基于区域亮度自适应校正的茶叶嫩芽检测模型

来源：农业工程学报杂志2021年第22期北京时间：

作者：吕军,方梦瑞,姚青,武传宇,贺盈磊,边磊,钟小玉,

摘要：自然光照下不同时间采集的茶叶图像存在亮度不均的现象。由于高亮度图像对比度差且嫩芽特征显著性弱，造成高亮度图像中存在较多嫩芽的漏检。针对现有茶叶嫩芽图像自动检测方法对光照变化的敏感性，该研究提出一种基于区域亮度自适应校正的茶叶嫩芽检测模型。首先，对不同时间采集的龙井43茶叶图像进行灰度化；然后，计算灰度图的平均灰度（Average Gray，AG）值，对AG值在170,230的高亮度图像进行不同尺寸的分块处理和局部区域伽马亮度自适应校正；最后，在相同的训练集和测试集训练多个深度学习检测模型。测试结果表明，基于YOLOv5+CSPDarknet53的检测模型比SSD+VGG16、Faster RCNN+VGG16、YOLOv3+Darknet53和YOLOv4+CSPDarknet53模型具有更优的嫩芽检测性能，精确率和召回率分别为88.2%和82.1%。对YOLOv5检测结果进行检测抑制，有效避免了同一目标被多次框选的冗余现象。30,90)和90,170)亮度区间内嫩芽图像具有较强的显著性特征和较高的检测精度与召回率。相较于AG值在170,230的高亮度原始图像的检测结果，对高亮度图像进行2×3分块和局部区域亮度自适应校正后，YOLOv5嫩芽检测召回率提高了19.2个百分点。对不同光照条件下采集的茶叶图像进行测试，基于区域亮度自适应校正的茶叶嫩芽YOLOv5检测模型获得了92.4%的检测精度和90.4%的召回率。该模型对光照强度变化具有较强的鲁棒性，研究结果可为自然光照条件下茶叶嫩芽机械采摘作业提供参考。

关键词：机器视觉, 目标检测, 茶叶嫩芽, 光照强度, 分块, 亮度自适应校正, YOLOv5