CN109357754B - 一种基于深度学习的隧道洞内外亮度仪标定方法及系统 - Google Patents
一种基于深度学习的隧道洞内外亮度仪标定方法及系统 Download PDFInfo
- Publication number
- CN109357754B CN109357754B CN201811342175.5A CN201811342175A CN109357754B CN 109357754 B CN109357754 B CN 109357754B CN 201811342175 A CN201811342175 A CN 201811342175A CN 109357754 B CN109357754 B CN 109357754B
- Authority
- CN
- China
- Prior art keywords
- brightness
- tunnel
- outside
- target area
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013135 deep learning Methods 0.000 title claims abstract description 25
- 238000004164 analytical calibration Methods 0.000 title description 2
- 230000006870 function Effects 0.000 claims description 62
- 230000000694 effects Effects 0.000 abstract description 3
- 238000003384 imaging method Methods 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005375 photometry Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J1/00—Photometry, e.g. photographic exposure meter
- G01J1/10—Photometry, e.g. photographic exposure meter by comparison with reference light or electric value provisionally void
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
Abstract
本发明提供了一种基于深度学习的隧道洞内外亮度仪标定方法包括:(1)可调节光源在所述隧道内外亮度仪和标准亮度仪清晰成像;(2)分别在隧道内外亮度仪和标准亮度仪的输出图像上圈定可调节光源的同一目标区域;(3)设定一个初始的隧道内外亮度仪的镜头曝光参数;(4)调节可调节光源的亮度等级,分别记录平均灰度值和亮度值;(5)修改隧道内外亮度仪的镜头曝光参数,重复步骤(4)多次;(6)拟合平均灰度值与所述亮度值取对数后的线性关系曲线模型:(7)求解线性关系参数Wn和bn的最优解。本发明能够减少标定耗时,自动选取线性区间,到达降低人力和时间成本的效果。
Description
技术领域
本发明涉及隧道洞内外亮度仪标定技术领域,特别涉及一种基于深度学习的隧道洞内外亮度仪标定方法及系统。
背景技术
依据光度学原理以及成像理论,相机能够通过镜头将目标物反映在感光材料上,所得图像的灰度与目标物对应的曝光量(亮度值)对数之间在一定的亮度区间内存在如图1所示的关系,在一定的亮度区间内,亮度的对数值和图像的灰度之间存在近似的线性关系,D=vlgH+m;其中D表示摄像机获取的图片灰度,H表示亮度值,v,m是需要求解的参数,B~C段目标物图像曝光量对数lgH与灰度值D之间呈比较好的线性关系。A~B段为曝光不足区间,C~D为过曝区间。这两个区间目标物图像灰度与曝光量对数呈非线性关系不适于进行亮度测量,如果在这两个区间进行亮度测量将会导致测量结果误差偏大。在图中的L称作宽容度,用来限定亮度测量时曝光量的使用范围。
