工业相机过曝光自适应优化控制算法

工业相机过曝光自适应优化控制算法 Adaptive optimization control method for overexposure of industrial camera 1 first-author 吴文麟（1998-），男，河南南阳人，硕士研究生，2021年于西南科技大学获得学士学位，主要从事，微纳图像处理，机器学习等方面的研究工作，E-mail：wuwl@mails.swust.edu.cn http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629031&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629036&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629034&type= 22.01332855 32.00400543 吴文麟 （1998-），男，河南南阳人，硕士研究生，2021年于西南科技大学获得学士学位，主要从事，微纳图像处理，机器学习等方面的研究工作，E-mail： wuwl@mails.swust.edu.cn wuwl@mails.swust.edu.cn 1 2 corresp E-mail： liaoxiaobo@swust.edu.cn E-mail： liaoxiaobo@swust.edu.cn 廖晓波（1982-），男，湖北天门人，博士，副教授，硕士生导师，2005年于西南科技大学获得学士学位，2008年于西南科技大学获得硕士学位，2021年于西安交通大学获得机械工程博士学位，主要从事扫描探针微纳检测与制造，机器视觉伺服控制技术等方面的研究，E-mail：liaoxiaobo@swust.edu.cn http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629038&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629043&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629040&type= 22.01332855 32.00400543 廖晓波 （1982-），男，湖北天门人，博士，副教授，硕士生导师，2005年于西南科技大学获得学士学位，2008年于西南科技大学获得硕士学位，2021年于西安交通大学获得机械工程博士学位，主要从事扫描探针微纳检测与制造，机器视觉伺服控制技术等方面的研究，E-mail： liaoxiaobo@swust.edu.cn liaoxiaobo@swust.edu.cn 1 1 2 西南科技大学 制造学院，制造过程测试技术教育部重点实验室，四川 绵阳 621010 西南科技大学 制造学院，制造过程测试技术教育部重点实验室，四川 绵阳 621010 School of Manufacturing Science and Engineering， Key Laboratory of Testing Technology for Manufacturing Process， Minsitry of Education， Southwest University of Science and Technology， Mianyang 621010， China School of Manufacturing Science and Engineering， Key Laboratory of Testing Technology for Manufacturing Process， Minsitry of Education， Southwest University of Science and Technology， Mianyang 621010， China 西安交通大学 机械工程学院，陕西 西安 710049 西安交通大学 机械工程学院，陕西 西安 710049 School of Mechanical Engineering， Xi’ an Jiaotong University， Xi’ an 710049，China School of Mechanical Engineering， Xi’ an Jiaotong University， Xi’ an 710049，China 针对工业相机在亮度突变的过曝光条件下无法实时清晰观测目标的问题，提出了一种改进的工业相机过曝光自适应控制方法。首先计算预设区域图像的加权平均灰度值，然后计算曝光值，接着在此基础上，设计一种基于改进“S”曲线的参数控制优化方法，优化调整内部参数，最终使得相机图像处于预设的最优清晰化水平。实验证明：算法完成一次全过程调节耗时0.08 s。在同等条件下与相机硬件自动曝光算法和基于图像直方图特征的自适应曝光算法比较，所提算法的图像Laplacian平均标准差分别提高54.3%和20.6%。因此，该算法的提出能够有效增强相机在亮度突变条件下的自适应性，具有较好的应用价值。 Industrial cameras cannot clearly observe targets in real time in overexposed lighting conditions with sudden changes in brightness. An adaptive exposure control method is proposed to address this problem. First， the weighted average gray value of an image of a preset reference area is calculated， and then， the exposure value is calculated for the image. Next， a parameter control optimization method based on an improved "S" curve is designed to optimize and adjust the internal parameters. Finally， the optimal level of clarity is obtained with reference to the preset position. Experimental results show that the proposed method takes approximately 0.08 s to complete the entire camera adjustment process. Compared with those of the automatic exposure algorithm implemented on the camera hardware and an adaptive exposure algorithm based on image histogram features under the same conditions， the average standard deviation of the Laplacian of the images produced by the proposed algorithm is 54.3% and 20.6% greater， respectively. Therefore， the proposed algorithm can effectively enhance the adaptability of the optimized cameras under conditions of sudden changes in brightness and can be implemented in various practical applications. 计算机视觉 自适应曝光 参数优化 computer vision adaptive exposure parameter optimization 1 引 言 1 随着制造业的不断发展，工业视觉系统的应用越来越广泛。例如，在高精密激光加工时常需要对加工工件进行动态的观测，以便更好地调整加工参数和确定工件加工质量 ［ 1 1 ］ 。但类如激光加工等工业场景具有亮度高且突变性强的特点，工业相机往往无法在这种环境中清晰成像，获得较好的观测数据。目前在工业环境中工业相机常用的曝光方法分为基于硬件的自动曝光方法和基于图像的自适应曝光算法。基于相机硬件的自动曝光算法通过感光元件和硬件电路的配合设计在一定程度上可以解决成像问题 ［ 2 2 ］ ，但是受限于调节所涉硬件的调节范围，环境亮度一旦超过调节范围即失去调节能力，无法完全适应高亮突变环境。基于图像的自适应曝光算法主要包括全局和局部的亮度均值算法、直方图算法、图像信息熵算法和深度学习算法等 ［ 3 3 ］ 。李文涛等人 ［ 4 4 ］ 提出一种图像直方图与相机曝光时间相结合的方法进行过度曝光自适应调节，但其对全图进行直方图估计，运算速度较慢，且线性调节方式具有较大的局限性。