目下，跟着深度学习本事[1-2]的发展，深度卷积神经汇集[3-5]在图像识别及图像分类上上风昭彰，在基于深度学习的非构兵式名义省略度测量[6-8]图像分类上获得了野蛮的应用。然则在工业分娩中，由于受到照明开拓和周围环境的影响，被拍对象时常会出现光照不及的情况西风萝莉恋足，导致麇集的图像照度低、细节纹理不了了，从而使得识别成果差。是以对低照度图像进行省略度品级识别之前的预照应变得很是迫切。
低照度图像增强的目标是为了使图像合座亮度进步，细节纹理更了了。目下常用的方法主要有基于直方图[9]的增强方法、基于小波变换[10]的增强、直方图和小波变换相结合的增强、基于Retinex表面[11-12]的增强、基于同态滤波[13-16]的增强过火他方法。焦竹青等[17]在频域内接受同态滤波对图像进行照应，应用压缩亮度领域来放弃图像光照带来的影响，使图像的东谈主眼视觉成果更好。徐朝晨等[18]通过同态滤波方法对当然环境下光照不均的杨梅果实进行亮度增强预照应，然后通过K均值聚类算法灵验地分割出杨梅果实。
针对现存低照度图像存在图像亮度对比度低、细节纹理不了了，从而形成工件名义省略度品级识别精度低的问题，本文忽视一种基于同态滤波和深度卷积模子的低照度工件名义省略度品级识别的新方法。最初将彩色图像从RGB空间转到HSV空间，保握颜色H和弥散度S不变，在频域内对V亮度重量进行同态滤波照应，以增强图像合座亮度和对比度，减少光照不及引起的图像纹理细节不了了，临了通过深度卷积模子进行识别。
1 基原意趣本文忽视的基于同态滤波和深度卷积模子的低照度工件名义省略度品级识别旨趣如图1所示。通过退换LED光源并应用显微镜CCD，分别从不同加工方式的省略度品级样块上麇集低照度图像。把柄图像的亮度信息对图像进行预照应：当图像平均亮度值大于70时视为平日图像，不进行预照应；当图像平均亮度值低于20时判定为失实图像，不进行识别；当图像平均亮度值为20～70时视为低照度图像，要进行图像预照应。应用平日光照图像进行表率变换、数据标注，离线素养省略度品级识别模子，在线识别工件名义省略度品级。通过判断图像平均亮度值，对低照度图像进行预照应。最初将图像从RGB空间更动到HSV空间，把V重量单独分离出来；然后通过优化获得的同态滤波器对V重量进行同态滤波照应，使图像亮度增强，细节纹理更了了；临了用想象好的用于省略度品级识别的深度卷积神经汇集（DCNN）对增强过的图像进行省略度品级识别，测验识别的准确性。
图 1 低照度工件名义省略度品级识别旨趣图
Figure 1 Schematic diagram of low illumination workpiece surface roughness level identification
2 HSV空间变换的同态滤波算法 2.1 HSV空间变换 对低照度图像进行增强是图像照应顶用来放弃光照影响的必不成少的关节。HSV形貌空间是把柄形貌的直不雅特质创建的一种形貌空间，与东谈主的样子愫知更接近，它主要包括H（颜色hue）、S（弥散度saturation）和V（亮度value）三成分。
东谈主们频繁不雅察到图像的形貌信息主要表当今色归并弥散度上，这种形貌空间的优点等于三成分互不干预。亮度重量是一个与色归并弥散度无关的重量，因此亮度重量的改变对图像形貌信息的影响甚微，将该重量从形貌信息平分离出来进行改良，不仅不错大幅度治愈彩色图像亮度，况兼大约较好地保留图像的彩色信息。
对低照度图像进行RGB空间与HSV空间更动，具体算法可参考文件[14]。
2.2 同态滤波算法把柄图像的形成旨趣和光照的特质，一幅图像f(x，y)不错用光源的照度重量 ${i}\left({x}，{y}\right)$ 和目标物的反射重量 ${r}\left({x}，{y}\right)$ 的乘积来暗示，即
$ {f}\left({x}，{y}\right)={i}\left({x}，{y}\right)\cdot {r}\left({x}，{y}\right) $ (1)在这种基于光照−反射的模子中，光照要求主要体当今照度重量 ${i}\left({x}，{y}\right)$ 上，其频谱主要在低频区域且变换逐渐，而 ${r}\left({x}，{y}\right)$ 是响应图像的细节等特征，其频谱主要在高频区域。对光照不及的彩色图像，照适时需要尽量缩减图像的低频重量和放大图像的高频重量。
同态滤波算法旨趣是，通过滤波函数截止图像的照耀重量和反射重量，对图像进行压缩低频重量、进步高频重量，从而减少光照不及带来的影响，在进步图像亮度和对比度的同期，又增强了图像的细节纹理。同态滤波算法的具体经由如图2所示。