隧道洞内外亮度仪是依据该原理,通过调整曝光参数,使得在该曝光参数下图像传感器(隧道洞内外亮度仪)所获取的灰度值处于灰度-亮度对数曲线的线性区内,从而将图像传感器所获取的图像灰度值转换为亮度值,达到精确测量亮度的目的。不同型号的图像传感器的感光元件对于亮度的敏感程度不同,因此需要对图像传感器做标定。现有技术中的标定方法有如下几个步骤:
1.在暗室环境下,将标准亮度测试仪器和图像传感器对准同一光源,分别获取图像传感器的图像灰度值和标准亮度测试仪的亮度对数值。
2.调节光源亮度,测出多组数据并记录。
3.修改相机的曝光参数,重复2。
4.将同一曝光参数下的亮度对数与图像平均灰度值录入数据合成软件,获取离散的亮度对数-图像灰度关系图。
5.选取不同曝光参数下亮度对数-图像灰度关系图的线性部分,计算一元线性回归的线性系数,直到线性系数达到误差要求且所有的灰度数值都存在线性对应的亮度对数值(一般的图像传感器由于性能的关系通常需要选取两个以上曝光参数才能使的整个灰度范围都能线性地对应上亮度对数值)。
6.记录5中满足误差要求曝光参数、一元线性回归参数,完成标定。
现有技术中,隧道洞内外亮度仪的整个标定过程的耗时长,步骤繁琐,且选取线性区的部分凭借经验,需反复尝试,才能选出满足要求的区间,在实际生产环境下大大增加了人工成本和时间成本。
因此,为了解决上述技术问题,需要一种减少标定耗时、自动选取线性区间的一种基于深度学习的隧道洞内外亮度仪标定方法及系统。
发明内容
本发明的一个方面在于提供一种基于深度学习的隧道洞内外亮度仪标定方法,所述方法包括如下方法步骤:
(1)调整隧道内外亮度仪、标准亮度仪和可调节光源的位置,使可调节光源在所述隧道内外亮度仪和标准亮度仪清晰成像;
(2)分别在隧道内外亮度仪和标准亮度仪的输出图像上圈定可调节光源的同一目标区域;
(3)设定一个初始的隧道内外亮度仪的镜头曝光参数;
(4)调节可调节光源的亮度等级,分别记录隧道内外亮度仪在圈定的所述同一目标区域内的平均灰度值,和标准亮度仪在圈定的所述同一目标区域内的亮度值;
(5)修改隧道内外亮度仪的镜头曝光参数,重复步骤(4)多次;
(6)获取多组镜头曝光参数下隧道内外亮度仪在圈定的所述同一目标区域内的平均灰度值,和标准亮度仪在圈定的所述同一目标区域内的亮度值,拟合平均灰度值与所述亮度值取对数后的线性关系曲线模型:
Y=Wn*X+bn,其中,Y为隧道内外亮度仪在圈定的所述同一目标区域内的平均灰度值,X为标准亮度仪在圈定的所述同一目标区域内的亮度值H的对数值lgH,Wn和bn为线性关系参数;
(7)建立第一损失函数,寻找隧道内外亮度仪在圈定的所述同一目标区域内的平均灰度值的最优估计范围,
在平均灰度值的最优估计范围内,建立第二损失函数求解线性关系参数Wn和bn的最优解。
进一步地,所述隧道内外亮度仪的镜头曝光参数为隧道内外亮度仪的镜头光圈系数和镜头焦距。
进一步地,寻找隧道内外亮度仪在圈定的所述同一目标区域内的平均灰度值的最优估计范围包括如下方法步骤:
将获取多组镜头曝光参数下隧道内外亮度仪在圈定的所述同一目标区域内的平均灰度值,和标准亮度仪在圈定的所述同一目标区域内的亮度值作为训练数据;
建立第一损失函数:loss1=(Yp-Yq)-1/255*R-1 logR,其中,(Yp,Yq)为隧道内外亮度仪在圈定的所述同一目标区域内的平均灰度值的估计范围,R为线性系数,满足:
采用梯度下降算法使所述第一损失函数值达到最小,得到平均灰度值的最优估计范围。
进一步地,建立第二损失函数求解线性关系参数Wn和bn的最优解包括如下方法步骤:
初始化Wn和bn为随机值,n=1,2,3,...;
对平均灰度值的最优估计范围内的平均灰度值进行估计:
Y^=Wn*X+bn,其中,Y^为隧道内外亮度仪在圈定的所述同一目标区域内的平均灰度值Y的估计值,X为标准亮度仪在圈定的所述同一目标区域内的亮度值H的对数值lgH;
采用梯度下降算法使所述第二损失函数值达到最小,得到线性关系参数Wn和bn的最优解。
进一步地,所述梯度下降算法选用Caffe,tensorflow深度学习中的一种。
