本发明涉及机器视觉，具体是一种表面缺陷的图像增强与目标检测方法及系统。
背景技术：
1、增材制造（addictive manufacturing）技术，也称“3d打印(3d printing)技术”，起源于1960年代。经过数十年的发展，增材制造技术已成为航空航天、医疗和汽车等领域的重要组成部分。在am过程中，高能激光熔化粉末层，形成高温熔池，然后熔池冷却后凝固成所需形状。不同的制备条件会直接影响熔池的形状。加工参数设置不当会导致熔池不稳定，进而诱导凸包、孔隙、裂纹等缺陷的产生。这些缺陷会降低工件的机械性能和成型密度，致使工件的物理性能恶化，严重影响工件的实际性能和使用寿命。因此，有效检测缺陷工件并避免其投入使用至关重要。传统的无损缺陷检测方法包括射线检验、超声检测、液体渗透检测、磁粉检测和涡流检测等。然而，这些方法要么成本高昂、操作复杂且检测速度慢，要么对检测物体有特定的限制要求，适用范围较小。鉴于当前市场的日益扩大和灵活多变，这些传统方法在某些情况下可能无法充分满足生产需求。因此，提出一种更为高效且成本低廉的缺陷检测方法十分必要。
2、近年来，深度神经网络技术得到了迅速发展，并在缺陷检测领域取得了显著的成就。1998年，lecun提出的lenet成功解决了手写数字识别任务，标志着卷积神经网络（cnn）的真正面世，并推动了目标检测算法进入深度学习阶段。2013年，ross girshick等人提出了r-cnn，将卷积神经网络应用于特征提取，通过cnn的优良特征提取能力，提高了数据集的检测率。2015年，何恺明提出了resnet，突破了神经网络深度的限制，进一步提升了检测精度。同年，joseph redmon等人提出了yolo，这种方法通过一个统一的神经网络同时预测图像中的目标位置和类别，实现了快速且高效的目标检测。同年，shaoqing ren等人提出了faster r-cnn，该算法提高了训练和测试阶段的速度，同时也提高了检测准确率。2016年，gao huang等人提出了densenet，建立了不同层之间的连接关系，从而进一步缓解了梯度消失问题，调高了目标检测的精度。这些基于神经网络的研究极大推动了缺陷检测技术的发展。它们提高了模型的准确性和处理速度，使得检测系统能够更有效地识别和分类各种表面缺陷。这些研究不仅提升了表面缺陷检测的性能和可靠性，还扩展了其在实际应用中的范围。
3、尽管目前已有众多优异的方法应用于表面缺陷检测领域，但在具体实际问题面前，其性能往往会受到不同应用场景的限制，未能充分发挥其潜力。例如在工件表面缺陷检测中，这些算法模型的检测精度通常受到复杂环境光照的显著影响。这要求在不同加工环境下更换相应的检测模型以适应光照变化，这无疑提高了检测的复杂度与检测成本。
技术实现思路
1、针对上述现有技术中的不足，本发明提供一种表面缺陷的图像增强与目标检测方法及系统，在复杂光照环境下展现出优良的稳定性和鲁棒性，并具备广泛的应用潜力，有助于降低工件加工成本，并推动相关领域的研究进展。
2、为实现上述目的，本发明提供一种表面缺陷的图像增强与目标检测方法，包括如下步骤：
3、步骤1，同时采集表面缺陷目标至少三幅具有不同偏振特性的目标偏振图像，并基于目标偏振图像进行虚拟偏振滤波，得到增强后的目标图像；
4、所述基于目标偏振图像进行虚拟偏振滤波具体包括：
5、构建与各目标偏振图像尺寸相同的目标图像，并基于三幅目标偏振图像上相同位置像素点的灰度值，计算目标图像上对应位置像素点处入射光的斯托克斯矢量；
6、基于目标图像上各像素点处入射光的斯托克斯矢量，计算得到目标图像上各像素点处入射光的能流密度；
7、根据斯托克斯矢量计算目标图像上各像素点的信噪比：
8、对于目标图像上信噪比小于或等于阈值的像素点，基于入射光的能流密度计算得到对应像素点的初始灰度值；
