光条中心提取方法总结（二）

传统算法见之前的文章：光条中心提取方法总结（一）_视觉菜鸟Leonardo的博客-CSDN博客e

二、深度学习方法

利用深度学习来进行光条中心提取是这几年刚兴起的方法，目前可供参考的论文屈指可数。方法从两个途径切入：

（1）利用深度学习进行光条图像处理，得到纯净无杂质的光条图像，再利用传统算法进行光条中心提取。

（2）使用端到端深度学习直接提取光条中心

先讨论第一种，深度学习做分割

1.构建了语义分割与目标检测相结合的深度学 习模型用于焊缝图像的检测

论文：焊缝图像中结构光条纹的检测与分割（2021）

此论文效果较好，能够从极差的溅射干扰下提取到光条，构建了语义分割与目标检测相结合的深度学习模型。

语义分割基于U-Net网络来提取光条图像，因为计算量较大，采取在分支中通过引入并行下采样模块及缩减卷积核数量来改进网络，从而减少计算量；在损失函数中引入Dice指标来解决样本失衡问题。

Dice指标：Dice系数(Dice coefficient)与mIoU与Dice Loss_interesting233333的博客-CSDN博客_dice系数

理解：Dice系数是一种集合相似度度量函数，通常用于计算两个样本的相似度，取值范围在[0,1]：

目标检测分支利用YOLO系列的思想采用框回归策略来提取焊缝图像中结构光条纹所在的位置，融合两个分支时采用权重共享策略来共享特征提取部分的卷积层权重,以进一步节省推理时间。

​​​​​​​边框回归：边框回归(Bounding Box Regression)算法解释_Chiak1的博客-CSDN博客_边框回归论文

理解：使用边框回归，即最开始预测的边框并不能准确的表示出最终要预测的信息，使用边框回归来减少边框范围，提高模型预测的效果。

从另外两个角度降低模型复杂度: 1)降低特征图分辨率大小;2)减少输入输出通道数。

网络架构

语义分割分支和目标检测分支