本发明的另一个方面在于提供一种基于深度学习的隧道内外亮度仪标定系统,所述系统包括隧道内外亮度仪、标准亮度仪、可调节光源、第一上位机和第二,所述标准亮度仪连接所述第一上位机,所述隧道内外亮度仪和可调节光源连接所述第二上位机,所述第一上位机和第二上位机内分别存储标定程序,所述标定程序用于执行如下指令:
a)在上位机上显示可调节光源在所述隧道内外亮度仪和标准亮度仪的成像;
b)修改隧道内外亮度仪的镜头曝光参数;
分别在隧道内外亮度仪和标准亮度仪的输出图像上圈定可调节光源的同一目标区域;
c)获取多组镜头曝光参数下隧道内外亮度仪在圈定的所述同一目标区域内的平均灰度值,和标准亮度仪在圈定的所述同一目标区域内的亮度值,拟合平均灰度值与所述亮度值取对数后的线性关系曲线模型:
Y=Wn*X+bn,其中,Y为隧道内外亮度仪在圈定的所述同一目标区域内的平均灰度值,X为标准亮度仪在圈定的所述同一目标区域内的亮度值H的对数值lgH,Wn和bn为线性关系参数;
d)建立第一损失函数,寻找隧道内外亮度仪在圈定的所述同一目标区域内的平均灰度值的最优估计范围,
在平均灰度值的最优估计范围内,建立第二损失函数求解线性关系参数Wn和bn的最优解。
进一步地,所述隧道内外亮度仪的镜头曝光参数为隧道内外亮度仪的镜头光圈系数和镜头焦距。
进一步地,寻找隧道内外亮度仪在圈定的所述同一目标区域内的平均灰度值的最优估计范围包括如下方法步骤:
将获取多组镜头曝光参数下隧道内外亮度仪在圈定的所述同一目标区域内的平均灰度值,和标准亮度仪在圈定的所述同一目标区域内的亮度值作为训练数据;
建立第一损失函数:loss1=(Yp-Yq)-1/255*R-1log R,其中,(Yp,Yq)为隧道内外亮度仪在圈定的所述同一目标区域内的平均灰度值的估计范围,R为线性系数,满足:
采用梯度下降算法使所述第一损失函数值达到最小,得到平均灰度值的最优估计范围。
进一步地,建立第二损失函数求解线性关系参数Wn和bn的最优解包括如下方法步骤:
初始化Wn和bn为随机值,n=1,2,3,...;
对平均灰度值的最优估计范围内的平均灰度值进行估计:
Y^=Wn*X+bn,其中,Y^为隧道内外亮度仪在圈定的所述同一目标区域内的平均灰度值Y的估计值,X为标准亮度仪在圈定的所述同一目标区域内的亮度值H的对数值lgH;
采用梯度下降算法使所述第二损失函数值达到最小,得到线性关系参数Wn和bn的最优解。
本发明一种基于深度学习的隧道洞内外亮度仪标定方法及系统,能够减少标定耗时,自动选取线性区间,到达降低人力和时间成本的效果。
应当理解,前述大体的描述和后续详尽的描述均为示例性说明和解释,并不应当用作对本发明所要求保护内容的限制。
附图说明
参考随附的附图,本发明更多的目的、功能和优点将通过本发明实施方式的如下描述得以阐明,其中:
图1是图像的灰度值与目标物对应的亮度值对数之间的感光特性原理曲线图。
图2是本发明一种基于深度学习的隧道洞内外亮度仪标定系统的框图。
图3是本发明一种基于深度学习的隧道洞内外亮度仪标定方法的流程图。
图4是本发明一个实施例拟合的隧道内外亮度仪的平均灰度值与标准亮度仪的亮度值取对数后的线性关系曲线。
具体实施方式
通过参考示范性实施例,本发明的目的和功能以及用于实现这些目的和功能的方法将得以阐明。然而,本发明并不受限于以下所公开的示范性实施例;可以通过不同形式来对其加以实现。说明书的实质仅仅是帮助相关领域技术人员综合理解本发明的具体细节。
在下文中,将参考附图描述本发明的实施例。在附图中,相同的附图标记代表相同或类似的部件,或者相同或类似的步骤。下面通过具体的实施方式对本发明的内容进行说明,在下文的实施例中示例性的用F11光圈对隧道洞内外亮度仪的曝光时间在32/24000s下进行标定,在一些实施例中,曝光时间可以是272/24000s、288/24000s。为减少外来光线的干扰,隧道洞内外亮度仪的亮度值标定在夜间进行。
为了清晰的说明本发明,首先对本发明提供的一种基于深度学习的隧道内外亮度仪快速标定系统进行说明,如图2所示本发明一种基于深度学习的隧道洞内外亮度仪标定系统的框图,一种基于深度学习的隧道内外亮度仪快速标定系统包括隧道内外亮度仪104、标准亮度仪103、可调节光源103、第一上位机101和第二上位机102,例如pc、笔记本电脑等。标准亮度仪103连接第一上位机101,隧道内外亮度仪104和可调节光源103连接第二上位机102。隧道内外亮度仪104通过RJ45连接第二上位机102,在隧道内外亮度仪104与第二上位机102之间通过RJ45连接网络交换机105,可调节光源103通过RS232连接第二上位机102,标准亮度仪103通过1394连接第一上位机101。