9、对于目标图像上信噪比大于阈值的像素点，在其对应区域叠加一块角度为的虚拟偏振片后，得到通过虚拟偏振片后的光的能流密度，并基于能流密度计算得到对应像素点的初始灰度值，其中，为目标图像上对应像素点的偏振角；
10、在初始灰度值的基础上进行过度曝光优化处理，得到目标图像上各像素点的最终灰度值，即得到增强后的目标图像；
11、步骤2，在yolov5网络的基础上搭建表面缺陷检测模型，其中，yolov5网络包括骨干网络、颈部网络以及头部网络，所述表面缺陷检测模型的搭建过程为：
12、将所述骨干网络内最后一层的c3模块，以及所述颈部网络内中间处理层的c3模块，均替换为dc3模块；
13、在所述骨干网络、所述颈部网络内dc3模块的输出端，引入注意力机制；
14、将所述颈部网络中的upsample上采样算子改进为carafe上采样算子；
15、步骤3，将增强后的所述目标图像输入训练后的所述表面缺陷检测模型，完成目标的缺陷检测。
16、为实现上述目的，本发明还提供一种表面缺陷的图像增强与目标检测系统，采用上述的表面缺陷的图像增强与目标检测方法；
17、所述表面缺陷的图像增强与目标检测系统包括：
18、图像采集单元，用于同时采集表面缺陷目标至少三幅具有不同偏振特性的目标偏振图像；
19、虚拟滤波单元，用于根据目标偏振图像进行虚拟偏振滤波，得到增强后的目标图像；
20、表面缺陷检测模型，用于对增强后的目标图像进行缺陷检测。
21、与现有技术相比，本发明具有如下有益技术效果：
22、1.本发明通过虚拟偏振滤波抑制偏振光，同时在yolov5网络的基础上搭建表面缺陷检测模型，将图像处理技术并与目标检测神经网络相结合，虚拟偏振滤波显著降低了复杂光照条件下对目标检测的负面影响，使目标区域更清晰可见，有效提高表面缺陷检测模型在复杂光照条件下的目标检测准确率和稳定性，有效克服了传统方法的限制；
23、2.本发明在优选方案中通过在虚拟偏振滤波的过程中以信噪比为依据筛选虚拟偏振滤波的目标像素点，从而避免图像中所关注的信息受到抑制，仅对图像中的噪声信息进行抑制，同时还通过过度曝光优化处理避免解算出错误的信息，从而确保增强后的目标图像总是优于输入的目标偏振图像。
1.一种表面缺陷的图像增强与目标检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的表面缺陷的图像增强与目标检测方法，其特征在于，步骤2中，所述注意力机制包括通道注意力机制与空间注意力机制；
3.根据权利要求1所述的表面缺陷的图像增强与目标检测方法，其特征在于，步骤2中，所述表面缺陷检测模型在训练过程中的损失函数由位置损失、分类损失和置信度损失三部分加权求和构成，其中位置损失的计算过程为：
4.根据权利要求1或2或3所述的表面缺陷的图像增强与目标检测方法，其特征在于，当目标偏振图像的数量大于3时，所述基于三幅目标偏振图像上相同位置像素点的灰度值，计算目标图像上对应位置像素点处入射光的斯托克斯矢量，具体为：
5.根据权利要求4所述的表面缺陷的图像增强与目标检测方法，其特征在于，所述目标图像上各像素点处入射光的斯托克斯矢量具体为：
6.根据权利要求5所述的表面缺陷的图像增强与目标检测方法，其特征在于，所述能流密度、所述能流密度的计算过程为：
7.根据权利要求6所述的表面缺陷的图像增强与目标检测方法，其特征在于，所述目标图像上各像素点的初始灰度值具体为：
8.根据权利要求7所述的表面缺陷的图像增强与目标检测方法，其特征在于，所述目标图像上各像素点的最终灰度值具体为：
9.一种表面缺陷的图像增强与目标检测系统，其特征在于，采用权利要求1至8任一项所述的表面缺陷的图像增强与目标检测方法；