汪锦航等人 ［ 5 5 ］ 通过坐标映射关系自适应调整图案亮度，从而解决亮度过大或亮度不足的问题，但是这种方法无法处理区域性亮度不足，适应性较低。Kataoka等人 ［ 6 6 ］ 利用最大化全图熵的方法确定曝光时间，对图像中明暗较为突出的区域采用分块的方法估计区域图像熵，从而抑制高光溢出和阴影遮挡的影响。这种方法虽然针对全图进行模块化自适应，但是图像熵的计算量较大，分块计算后的调节时间较慢。Que等人 ［ 7 7 ］ 提出一种多重曝光融合方法，将全局和局部亮度分量通过权重联合起来，同时利用一种多尺度边缘保持平滑模型对多重曝光的图像进行融合拟合，实现了较大范围的自适应曝光。但是这种方法存在拟合误差，且成像需多幅图像，有效目标成像速度较慢。 针对上述问题，本文提出了一种改进的工业相机曝光自适应控制方法。算法实时计算预设区域的平均加权灰度值，通过反馈调节方法计算曝光值，并将其作为当前曝光值控制相机曝光时长，同时利用基于改进“S”曲线的参数控制优化方法，对反馈调节方法内部参数进行优化控制，由上过程不断迭代直至达到预设的理想清晰化曝光水平。 2 区域加权平均灰度值计算方法 1 传统图像的环境亮度采集和评估指标有平均灰度和图像亮度直方图等方法 ［ 8 8 ］ 。考虑到图像亮度直方图需要对全图亮度进行统计并全排列，涉及到的变量较多，计算量较大，计算速度较慢 ［ 9 9 ］ 。本文从时效性出发，选择了使用平均灰度作为采集和环境亮度评价指标，设计了一种区域平均灰度加权算法。 由相机成像的特征可知，高亮目标往往在发光中心区域的亮度最高，亮度跟随距离依次衰减。结合工业相机中心对焦的特性，越靠近中心区域的像素值对整体算法的计算影响越大。因此本文算法将整体图像划分为6个区域，即主级区域（ 图1 图1 中蓝色区域a）、4个次级区域（ 图1 图1 中红色区域b，c，d，e）和其他区域（ 图1 图1 中白色区域f）。算法进行计算时只选择主级区域a和次级区域b，c，d，e进行灰度计算，其他区域不参与计算，由此设计可抛弃无效运算，提高计算速度（彩图见期刊电子版）。 根据计算区域设置方式，图像的平均区域灰度加权值见 式（1） 式（1） ： <math display="block" id="M1"><msub><mrow><mi>p</mi></mrow><mrow><mi>z</mi></mrow></msub><mo>=</mo><msub><mrow><mi>μ</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub><mfrac><mrow><msub><mrow><mi>P</mi></mrow><mrow><mi>a</mi></mrow></msub></mrow><mrow><msub><mrow><mi>S</mi></mrow><mrow><mi>a</mi></mrow></msub></mrow></mfrac><mo>+</mo><msub><mrow><mi>μ</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub><mfrac><mrow><mfenced separators="|"><mrow><msub><mrow><mi>P</mi></mrow><mrow><mi>b</mi></mrow></msub><mo>+</mo><msub><mrow><mi>P</mi></mrow><mrow><mi>c</mi></mrow></msub><mo>+</mo><msub><mrow><mi>P</mi></mrow><mrow><mi>d</mi></mrow></msub><mo>+</mo><msub><mrow><mi>P</mi></mrow><mrow><mi>e</mi></mrow></msub></mrow></mfenced></mrow><mrow><msub><mrow><mi>S</mi></mrow><mrow><mi>b</mi></mrow></msub></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629052&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629050&type= 56.98066711 8.72066593 ， 其中： <math id="M2"><msub><mrow><mi>p</mi></mrow><mrow><mi>z</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629055&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629054&type= 3.30200005 4.57200003 为图像区域平均灰度加权值； <math id="M3"><msub><mrow><mi>P</mi></mrow><mrow><mi>a</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629060&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629058&type= 3.72533321 3.72533321 为主级区域总灰度值； <math id="M4"><msub><mrow><mi>P</mi></mrow><mrow><mi>b</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629065&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629063&type= 3.72533321 3.72533321 ， <math id="M5"><msub><mrow><mi>P</mi></mrow><mrow><mi>c</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629068&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629066&type= 3.47133350 3.72533321 ， <math id="M6"><msub><mrow><mi>P</mi></mrow><mrow><mi>d</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629072&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629070&type= 3.80999994 3.72533321 ， <math id="M7"><msub><mrow><mi>P</mi></mrow><mrow><mi>e</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629076&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629075&type= 3.55599999 3.72533321 为次级区域总灰度值； <math id="M8"><msub><mrow><mi>S</mi></mrow><mrow><mi>a</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629080&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629078&type= 3.38666677 3.72533321 ， <math id="M9"><msub><mrow><mi>S</mi></mrow><mrow><mi>b</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629084&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629082&type= 3.38666677 3.72533321 为主级区域和次级区域像素面积； <math id="M10"><msub><mrow><mi>μ</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629088&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629086&type= 3.30200005 4.57200003 为主级区域的权重值； <math id="M11"><msub><mrow><mi>μ</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629091&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629090&type= 3.30200005 4.57200003 为次级区域的权重值。 