[发明专利]基于条纹多视野卷积网络的多线激光图像缺陷分割方法

说明书

本发明公开一种基于条纹多视野卷积网络的多线激光图像缺陷分割方法。该方法包括：将多线激光光条图像输入到基于条纹多视野卷积的激光光条图像缺陷分割模型中，提取特征以分割出多种成像缺陷。条纹多视野卷积层包括四个卷积分支，分别为3*3普通卷积分支、3*3空洞卷积分支、横向条纹卷积分支和纵向条纹卷积分支。普通卷积分支主要提取多线激光图像的细节信息空洞卷积分支恰好是两个条纹卷积的交叉重叠区域，用于提取中心位置的环状范围特征。横向条纹卷积分支用于提取多线激光图像的横向特征，挖掘单光条内部结构信息。纵向条纹卷积分支用于提取多线激光图像的纵向特征，主要挖掘相邻光条间的关联信息。本发明能准确分割常见的激光图像成像缺陷。

技术领域

本发明涉及图像分析技术领域，更具体地，涉及一种基于条纹多视野卷积网络的多线激光图像缺陷分割方法。

背景技术

近年来基于深度学习的计算机视觉技术发展迅速，广泛应用于深度估计、图像修复、目标检测等领域。激光光学检测和计算机视觉技术的结合以非接触、高效率的优点在工业检测领域中得到广泛应用。

工业检测领域经常采用多线激光进行光学测量，由于检测时受环境干扰和物体光滑表面反射光的影响，所采集的激光光条图像成像质量差，存在光斑、光条断裂等缺陷，严重影响后续的图像处理和测量精度。为保障基于激光视觉和计算机视觉的工业检测精度，需要利用深度学习在图像分割领域的优势，对多线激光图像中存在的成像缺陷进行分割，以利于后续多线激光的成像缺陷修复从而提高检测精确度。

多线激光图像中的光条细长，纹理特征不明显。将现有的图像分割模型直接用于多线激光图像进行缺陷分割，精度低且效率不高。如何对多线激光图像进行高精度高效率的缺陷分割成为工业检测领域的难点。

发明内容

本发明的目的是克服上述现有技术的缺陷，提供一种基于条纹多视野卷积网络的多线激光图像缺陷分割方法。该方法包括以下步骤：

经线激光投射获取被测物的多线激光光条图像；

将上述多线激光光条图像输入到基于条纹多视野卷积的激光光条图像缺陷模型中，提取特征以分割激光图像中的成像缺陷。其中，条纹多视野卷积层包括四个卷积分支，分别为3*3普通卷积分支，3*3空洞卷积分支、横向条纹卷积分支和纵向条纹卷积分支。3*3普通卷积分支主要提取多线激光图像的细节信息，这对于小面积的成像缺陷尤为重要。3*3空洞卷积分支恰好是两个条纹卷积的交叉重叠区域，用于提取中心位置的环绕特征。横向条纹卷积分支用于提取多线激光图像的横向特征，主要挖掘单光条内部的连接信息。纵向条纹卷积分支用于提取多线激光图像的纵向特征，主要挖掘相邻光条间的关联信息。经过四个卷积分支的组合，条纹多视野卷积层可以获得较大范围的“十字”视野。

与现有技术相比，本发明的优点在于，针对多线激光图像中光条细长的特点，突出了基于条纹多视野卷积的多线激光图像缺陷分割模型，可以高精度高效率的分割常见的成像缺陷(如光斑和光条断裂区域)，显著提高了成像缺陷修复效果以及最终的测量精度。

通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。

附图说明

被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。

图1是根据本发明一个实施例的多线激光图像的光斑缺陷和断裂缺陷的示意图；

图2是根据发明一个实施例的基于条纹多视野卷积的激光光条图像缺陷分割模型的结构图；

图3是根据本发明一个实施例的基于条纹多视野卷积的激光光条图像缺陷分割模型的图形示意图；

图4是根据本发明一个实施例的空洞率为2的条纹多视野卷积的视野可视化图；

图5是根据本发明一个实施例的多线激光缺陷分割示意图；