Na manufatura industrial de precisão, o sistema de imagem dos equipamentos de inspeção visual frequentemente apresenta uma pequena profundidade de campo, causando desfoque por defocus que afeta gravemente o efeito da inspeção. Para este problema, propõe-se uma rede cega de remoção de desfoque para imagens de desfoque uniforme por defocus (Uniform Defocus Blind Deblur Net, UDBD-Net). Primeiro, propõe-se uma rede de estimativa do núcleo de desfoque para extrair características do desfoque por defocus e estimar com precisão o núcleo de desfoque; em seguida, propõe-se uma rede de deconvolução que aprende e estima as variáveis desconhecidas na fórmula da deconvolução de Wiener baseada em características (Feature-based Wiener Deconvolution, FWD) por meio de redes neurais, gerando de forma mais precisa as características latentes da imagem desblurred; por fim, utiliza-se uma rede codificador-decodificador para melhorar os detalhes da imagem e remover artefatos. Os resultados experimentais mostram que este método alcança uma relação sinal-ruído de pico (Peak Signal to Noise Ratio, PSNR) de 31,16 dB e 36,16 dB nas imagens DIV2K e GOPRO, respectivamente; em comparação com os métodos atuais principais, este método pode restaurar imagens desblurred de maior qualidade e mais naturais sem aumentar significativamente o tempo de inferência do modelo. Além disso, o método também apresenta bom desempenho na remoção de desfoque cego em imagens reais de desfoque uniforme por defocus, podendo melhorar significativamente o desempenho dos algoritmos de inspeção visual industrial para imagens desfocadas.

Visão computacional; remoção cega de desfoque; estimação do núcleo de desfoque, deconvolução