为了更好地突出中心区域在计算中的权重，结合上述区域关系，设计权重 <math id="M12"><msub><mrow><mi>μ</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629093&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629092&type= 3.30200005 4.57200003 =0.6， <math id="M13"><msub><mrow><mi>μ</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629095&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629094&type= 3.30200005 4.57200003 =0.1，设计中心区域边长与四周区域的边长比例4∶1，即 <math id="M14"><msub><mrow><mi>S</mi></mrow><mrow><mi>a</mi></mrow></msub><mo>∶</mo><msub><mrow><mi>S</mi></mrow><mrow><mi>b</mi></mrow></msub><mo>=</mo><mn mathvariant="normal">16</mn><mo>∶</mo><mn mathvariant="normal">1</mn></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629097&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629096&type= 25.48466682 3.72533321 。 3 改进“S”曲线的参数控制优化方法 1 传统的反馈控制调节方法因其整定简便，结构灵活，在控制领域的应用极为广泛，其中较为突出的就是PID（Propotion Integration Differentiation）控制方法。其方法通过比例、积分、微分环节对目标实现反馈控制，在参数不变的情况下可达到较高的调节精度 ［ 10 10 ］ 。但是在非线性且时变性较强的环境中，固定参数的PID反馈调节方法存在一定的局限性 ［ 11 11 ］ 。针对可变环境，为了提高PID控制算法的鲁棒性，目前较为常用的为模糊PID反馈调节算法，其利用专家经验制定控制规则，通过模糊化的参数整定和解模糊算法对PID参数进行控制 ［ 12 12 ］ 。但是受限于整定方式和模糊控制规则，时常出现“模糊规则爆炸”等情况 ［ 13 13 ］ 。本文提出一种基于区域化误差阈值的自适应反馈参数调节方法，通过误差整定、调节系数计算和实时调节的方法对反馈调节中的PID内部参数进行控制，极大地降低了超调出现的可能性，且适应性较强。 本文提出的反馈参数调节方法的输入参数为反馈调节的计算值与设定理论值的误差 <math id="M15"><mi>E</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629106&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629104&type= 2.70933342 2.79399991 ，通过如 式（2） 式（2） 进行归一化运算： <math display="block" id="M16"><mi>y</mi><mfenced separators="|"><mrow><mi>x</mi></mrow></mfenced><mo>=</mo><mfrac><mrow><mn mathvariant="normal">1</mn><mo>-</mo><msup><mrow><mi>e</mi></mrow><mrow><mo>-</mo><mi>x</mi></mrow></msup></mrow><mrow><mn mathvariant="normal">1</mn><mo>+</mo><msup><mrow><mi>e</mi></mrow><mrow><mo>-</mo><mi>x</mi></mrow></msup></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629102&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629100&type= 24.97666740 8.46666718 . 将误差 <math id="M17"><mi>E</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629106&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629104&type= 2.70933342 2.79399991 带入公式计算得到当前反馈参数计算情况下的归一化系数 <math id="M18"><mi>θ</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629171&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629169&type= 1.86266661 2.79399991 ，如 式（3） 式（3） 所示： <math display="block" id="M19"><mi>θ</mi><mo>=</mo><mfrac><mrow><mn mathvariant="normal">1</mn><mo>-</mo><msup><mrow><mi>e</mi></mrow><mrow><mo>-</mo><mi>E</mi></mrow></msup></mrow><mrow><mn mathvariant="normal">1</mn><mo>+</mo><msup><mrow><mi>e</mi></mrow><mrow><mo>-</mo><mi>E</mi></mrow></msup></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629112&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629111&type= 18.88066673 8.46666718 . 归一化系数 <math id="M20"><mi>θ</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629171&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629169&type= 1.86266661 2.79399991 用于参数控制的区域化阈值评价体系，如 图2 图2 所示。 其中区域依据自主设定的 <math id="M21"><msub><mrow><mi>E</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629135&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629133&type= 3.80999994 3.72533321 ， <math id="M22"><msub><mrow><mi>E</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629121&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629120&type= 3.80999994 3.72533321 ， <math id="M23"><msub><mrow><mi>E</mi></mrow><mrow><mn mathvariant="normal">3</mn></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629124&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629123&type= 3.80999994 3.72533321 划分区域控制参数死区、I调节区、D调节区和P调节区。控制参数死区范围即参数优化完成区域，P区、D区、I区分别为对应反馈调节参数的调节区域。