一种AI智能调光方法与流程

本发明涉及智能调光技术领域，尤其是指一种ai智能调光方法。

背景技术：

工业产品种类繁多，在工业产品的生产过程中，需要对产品进行观察检测，即需要获取产品的图像信息。而影响图像清晰度、细节表现和灰度层次表现的主要因素是打光。而目前常用的打光方式是人工手动将光源打到被打光物体上，但是这样的方式受到人工的主观影响大以及差异性较大，打光的质量不能保证统一，效率低下，因此，采用一种自动高效的打光方式是人们亟待解决的问题。

技术实现要素：

本发明针对上述的技术问题提供一种ai智能调光方法。

为了解决上述技术问题，本发明采用如下技术方案：

一种ai智能调光方法，包括以下步骤：

步骤1：对图像进行预处理，针对由于现实环境影响产生的图像噪声进行有效过滤；

步骤2：通过采用深度学习和机器视觉的方式对待打光物体进行自动识别，得出打光的感兴趣区域roi；

步骤3：对roi内的待打光物体的边缘和纹理进行特征提取并统计分析，结合人眼辨别特性，建立一个无参考图像质量评估的数学模型，通过对图像质量进行客观评估，检验图像质量是否清晰、均匀；

步骤4：通过局部调光，得出最佳gi灯光值。

进一步的，步骤3具体包括：通过以下公式对图像质量进行客观评估：

其中roimse表示图像梯度的均方误差，w、h为待打光物体在roi区域上的宽和高，gmean为当前图像梯度位置(i，j)上的平均灰度值，wij为滑动窗口内(i，j)的灰度值；roipsnr为峰值信噪比，即最大信号量l与噪声强度的比值；roidis表示roi区域上待打光物体的纹理离散特性，其中bi、bmean、bmax为单位窗口内进行灰度分布特性统计的当前值、均值、最大值。

接着提出以下图像质量评估函数：

score＝w1×roipsnr+w2×mean(sobel(img))+w3×roidis；

其中w1、w2和w3均为特定值，通过一定数量样本分析和结合人眼辨别特性得出的经验值，求出gmax。

进一步的，步骤4具体包括：

步骤4.1：通过全局光，计算max(score)得出图像最佳梯度，并得出对应的gmax以及roipsnrg、roidisg；

步骤4.2：根据led光源特性进行区域映射，计算每个区域的roipsnri、roidisi得出gi；

步骤4.3：分别控制每个通道gi值，趋向于gmax,迭代计算步骤4.2和步骤4.3，计算出loss1＝fabs(roipsnri-roipsnrg)、loss2＝fabs(roidisi-roidisg)；

步骤4.4：求解min(loss1+loss2)，求得每个通道的最佳gi灯光值。

进一步的，步骤1具体包括：rgb通道分离高斯滤波和连通域滤波。

进一步的，针对打光的感兴趣区域roi的水平方向和垂直方向，通过梯度分析算出水平和垂直方向的梯度，从而检测高斯滤波和连通域滤波后的图像是否清晰。

本发明的有益效果：本发明无需设定参考图像，采用深度学习和机器视觉的方法自动分析感兴趣区域roi，实现智能即ai图像质量评估，得出每个区域的最佳gi灯光值，从而控制每个通道调整相应灯光的光度。

附图说明

图1为本发明的方法流程图。

具体实施方式

为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。以下结合附图对本发明进行详细的描述。

请参阅图1所示，本发明提供的一种ai智能调光方法，包括以下步骤：

步骤1：对图像进行预处理，针对由于现实环境影响产生的图像噪声进行有效过滤；

步骤2：通过采用深度学习和机器视觉的方式对待打光物体进行自动识别，得出打光的感兴趣区域roi；

步骤3：对roi内的待打光物体的边缘和纹理进行特征提取并统计分析，结合人眼辨别特性，建立一个无参考图像质量评估的数学模型，通过对图像质量进行客观评估，检验图像质量是否清晰、均匀；

步骤4：通过局部调光，得出最佳gi值。

本发明无需设定参考图像，采用深度学习和机器视觉的方法自动分析感兴趣区域roi，实现智能即ai图像质量评估，得出每个区域的最佳gi灯光值，从而控制每个通道调整相应灯光的光度。

具体的自动识别方式包括对于普通的物体采用机器视觉的方法进行图像目标分割，对于一些特定的物体采用深度学习方法进行物体检测，具体的深度学习方法包括但不限定于vgg、resnet等神经网络。

本实施例所述的一种ai智能调光方法，步骤3具体包括：

通过以下公式对图像质量进行客观评估：

其中roimse表示图像梯度的均方误差，w、h为待打光物体在roi区域上的宽和高，gmean为当前图像梯度位置(i，j)上的平均灰度值，wij为滑动窗口内(i，j)的灰度值；roipsnr为峰值信噪比，即最大信号量l与噪声强度的比值；roidis表示roi区域上待打光物体的纹理离散特性，其中bi、bmean、bmax为单位窗口内进行灰度分布特性统计的当前值、均值、最大值。

接着提出以下图像质量评估函数：

score＝w1×roipsnr+w2×mean(sobel(img))+w3×roidis；

其中w1、w2和w3均为特定值，通过一定数量样本分析和结合人眼辨别特性得出的经验值，求出gmax。具体的，其中w1为0.62，w2为0.24，w3为0.14。

其中，所述mse为meansquarederror，所述psnr为peaksignaltonoise，ai为人工智能artificialintelligence，gmax为所求出的g值中的最大值，g值为灯光值。

所述滑动窗口为3×3邻域，最大信号量为单通道图像最大灰度值l＝255。

本实施例所述的一种ai智能调光方法，步骤4具体包括：

步骤4.1：通过全局光，计算max(score)得出图像最佳梯度，并得出对应的gmax以及roipsnrg、roidisg；

步骤4.2：根据led光源特性进行区域映射，计算每个区域的roipsnri、roidisi得出gi；

步骤4.3：分别控制每个通道gi值，趋向于gmax,迭代计算步骤4.2和步骤4.3，计算出loss1＝fabs(roipsnri-roipsnrg)、loss2＝fabs(roidisi-roidisg)；

步骤4.4：求解min(loss1+loss2)，求得每个通道的最佳gi灯光值。

其中roipsnri和gi中的i表示第i个区域，gi值指的是在第i个区域的g值，roipsnri为第i个区域的峰值信噪比。

本实施例所述的一种ai智能调光方法，步骤1具体包括：rgb通道分离高斯滤波和连通域滤波。

具体的，所述高斯滤波指的是用一个模板(或称卷积、掩模)扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值，用于有效地过滤由于光照、调光器、相机引入的图像噪声。

具体的，连通域滤波有效过滤由于光照、调光器、相机引入的图像噪声。

本实施例所述的一种ai智能调光方法，针对打光的感兴趣区域roi的水平方向和垂直方向，通过梯度分析即sobel方法算出水平和垂直方向的梯度，从而检测高斯滤波和连通域滤波后的图像是否清晰。

以上所述，仅是本发明较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明以较佳实施例公开如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当利用上述揭示的技术内容作出些许变更或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明技术是指对以上实施例所作的任何简单修改、等同变化与修饰，均属于本发明技术方案的范围内。