(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211150431.7 (22)申请日 2022.09.21 (71)申请人 重庆大学 地址 400044 重庆市沙坪坝区沙正 街174号 (72)发明人 何彦　汪洋　郝传鹏　李育锋　 刘飞　 (74)专利代理 机构 重庆航图知识产权代理事务 所(普通合伙) 50247 专利代理师 胡小龙 (51)Int.Cl. G06T 5/00(2006.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 金属零件表面高光去除方法及模型构建方 法和计算机可读介质 (57)摘要 本发明公开了金属零件表面高光去除模型 构建方法， 包括如下步骤： 步骤一： 构建高光检测 网络： 11)将金属零件高光图像I0输入高光检测 网络并得到高光掩膜图像Mout； 12)计算检测损失 函数， 判断检测损失函数是否小于设定阈值： 若 是， 则执行步骤21)； 若否， 则更新权重， 执行步骤 11)； 步骤二： 构建高光去除网络： 21)将融合图像 输入高光去除网络， 通过快速傅里叶卷积同时提 取融合图像在空间域和频域上的特征， 生成无高 光图像Iout； 22)计算损失函数， 判断损失函数是 否小于设定阈值： 若是， 则得到金属零件表面高 光去除模型； 若否， 则更新权重， 执行步骤21)。 本 发明还公开了一种金属零件表面高光去除方法 和计算机可读介质。 权利要求书2页 说明书8页 附图4页 CN 115456902 A 2022.12.09 CN 115456902 A 1.一种金属零件表面高光去除模型构建方法， 其特 征在于： 包括如下步骤： 步骤一： 构建高光检测网络 11)将金属零件高光图像I0输入高光检测网络并得到高光掩膜图像Mout； 12)计算高光掩膜图像Mout与真实高光掩膜图像Mgt之间的检测损失函数， 判断检测损失 函数的值是否收敛： 若 是， 则执行步骤21)； 若否， 则通过误差的反向传播以更新高光检测网 络的权重， 执行步骤11)； 步骤二： 构建高光去除网络 21)融合金属零件高光图像I0和高光掩膜图像Mout的特征并得到融合图像， 将融合图像 输入高光去除网络， 通过快速傅里叶卷积同时提取融合图像在空间域和频域上 的特征， 生 成无高光图像Iout； 22)计算无高光图像Iout与真实无高光图像Igt之间的损失函数， 判断损失函数的值是否 收敛： 若是， 则得到金属 零件表面高光去除模型； 若否， 则通过误差的反向传播以更新高光 去除网络的权 重， 执行步骤21)。 2.根据权利要求1所述的金属零件表面高光去除模型构建方法， 其特征在于： 所述高光 检测网络包括编码器、 特 征处理模块和解码器； 编码器中使用3个传 统卷积对输入的金属零件高光图像I0进行图像下采样以减少图像 维度， 同时增 加图像的抽象语义； 特征处理模块使用6个传统卷积残差块 来深度提取图像特 征； 解码器中使用与编码器对应的3个上采样对提取的特征进行解码， 恢复原始 的图像大 小， 得到高光掩膜图像Mout。 3.根据权利要求1或2所述的金属零件表面高光去 除模型构建方法， 其特征在于： 检测 损失函数采用L1损失函数： LossNetD＝|Mout‑Mgt||1 其中， LossNetD表示检测损失函数； Mout表示高光掩膜图像； Mgt表示真实高光掩膜图像。 4.根据权利要求1所述的金属零件表面高光去除模型构建方法， 其特征在于： 所述高光 去除网络包括 生成器和鉴别器； 所述生成器用于提取融合图像在空间域和频域上的特 征并生成无高光图像Iout； 所述鉴别器用于来鉴别输入的图像 中每一个小补丁是来自于无高光图像Iout还是来自 于真实的无高光图像Igt； 通过生成器和鉴别器的相互对抗， 使得高光去除网络生成高质量的无高光图像。 5.根据权利要求4所述的金属零件表面高光去除模型构建方法， 其特征在于： 所述生成 器包括编码器、 特 征处理模块和解码器； 编码器中使用3个快速傅里叶卷积对融合图像进行下采样， 每个下采样后中使用1个快 速傅里叶卷积残差块对融合图像进行空间特 征编码和频域特 征编码； 特征处理模块使用6个快速傅里叶卷积残差块深度提取编码后的空间特征和频域特 征； 解码器中使用与编码器对应的3个上采样， 每一个上采样后使用1个快速傅里叶卷积残 差块对深度提取 的空间特征和频域特征进行解码， 同时通过跳跃连接， 在解码器中融合编 码器中的低维特 征， 并输出 无高光图像Iout。权　利　要　求　书 1/2 页 2 CN 115456902 A 26.根据权利要求4所述的金属零件表面高光去除模型构建方法， 其特征在于： 所述鉴别 器使用pix2pix模型中基于补丁的鉴别网络， 用来鉴别输入的图像中每一个小补丁是来 自 于生成器生成的无高光图像Iout还是来自于真实的无高光图像Igt。 7.根据权利要求4 ‑6任一项所述的金属零件表面高光去除模型构建方法， 其特征在于： 所述生成器采用修复损失函数， 所述修复损失函数为L1损失函数、 感知损失函数以及特征 匹配损失函数之和： LossL1＝10×(1‑Mout)×||Iout‑Igt||1 LossPL＝0.02×|| ψ(Iout)‑ψ(Igt)||1 LossFM＝100×MSE(D(Iout)， D(Igt)) 其中， LossL1表示L1损失函数； LossPL表示感知损失函数； LossFM表示特征匹配损失函 数； Iout表示无高光图像； Igt表示真实无高光图像； Mout表示高光掩膜图像； ψ( ·)表示通过 VGG19网络所提取的特 征图； MSE表示均方误差； D( ·)表示鉴别器提取到的特 征图； 所述鉴别器采用对抗损失函数， 所述对抗损失函数为局部对抗损失的GAN损失函数和 梯度惩罚损失函数之和： LosspartGAN＝10×[‑E[Mout⊙D(Iout)]‑E[(1‑Mout)⊙D(1‑Iout)]]+10×[‑E[D(Iout)]‑E[D (Igt)]] 其中， LosspartGAN表示局部对抗损失的GAN损失函数； LossGP表示梯度惩罚损失函数； Iout 表示无高光图像； Igt表示真实无高光图像； Mout表示高光掩膜图像； E表示求期望； D( ·)表示 鉴别器提取到的特 征图； 表示求梯度；⊙表示对应位置的像素值相乘。 8.根据权利要求7所述的金属零件表面高光去除模型构建方法， 其特征在于： 无高光图 像Iout与真实无高光图像Igt之间的损失函数为 修复损失函数与对抗损失函数之和： LossNetR＝LossL1+LossPL+LossFM+LosspartGAN+LossGP 其中， LossNetR表示无高光图像Iout与真实无高光图像Igt之间的损失函数。 9.一种金属零件表面高光去除方法， 其特征在于： 将金属零件高光图像I0输入如权利要 求1‑8任一项所述方法构建得到的金属零件表面高光去除模型中， 并输出 无高光图像Iout。 10.一种计算机可读介质， 其特征在于： 所述计算机可读介质上存储有计算机程序， 所 述计算机程序被处 理器执行时实现如权利要求9所述的金属零件表面高光去除方法步骤。权　利　要　求　书 2/2 页 3 CN 115456902 A 3