由于改进后的“S”曲线在 <math id="M24"><mi>E</mi><mo>=</mo><mn mathvariant="normal">0</mn></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629128&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629127&type= 9.39799976 2.79399991 处的斜率最大，且在 <math id="M25"><mi>E</mi><mo>=</mo><mn mathvariant="normal">0</mn></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629128&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629127&type= 9.39799976 2.79399991 附近可近似看作线性函数，考虑调节的速度和稳定性，设定 <math id="M26"><msub><mrow><mi>E</mi></mrow><mrow><mn mathvariant="normal">3</mn></mrow></msub><mo>=</mo><mn mathvariant="normal">2</mn><msub><mrow><mi>E</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629131&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629129&type= 14.30866718 3.72533321 ， <math id="M27"><msub><mrow><mi>E</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629135&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629133&type= 3.80999994 3.72533321 为零点附近值，根据经验设定 <math id="M28"><msub><mrow><mi>E</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub><mo>∈</mo><mfenced open="[" close="]" separators="|"><mrow><mn mathvariant="normal">0.05,0.1</mn></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629138&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629137&type= 25.48466682 3.97933316 。当计算误差落入相应区域时，算法通过归一化系数 <math id="M29"><mi>θ</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629171&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629169&type= 1.86266661 2.79399991 计算得到用于参数调节的参数控制系数 <math id="M30"><mi>φ</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629163&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629161&type= 2.37066650 3.72533321 ，其计算公式如 公式（4） 公式（4） 所示： <math display="block" id="M31"><mi>φ</mi><mo>=</mo><msup><mrow><mi>e</mi></mrow><mrow><mo>-</mo><mfrac><mrow><mi>θ</mi></mrow><mrow><mi>k</mi></mrow></mfrac></mrow></msup></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629149&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629147&type= 11.93799973 6.18066692 . 若为P区范围，如 式（5） 式（5） ： <math display="block" id="M32"><mi>φ</mi><mo>=</mo><msup><mrow><mi>e</mi></mrow><mrow><mo>-</mo><mfrac><mrow><mi>θ</mi></mrow><mrow><mn mathvariant="normal">10</mn></mrow></mfrac></mrow></msup></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629153&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629151&type= 13.03866673 6.18066692 ， 此时反馈调节中的参数 D 、参数 I 为0。 若为D区范围，如 式（6） 式（6） 所示： <math display="block" id="M33"><mi>φ</mi><mo>=</mo><msup><mrow><mi>e</mi></mrow><mrow><mo>-</mo><mfrac><mrow><mi>θ</mi></mrow><mrow><mn mathvariant="normal">1000</mn></mrow></mfrac></mrow></msup></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629156&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629154&type= 14.98600006 6.18066692 ， 此时反馈调节中的参数 P 为调节值、参数 I 为0。 若为I区范围，则调整反馈调节中的参数 I 为 <math id="M34"><msup><mrow><mi>e</mi></mrow><mrow><mo>-</mo><mn mathvariant="normal">15</mn></mrow></msup></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629160&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629158&type= 5.41866684 3.04800010 ，其他参数不变。 计算得到的参数控制系数 <math id="M35"><mi>φ</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629163&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629161&type= 2.37066650 3.72533321 通过如 公式（7） 公式（7） 所示计算得到调整后的参数值。 <math display="block" id="M36"><mtable><mtr><mtd><msup><mrow><mi>P</mi></mrow><mrow><mi>'</mi></mrow></msup><mo>=</mo><mi>φ</mi><mi>P</mi><mo>,</mo></mtd></mtr><mtr><mtd><msup><mrow><mi>D</mi></mrow><mrow><mi>'</mi></mrow></msup><mo>=</mo><mi>φ</mi><mi>D</mi><mo>.</mo></mtd></mtr></mtable></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629167&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629164&type= 15.40933418 9.48266602 计算后的参数作为下一次反馈调节参数参与调节。由上过程往复进行，直至归一化系数 <math id="M37"><mi>θ</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629171&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629169&type= 1.86266661 2.79399991 位于死区范围，即认定其参数自适应完成，停止参数调整。 4 成像评价与实验测试 1 4.1　成像评价标准 2 目前常用的图像质量评价方法有最小可分辨率对比度、调制传递函数、对比度信噪比等方法 ［ 14 14 ］ 。为了更好地评价本文所述算法的性能与可行性，本文采用Laplacian清晰度标准作为评价标准。本文选择了Laplacian梯度函数作为本文图像评价算法的主要计算函数。