图 2 同态滤波算法经由图
Figure 2 Flow chart of homomorphic filtering algorithm
同态滤波的具体门径如下：
1）最初对式（1）双方同期取对数，将入射重量和反射重量分开，即
$ \mathrm{l}\mathrm{n}{f}\left({x}，{y}\right)=\mathrm{l}\mathrm{n}{i}\left({x}，{y}\right)+\mathrm{l}\mathrm{n}{r}\left({x}，{y}\right) $ (2)2）然后对上式双方取傅里叶变换，可得
$ {F}\left({u}，{v}\right)={I}\left({u}，{v}\right)+{R}\left({u}，{v}\right) $ (3)3）再应用滤波函数 ${H}\left({u}西风萝莉恋足，{v}\right)$ 对 ${F}\left({u}，{v}\right)$ 进行滤波照应
$ {H}\left({u}，{v}\right){F}\left({u}，{v}\right)={H}\left({u}，{v}\right){I}\left({u}，{v}\right)+{H}\left({u}，{v}\right){R}\left({u}，{v}\right) $ (4)4）滤波后，对式（4）进行傅里叶逆变换回到空间域，即
$ {h}_{f}\left({x}，{y}\right)={{h}}_{{i}}\left({x}，{y}\right)+{{h}}_{{r}}\left({x}，{y}\right) $ (5)5）对式（5）双方取指数，可得
$ {g}\left({x}，{y}\right)={\mathrm{e}}^{{{h}}_{{f}}\left({x}，{y}\right)}={\mathrm{e}}^{{{h}}_{{i}}\left({x}，{y}\right)}\cdot {\mathrm{e}}^{{{h}}_{{r}}\left({x}，{y}\right)} $ (6)在同态滤波照应中，妥当的滤波函数以及函数参数值的选拔齐至关迫切。同态滤波函数需要选拔能减少低频重量和增多高频重量的滤波器，本文接受的是高斯型同态滤波器，其传递函数为
$ {H}\left({u}，{v}\right)=\left({{R}}_{\mathrm{H}}-{{R}}_{\mathrm{L}}\right)\left[1-{\mathrm{e}}^{-{c}\left[\textstyle\frac{{{D}}^{2}\left({u}，{v}\right)}{{{D}}_{0}^{2}}\right]}\right]+{{R}}_{\mathrm{L}} $ (7)式中：RH、RL分别是高频增益和低频增益； $D\left( {u，v} \right) = \sqrt {{{\left( {u - {u_0}} \right)}^2} + {{\left( {v - {v_0}} \right)}^2}} $ ，暗示点 $\left( {u，v} \right)$ 到滤波中心 $\left( {{u_0}，{v_0}} \right)$ 的距离； ${D_0}$ 是 $\left( {u，v} \right) = \left( {0，0} \right)$ 时 $D\left( {u，v} \right)$ 的值，暗示截止频率；c是常数用来截止滤波器函数斜面的锐化，它在 ${{R}}_{\mathrm{H}}$ 和 ${{R}}_{\mathrm{L}}$ 之间过渡。当 ${{R}}_{\mathrm{H}} > 1$ ， $ {0<R}_{\mathrm{L}}<1 $ 时，不错达到减小低频和增强高频的作用，使得图像的亮度和对比度增强，动态领域压缩，而 ${{R}}_{\mathrm{H}}$ 和 ${{R}}_{\mathrm{L}}$ 具体选拔对图像的改善成果不雷同，频繁需要通过反复施行才调获得比较妥当的值。