第一上位机101和第二上位机102内分别存储标定程序(标定软件系统),在标定过程中启动标定程序,标定程序用于执行如下指令:
a)在上位机上显示可调节光源在所述隧道内外亮度仪和标准亮度仪的成像。
b)修改隧道内外亮度仪的镜头曝光参数;隧道内外亮度仪的镜头曝光参数为隧道内外亮度仪的镜头光圈系数和镜头焦距。
分别在隧道内外亮度仪和标准亮度仪的输出图像上圈定可调节光源的同一目标区域;
c)获取多组镜头曝光参数下隧道内外亮度仪在圈定的所述同一目标区域内的平均灰度值,和标准亮度仪在圈定的所述同一目标区域内的亮度值,拟合平均灰度值与亮度值取对数后的线性关系曲线模型:
Y=Wn*X+bn,其中,Y为隧道内外亮度仪在圈定的所述同一目标区域内的平均灰度值,X为标准亮度仪在圈定的所述同一目标区域内的亮度值H的对数值lgH,Wn和bn为线性关系参数;
d)建立第一损失函数,寻找隧道内外亮度仪在圈定的所述同一目标区域内的平均灰度值的最优估计范围,包括如下方法步骤:
将获取多组镜头曝光参数下隧道内外亮度仪在圈定的所述同一目标区域内的平均灰度值,和标准亮度仪在圈定的所述同一目标区域内的亮度值作为训练数据。
建立第一损失函数:loss1=(Yp-Yq)-1/255*R-1 log R,其中,(Yp,Yq)为隧道内外亮度仪在圈定的所述同一目标区域内的平均灰度值的估计范围,R为线性系数,满足:
采用梯度下降算法使所述第一损失函数值达到最小,得到平均灰度值的最优估计范围。
在平均灰度值的最优估计范围内,建立第二损失函数求解线性关系参数Wn和bn的最优解,包括如下方法步骤:
初始化Wn和bn为随机值,n=1,2,3,...。
对平均灰度值的最优估计范围内的平均灰度值进行估计:
Y^=Wn*X+bn,其中,Y^为隧道内外亮度仪在圈定的所述同一目标区域内的平均灰度值Y的估计值,X为标准亮度仪在圈定的所述同一目标区域内的亮度值H的对数值lgH。
采用梯度下降算法使所述第二损失函数值达到最小,得到线性关系参数Wn和bn的最优解。
下面对本发明一种基于深度学习的隧道洞内外亮度仪标定方法进行详细阐释,如图3所示发明一种基于深度学习的隧道洞内外亮度仪标定方法的流程图,一种基于深度学习的隧道洞内外亮度仪标定方法包括如下方法步骤:
步骤S101、调整隧道内外亮度仪104、标准亮度仪103和可调节光源103的位置,使可调节光源103在隧道内外亮度仪104和标准亮度仪103清晰成像。
搭建本发明基于深度学习的隧道洞内外亮度仪标定系统,将隧道内外亮度仪104、标准亮度仪103和可调节光源106摆放在相应的位置上,隧道内外亮度仪104、标准亮度仪103并排摆放,按照本发明提供的基于深度学习的隧道洞内外亮度仪标定系统连接好线路。通电后开启可调节光源106,调节可调节光源103的亮度,并调整隧道内外亮度仪104和标准亮度仪103的焦距,使可调节光源在隧道内外亮度仪和标准亮度仪清晰成像。
步骤S102、分别在隧道内外亮度仪和标准亮度仪的输出图像上圈定可调节光源的同一目标区域。
打开上位机存储的标定程序,在第二上位机上显示隧道内外亮度仪输出的图像,在第一上位机上显示标准亮度仪的输出的图像,在第一上位机和第二上位机上显示的输出图像分别圈定可调节光源的同一目标区域(在该区域内作为标定的目标区域),本实施例中圈定的同一目标区域为一个矩形区域,在圈定出同一目标区域后,在可调节光源前面加上一块散光片,以使目标区域光源分布均匀。
步骤S103、设定一个初始的隧道内外亮度仪的镜头曝光参数,隧道内外亮度仪的镜头曝光参数为隧道内外亮度仪的镜头光圈系数和镜头焦距。
步骤S104、调节可调节光源的亮度等级,分别记录隧道内外亮度仪在圈定的所述同一目标区域内的平均灰度值,和标准亮度仪在圈定的所述同一目标区域内的亮度值。实施例中通过光控制线调节可调节光源的亮度等级。