Laplacian梯度函数基于Laplacian算子，计算 X 和 Y 方向上的梯度值，之后进行累加计算，见 式（8） 式（8） 和 式（9） 式（9） ： <math display="block" id="M38"><mi>G</mi><mfenced separators="|"><mrow><mi>x</mi><mo>,</mo><mi>y</mi></mrow></mfenced><mo>=</mo><mroot><mrow><msubsup><mrow><mi>G</mi></mrow><mrow><mi>x</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msubsup><mfenced separators="|"><mrow><mi>x</mi><mo>,</mo><mi>y</mi></mrow></mfenced><mo>+</mo><msubsup><mrow><mi>G</mi></mrow><mrow><mi>y</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msubsup><mfenced separators="|"><mrow><mi>x</mi><mo>,</mo><mi>y</mi></mrow></mfenced></mrow><mrow/></mroot></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629175&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629173&type= 52.91666412 6.18066692 ， <math display="block" id="M39"><msub><mrow><mi>D</mi></mrow><mrow><mi mathvariant="normal">L</mi><mi mathvariant="normal">a</mi><mi mathvariant="normal">p</mi></mrow></msub><mfenced separators="|"><mrow><mi>f</mi></mrow></mfenced><mo>=</mo><msub><mo>∑</mo><mrow><mi>x</mi></mrow></msub><mrow/><msub><mo>∑</mo><mrow><mi>y</mi></mrow></msub><mrow><mfenced open="|" close="|" separators="|"><mrow><mi>G</mi><mfenced separators="|"><mrow><mi>x</mi><mo>,</mo><mi>y</mi></mrow></mfenced></mrow></mfenced></mrow></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629179&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629176&type= 45.63533020 5.75733376 ， 其中： <math id="M40"><msub><mrow><mi>D</mi></mrow><mrow><mi mathvariant="normal">L</mi><mi mathvariant="normal">a</mi><mi mathvariant="normal">p</mi></mrow></msub><mfenced separators="|"><mrow><mi>f</mi></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629183&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629181&type= 12.19200039 4.82600021 为图像 <math id="M41"><mfenced separators="|"><mrow><mi>x</mi><mo>,</mo><mi>y</mi></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629188&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629186&type= 9.05933285 4.82600021 点的Laplacian值， <math id="M42"><mi>G</mi><mfenced separators="|"><mrow><mi>x</mi><mo>,</mo><mi>y</mi></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629192&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629189&type= 12.69999981 4.82600021 为图像 X ， Y 方向梯度权值。 利用Laplacian算子计算后得到原图像的Laplacian转换图像，此时图像像素值即为经过计算后的Laplacian值。根据所得到的Laplacian转换图像计算其标准差值，并利用该标准差值对曝光调节的质量进行评价，标准差值越大进而说明图像像素值分布分散，图像质量越高。图像的标准差即距离图像均差平方的算术平均数的算术平方根，可以反映图像像素值与图像像素均值的离散程度，进一步反映了图像的成像质量 ［ 15 15 - 17 17 15-17 ］ 。经过Laplacian转换后的图像梯度明显，使用标准差可有效反映图像的清晰程度和有效信息量，有利于对成像后的图像质量进行评估。 4.2　实验平台搭建 2 本文所述算法运算平台使用移动版PC，处理器为Intel I8-8750H，显卡为NVIDIA GeForce 1050，内存为16 GB。图像采样设备使用海康工业相机MV-CA020-10UC搭配海康威视MVL-HF0804M-10MP定焦镜头。海康工业相机MV-CA020-10UC为200万像素的CMOS工业面阵相机，兼容USB3 Vision协议。图像采集对象为可调节100 W白炽灯，并使用工业图像采集台（如 图3 图3 所示）进行相关实验。亮度测量设备采用希玛AS803亮度检测仪。在软件方面，本文所述算法基于C++开发，使用海康工业相机SDK进行相机硬件调用与控制，使用OpenCV（版本4.5.1）开源视觉软件库进行图像处理。 4.3　实验测试数据 2 为验证算法有效性，本文以可调为对象使用实验平台设计实验，获得实际环境中的曝光值控制曲线，并对其进行分析。同时，本文设置了对比实验。使用工业相机硬件自动曝光算法、图像直方图法作为对比实验方法进行实验。通过不同方法计算数值分别调节曝光值，计算每帧图像的Laplacian转换图像的标准差值，之后与本文所述算法进行对比，得出结论。 4 . 3 . 1　基于本文算法的曝光控制实验 3 为了验证算法的曝光控制性能，本文设置了实际环境下的曝光控制实验，以可调节亮度的白炽灯作为实验的高亮发光对象，并通过设定区域平均加权灰度值 <math id="M43"><msub><mrow><mi>p</mi></mrow><mrow><mi>z</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629202&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629201&type= 3.30200005 4.57200003 的上下阈值控制整体调节算法是否介入。