科研之友
微信
新浪微博
Facebook
分享链接
摘要
基于线结构光的视觉检测技术广泛应用于工业检测,现场动态采集的激光光条图像通常含有光斑和局部断裂,影响光条中心提取精度进而影响测量精度,因此,需要构建图像修复模型去除光斑修复断裂.现有图像修复模型在RGB数据集上的修复效果显著,但不适用于激光光条灰度图像的修复.因此本文提出面向激光光条图像修复的循环相似度映射网络(Recurrent Similarity Mapping Network,RSM-Net),以循环网络为主体,采用软编码Pconv(Partial convolution)层取代部分原始Pconv层,强化特征学习能力;设计非对称相似度模块,降低图像背景特征对修复的负面影响;设计含有多尺度结构相似性(Multi-Scale Structural SIMilarity,MS-SSIM)损失项的混合损失函数,精确地引导光条结构信息的还原,实现高精度的激光光条图像修复.实验验证RSM-Net在小光斑区域、大光斑区域和断裂区域的修复精度均优于所对比的主流图像修复模型.
- 单位
