一种基于偏振信息重建与复值卷积的品质检测方法

本申请涉及品质无损检测领域，尤其是一种基于偏振信息重建与复值卷积的品质检测方法。

背景技术：

1、在工业视觉检测领域，基于偏振成像的技术正受到广泛关注。与传统灰度或彩色成像仅捕获光强信息不同，偏振成像能够额外获取产品表面和浅层组织的偏振度、偏振角及斯托克斯参量等物理属性。这些参量对产品表面和浅层组织的微观结构、介电常数及粗糙度变化高度敏感，可有效凸显产品表面的细微划痕、应力区域、水分分布及组织纤维走向等常规成像难以辨别的特征。

2、偏振成像能够从不同偏振方向获取产品表面和浅层组织的光学响应信息，为品质变化建模提供比普通强度图像更丰富的物理线索，因此基于偏振图像的品质检测方法已逐步应用于多种产品的品质分级与缺陷识别中。比如，在水产品加工环节，偏振成像常被用于检测鱼类的新鲜度及脂肪纹理，或甄别虾类表面的黑变与冷冻灼伤。在果蔬分选领域，其可用于识别苹果、柑橘等水果表皮的轻微挫伤、早期腐烂及蜡质层均匀度。此外，在工业制品方面，偏振技术对透明塑料件的内应力分布、光学薄膜的涂层均匀性及金属表面的极浅划痕同样具备出色的检出能力。

3、现有基于偏振图像的品质检测方法通常将多个偏振方向图像直接拼接后输入普通实值网络，或者先人工计算偏振特征再进行品质判别。上述方法更多停留在偏振图像的直接利用层面，然而真实采集偏振图像中往往存在噪声、局部高亮干扰以及偏振物理一致性不足等问题，导致品质检测可靠性和准确性不足。

技术实现思路

1、本申请针对上述问题及技术需求，提出了一种基于偏振信息重建与复值卷积的品质检测方法，本申请的技术方案如下：

2、一种基于偏振信息重建与复值卷积的品质检测方法，该品质检测方法包括：

3、获取待检测产品在多个偏振角度下的原始偏振图像，并输入预先训练好的品质检测模型，得到待检测产品的品质检测结果；

4、其中，品质检测模型包括偏振重建模块、复值向量构建模块和结果输出模块：

5、偏振重建模块基于stokes关系对输入的原始偏振图像进行偏振信息重建，得到待检测产品至少三个偏振角度下的重建偏振图像；

6、复值向量构建模块构建重建偏振图像的偏振信息对应的复数形式的复值偏振向量；

7、结果输出模块利用基于复值卷积核的复值卷积神经网络对复值形式的复值偏振向量进行特征提取，并输出待检测产品的品质检测结果。

8、本申请的有益技术效果是：

9、本申请公开了一种基于偏振信息重建与复值卷积的品质检测方法，该方法使用的品质检测模型中，首先利用偏振重建模块基于stokes关系对多角度偏振信息进行重新组织和一致性增强，再基于重建偏振图像生成复值偏振向量，并使用复值卷积神经网络进行品质分类，该方法能够提高偏振图像质量和偏振一致性，充分利用偏振强度、方向及分量关联信息，提高品质检测的准确性、鲁棒性和稳定性，具备无损、快速、精度高和适应性好的优点，该方法可以部署在产品分级设备、在线检测设备、实验室品质检测系统或冷链流通过程中的自动检测系统中。

10、该方法基于stokes关系对多角度原始偏振图像进行偏振信息重建，可以降低噪声、局部高亮和角度间强度偏差对后续偏振特征计算的影响，使网络在进行品质判别前获得一致性增强、更加稳定的偏振表达，有利于降低采集噪声、角度间不一致和产品表面局部反光对检测结果的影响。

11、该方法基于重建偏振图像生成复值偏振向量，将偏振强度与偏振角度统一表达，有利于增强对产品含水状态、肌肉纹理、壳体表面状态、组织变化和新鲜度差异等品质相关特征的表征能力。

12、在训练本申请中品质检测模型时，通过品质判别监督、偏振图像重构约束和偏振物理一致性约束进行联合优化，使模型既关注产品品质差异，又保持偏振成像规律，从而提高品质检测的准确性、鲁棒性和可训练稳定性。

1.一种基于偏振信息重建与复值卷积的品质检测方法，其特征在于，所述品质检测方法包括：

2.根据权利要求1所述的品质检测方法，其特征在于，构建模块构建所述重建偏振图像的偏振信息对应的复数形式的复值偏振向量包括：

3.根据权利要求1所述的品质检测方法，其特征在于，利用复值卷积神经网络对所述复值形式的复值偏振向量进行特征提取，并输出所述待检测产品的品质检测结果包括：

4.根据权利要求3所述的品质检测方法，其特征在于，复值卷积神经网络中包括层叠的若干个复值二维卷积层，每个复值二维卷积层利用复值卷积核对复值输入特征进行特征提取得到复值输出特征，复值输出特征的实部和虚部为：

5.根据权利要求1所述的品质检测方法，其特征在于，得到所述待检测产品至少三个偏振角度下的重建偏振图像包括：

6.根据权利要求5所述的品质检测方法，其特征在于，得到所述待检测产品至少三个偏振角度下的重建偏振图像包括：

7.根据权利要求1所述的品质检测方法，其特征在于，所述品质检测方法还包括：

8.根据权利要求7所述的品质检测方法，其特征在于，重建范围约束损失的计算公式为：

9.根据权利要求7所述的品质检测方法，其特征在于，

10.根据权利要求1所述的品质检测方法，其特征在于，所述复值卷积神经网络包括依次级联的多个复值残差块，每个复值残差块包括主分支、快捷连接分支、融合层和激活层；