【技術實現步驟摘要】
本專利技術涉及農產品，尤其涉及一種基于視覺大模型的農產品圖像質量增強方法。
技術介紹
1、隨著計算機視覺和深度學習技術的進步，視覺大模型逐漸被引入到農產品質量檢測領域，圖像質量增強作為農產品質量檢測中的關鍵環節直接關系到檢測的準確性和可靠性，然而，在實際應用中農產品圖像的采集質量往往受到采摘環境、運輸條件和拍攝設備的限制導致圖像清晰度不高、色彩失真和細節模糊問題，現有的農產品圖像處理技術通常依賴于傳統圖像處理算法，例如濾波去噪、顏色校正和對比度增強，現有技術存在局限性，對于多樣化的農產品類別和復雜的拍攝環境無法保證圖像增強的效果。
2、目前，農產品圖像質量提升技術面臨多方面的挑戰，傳統圖像增強方法缺乏對多樣化農產品的適應能力，通常針對特定場景優化難以適應水果、蔬菜和谷物農產品在不同采集環境下的復雜變化，由于不同農產品的形態、顏色、紋理差異較大，傳統算法往往無法在保持圖像細節的同時實現顏色的自然平衡，在拍攝環境復雜、光照不均或存在噪聲的情況下傳統方法難以自動適應并優化圖像，導致增強后圖像的清晰度和對比度仍不足進而影響質量檢測的準確性，此外，傳統的超分辨率算法在細節恢復方面效果有限無法精準增強農產品圖像的邊緣和紋理細節，使得檢測系統在識別瑕疵、判定等級時存在誤差。
3、在農產品圖像質量檢測領域，部分研究開始引入視覺模型進行圖像處理但大多數視覺模型在實際應用中仍存在缺陷，現有視覺模型在處理多種類農產品圖像時模型的遷移能力和適應性有限，往往需要大量的特定類別數據進行訓練，同時還難以根據圖像中的瑕疵區域進行自適應增
技術實現思路
1、本專利技術的一個目的在于提出一種基于視覺大模型的農產品圖像質量增強方法，本專利技術使得農產品表面細節和紋理信息更加清晰，為質量檢測和識別提供了準確的數據基礎。
2、根據本專利技術實施例的一種基于視覺大模型的農產品圖像質量增強方法，包括如下步驟：
3、s1、獲取農產品在采摘和運輸的原始農產品圖像數據集；
4、s2、將農產品的原始農產品圖像數據集輸入到預訓練的大規模視覺模型中，所述預訓練的大規模視覺模型基于多個通用農產品原始圖像訓練，并具有初步識別和增強農產品圖像特征的能力；
5、s3、對預訓練的大規模視覺模型進行遷移學習微調，根據所需增強的農產品種類，將對應品類的特征圖像作為訓練數據，基于訓練數據的特性優化大規模視覺模型的權重和參數；
6、s4、利用微調后的大規模視覺模型對農產品的原始農產品圖像數據集進行處理，根據輸入圖像的農產品類別，從增強策略庫中提取匹配的增強策略對原始農產品圖像數據集圖像進行顏色校正，優化亮度、飽和度及色彩平衡；
7、s5、采用超分辨率重建算法對農產品圖像的細節部分進行恢復，利用微調后的大規模視覺模型自動檢測農產品圖像模糊區域并增強農產品圖像邊緣和紋理特征；
8、s6、基于大規模視覺模型的多任務處理能力，對不同農產品類別的農產品圖像執行局部分區域增強策略，將農產品圖像劃分為若干區域，針對光照不均的區域提升局部對比度，對顏色不均的區域進行校正，根據農產品表面瑕疵特征優化瑕疵區域的顯示效果；
9、s7、將經過顏色校正、去噪、細節恢復及區域增強處理后的農產品圖像輸入至農產品質量檢測系統，并根據檢測系統的輸出結果對農產品圖像質量進行進一步微調，并將最終增強后的農產品圖像輸出。
10、可選的，所述s1包括以下步驟：
11、s11、構建農產品的原始農產品圖像數據集，所述農產品包括水果、蔬菜和谷物，通過采集設備在農產品的采摘和運輸過程中采集的農產品圖像集合d：
12、d＝{i1,i2,…,in}；
13、其中，ii表示第i張農產品圖像；
14、s12、每個農產品圖像ii包含農產品的顏色、形態和紋理特征信息，通過農產品圖像特征提取方法對每個農產品圖像的顏色、形態和紋理特征進行標注，生成農產品特征集合fi：
15、fi＝{ci,mi,ti}；
16、其中，ci表示農產品圖像的顏色特征，包括亮度、飽和度和色彩分布，mi表示農產品圖像的形態特征，包含形狀輪廓和面積大小，ti表示農產品圖像的紋理特征，包括紋理方向、紋理粗糙度和紋理對比度；
