[发明专利]一种用于菊花存储仓库的图像超分辨率重建方法及设备

说明书

本发明公开了一种用于菊花存储仓库的图像超分辨率重建方法及设备，重建方法包括在计算机上搭建CNN网络，利用训练数据集训练CNN网络，将现场菊花图像输入训练完毕的CNN网络，现场菊花图像依次经过低级信息提炼模块和各个高级信息提炼模块，将综合特征图输入超分辨率映射模块，超分辨率映射模块对综合特征图进行超分辨率重建等步骤。本发明在高级信息提炼模块中先用两个空间注意力机制对特征图不同空间位置的信息进行校准，再采用通道注意力机制对特征图不同通道上的信息进行二次校准，输入注意力模块的特征图中含有大量差异化的特征信息，测试结果表明，本发明提供的CNN网络对现场菊花图像具有很好的重建效果。

技术领域

本发明属于菊花和图像处理技术领域，具体地说，涉及一种用于菊花存储仓库的图像超分辨率重建方法及设备。

背景技术

菊花经过加工后，存储在仓库中，等待分类包装。菊花在仓库存放过程中，受多种环境因素影响，可能会发生变质。而且一旦变质，会传染周围的菊花，导致损失扩大。可以将摄像头安装在仓库顶部，结合计算机视觉技术监控仓库中的菊花状态。但是，由于摄像头距离菊花距离较远，受分辨率限制，变质的菊花在图像中只占据很小的面积，导致目标检测网络识别精度低。

发明内容

本发明提供了一种用于菊花存储仓库的图像超分辨率重建方法及设备，采用超分辨率重建技术对图像进行重建，提升自动检测质变菊花的准确率。

为了解决上述技术问题，本发明采用了如下的技术方案：一种用于菊花存储仓库的图像超分辨率重建方法，包括以下步骤：

P100、在计算机上根据设计的结构搭建CNN网络，所述CNN网络沿着深度方向依次设有低级信息提炼模块、高级信息提炼模块和超分辨率映射模块，多个所述高级信息提炼模块顺次连接；

所述高级信息提炼模块的数学模型为：

N1＝γ1(j1c3(T^m))

N2＝γ2(j1d3(T^m))

N3＝fu(N1,N2)

N4＝jb(N3,S^m)*N1

N5＝jd(N3,L^m)*N2

C^m+1＝jc(||N4,N5||,C^m)×||N4,N5||

S^m+1＝γ3(j2c3(C^m+1))

L^m+1＝γ4(j2d3(C^m+1))

T^m+1＝γ5(j3c1(||S^m+1,L^m+1||))