夜间动物图像自监督学习增强与检测方法

为了解决动物夜间实时监测所面临的图像曝光度低、对比度低、特征提取困难等问题,通过研究轻量化自监督深度神经网络Zero-Denoise和改进型YOLOv8模型,来进行夜间动物目标的图像增强与精准识别。首先,通过轻量化的PDCE-Net进行第一阶段快速增强。提出了一个新的光照损失函数,并利用参数可调的Gamma校正原图与快速增强图,在基于Retinex原理和最大熵理论的PRED-Net中进行第二阶段的重增强。然后,改进YOLOv8模型,并对重增强后的图像进行目标识别。最后,在LOL数据集(low-light dataset)与自建动物数据集进行实验分析,验证Zero-Denoise网络和改进型YOLOv8模型对于夜间动物目标监测的改善效果。试验结果显示,Zero-Denoise的mAP值网络在LOL数据集上的PSNR、SSIM与MAE指标达到28.53、0.76、26.15,结合改进型YOLOv8在自建动物数据集上的mAP值比YOLOv8基线模型提升了7.1%。使用Zero-Denoise和改进型YOLOv8能获得良好的夜间动物目标图像。结果表明所提方法可用于夜间动物目标的精确监测。