[发明专利]一种猕猴桃图像不均匀光照的智能矫正方法

说明书

本发明面向猕猴桃机械化、智能化采摘的迫切需求，针对田间全天候自然环境造成的猕猴桃图像不均匀光照的问题，提出了一种不均匀光照的智能矫正方法。首先从SICE数据集挑选具有不同曝光值的图像序列，构建多重曝光图像数据集；然后构建CBAM‑DCE‑Net深度学习网络，设置训练选项与相关参数，完成CBAM‑DCE‑Net网络模型训练与寻优；进而利用该网络输出的曲线参数拟合最佳亮度增强曲线；最后通过亮度增强曲线的不断迭代增强，完成猕猴桃图像不均匀光照的智能矫正。该方法利用深度学习网络模型对图像进行特定的曲线估计，图像视觉效果和对比度得到了有效提升。

一、技术领域

本发明属于智慧农业领域，特别涉及一种基于深度学习的猕猴桃图像不均匀光照的智能矫正方法。

二、背景技术

2021年强调将以更有力的举措，汇聚更强大的力量，加快农业农村现代化。智慧农业是我国农业现代化发展的必然趋势。猕猴桃营养丰富，被誉为“水果之王”。猕猴桃果实的商品附加价值高，增加农民收益效果显著。猕猴桃收获是一项劳动密集型作业，我国现行的猕猴桃果实收获的机械化水平较为低下，导致果实的生产成本提高。随着我国城乡一体化的推进，农业劳动力存在“老龄化”等问题。猕猴桃隶属藤蔓植物，在我国一直采用棚架栽培模式，需立柱支撑、钢丝组网，且果实大都成簇生长。在田间，猕猴桃受全天候光照强度变化、树叶遮光以及相机动态范围限制等影响，采集的图像往往呈现一些不适定特征，如低照度、低对比度和细节模糊等光照不均匀的现象，以致在智能识别阶段出现了较严重的漏检和误检，给后续的机器人自动化采摘工作带来很大困难，甚至无法开展机械化、智能化采摘。猕猴桃图像不均匀光照矫正是确保推进与实现智能化采摘的关键环节。

目前，图像的不均匀光照矫正方法可以分为两类：基于物理模型的传统矫正方法和基于数据驱动的深度学习方法。前者，一方面是对图像中像素个数多的灰度值进行展宽，对像素个数少的灰度值进行归并，从而增大对比度，达到图像增强的目的；一方面通过提取输入图像的光照分量对曝光不足的图像进行增强。后者通常使用许多成对的训练数据集和复杂的网络结构来调整图像亮度和增强对比度，如基于BIMEF，RetinexNet，EnlightenGAN或Zero-DCE的网络结构矫正方法。与传统方法相比，深度学习方法具有更好的普适性，但通常使用大量配对的训练数据集进行复杂网络结构的训练与寻优，模型性能往往取决于数据集的质量与数量。此外，这两类方法在处理低质量图像时存在颜色失真、细节模糊、产生伪影以及锐化图像的问题，在田间自然环境中难以进行有效应用。

三、发明内容

针对上述问题，本发明提出一种猕猴桃图像不均匀光照的智能矫正方法，包括以下步骤：

步骤1：构建多重曝光图像数据集；

步骤1.1：从田间采集猕猴桃不均匀光照图像，并从SICE数据集挑选360 个具有不同曝光值的图像序列，构建多重曝光图像数据集；

步骤1.2：按照一定比例将360个具有不同曝光值的图像序列划分为训练集和验证集，将猕猴桃不均匀光照图像划分为测试集；

步骤1.3：将图像尺度统一调整为512pixel×512pixel。

步骤2：构建CBAM-DCE-Net网络结构，利用步骤1构建的多重曝光数据集训练与寻优CBAM-DCE-Net网络模型；

步骤2.1：构建CBAM-DCE-Net网络结构，在DCE-Net网络结构的前六个卷积模块之后分别添加CBAM，之后将前六个卷积模块之后的ReLU激活函数替换为LeakyReLU激活函数，最终形成CBAM-DCE-Net网络结构。其中，CBAM 为轻量级的通用注意力模块，用以提升网络的特征表达能力；LeakyReLU激活函数是ReLU激活函数的变体，能减少静默神经元的出现，允许基于梯度的学习。

步骤2.2：基于步骤2.1构建的CBAM-DCE-Net网络结构，采用步骤1构建的多重曝光图像数据集进行模型训练与参数寻优。