针对图像过曝，在实验设置的初始曝光为8 000，设定的 <math id="M44"><msub><mrow><mi>p</mi></mrow><mrow><mi>z</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629205&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629204&type= 3.30200005 4.57200003 上阈值为115 pix，下阈值为25 pix，调节区划分 <math id="M45"><msub><mrow><mi>E</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub><mo>=</mo><mn mathvariant="normal">0.1</mn></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629209&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629207&type= 14.39333248 3.72533321 ， <math id="M46"><msub><mrow><mi>E</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub><mo>=</mo><mn mathvariant="normal">10</mn></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629213&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629211&type= 12.36133385 3.72533321 ， <math id="M47"><msub><mrow><mi>E</mi></mrow><mrow><mn mathvariant="normal">3</mn></mrow></msub><mo>=</mo><mn mathvariant="normal">20</mn></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629218&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39629216&type= 12.36133385 3.72533321 。在实验中白炽灯亮度逐渐增大，直至最高亮度，采集计算曝光值，获得曝光控制响应曲线，如 图4 图4 所示。之后以相同的参数设定进行5次重复实验，如 表1 表1 所示，其中调节时间为计算从开始进入调节过程到进入死区时的时间。 实验编号 初始曝光 设定值 调节时间/s 1 8 000 200 0.08 2 8 000 200 0.06 3 8 000 200 0.10 4 8 000 200 0.09 5 8 000 200 0.07 由 图4 图4 可知，在初始阶段，相机根据设定的初始曝光值8 000进行成像。随着白炽灯亮度逐渐增大，超过了设定的区域加权灰度值的上阈值，算法开始介入并对相机曝光进行控制，经过0.08 s后误差落入死区中，曝光调节和参数调整停止并按照落入死区时的计算曝光值进行成像。由上可知，算法控制效果较为明显，超调量较小，并能以较快速度完成收敛过程。 经过上述参数设定进行重复实验，如 表1 表1 所示，本文所述算法的调节时间较为稳定，平均调节时间为0.08 s，调节速度较快。 4 . 3 . 2　本文算法与相机硬件自动曝光方法对比实验 3 工业相机自动曝光采用硬件调节，即使用相机自身感光器件通过像素阵列的数字控制和预处理电路进行曝光控制 ［ 2 2 ］ ，达到清晰化处理。本实验采用海康威视工业相机自身的自动曝光功能控制，进行相应对比实验。实验中的相机成像图如 图5 图5 所示。 实验计算数据见 表1 表1 所示。根据上述实验数据分析，在同一亮度下，相机硬件自动曝光算法的Laplacian图像标准差值较小，说明此时经过Laplacian算子变化后的图像亮度分布较为分散，出现同亮的情况，边缘较不突出，反映出抑制高亮能力较弱。相比较而言，本文算法的Laplacian图像标准差值较大，说明边缘突变明显，图像中的部分与周围环境产生较大的对比度，反映出算法抑制环境亮度的能力较强。 设置亮度 /Lx 曝光调节方式 Laplacian图像平均标准差值/pix 2 2 070 相机自动曝光调节 15.839 8 本文算法曝光调节 34.583 5 2 2 280 相机自动曝光调节 15.528 3 本文算法曝光调节 33.532 4 2 2 456 相机自动曝光调节 15.180 5 本文算法曝光调节 34.669 9 2 2 803 相机自动曝光调节 14.712 9 本文算法曝光调节 34.613 9 2 3 145 相机自动曝光调节 13.906 4 本文算法曝光调节 34.608 2 4 . 3 . 3　本文算法与基于图像直方图特征的曝光调节法的对比实验 3 图像直方图是对图像像素数据分布的一种图形表示方法，其特征可有效表征当前图像的亮度分布和特点。图像灰度直方图是灰度级的函数，它代表在整个图像中灰度值出现的像素个数，从一定程度上反映了像素出现的频率 ［ 18 18 ］ 。利用图像灰度直方图可以清晰的显示出图像中的灰度值分布，从而通过直方图特征获得相机曝光值的近似关系进行调节。本次对比实验选用图像直方图的最大值特征作为曝光调节依据，并采用阶梯式调节方法，采取的直方图调节方式见 表3 表3 所示。 图像直方图最大值 设置曝光值 >150 2 500 >70 1 500 >30 1 000 >15 500 pix 实验中稳定调节后的相机采集白炽灯图像见 图6 图6 所示，实验对比计算数据见 表4 表4 所示。 设置亮度 /Lx 曝光调节方式 Laplacian图像平均标准差值/pix 2 2 654 直方图曝光调节 27.798 1 本文算法曝光调节 34.731 7 2 3 006 直方图曝光调节 27.854 1 本文算法曝光调节 34.769 7 2 3 068 直方图曝光调节 28.940 5 本文算法曝光调节 34.675 2 2 3 160 直方图曝光调节 27.687 6 本文算法曝光调节 34.578 7 2 3 391 直方图曝光调节 28.437 2 本文算法曝光调节 34.753 4 根据实验的对比数据可以看出，本文算法调节后的Laplacian图像标准差值相较于直方图曝光调节方法具有较大的优势。在同一亮度下，本文算法调节后的Laplacian图像标准差值较大，说明图像中具有边缘较为凸显的区域，即算法抑制了高光环境造成的亮斑和亮块。 5 结 论 1 本文提出了一种工业相机过曝光自适应控制优化算法。算法将区域平均灰度加权值作为反映图像亮度强度标准，通过反馈调节方法计算曝光值，之后通过基于改进的“S”曲线对反馈调节的内部参数进行优化调节控制，进而实现对复杂环境的自适应曝光调节。经过实验论证，算法完成一次全过程调节耗时0.08 s。在同等条件下与相机硬件自动曝光算法和基于图像直方图特征的自适应曝光算法比较，所提算法的图像Laplacian平均标准差分别提高54.3%和20.6%。在今后的研究中，将进一步提高算法控制的平滑性以及更高的自适应能力，并将其推广至更多复杂环境中。 参考文献 孙立宁 ， 许辉 ， 王振华 ， 等 . 工业机器人智能化应用关键共性技术综述 ［J］. 振动 测试与诊断 ， 2021 ， 41 （ 2 ）： 211 - 219， 406 . doi: 10.16450/j.cnki.issn.1004-6801.2021.02.001 http://dx.doi.org/10.16450/j.cnki.issn.1004-6801.2021.02.001 工业机器人智能化应用关键共性技术综述 SUN L N ， XU H ， WANG ZH H ， et al . Review on key common technologies for intelligent applications of industrial robots ［J］. Journal of Vibration ， Measurement & Diagnosis， 2021 ， 41 （ 2 ）： 211 - 219， 406 . （in Chinese） . doi: 10.16450/j.cnki.issn.1004-6801.2021.02.001 http://dx.doi.org/10.16450/j.cnki.issn.1004-6801.2021.02.001 Review on key common technologies for intelligent applications of industrial robots YOUNUS O I ， BANI HASSAN N ， GHASSEMLOOY Z ， et al . Data rate enhancement in optical camera communications using an artificial neural network equaliser ［J］. IEEE Access ， 2020 ， 8 ： 42656 - 42665 . doi: 10.1109/access.2020.2976537 http://dx.doi.org/10.1109/access.2020.2976537 Data rate enhancement in optical camera communications using an artificial neural network equaliser ZHOU J B ， PAN L S ， LI Y H ， et al . Real-time stripe width computation using back propagation neural network for adaptive control of line structured light sensors ［J］. Sensors （Basel， Switzerland） ， 2020 ， 20 （ 9 ）： 2618 . doi: 10.3390/s20092618 http://dx.doi.org/10.3390/s20092618 Real-time stripe width computation using back propagation neural network for adaptive control of line structured light sensors 李文涛 ， 王培俊 ， 唐晓敏 . 