承端面图像灰度直方图的计算实现了Canny算子阈值的自适应，且通过联通域的特征与大小完成了轴承端面缺陷的判断；虞佳佳等通过提取磁环缺陷的形态特征参数并利用支持向量机实现了对磁环端面的缺陷检测及分类；2017年浙江大学的刘子豪以南美白对虾为研究对象，探究了机器视觉对南美白对虾进行分类的可行性，并提出一种新颖的分割算法以处理成对虾粘连的现象，最后识别率达到了94.34%。虽然前述学者们对基于机器视觉的表面缺陷检测进行了大量的研究，但是针对厚壁钢管端面的缺陷检测的研究较少，上述的研究对于厚壁钢管端面缺陷检测有一定的参考价值，但不完全适用于对厚壁钢管端面的缺陷检测及分类。因此，本文提出一种基机器视觉的厚壁钢管端面的缺陷检测及分类的方法。