步骤S105、修改隧道内外亮度仪的镜头曝光参数,重复步骤S104多次,获取多组镜头曝光参数下隧道内外亮度仪在圈定的所述同一目标区域内的平均灰度值,和标准亮度仪在圈定的所述同一目标区域内的亮度值。
步骤S106、拟合平均灰度值与所述亮度值取对数后的线性关系曲线模型。
获取多组镜头曝光参数下隧道内外亮度仪在圈定的所述同一目标区域内的平均灰度值,和标准亮度仪在圈定的所述同一目标区域内的亮度值,拟合平均灰度值与所述亮度值取对数后的线性关系曲线模型:
Y=Wn*X+bn,其中,Y为隧道内外亮度仪在圈定的所述同一目标区域内的平均灰度值,X为标准亮度仪在圈定的所述同一目标区域内的亮度值H的对数值lgH,Wn和bn为线性关系参数。
步骤S107、建立第一损失函数,寻找隧道内外亮度仪在圈定的所述同一目标区域内的平均灰度值的最优估计范围。
寻找隧道内外亮度仪在圈定的同一目标区域内的平均灰度值的最优估计范围包括如下方法步骤:
将获取多组镜头曝光参数下隧道内外亮度仪在圈定的所述同一目标区域内的平均灰度值,和标准亮度仪在圈定的所述同一目标区域内的亮度值作为训练数据。
建立第一损失函数:loss1=(Yp-Yq)-1/255*R-1 log R,其中,(Yp,Yq)为隧道内外亮度仪在圈定的所述同一目标区域内的平均灰度值的估计范围,R为线性系数,满足:
由线性系数R可知,0≤R≤1,R越接近1线性度越好,且当(Yp,Yq)区间仅有两个点时,R=1。由于需要(Yp,Yq)区间尽可能大,本发明通过建立上述第一损失函数寻找隧道内外亮度仪在圈定的同一目标区域内的平均灰度值的最优估计范围。
采用梯度下降算法使所述第一损失函数值达到最小,得到平均灰度值的最优估计范围。
在平均灰度值的最优估计范围内,建立第二损失函数求解线性关系参数Wn和bn的最优解。
求解线性关系参数Wn和bn的最优解包括如下方法步骤:
初始化Wn和bn为随机值,n=1,2,3,...;
对平均灰度值的最优估计范围内的平均灰度值进行估计:
Y^=Wn*X+bn,其中,Y^为隧道内外亮度仪在圈定的所述同一目标区域内的平均灰度值Y的估计值,X为标准亮度仪在圈定的所述同一目标区域内的亮度值H的对数值lgH;
pi=|Y-Y^|/255,mj为平均灰度值的最优估计范围的下界,nj为平均灰度值的最优估计范围的上界,k=1,2,...,n。
采用梯度下降算法使所述第二损失函数值达到最小,得到线性关系参数Wn和bn的最优解。优选地,梯度下降算法选用Caffe,tensorflow深度学习中的一种。
实施例中以F11光圈对隧道洞内外亮度仪的曝光时间在32/24000s下进行标定,如图4所示本发明一个实施例拟合的隧道内外亮度仪的平均灰度值与标准亮度仪的亮度值取对数后的线性关系曲线,拟合的线性关系曲线具有线性关系参数Wn和bn的最优解,Wn=126.534,bn=33.027。
本发明一种基于深度学习的隧道洞内外亮度仪标定方法及系统,通过深度学习,自动寻找隧道内外亮度仪在圈定的同一目标区域内的平均灰度值的最优估计范围,能够减少标定耗时,到达降低人力和时间成本的效果。
结合这里披露的本发明的说明和实践,本发明的其他实施例对于本领域技术人员都是易于想到和理解的。说明和实施例仅被认为是示例性的,本发明的真正范围和主旨均由权利要求所限定。
Claims (9)
1.一种基于深度学习的隧道内外亮度仪标定方法,其特征在于,所述方法包括如下方法步骤:
(1)调整隧道内外亮度仪、标准亮度仪和可调节光源的位置,使可调节光源在所述隧道内外亮度仪和标准亮度仪清晰成像;
(2)分别在隧道内外亮度仪和标准亮度仪的输出图像上圈定可调节光源的同一目标区域;
(3)设定一个初始的隧道内外亮度仪的镜头曝光参数;
(4)调节可调节光源的亮度等级,分别记录隧道内外亮度仪在圈定的所述同一目标区域内的平均灰度值,和标准亮度仪在圈定的所述同一目标区域内的亮度值;
(5)修改隧道内外亮度仪的镜头曝光参数,重复步骤(4)多次;
(6)获取多组镜头曝光参数下隧道内外亮度仪在圈定的所述同一目标区域内的平均灰度值,和标准亮度仪在圈定的所述同一目标区域内的亮度值,拟合平均灰度值与所述亮度值取对数后的线性关系曲线模型:
Y=Wn*X+bn,其中,Y为隧道内外亮度仪在圈定的所述同一目标区域内的平均灰度值,X为标准亮度仪在圈定的所述同一目标区域内的亮度值H的对数值lgH,Wn和bn为线性关系参数;
(7)建立第一损失函数,寻找隧道内外亮度仪在圈定的所述同一目标区域内的平均灰度值的最优估计范围,其中,第一损失函数表述为:loss1=(Yp-Yq)-1/255*R-1logR,其中,(Yp,Yq)为隧道内外亮度仪在圈定的所述同一目标区域内的平均灰度值的估计范围,R为线性系数,满足:
2.根据权利要求1所述的方法,其特征在于,所述隧道内外亮度仪的镜头曝光参数为隧道内外亮度仪的镜头光圈系数和镜头焦距。
3.根据权利要求1所述的方法,其特征在于,寻找隧道内外亮度仪在圈定的所述同一目标区域内的平均灰度值的最优估计范围包括如下方法步骤:
将获取多组镜头曝光参数下隧道内外亮度仪在圈定的所述同一目标区域内的平均灰度值,和标准亮度仪在圈定的所述同一目标区域内的亮度值作为训练数据;
建立第一损失函数:loss1=(Yp-Yq)-1/255*R-1logR,其中,(Yp,Yq)为隧道内外亮度仪在圈定的所述同一目标区域内的平均灰度值的估计范围,R为线性系数,满足:
采用梯度下降算法使所述第一损失函数值达到最小,得到平均灰度值的最优估计范围。
4.根据权利要求1所述的方法,其特征在于,建立第二损失函数求解线性关系参数Wn和bn的最优解包括如下方法步骤:
初始化Wn和bn为随机值,n=1,2,3,...;
对平均灰度值的最优估计范围内的平均灰度值进行估计:
Y^=Wn*X+bn,其中,Y^为隧道内外亮度仪在圈定的所述同一目标区域内的平均灰度值Y的估计值,X为标准亮度仪在圈定的所述同一目标区域内的亮度值H的对数值lgH;
采用梯度下降算法使所述第二损失函数值达到最小,得到线性关系参数Wn和bn的最优解。
5.根据权利要求3或4所述的方法,其特征在于,所述梯度下降算法选用Caffe,tensorflow深度学习中的一种。
6.一种基于深度学习的隧道内外亮度仪标定系统,其特征在于,所述系统包括隧道内外亮度仪、标准亮度仪、可调节光源、第一上位机和第二上位机,所述标准亮度仪连接所述第一上位机,所述隧道内外亮度仪和可调节光源连接所述第二上位机,所述第一上位机和第二上位机内分别存储标定程序,所述标定程序用于执行如下指令:
a)在第二上位机上显示隧道内外亮度仪输出的图像,在第一上位机上显示标准亮度仪的输出的图像;
b)修改隧道内外亮度仪的镜头曝光参数;
分别在隧道内外亮度仪和标准亮度仪的输出图像上圈定可调节光源的同一目标区域;
c)获取多组镜头曝光参数下隧道内外亮度仪在圈定的所述同一目标区域内的平均灰度值,和标准亮度仪在圈定的所述同一目标区域内的亮度值,拟合平均灰度值与所述亮度值取对数后的线性关系曲线模型:
Y=Wn*X+bn,其中,Y为隧道内外亮度仪在圈定的所述同一目标区域内的平均灰度值,X为标准亮度仪在圈定的所述同一目标区域内的亮度值H的对数值lgH,Wn和bn为线性关系参数;
d)建立第一损失函数,寻找隧道内外亮度仪在圈定的所述同一目标区域内的平均灰度值的最优估计范围,其中,第一损失函数表述为:loss1=(Yp-Yq)-1/255*R-1logR,其中,(Yp,Yq)为隧道内外亮度仪在圈定的所述同一目标区域内的平均灰度值的估计范围,R为线性系数,满足:
Cov为协方差函数,D为方差,Y为隧道内外亮度仪在圈定的所述同一目标区域内的平均灰度值,X为标准亮度仪在圈定的所述同一目标区域内的亮度值H的对数值lgH;在平均灰度值的最优估计范围内,建立第二损失函数求解线性关系参数Wn和bn的最优解,其中,建立第二损失函数表述为:其中,Rj为线性系数,满足:
7.根据权利要求6所述的系统,其特征在于,所述隧道内外亮度仪的镜头曝光参数为隧道内外亮度仪的镜头光圈系数和镜头焦距。
8.根据权利要求6所述的系统,其特征在于,寻找隧道内外亮度仪在圈定的所述同一目标区域内的平均灰度值的最优估计范围包括如下方法步骤:
将获取多组镜头曝光参数下隧道内外亮度仪在圈定的所述同一目标区域内的平均灰度值,和标准亮度仪在圈定的所述同一目标区域内的亮度值作为训练数据;
