基于MobileNetV2的明暗图像检测结果不准，方法是否正确？

当前实现的核心问题 #

你用预训练MobileNetV2做明暗检测的方法完全错误，具体问题如下：

• MobileNetV2预训练在ImageNet数据集上，目标是识别1000种物体类别，输出的probs是各类别的预测概率，probs[0][0]只是ImageNet第一类（淡水鱼）的概率，和图像明暗没有任何关联，检测结果自然不可靠。
• 代码未初始化dark和not_dark变量，运行时会直接抛出NameError。
• np.set_printoptions(precision=20)强制设置了20位精度，导致输出超长浮点数值，这完全没必要。

正确的明暗检测思路 #

明暗检测属于图像亮度分析，不需要复杂的深度学习模型，直接计算图像的亮度特征即可：

• 将图像转为HSV色彩空间，提取V（亮度）通道，计算通道均值，均值越低图像越暗。
• 或者转为灰度图，计算灰度均值，原理类似。

修正后的代码示例 #

#!/usr/bin/env python3
import cv2
import numpy as np
import os

path = '/home/..../Downloads/normal_images'
files = os.listdir(path)
# 初始化计数变量
dark = 0
not_dark = 0
# 亮度阈值（可根据实际场景调整，范围0-255）
brightness_threshold = 100

for file_name in files:
    file_path = os.path.join(path, file_name)
    img = cv2.imread(file_path)
    if img is None:
        print(f"无法读取图像: {file_name}")
        continue
    # 转为HSV空间，提取亮度通道
    hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
    v_channel = hsv[:, :, 2]
    # 计算平均亮度
    avg_brightness = np.mean(v_channel)
    # 根据阈值判断明暗
    if avg_brightness < brightness_threshold:
        dark += 1
    else:
        not_dark += 1

print(f"识别到的暗图像数量: {dark}")
print(f"识别到的正常亮度图像数量: {not_dark}")

额外说明 #

• 亮度阈值brightness_threshold需要根据你的数据集实际情况调整，比如如果你的"暗图像"平均亮度在80以下，就把阈值设为80。
• 如果需要更精细的检测，可以结合亮度的标准差（判断是整体偏暗还是局部暗），或者分区域计算亮度。

内容的提问来源于stack exchange，提问作者Ayur Sharma