钢轨磨损视觉测量的轮廓精确快速提取 ［J］. 光学 精密工程 ， 2018 ， 26 （ 1 ）： 238 - 244 . doi: 10.3788/ope.20182601.0238 http://dx.doi.org/10.3788/ope.20182601.0238 钢轨磨损视觉测量的轮廓精确快速提取 LI W T ， WANG P J ， TANG X M . Accurate and rapid contour extraction of visual measurement for rail wear ［J］. Opt. Precision Eng. ， 2018 ， 26 （ 1 ）： 238 - 244 . （in Chinese） . doi: 10.3788/ope.20182601.0238 http://dx.doi.org/10.3788/ope.20182601.0238 Accurate and rapid contour extraction of visual measurement for rail wear 汪锦航 ， 卢荣胜 ， 刘端茂 . 高动态范围表面自适应条纹投影测量方法 ［J］. 光学学报 ， 2021 ， 41 （ 19 ）： 145 - 154 . doi: 10.3788/aos202141.1912001 http://dx.doi.org/10.3788/aos202141.1912001 高动态范围表面自适应条纹投影测量方法 WANG J H ， LU R SH ， LIU D M . Adaptive fringe projection measurement method for high dynamic range surface ［J］. Acta Optica Sinica ， 2021 ， 41 （ 19 ）： 145 - 154 . （in Chinese） . doi: 10.3788/aos202141.1912001 http://dx.doi.org/10.3788/aos202141.1912001 Adaptive fringe projection measurement method for high dynamic range surface KATAOKA K ， KAMEDA Y ， HAMAMOTO T . Paper］adaptive exposure-time control based on image entropy for multiple-exposure-time image sensor ［J］. ITE Transactions on Media Technology and Applications ， 2021 ， 9 （ 2 ）： 128 - 135 . doi: 10.3169/mta.9.128 http://dx.doi.org/10.3169/mta.9.128 Paper］adaptive exposure-time control based on image entropy for multiple-exposure-time image sensor QUE Y ， YANG Y ， LEE H J . Exposure measurement and fusion via adaptive multiscale edge-preserving smoothing ［J］. IEEE Transactions on Instrumentation and Measurement ， 2019 ， 68 （ 12 ）： 4663 - 4674 . doi: 10.1109/tim.2019.2896551 http://dx.doi.org/10.1109/tim.2019.2896551 Exposure measurement and fusion via adaptive multiscale edge-preserving smoothing WANG W C ， WU X J ， YUAN X H ， et al . An experiment-based review of low-light image enhancement methods ［J］. IEEE Access ， 2020 ， 8 ： 87884 - 87917 . doi: 10.1109/access.2020.2992749 http://dx.doi.org/10.1109/access.2020.2992749 An experiment-based review of low-light image enhancement methods 毕秀丽 ， 邱雨檬 ， 肖斌 ， 等 . 基于统计特征的图像直方图均衡化检测方法 ［J］. 计算机学报 ， 2021 ， 44 （ 2 ）： 292 - 303 . doi: 10.11897/SP.J.1016.2021.00292 http://dx.doi.org/10.11897/SP.J.1016.2021.00292 基于统计特征的图像直方图均衡化检测方法 BI X L ， QIU Y M ， XIAO B ， et al . Histogram equalization detection based on statistical features in digital image ［J］. Chinese Journal of Computers ， 2021 ， 44 （ 2 ）： 292 - 303 . （in Chinese） . doi: 10.11897/SP.J.1016.2021.00292 http://dx.doi.org/10.11897/SP.J.1016.2021.00292 Histogram equalization detection based on statistical features in digital image 马天兵 ， 宫晗 ， 杜菲 ， 等 . 基于线结构光和优化PID的压电柔性机械臂振动控制 ［J］. 光学 精密工程 ， 2021 ， 29 （ 11 ）： 2661 - 2671 . doi: 10.37188/OPE.2021.0207 http://dx.doi.org/10.37188/OPE.2021.0207 基于线结构光和优化PID的压电柔性机械臂振动控制 MA T B ， GONG H ， DU F ， et al . Piezoelectric flexible manipulator vibration control based on line structured light and optimized PID ［J］. Opt. Precision Eng. ， 2021 ， 29 （ 11 ）： 2661 - 2671 . （in Chinese） . doi: 10.37188/OPE.2021.0207 http://dx.doi.org/10.37188/OPE.2021.0207 Piezoelectric flexible manipulator vibration control based on line structured light and optimized PID SOMASUNDAR REDDY C ， BALAJI K . A fuzzy-PID controller in shell and tube heat exchanger simulation modeled for temperature control ［J］. Indonesian Journal of Electrical Engineering and Computer Science ， 2021 ， 21 （ 3 ）： 1364 . doi: 10.11591/ijeecs.v21.i3.pp1364-1371 http://dx.doi.org/10.11591/ijeecs.v21.i3.pp1364-1371 A fuzzy-PID controller in shell and tube heat exchanger simulation modeled for temperature control 马彦 ， 丁浩 ， 牟洪元 ， 等 . 基于模糊PID算法的动力电池液体冷却策略 ［J］. 