[发明专利]光纤环绕制过程图像处理方法、系统及计算机存储介质

说明书

本发明涉及光学元件制造领域，公开一种光纤环绕制过程图像处理方法、系统及计算机存储介质，以精确判别绕制缺陷的正确性。本发明方法包括：步骤S1、通过深度学习框架训练低分辨率图像与高分辨率图像的映射模型，该模型为基于生成式对抗网络的超分辨模型，由生成器和判别器两个子网络组成；所述生成器和判别器均采用基本单元是残差单元的残差网络，并设有使得邻近层或间隔层建立恒等映射的跳跃连接结构；步骤S2、将该模型导入光纤环绕制的成像系统中，提升监测图像的清晰度。

技术领域

本发明涉及光学元件制造技术领域，尤其涉及一种光纤环绕制过程图像处理方法、系统及计算机存储介质。

背景技术

近年来，基于深度学习的图像处理技术已广泛应用于许多领域，例如医学诊断，遥感，合成孔径雷达等，并取得了显著成果，为图像处理领域带来了长足的技术进步。作为其中重要发展方向之一，图像超分辨率技术在提高图像分辨率方面展现出令人满意的性能，为诸多领域面临的分辨率瓶颈问题提供了有效的解决途径，在学术研究和商业应用领域中都引起了巨大的关注。

光纤陀螺由于具有全固态，响应快，精度高等优点，在国防军事领域和工业民用领域得到了广泛应用。光纤环是光纤陀螺中核心的敏感元件，直接决定光纤陀螺的测量精度。光纤环是由光纤绕环机绕制而成，若在光纤绕制过程中发生叠纤、错纤及光纤涂覆层存在缺陷等问题会极大影响光纤环圈的性能，造成光纤陀螺性能劣化。因此，在光纤绕制过程中需对光纤状态进行监测，及时发现并修正所出现的问题。目前，对光纤绕制状态的监测是通过成像系统采集图像实现的，图像的分辨率(即：细节丰富程度)直接关系判别绕制缺陷的正确性。提高监测图像分辨率是提高判别绕制缺陷正确率的关键。由于图像分辨率受成像物镜和数字相机硬件限制，进一步提高图像分辨率，需要更换整套成像系统，成本代价昂贵；同时，对于现有的光纤绕环机，其整体结构已固定，更换的成像系统与原系统存在尺寸差异，无法安装在现有光纤绕环机中。此外，一般情况下，图像分辨率的提升会导致图像尺寸的缩小，影响对光纤绕制状态的监测范围。

发明内容

本发明主要目的在于公开一种光纤环绕制过程图像处理方法、系统及计算机存储介质，以精确判别绕制缺陷的正确性。

为达上述目的，本发明公开一种光纤环绕制过程图像处理方法，包括：

步骤S1、通过深度学习框架训练低分辨率图像与高分辨率图像的映射模型，该模型为基于生成式对抗网络的超分辨模型，由生成器和判别器两个子网络组成；所述生成器和判别器均采用基本单元是残差单元的残差网络，并设有使得邻近层或间隔层建立恒等映射的跳跃连接结构；

步骤S2、将该模型导入光纤环绕制的成像系统中，提升监测图像的清晰度。

优选地：所述生成器采用密集残差网络，所述密集残差网络通过密集连接层、局部特征融合和局部残差学习形成连续记忆机制以将前一层RDB的状态传递给当前RDB；具体包括：

假设F_d―1和F_d分别为第d层RDB的输入和输出，都有G₀特征图；第d层RDB中的第c层卷积层的输出可以表示为：

F_d,c＝σ(W_d,c[F_d-1,F_d,1,...,F_d,c-1])

σ表示ReLU激活函数，W_d,c是第c层卷积层的权重，F_d,c由G特征图组成，[F_d-1,F_d,1,...,F_d,c-1]表示由(d-1)层RDB产生的特征图的连接，1,…,(c―1)表示卷积层，最终有G₀+(c―1)×G特征图；

第(d-1)个RDB的特征图以级联方式直接引入第d个RDB，通过1*1卷积层实现对输出特征尺寸的自适应控制，对应的局部特征融合可以表示为：