建立第一损失函数:loss1=(Yp-Yq)-1/255*R-1logR,其中,(Yp,Yq)为隧道内外亮度仪在圈定的所述同一目标区域内的平均灰度值的估计范围,R为线性系数,满足:
采用梯度下降算法使所述第一损失函数值达到最小,得到平均灰度值的最优估计范围。
9.根据权利要求6所述的系统,其特征在于,建立第二损失函数求解线性关系参数Wn和bn的最优解包括如下方法步骤:
初始化Wn和bn为随机值,n=1,2,3,...;
对平均灰度值的最优估计范围内的平均灰度值进行估计:
Y^=Wn*X+bn,其中,Y^为隧道内外亮度仪在圈定的所述同一目标区域内的平均灰度值Y的估计值,X为标准亮度仪在圈定的所述同一目标区域内的亮度值H的对数值lgH;
采用梯度下降算法使所述第二损失函数值达到最小,得到线性关系参数Wn和bn的最优解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811342175.5A CN109357754B (zh) | 2018-11-12 | 2018-11-12 | 一种基于深度学习的隧道洞内外亮度仪标定方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811342175.5A CN109357754B (zh) | 2018-11-12 | 2018-11-12 | 一种基于深度学习的隧道洞内外亮度仪标定方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109357754A CN109357754A (zh) | 2019-02-19 |
CN109357754B true CN109357754B (zh) | 2020-10-23 |
Family
ID=65345104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811342175.5A Active CN109357754B (zh) | 2018-11-12 | 2018-11-12 | 一种基于深度学习的隧道洞内外亮度仪标定方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109357754B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109900720B (zh) * | 2019-03-22 | 2021-05-11 | 武汉艾维视智能技术有限公司 | 一种适应不同网板光学检测光源亮度自动调整方法及系统 |
CN116309863B (zh) * | 2023-02-17 | 2024-02-02 | 合肥安迅精密技术有限公司 | 图像光源照明参数的标定方法及系统、存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0515157D0 (en) * | 2005-07-23 | 2005-08-31 | Univ Belfast | Light measurement method and apparatus |
CN102042873B (zh) * | 2009-10-23 | 2012-06-06 | 中国科学院西安光学精密机械研究所 | 基于光场均匀性传递的平行光场强度均匀性的认定方法及系统 |
CN102853903B (zh) * | 2011-06-28 | 2014-07-02 | 中国科学院西安光学精密机械研究所 | 一种科学级ccd的非线性度标定方法 |
CN206524909U (zh) * | 2017-02-08 | 2017-09-26 | 广西交通科学研究院有限公司 | 一种基于图像的隧道洞内外亮度检测装置 |
-
2018
- 2018-11-12 CN CN201811342175.5A patent/CN109357754B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109357754A (zh) | 2019-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9892514B2 (en) | Post-manufacture camera calibration | |
