基于Retinex-DenseNet融合架构的井下钻杆低照度图像增强方法研究

为解决煤矿井下视觉检测中低照度图像亮度不足、细节缺失的问题，研究人员提出融合Retinex理论与改进DenseNet的RetinexD-Net模型，通过分解-增强-融合四阶段网络提升图像质量，实验显示其PSNR/SSIM指标优于现有方法，钻杆检测率最高提升39.2%，为工业视觉智能化提供新方案。

　　

在煤矿智能化转型的浪潮中，井下钻杆的精准检测成为制约自动化钻机性能提升的关键瓶颈。昏暗潮湿的矿井环境导致采集图像存在严重的光照不足、细节模糊和色彩失真，传统机械限位方式难以满足智能钻机对实时性和适应性的需求。这一挑战与自然场景下的低照度视觉问题高度相似，但矿井环境的极端条件使得常规图像增强方法往往束手无策——基于直方图均衡化的算法会丢失细节，伽马校正易引发色彩失衡，而传统Retinex模型则面临计算复杂和光晕伪影的困扰。

中国矿业大学的研究团队在《Optics》发表的研究中，创新性地将Retinex理论的物理可解释性与深度学习的特征提取能力相结合，提出名为RetinexD-Net的新型增强架构。该研究通过改进DenseNet的Bottleneck结构保留暗区细节，引入亮度分布空间注意力机制调控反射分量，并构建包含分解网络、光照增强网络、反射调整网络和感知融合网络的全流程处理框架。关键技术包括：基于改进DenseNet-121的特征提取模块、多尺度Retinex分解算法、亮度引导的空间注意力机制（Spatial Attention），以及使用Dark Pipe 600钻杆专用数据集进行端到端训练。

DenseNet改进与RetinexD-Net框架
通过重构传统DenseNet的密集连接模式，研究人员设计具有跨层特征复用能力的轻量化分解网络，其参数量减少23%的同时，在LOL数据集上实现0.92的SSIM值。改进的Bottleneck结构采用双分支设计，分别处理光照分量（Illumination）的全局对比度和反射分量（Reflectance）的局部纹理。

实验验证
在公开数据集LOL-v2上的测试表明，该模型PSNR达24.6dB，较KinD提升12.7%。针对钻杆检测的专项实验中，YOLOv5在增强图像上的mAP@0.5达到84.3%，较原始低光图像提升39.2个百分点。消融实验证实，亮度分布注意力模块使暗区信噪比提升8.2dB，有效抑制金属反光干扰。

结论与展望
该研究首次将Retinex理论与深度密集网络融合应用于工业检测场景，其提出的反射分量空间调制机制为低照度增强提供了新思路。实际应用中，该系统可使钻杆识别误报率降低至1.2帧/千吨，显著提升钻机自动化水平。未来工作将聚焦于动态光照条件下的实时增强算法优化，并探索该框架在医疗内镜等更多低光场景的迁移应用。研究获得国家自然科学基金（52405081）和江苏省科协青年人才计划（JSTJ-2024-473）支持，相关技术已申请发明专利。