一种图像去模糊网络模型、旋转体振动位移视觉测量方法技术

本发明专利技术公开了一种图像去模糊网络模型、旋转体振动位移视觉测量方法，模型包括浅层特征提取模块、深层特征提取模块、特征融合模块、多尺度特征提取模块、密集残差模块、RDM模块、注意力机制。将本发明专利技术提出的去模糊网络模型用于视觉测振的数据收集阶段，能提高图像数据清晰度和对图像数据进行特征增强，有效降低了对图像数据采集所需相机的帧率和分辨率等性能要求；进一步通过对比Ground

【技术实现步骤摘要】
一种图像去模糊网络模型、旋转体振动位移视觉测量方法


[0001]本专利技术涉及一种图像去模糊网络模型、旋转体振动位移视觉测量方法，属于人工智能图像去模糊重建和视觉测量领域。

技术介绍

[0002]基于视觉的故障诊断方法因其远距离、非接触、多点检测等优势受到越来越多学者的关注，但在实际视觉测振工程应用中，图像位移及应变场测量在图像采集、处理和位移场测量过程中存在明显缺陷，主要表现在视觉测振任务前期图像数据采集环节，由于采集设备的问题或环境的限制，导致所采集的图像数据产生模糊，鬼影或振铃效应，与真实情况有一定的差别。另外可能由于检测算法性能较差、输入图像数据特征信息较少、输入图像数据清晰度较低等情况，会导致最终经视觉检测算法拟合的结果与真实情况产生偏差。如何在视觉测振任务中提升输入图像质量，增强输入目标特征信息以强化算法鲁棒性是实现高效测量的关键，对工程项目的发展具有重大意义。
[0003]现有基于视觉的测振任务鲜有对输入图像数据进行增强的步骤，这会导致这些算法在平稳场景下有优异的检测性能，而当场景变化时检测精度可能会有较大波动。如何能够在复杂情景下实现采集图像同步去模糊，增强图像数据特征信息，从而降低测量误差提高位移检测性能是目前的首要研究方向。

