基于同态滤波和深度卷积模型的低照度工件表面粗糙度等级识别

洪 琛，朱坚民，黄之文

（上海理工大学 机械工程学院，上海 200093）

引 言

目前，随着深度学习技术[1-2]的发展，深度卷积神经网络[3-5]在图像识别及图像分类上优势明显，在基于深度学习的非接触式表面粗糙度测量[6-8]图像分类上得到了广泛的应用。然而在工业生产中，由于受到照明设备和周围环境的影响，被拍对象往往会出现光照不足的情况，导致采集的图像照度低、细节纹理不清晰，从而使得识别效果差。所以对低照度图像进行粗糙度等级识别之前的预处理变得十分重要。

低照度图像增强的目的是为了使图像整体亮度提升，细节纹理更清晰。目前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理论[11-12]的增强、基于同态滤波[13-16]的增强及其他方法。焦竹青等[17]在频域内采用同态滤波对图像进行处理，利用压缩亮度范围来消除图像光照带来的影响，使图像的人眼视觉效果更好。徐黎明等[18]通过同态滤波方法对自然环境下光照不均的杨梅果实进行亮度增强预处理，然后通过K均值聚类算法有效地分割出杨梅果实。

针对现有低照度图像存在图像亮度对比度低、细节纹理不清晰，从而造成工件表面粗糙度等级识别精度低的问题，本文提出一种基于同态滤波和深度卷积模型的低照度工件表面粗糙度等级识别的新方法。首先将彩色图像从RGB空间转到HSV空间，保持色调H和饱和度S不变，在频域内对V亮度分量进行同态滤波处理，以增强图像整体亮度和对比度，减少光照不足引起的图像纹理细节不清晰，最后通过深度卷积模型进行识别。……