3 深度卷积模子想象 3.1 汇聚积构卷积神经汇集是深度学习的一种，它与生物神经汇集很相似，与其他神经汇集比较，不错罢了不同神经元之间的权值分享，裁减汇集模子的复杂度及减少权值的数目。在素养过程中只需要将图像四肢卷积神经汇集输入，就能幸免传统识别算法中复杂的特征提真金不怕火和数据重建过程，卷积神经汇集本人不错自动地选拔利于分类的特征，使得表征特征的才调更为客不雅全面。本文以CaffeNet模子为基础进行汇集和参数的治愈，竖立了一种工件名义省略度品级识别模子。模子主要包括5层卷积层（C1、C2、C3、C4、C5）、3层池化层（P1、P2、P5）和3层全诱惑层（F6、F7、F8）。卷积神经汇集具体结构如图3所示。
3.2 卷积层二维图像不错用一个矩阵暗示，行将输入当成是一定区域大小的数据，通过和滤波器filter(带着一组固定权值的神经元)作念内积后获得新的二维数据。通过不同的滤波器来提真金不怕火图像的特定信息，如形貌浅深或纹理细节特征。在省略度品级识别模子中，上一层的特征图和一个可学习的卷积核进行卷积，然后通过一个激活函数获得下一个输出特征图。统统的输出特征图不错组合卷积多个特征图的值，即
$P_j^l = f\left( {\sum\limits_{i \in {M_j}} {p_j^{l - 1} * k_{ij}^l + b_j^l} } \right)$ (8)式中： ${{P}}_{{j}}^{{l}}$ 是卷积层 ${l}$ 的第 ${j}$ 个通谈的输出； ${f}$ 是激活函数，这里接受的是 $ \mathrm{s}\mathrm{i}\mathrm{g}\mathrm{m}\mathrm{o}\mathrm{i}\mathrm{d} $ 函数完成策画； ${{M}}_{{j}}$ 是策画 ${{P}}_{{j}}^{{l}}$ 的特征图子集； ${{k}}_{{i}{j}}^{{l}}$ 是卷积核矩阵； ${{b}}_{{j}}^{{l}}$ 是偏置；“*”是卷积标志。
图 3 卷积神经汇聚积构图
Figure 3 Convolution neural network structure diagram
3.3 池化层 池化层是特征映射层，在卷积策画完成后选拔池化区域，然后取用特征图的最大值、最小值或者平均值四肢池化区域的特征，这么不错极地面裁减特征向量的维度，减少策画量，防患过拟合。
最大池化能显耀增强局部特征，关于细节纹理特征的学习有很大的作用，适用于省略度品级识别。是以本文接受最大池化措施对卷积层特征图进行采样，如图4所示，对图像进行降维的同期，在一定进程上保证了特征的表率不变。设 ${{P}}_{{i}}$ 为池化层(假设卷积神经汇集有L层，i=1， 2， ∙∙∙，L-1)，池化的过程为
图 4 最大池化
Figure 4 Maximum pooling
$ {{P}}_{{i}}=\mathrm{m}\mathrm{a}\mathrm{x}\mathrm{p}\mathrm{o}\mathrm{o}\mathrm{l}\mathrm{i}\mathrm{n}\mathrm{g}\left({{P}}_{{i}-1}\right) $
(9)
3.4 全诱惑层 在全诱惑层中，将统统二维图像的特征信息降为一维信息。模子的临了一层为逻辑转头层(softmax)，卷积神经汇集输入的每个节点暗示输入图片属于某一类别 ${i}$ 的概率，即
$P\left( {Y = i\left| {x，w，b} \right.} \right) = {\rm{softma}}{{\rm{x}}_i}\left( {wx + b} \right) = \frac{{{{\rm{e}}^{{w_i}x + {b_i}}}}}{{\displaystyle\sum\limits_i {{{\rm{e}}^{{w_i}x + {b_i}}}} }}$ (10)式中：Y是一个图像类别的揣度量； ${w}$ 是临了一层的权参数； ${b}$ 是对应偏置参数。
输出层的个数与目标分类的个数相一致，每个输出值暗示识别样本属于对应标签的概率大小。
4 施行相关 4.1 施行平台为了考据更动空间后的同态滤波算法对低照度下工件名义省略度品级识别的灵验性和准确性，最初进行低照度省略度品级图像的麇集，省略度识别模子的素养和测试，以及分析低照度下同态滤波参数关于识别准确率的影响。本文的施行装配如图5所示，主要由策画机、CCD相机、显微镜、可退换亮度的LED照明灯狡滑度表率样块等构成。
赤裸裸家政妇在线观看
图 5 施行装配图
Figure 5 Experimental installation diagram
为了相关不同亮度下同态滤波参数对其识别准确率的影响，通过退换LED光源的亮度拍摄不同光照要求下工件名义省略度图像，把柄图像通盘平均亮度值将图像亮度从20到70永诀为5种情况，对亮度低于20和高于70不作念照应的原因是，本体工况下图像亮度值低于20以下基本不会出现，亮度高于70照旧比较接近平日光照。