控制理论与应用 ， 2021 ， 38 （ 5 ）： 549 - 560 . doi: 10.7641/CTA.2020.00373 http://dx.doi.org/10.7641/CTA.2020.00373 基于模糊PID算法的动力电池液体冷却策略 MA Y ， DING H ， MU H Y ， et al . Liquid cooling strategy of power battery based on fuzzy PID algorithm ［J］. Control Theory & Applications ， 2021 ， 38 （ 5 ）： 549 - 560 . （in Chinese） . doi: 10.7641/CTA.2020.00373 http://dx.doi.org/10.7641/CTA.2020.00373 Liquid cooling strategy of power battery based on fuzzy PID algorithm 刘章文 ， 李正东 ， 周志强 ， 等 . 基于模糊控制的自适应光学校正技术 ［J］. 物理学报 ， 2016 ， 65 （ 1 ）： 139 - 146 . doi: 10.7498/aps.65.014206 http://dx.doi.org/10.7498/aps.65.014206 基于模糊控制的自适应光学校正技术 LIU ZH W ， LI ZH D ， ZHOU ZH Q ， et al . Adaptive optics correction technique based on fuzzy control ［J］. Acta Physica Sinica ， 2016 ， 65 （ 1 ）： 139 - 146 . （in Chinese） . doi: 10.7498/aps.65.014206 http://dx.doi.org/10.7498/aps.65.014206 Adaptive optics correction technique based on fuzzy control 王会峰 ， 武奇生 ， 巨永锋 ， 等 . 无参考图像质量评价的视觉测量照明 ［J］. 北京工业大学学报 ， 2012 ， 38 （ 12 ）： 1875 - 1879 . doi: 10.11936/bjutxb2012121875 http://dx.doi.org/10.11936/bjutxb2012121875 无参考图像质量评价的视觉测量照明 WANG H F ， WU Q SH ， JU Y F ， et al . Illumination optimization for vision measurement based on No-reference image quality assessment ［J］. Journal of Beijing University of Technology ， 2012 ， 38 （ 12 ）： 1875 - 1879 . （in Chinese） . doi: 10.11936/bjutxb2012121875 http://dx.doi.org/10.11936/bjutxb2012121875 Illumination optimization for vision measurement based on No-reference image quality assessment 范赐恩 ， 冉杰文 ， 颜佳 ， 等 . 颜色空间统计联合纹理特征的无参考图像质量评价 ［J］. 光学 精密工程 ， 2018 ， 26 （ 4 ）： 916 - 926 . doi: 10.3788/ope.20182604.0916 http://dx.doi.org/10.3788/ope.20182604.0916 颜色空间统计联合纹理特征的无参考图像质量评价 FAN C E ， RAN J W ， YAN J ， et al . No-reference image quality assessment using joint color space statistical and texture feature ［J］. Opt. Precision Eng. ， 2018 ， 26 （ 4 ）： 916 - 926 . （in Chinese） . doi: 10.3788/ope.20182604.0916 http://dx.doi.org/10.3788/ope.20182604.0916 No-reference image quality assessment using joint color space statistical and texture feature 陈健 ， 李诗云 ， 林丽 ， 等 . 模糊失真图像无参考质量评价综述 ［J］. 自动化学报 ， 2022 ， 48 （ 3 ）： 689 - 711 . doi: 10.16383/j.aas.c201030 http://dx.doi.org/10.16383/j.aas.c201030 模糊失真图像无参考质量评价综述 CHEN J ， LI SH Y ， LIN L ， et al . A review on No-reference quality assessment for blurred image ［J］. Acta Automatica Sinica ， 2022 ， 48 （ 3 ）： 689 - 711 . （in Chinese） . doi: 10.16383/j.aas.c201030 http://dx.doi.org/10.16383/j.aas.c201030 A review on No-reference quality assessment for blurred image 白本督 ， 李俊鹏 . 基于注意力机制的多曝光图像融合算法 ［J］. 光子学报 ， 2022 ， 51 （ 4 ）： 344 - 355 . doi: 10.3788/gzxb20225104.0410004 http://dx.doi.org/10.3788/gzxb20225104.0410004 基于注意力机制的多曝光图像融合算法 BAI B D ， LI J P . Multi-exposure image fusion based on attention mechanism ［J］. Acta Photonica Sinica ， 2022 ， 51 （ 4 ）： 344 - 355 . （in Chinese） . doi: 10.3788/gzxb20225104.0410004 http://dx.doi.org/10.3788/gzxb20225104.0410004 Multi-exposure image fusion based on attention mechanism 马泽龙 ， 高慧斌 ， 余毅 ， 等 . 采用图像直方图特征函数的高速相机自动曝光方法 ［J］. 光学 精密工程 ， 2017 ， 25 （ 4 ）： 494 - 503 . doi: 10.3788/ope.20172504.1026 http://dx.doi.org/10.3788/ope.20172504.1026 采用图像直方图特征函数的高速相机自动曝光方法 MA Z L ， GAO H B ， YU Y ， et al . Auto exposure control for high frame rate camera using image histogram feature function ［J］. Opt ， Precision Eng.， 2017 ， 25 （ 4 ）： 494 - 503 . （in Chinese） . doi: 10.3788/ope.20172504.1026 http://dx.doi.org/10.3788/ope.20172504.1026 Auto exposure control for high frame rate camera using image histogram feature function 10.37188/OPE.20233102.0226 TP273.2 TP391.4 A 1004-924X（2023）02-0226-08 吴文麟,廖晓波,李俊忠等.工业相机过曝光自适应优化控制算法[J].光学精密工程,2023,31(02):226-233. 吴文麟,廖晓波,李俊忠等.工业相机过曝光自适应优化控制算法[J].光学精密工程,2023,31(02):226-233. WU Wenlin,LIAO Xiaobo,LI Junzhong,et al.Adaptive optimization control method for overexposure of industrial camera[J].Optics and Precision Engineering,2023,31(02):226-233. WU Wenlin,LIAO Xiaobo,LI Junzhong,et al.Adaptive optimization control method for overexposure of industrial camera[J].Optics and Precision Engineering,2023,31(02):226-233. 国家自然科学基金资助项目（No.52175515）；制造过程测试技术教育部重点实验室开放基金资助项目（No.19kfzk01） 2022-07-04 2022-09-11 2023-01-25 2023-02-08 光学精密工程 2 31