技术实现思路

[0004]本专利技术提供了一种图像去模糊网络模型、旋转体振动位移视觉测量方法，以用于旋转体图像进行去模糊，并进一步实现旋转体图像中目标对象的位移测量。
[0005]本专利技术的技术方案是：
[0006]根据本专利技术的一方面，提供了一种图像去模糊网络模型，包括浅层特征提取模块、深层特征提取模块、特征融合模块、多尺度特征提取模块、密集残差模块、RDM模块、注意力机制；以模糊图像作为第一浅层特征提取模块的输入，以模糊图像经第一下采样操作的输出作为第一深层特征提取模块的输入，以模糊图像经第二下采样操作的输出第二深层特征提取模块的输入，第一浅层特征提取模块的输出通过第一密集残差模块获得第一结构体融合特征图；第一密集残差模块与第一特征融合模块之间添加第二浅层特征提取模块，第二浅层特征提取模块的输出、第一深层特征提取模块的输出作为第一特征融合模块的输入，第一特征融合模块的输出通过第二密集残差模块获得第二结构体融合特征图；第二密集残差模块与第二特征融合模块之间添加第三浅层特征提取模块，第三浅层特征提取模块的输出、第二深层特征提取模块的输出作为第二特征融合模块的输入，第二特征融合模块的输出通过第三密集残差模块获得第三结构体融合特征图；第一、二、三结构体融合特征图作为第一多尺度特征提取模块、第二多尺度特征提取模块的输入，第三密集残差模块、第四密集残差模块之间添加注意力机制，第四密集残差模块的输出作为RDM模块的输入，RDM模块的输出、第二多尺度特征提取模块的输出通过聚合后作为第五密集残差模块的输入，第一多
尺度特征提取模块的输出、第五密集残差模块的输出聚合后作为第四浅层特征提取模块的输入，第四浅层特征提取模块与第五浅层特征提取模块之间添加第六密集残差模块，第五浅层特征提取模块的输出与模糊图像相加，获得去模糊图像。
[0007]所述特征融合模块，具体为：将深层特征提取模块的输出作为特征图A，将浅层特征提取模块的输出作为特征图B；特征图A经过两次独立的卷积操作后分别得到特征图A
‑
1和特征图A
‑
2；特征图A
‑
2与特征图B经过相加操作后得到特征图B
‑
1；特征图B
‑
1经过一次卷积操作后得到特征图B
‑
2；特征图B
‑
2经过Sigmoid激活函数后得到特征图B
‑
3；特征图A
‑
1与特征图B
‑
3进行相乘操作后得到特征图B
‑
4；特征图B
‑
4与特征图A进行相加操作后，得到融合特征图B
‑
5，作为特征融合模块的输出。
[0008]所述密集残差模块由8个单层残差块串联所得。
[0009]所述第一多尺度特征提取模块，用于将第一结构体融合特征图、第二结构体融合特征图经第一上采样操作的特征图、第三结构体融合特征图经第二上采样操作的特征图进行聚合操作后进行卷积操作，获得第一多尺度特征提取模块的输出特征图；所述第二多尺度特征提取模块，用于将第一结构体融合特征图经第三下采样操作的特征图、第二结构体融合特征图、第三结构体融合特征图经第三上采样操作的特征图进行聚合操作后进行卷积操作，获得第二多尺度特征提取模块的输出特征图。
[0010]所述的注意力机制具体为坐标注意机制。
[0011]根据本专利技术的另一方面，提供了一种结合图像去模糊的旋转体振动位移视觉测量方法，包括：获取旋转体振动图像数据集；依据旋转体振动图像数据集，获取模糊图像数据集；将旋转体振动图像数据集、模糊图像数据集均划分为训练数据集和验证数据集；采用旋转体振动图像数据集、模糊图像数据集的训练数据集训练上述所述的图像去模糊网络模型，筛选出最优的候选权重；采用旋转体振动图像数据集、模糊图像数据集的验证数据集对最优的候选权重进行性能评估，以量化权重的性能，根据量化结果获得的最优权重载入提出的去模糊网络模型；利用最优权重对模糊图像数据集中的图像进行去模糊，获得去模糊图像数据集；对旋转体振动图像数据集、模糊图像数据集、去模糊图像数据集中目标位置进行标注，获得对应的标注文件；利用标注文件和对应的图像数据对目标检测网络进行训练，获得权重文件；分别利用训练出的权重文件对旋转体振动图像数据集、模糊图像数据集、去模糊图像数据集进行检测，并提取旋转体的振动位移信号。
[0012]根据本专利技术的另一方面，提供了一种结合图像去模糊的旋转体振动位移视觉测量系统，包括：获取模块，用于获取旋转体振动图像数据集；第一获得模块，依据旋转体振动图像数据集，获取模糊图像数据集；划分模块，用于将旋转体振动图像数据集、模糊图像数据集均划分为训练数据集和验证数据集；筛选模块，用于采用旋转体振动图像数据集、模糊图像数据集的训练数据集训练上述所述的图像去模糊网络模型，筛选出最优的候选权重；载入模块，用于采用旋转体振动图像数据集、模糊图像数据集的验证数据集对最优的候选权重进行性能评估，以量化权重的性能，根据量化结果获得的最优权重载入提出的去模糊网络模型；第二获得模块，用于利用最优权重对模糊图像数据集中的图像进行去模糊，获得去模糊图像数据集；第三获得模块，用于对旋转体振动图像数据集、模糊图像数据集、去模糊图像数据集中目标位置进行标注，获得对应的标注文件；第四获得模块，用于利用标注文件和对应的图像数据对目标检测网络进行训练，获得权重文件；提取模块，用于分别利用训练
出的权重文件对旋转体振动图像数据集、模糊图像数据集、去模糊图像数据集进行检测，并提取旋转体的振动位移信号。
[0013]根据本专利技术的另一方面，提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述中任意一项所述的结合图像去模糊本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像去模糊网络模型，其特征在于，包括浅层特征提取模块、深层特征提取模块、特征融合模块、多尺度特征提取模块、密集残差模块、RDM模块、注意力机制；以模糊图像作为第一浅层特征提取模块的输入，以模糊图像经第一下采样操作的输出作为第一深层特征提取模块的输入，以模糊图像经第二下采样操作的输出第二深层特征提取模块的输入，第一浅层特征提取模块的输出通过第一密集残差模块获得第一结构体融合特征图；第一密集残差模块与第一特征融合模块之间添加第二浅层特征提取模块，第二浅层特征提取模块的输出、第一深层特征提取模块的输出作为第一特征融合模块的输入，第一特征融合模块的输出通过第二密集残差模块获得第二结构体融合特征图；第二密集残差模块与第二特征融合模块之间添加第三浅层特征提取模块，第三浅层特征提取模块的输出、第二深层特征提取模块的输出作为第二特征融合模块的输入，第二特征融合模块的输出通过第三密集残差模块获得第三结构体融合特征图；第一、二、三结构体融合特征图作为第一多尺度特征提取模块、第二多尺度特征提取模块的输入，第三密集残差模块、第四密集残差模块之间添加注意力机制，第四密集残差模块的输出作为RDM模块的输入，RDM模块的输出、第二多尺度特征提取模块的输出通过聚合后作为第五密集残差模块的输入，第一多尺度特征提取模块的输出、第五密集残差模块的输出聚合后作为第四浅层特征提取模块的输入，第四浅层特征提取模块与第五浅层特征提取模块之间添加第六密集残差模块，第五浅层特征提取模块的输出与模糊图像相加，获得去模糊图像。2.根据权利要求1所述的图像去模糊网络模型，其特征在于，所述特征融合模块，具体为：将深层特征提取模块的输出作为特征图A，将浅层特征提取模块的输出作为特征图B；特征图A经过两次独立的卷积操作后分别得到特征图A
‑
1和特征图A
‑
2；特征图A
‑
2与特征图B经过相加操作后得到特征图B
‑
1；特征图B
‑
1经过一次卷积操作后得到特征图B
‑
2；特征图B
‑
2经过Sigmoid激活函数后得到特征图B
‑
3；特征图A
‑
1与特征图B
‑
3进行相乘操作后得到特征图B
‑
4；特征图B
‑
4与特征图A进行相加操作后，得到融合特征图B
‑
5，作为特征融合模块的输出。3.根据权利要求1所述的图像去模糊网络模型，其特征在于，所述密集残差模块由8个单层残差块串联所得。4.根据权利要求1所述的图像去模糊网络模型，其特征在于，所述第一多尺度特征提取模块，用于将第一结构体融合特征图、第二结构体融合特征图经第一上采...

【专利技术属性】
技术研发人员：王森，何奇轩，祝阳，柳小勤，刘韬，刘畅，王庆健，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：