一种用于菊花存储仓库的图像超分辨率重建方法及设备与流程

技术特征：
1.一种用于菊花存储仓库的图像超分辨率重建方法，其特征是：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
)*n1n5＝jd(n3,l
m
)*n2c
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
||))其中，t
m
表示从核心输入端输入高级信息提炼模块的特征图，s
m
表示从第一旁路输入端输入高级信息提炼模块的特征图，l
m
表示从第二旁路输入端输入高级信息提炼模块的特征图，c
m
表示从中部输入端输入高级信息提炼模块的特征图；j1c3()和j2c3()均表示卷积核大小为3*3的普通卷积运算，j1d3()和j2d3()均表示卷积核大小为3*3、膨胀率为2的膨胀卷积运算，j3c1()表示卷积核大小为1*1的普通卷积运算，γ1()、γ2()、γ3()、γ4()和γ5()均代表激活函数relu，jb()表示第一旁路空间注意力模块，jd()表示第二旁路空间注意力模块，*表示利用空间校准图去校准特征图，jc()表示中部通道注意力模块，
×
表示利用通道校准图去校准特征图，||
·
||表示将其中的特征图做拼接操作，fu()表示将特征图n1与特征图n2融合，c
m 1
表示从中部输出端输出高级信息提炼模块的特征图，s
m 1
表示从第一旁路输出端输出高级信息提炼模块的特征图，l
m 1
表示从第二旁路输出端输出高级信息提炼模块的特征图，t
m 1
表示从核心输出端输出高级信息提炼模块的特征图；p200、获取训练数据集，利用所述训练数据集训练所述cnn网络，所述训练数据集中包括高分辨率仓库菊花图像及其对应的低分辨率仓库菊花图像；p300、获取需要进行重建的现场菊花图像，将所述现场菊花图像输入步骤p200中训练完毕的cnn网络，所述现场菊花图像依次经过所述低级信息提炼模块和各个所述高级信息提炼模块后，最后一个所述高级信息提炼模块的核心输出端输出综合特征图；p400、将所述综合特征图输入所述超分辨率映射模块，所述超分辨率映射模块对所述综合特征图进行超分辨率重建，然后输出分辨率大于所述现场菊花图像的目标菊花图像。2.根据权利要求1所述的用于菊花存储仓库的图像超分辨率重建方法，其特征是：所述cnn网络中设有中间信息融合模块，所述中间信息融合模块将各个所述高级信息提炼模块中部输出端输出的特征信息与所述综合特征图融合后，再输入所述超分辨率映射模块。3.根据权利要求2所述的用于菊花存储仓库的图像超分辨率重建方法，其特征是：所述中间信息融合模块的数学模型为：ccs＝jr1c1(c1) jr2c1(c2) ... jr
m 1
c1(c
m 1
)cstl＝||ccs,cvt||
其中，c1、c2、
…
、c
m 1
表示各个所述高级信息提炼模块中部输出端输出的特征图，jr1c1()、jr2c1()、
…
、jr
m 1
c1()均表示卷积核大小为1*1的普通卷积运算，||
·
||表示将其中的特征图做拼接操作，cvt表示综合特征图，cstl表示中间信息融合模块融合操作后输出的特征图。4.根据权利要求1所述的用于菊花存储仓库的图像超分辨率重建方法，其特征是：特征图n1与特征图n2的融合过程表示为如下数学公式：nt＝ta1(j1t(n1)) ta2(j2t(n2)) ||n1,n2||n3＝lc(j3t(nt))其中，||
·
||表示将其中的特征图做拼接操作，j1t()、j2t()和j3t()均表示卷积核大小为1*1的普通卷积运算，ta1()和ta2()均表示tanh激活函数，lc()表示logistics激活函数，n3表示特征图n1与特征图n2融合后得到的特征图。5.根据权利要求1所述的用于菊花存储仓库的图像超分辨率重建方法，其特征是：所述第一旁路空间注意力模块的数学模型为：pv2＝sme(s
m
)pv3＝sme(n3)pv4＝svr(n3)s1t＝δ1(ja1c(||pv1,pv2,pv3,pv4||))其中，特征图s
m
和特征图n3为所述第一旁路空间注意力模块的输入，sma()表示对特征图做全通道最大池化操作，sme()表示对特征图做全通道平均池化操作，svr()表示对特征图做全通道方差池化操作，表示元素对应乘积，||
·
||表示将其中的特征图做拼接操作，ja1c()表示卷积核大小为1*1的普通卷积运算，δ1()表示sigmoid函数，s1t表示所述第一旁路空间注意力模块输出的第一旁路空间校准图。6.根据权利要求5所述的用于菊花存储仓库的图像超分辨率重建方法，其特征是：所述第二旁路空间注意力模块的数学模型为：zo2＝sme(l
m
)pv3＝sme(n3)pv4＝svr(n3)s2t＝δ2(ja2c(||zo1,zo2,pv3,pv4||))其中，特征图l
m
和特征图n3为所述第二旁路空间注意力模块的输入，sma()表示对特征图做全通道最大池化操作，sme()表示对特征图做全通道平均池化操作，svr()表示对特征图做全通道方差池化操作，表示元素对应乘积，||
·
||表示将其中的特征图做拼接操作，ja2c()表示卷积核大小为1*1的普通卷积运算，δ2()表示sigmoid函数，s2t表示所述第二旁路空间注意力模块输出的第二旁路空间校准图。7.根据权利要求1所述的用于菊花存储仓库的图像超分辨率重建方法，其特征是：所述中部通道注意力模块的数学模型为：cw1＝cmak(||n4,n5||) cmak(jw1c(c
m
))
ctw＝δ3(fc2(γ6(fc1(cw1))))其中，特征图||n4,n5||和特征图c
m
为所述中部通道注意力模块的输入，||
·
||表示将其中的特征图做拼接操作，cmak()表示对特征图的各个图层做全空间mak池化操作，jw1c()表示卷积核大小为1*1的普通卷积运算，fc1()和fc2()均表示全连接操作，γ6()代表激活函数relu，δ3()表示sigmoid函数，ctw表示所述中部通道注意力模块输出的通道校准图。8.根据权利要求7所述的用于菊花存储仓库的图像超分辨率重建方法，其特征是：所述全空间mak池化操作的过程包括如下步骤：p1、将矩阵中的元素按照从大到小的顺序排列，得到序列u；p2、获取序列u中前三个元素的数值，按照如下公式计算结果：gk＝0.6lag1 0.3lag2 0.1lag3其中，lag1表示序列u中第一个元素的数值大小，lag2表示序列u中第二个元素的数值大小，lag3表示序列u中第三个元素的数值大小，gk表示全空间mak池化操作后的输出值。9.一种用于菊花存储仓库的图像超分辨率重建设备，其特征是：包括处理器和存储器，所述存储器储存有计算机程序，所述处理器通过加载所述计算机程序，用于执行如权利要求1-8任一项所述的用于菊花存储仓库的图像超分辨率重建方法。

技术总结
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。场菊花图像具有很好的重建效果。场菊花图像具有很好的重建效果。


技术研发人员：杨雪梅 李黎
受保护的技术使用者：重庆芸山实业有限公司
技术研发日：2022.07.11
技术公布日：2022/10/11