基于改进U-Net模型的高反光噪声去除方法技术

本发明专利技术公开了一种基于改进U

【技术实现步骤摘要】
基于改进U
‑
Net模型的高反光噪声去除方法


[0001]本专利技术涉及计算机视觉
，具体为一种基于U
‑
Net改进模型的高反光噪声的高精度视觉检测及去除方法。

技术介绍

[0002]在对工业零部件、金属等物体进行表面质量检测时，计算机视觉技术是目前最常使用的技术手段之一，但是工业零件、金属、镜子等物体的表面易存在高反光区域，通过计算机视觉技术中的相机采集具有高反光特性的工业零件等物体表面图像，再采用图像处理技术对采集图像进行处理时，图像中的高反光区域会严重影响图像的处理效果，这不仅增加了图像处理难度，而且易导致检测结果不准确。
[0003]检测和分离图像中高反光区域并不简单，传统的分离方法主要针对单一图像和多图像进行。多图像高光区域去除常用方法和策略是：从多个图像中找到匹配的镜面反射和漫反射像素特征，此类方法通常需要耗费大量的时间。而单一图像的去高光区域方法则基于模型实现，例如名称为：基于双色反射模型的彩色结构光颜色识别的(发表于计算机学报，2013年9月，第36卷第9期)论文中提供了一种双色反射模型的投射光颜色识别算法，能够实现彩色结构光颜色的检测。然而，模型的性能极易受物体的几何形状、照明条件、反射率和材料特性等因素影响，当这些因素差别较大时，模型检测结果则可能完全不同，从而无法达到有效检测并去除高反光噪声的目的。
[0004]近期也有一些通过模型实现图像中高光噪声去除的研究，例如生成对抗网络(GAN)的模型在单个内窥镜图像中的应用；再例如，通过卷积神经网络(CNN)模型生成漫反射分量来达到从单个图像中去除镜面高光噪声的效果等，另外，采用卷积神经网络进行图像分类时，输出的结果是整个图像的类标签。卷积神经网络(CNN)模型的典型代表为U
‑
Net网络，U
‑
Net网络具有U字型结构，使用该结构不仅可以减少所使用的训练图片，提高训练速度，而且能够实现图像的准确分割。但是U
‑
Net网络是像素级的，它输出的则是每个像素点的类别，且不同类别的像素会显示不同颜色，虽然U
‑
Net网络的提出是为了解决生物医学图像的相关问题，但因强大的性能和良好的泛化能力，也受到其他计算机视觉任务的青睐。然而U
‑
Net网络也有两个很明显的缺点：(1)运行收敛速度偏慢，存在过拟合问题，并且原始网络特性会导致同样特征被多次训练，造成资源浪费。(2)定位准确性和获取上下文信息不可兼得。
[0005]相对于传统方法，基于深度学习的方法还依赖训练数据，当训练数据不足时，易出现输出结果差，处理后的图像出现颜色失真、灰度值残差等问题，难以达到工业界要求的精度标准。因此，专利技术一种受物体的几何形状、照明条件、反射率、材料特性和训练数据等因素影响较小，能够提高图像高反光噪声检测准确性和去除效果的高精度视觉检测方法成为本领域人员亟待解决的问题。