CN103929598B (zh) | 一种自动曝光方法及摄像头模组检测方法 | |
TWI539812B (zh) | 用於電子照相機之自動白平衡方法 | |
TW200420118A (en) | Device and method for estimating light source, image pickup device and image processing method | |
CN109357754B (zh) | 一种基于深度学习的隧道洞内外亮度仪标定方法及系统 | |
KR101150111B1 (ko) | 디지털 이미지의 자동화된 보정을 위한 시스템 및 방법 | |
JP2018147718A (ja) | 照明制御方法および照明制御システム | |
US9778109B2 (en) | Method for obtaining full reflectance spectrum of a surface and apparatus therefor | |
CN113438425B (zh) | 一种自动曝光调整方法及系统 | |
JP2002354244A (ja) | 光バランスの変化を最小としつつディジタル画像を光フォールオフについて補償する方法 | |
US10520424B2 (en) | Adaptive method for a light source for inspecting an article | |
TW202212814A (zh) | 檢查裝置、檢查方法以及儲存介質 | |
TW201633254A (zh) | 用於電子照相機之自動白平衡系統 | |
CN109426599A (zh) | 功率估算方法与功率估算装置 | |
Bastani et al. | Simplifying irradiance independent color calibration | |
CN104427322A (zh) | 信息处理设备、成像设备、信息处理方法和程序 | |
CN113936580B (zh) | 一种显示屏亮度测量模型的生成方法及相关装置 | |
CN110673428B (zh) | 一种结构光补偿方法、装置及设备 | |
WO2022044297A1 (ja) | 情報処理方法、情報処理装置及び情報処理プログラム | |
CN106931902B (zh) | 用于数字图像相关测试的环境光强自适应调节方法 | |
Kumar et al. | Commissioning of camera calibration factor for luminance measurement | |
JP6649439B2 (ja) | 照明光源の調整方法 | |
CN114828355A (zh) | 一种光源均匀性调节方法、系统以及装置 | |
US6091908A (en) | Photometric device and method for a camera | |
JP6862114B2 (ja) | 処理装置、処理システム、撮像装置、処理方法、プログラム、および記録媒体 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: No.6, Gaoxin 2nd Road, XiXiangTang District, Nanning City, Guangxi Zhuang Autonomous Region Patentee after: Guangxi Jiaoke Group Co.,Ltd. Address before: No.6, Gaoxin 2nd Road, XiXiangTang District, Nanning City, Guangxi Zhuang Autonomous Region Patentee before: GUANGXI TRANSPORTATION RESEARCH & CONSULTING Co.,Ltd. |