17、s13、將每張農產品圖像ii的農產品特征集合fi與農產品圖像集合d組合生成完整的原始農產品圖像數據集df：
18、df＝{f1,f2,…,fn}。
19、可選的，所述s2包括以下步驟：
20、s21、構建預訓練的大規模視覺模型m，大規模視覺模型基于通用農產品圖像訓練集tg訓練，設定農產品圖像訓練集t′g＝{i′1,i′2,…,i′m}，其中i′j表示第j張通用農產品圖像，大規模視覺模型的初始訓練目標為最小化以下復合損失函數：
21、
22、其中，m為訓練集樣本數量，i′j表示第j張農產品圖像，γ1、γ2、γ3為各項損失的權重系數，為色彩特征損失，衡量色彩偏差，為形態特征損失，衡量農產品外形特征，為紋理特征損失，用于調整細節特征；
23、s22、將原始農產品圖像數據集df輸入至預訓練的大規模視覺模型m，并利用權重參數矩陣w生成初步特征輸出集合o＝{o1,o2,…,on}，每個輸出向量oi表示大規模視覺模型對第i個圖像的初步增強特征；
24、s23、預訓練的大規模視覺模型m采用多頭自注意力機制對農產品特征fi進行處理，捕捉不同區域間的相關性強化農產品特征對顏色、形態和紋理的特征，生成權重調整后的農產品特征向量oi：
25、
26、其中，h為多頭數量，分別表示第h個頭的查詢、鍵和值向量，為查詢、鍵和值的權重矩陣，softmax函數用于生成注意力分布，dk為鍵向量的維度，layernorm為層歸一化運算；
27、s24、大規模視覺模型引入多尺度特征融合和自適應增強策略，最終優化大規模視覺模型損失函數l，兼顧識別精度與圖像增強效果：
28、
29、其中，n為輸入樣本數量，oi為大規模視覺模型對第i個農產品圖像的輸出特征向量，yi為第i個農產品圖像的真實標簽，和分別為第i個農產品圖像在第s個尺度的增強輸出和理想增強結果，α1、β1為識別與增強損失的權重系數，ws為第s個尺度的權重系數；
30、s25、輸出初步輸出特征集合o＝{o1,o2,…,on}和多尺度增強輸出集合e＝{e1,e2,…,en}。
31、可選的，所述s3包括以下步驟：
32、s31、針對目標農產品類別構建類別特征訓練數據集：
33、
34、其中，表示目標農產品品類c的第i張農產品圖像，k為品類農產品圖像本文檔來自技高網...
【技術保護點】
1.一種基于視覺大模型的農產品圖像質量增強方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種基于視覺大模型的農產品圖像質量增強方法，其特征在于，所述S1包括以下步驟：
3.根據權利要求1所述的一種基于視覺大模型的農產品圖像質量增強方法，其特征在于，所述S2包括以下步驟：
4.根據權利要求1所述的一種基于視覺大模型的農產品圖像質量增強方法，其特征在于，所述S3包括以下步驟：
5.根據權利要求1所述的一種基于視覺大模型的農產品圖像質量增強方法，其特征在于，所述S4包括以下步驟：
6.根據權利要求1所述的一種基于視覺大模型的農產品圖像質量增強方法，其特征在于，所述S5包括以下步驟：
7.根據權利要求1所述的一種基于視覺大模型的農產品圖像質量增強方法，其特征在于，所述S6包括以下步驟：
【技術特征摘要】
1.一種基于視覺大模型的農產品圖像質量增強方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種基于視覺大模型的農產品圖像質量增強方法，其特征在于，所述s1包括以下步驟：
3.根據權利要求1所述的一種基于視覺大模型的農產品圖像質量增強方法，其特征在于，所述s2包括以下步驟：
4.根據權利要求1所述的一種基于視覺大模型的農產品圖像質量增強方法...
【專利技術屬性】
技術研發人員：林子倩，林思彤，劉雨欣，呂倪港，黃文琬，黃津鋒，羅起寧，鄭壁旋，
申請(專利權)人：廣西警察學院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。