技术实现思路

[0006]针对现有技术中存在的缺陷，本专利技术提供了一种高反光噪声的高精度视觉检测及去除方法，其可提高运行速度，可提高图像中高反光区域检测准确性。
[0007]为实现上述目的，本专利技术采用如下技术方案：
[0008]一种基于改进U
‑
Net模型的高反光噪声去除方法，其特征在于，该方法基于改进U
‑
Net模型实现，所述改进U
‑
Net模型包含上采样路径和下采样路径的三个卷积模块，每个所述卷积模块包含两个连接线性整流函数(ReLU激活函数)的卷积层，并被一个最大池化层所链接；所述方法包括：S1、获取待测物体的原始图像；
[0009]S2、对所述原始图像进行预处理，获取预处理图像；
[0010]S3、将所述预处理图像作为输入图像，对所述改进U
‑
Net模型进行训练，构建所述改进U
‑
Net模型；训练步骤包括：S31、在所述改进U
‑
Net模型中加入批量标准化层，在卷积模块中的每个卷积层后加入一个标准化层；
[0011]S32、舍弃神经元操作；
[0012]S33、使用Xavier初始化方法对权重进行初始化，并输出改进图像；
[0013]S4、获取原始点云数据；
[0014]S5、对所述原始点云数据进行配准，获取配准点云数据；
[0015]S6、对所述配准点云数据进行降噪、平滑、精简，获取处理后的点云数据；
[0016]S7、基于所述处理后的点云数据，进行三维重建。
[0017]其进一步特征在于，
[0018]所述卷积层为3
×
3的卷积层；
[0019]所述最大池化层为2
×
2的最大池化层；
[0020]步骤S1中，采用双目相机采集原始图像，所述原始图像为二维图像；
[0021]步骤S2中，预处理步骤包括：将所述原始图像的尺寸调整为所述改进U
‑
Net模型所要求的输入尺寸；应用均值减法对尺寸调整后的原始图像进行处理，所述均值减法指：所述尺寸调整后的原始图像的特征数据减去每个对应特征的平均值这一操作方法；
[0022]步骤S31中，在每个所述3
×
3的卷积层之后插入一个所述批量标准化层，具体包括：在训练过程中，S311、对模型中的激活函数进行批量标准化；
[0023]S312、计算每个所述输入图像的各单独特征的均值和方差；
[0024]S313、获取均值和方差与每个单独特征的平差值，并使用该差值除以标准偏差；
[0025]S314、对批量标准化后的所述激活函数进行归一化并添加一个常数；
[0026]步骤S32中，在所述改进U
‑
Net模型的训练过程中，加入舍弃神经元操作，具体包括：在每个训练阶段以概率p丢弃单个节点，减小模型规模；
[0027]所述概率p＝0.2；
[0028]步骤S33中，在所述改进U
‑
Net模型的训练过程中，所述Xavier初始化方法指综合使用Adadelta优化器与默认参数，从均匀分布中抽取样本，并使用分类交叉熵作为损失函数。
[0029]采用本专利技术上述结构可以达到如下有益效果：本申请基于改进U
‑
Net模型对图像中的高反光噪声进行去除，在改进U
‑
Net模型训练过程中，加入批量标准化层，即在卷积模块中的每个卷积层后加入一个标准化层，标准化层用于对模型中的激活函数进行标准化，
从而能够加快训练过程中的收敛速度，并应用间接正则化项避免了模型过拟合的问题。
[0030]改进U
‑
Net模型训练过程中还加入了舍弃神经元操作，神经元在训练过程中相互依赖，这限制了每个神经元的个体能力，容易导致训练数据过度拟合，舍弃神经元操作的加入可以提供隐式数据来缓解过度拟合，该操作中在每个训练阶段以概率p丢弃单个节点，概率p本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进U
‑
Net模型的高反光噪声去除方法，其特征在于，该方法基于改进U
‑
Net模型实现，所述改进U
‑
Net模型包含上采样路径和下采样路径的三个卷积模块，每个所述卷积模块包含两个连接线性整流函数的卷积层，并被一个最大池化层所链接；所述方法包括：S1、获取待测物体的原始图像；S2、对所述原始图像进行预处理，获取预处理图像；S3、将所述预处理图像作为输入图像，对所述改进U
‑
Net模型进行训练，构建所述改进U
‑
Net模型；训练步骤包括：S31、在所述改进U
‑
Net模型中加入批量标准化层，在卷积模块中的每个卷积层后加入一个标准化层；S32、舍弃神经元操作；S33、使用Xavier初始化方法对权重进行初始化，并输出分割图像；S4、获取原始点云数据；S5、对所述原始点云数据进行配准，获取配准后的点云数据；S6、对所述配准点云数据进行降噪、平滑、精简，获取处理后点云数据；S7、基于所述处理点云数据，进行三维重建。2.根据权利要求1所述的基于改进U
‑
Net模型的高反光噪声去除方法，其特征在于，所述卷积层为3
×
3的卷积层；所述最大池化层为2
×
2的最大池化层。3.根据权利要求1或2所述的基于改进U
‑
Net模型的高反光噪声去除方法，其特征在于，步骤S1中，采用双目相机采集原始图像，所述原始图像为二维图像。4.根据权利要求3所述的基于改进U
‑
Net模型...

【专利技术属性】
技术研发人员：刘国营，葛继，
申请(专利权)人：无锡图创智能科技有限公司，
类型：发明
国别省市：