为了相关更动空间后同态滤波算法对工件名义省略度品级识别准确率的影响，将同种光照要求下的图像先从RGB空间转到HSV空间，对V重量单独进行同态滤波照应，然后通过事前素养好的深度卷积模子进行工件名义省略度品级识别。
4.2 施行收尾及分析为了相关本文忽视的同态滤波算法对低照度工件名义省略度品级识别的灵验性，通过退换LED光源亮度和接受显微镜CCD拍摄获得工件样块名义图像，将获得的图像按亮度值大小分红5组，如图6所示。
图 6 不同亮度值的工件名义省略度图像
Figure 6 Surface roughness image of workpiece with different brightness values
工件的加工方式为平铣，省略度品级为5个品级，分别为Ra0.4、Ra0.8、Ra1.6、Ra3.2和Ra6.3，每个品级麇集5组，每组拍摄30张图像，料到150张不同亮度值的低照度图像。
针对同态滤波器的参数调试，对低照度图像接受截止变量的方法相关每个参数对图像的改善成果，从而找到最优参数。最初针对同态滤波的参数 ${{R}}_{\mathrm{L}}$ 进行相关，其中 ${{R}}_{\mathrm{H}}=2$ 、 ${c}=1.5$ 、 ${{D}}_{0}=10$ 均保握不变，收尾如图7所示。
图 7 参数值
$ {{R}}_{\mathrm{L}} $
对其影响
Figure 7 Influence of parameter values
$ {{R}}_{\mathrm{L}} $
同理保握其他参数不变，分别对 ${{R}}_{\mathrm{H}}$ 和 ${{D}}_{0}$ 的取值进行施行相关，收尾如图8所示。
图 8 参数值
$ {{R}}_{\mathrm{H}} $
和
$ {{D}}_{0} $
对其影响
Figure 8 Influence of parameter values
$ {{R}}_{\mathrm{H}} $
and
$ {{D}}_{0} $
从图7和图8不错看出，同态滤波参数里惟有 $ {{R}}_{\mathrm{L}} $ 这个参数对图像有所改善，其他参数对图像基本莫得改变，底下分别对5组亮度值的图像进行 $ {{R}}_{\mathrm{L}} $ 参数的相关，细目最优值。施行收尾如图9所示。
图 9
$ {{R}}_{\mathrm{L}} $
参数对不同亮度值下省略度品级识别的影响收尾图
Figure 9 Result of the influence of
$ {{R}}_{\mathrm{L}} $
parameter on roughness level recognition under different luminance values
从图9不错看出，经过同态滤波照应后的图像识别正确率齐有很大提高，当参数 $ {{R}}_{\mathrm{L}}\mathrm{} $ 为0.4时，识别正确率最高，达到了90%阁下。
同态滤波器的各个参数细目好后，将麇集好的图像从RGB空间更动到HSV空间中，然后单独对V亮度重量进行同态滤波照应。对同种加工方式、不同省略度的样块麇集亮度值20～70的图像各150张，并对其进行图像照应和测试。识别收尾如图10所示。
图 10 平铣图像施行收尾
Figure 10 Experimental results of flat milling image
为了进一步考据本文方法的灵验性，又麇集了立铣加工的低照度图像，测试了使用同态滤波照应后图像的识别正确率，施行收尾如图11所示。
图 11 立铣图像施行收尾
Figure 11 Image experimental results of vertical milling
从图10和图11可看出：基于同态滤波和更动空间后的同态滤波算法对图像识别的正确率齐有很大的提高，对平铣图像省略度除了Ra3.2识别的正确率在93%以外，其余正确率齐达到100%，对立铣图像省略度识别的正确率均在96%以上。
大批的低照度图像识别施行收尾标明，本文方法的识别正确率达到95%以上。
5 结 论本文针对低照度下工件名义省略度品级识别正确率低的问题，忽视了一种基于空间更动的同态滤波算法。应用HSV空间亮度重量的不相关性再用同态滤波算法照应西风萝莉恋足，很好地保留了图像的原有的特征信息，提高了工件名义省略度品级的正确识别率。
