高通 IoT 设备运行 AI 视觉任务时，白天识别正常、晚上识别准确率明显下降，该如何优化低照度场景？

[请叫我攻城狮hh]

高通 IoT 设备运行 AI 视觉任务时，白天识别正常、晚上识别准确率明显下降，该如何优化低照度场景？
 

[weixin_38498942]

这是典型的端侧视觉 AI 场景问题，不能只靠模型本身解决，需要同时优化成像、预处理和模型策略。

1. 先判断是成像问题还是模型问题
   如果晚上画面噪声大、过暗、过曝、运动模糊，那么首先要优化图像采集链路。
   常见低照度问题包括：
   亮度不足
   噪声过多
   动态范围不足
   颜色信息丢失
   目标轮廓模糊
   摄像头自动曝光不稳定
2. 优化摄像头参数
   可以优先调整：
   曝光时间
   增益上限
   白平衡
   宽动态范围
   夜间红外补光
   帧率
   参考配置思路：
   ```c
   camera_set_exposure(33000);
   camera_set_gain_limit(16);
   camera_set_wb_mode(WB_AUTO);
   camera_set_digital_zoom(1.0);

3. 增加低照度图像预处理
AI 模型对输入图像质量非常敏感。夜间图像可以做：
降噪
亮度增强
对比度增强
局部直方图均衡
锐化
伽马校正
参考 OpenCV 思路：
```python
import cv2

def low_light_enhance(image):
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
    enhanced = clahe.apply(gray)
    denoised = cv2.fastNlMeansDenoising(enhanced, None, 3, 7, 21)
    return denoised

4. 训练或微调低照度模型
   如果白天模型在晚上表现差，说明训练数据夜间样本不足。建议补充：
   夜间真实采集样本
   暗光合成样本
   噪声样本
   模糊样本
   低分辨率样本
   红外图像样本
5. 夜间自动切换模型
   可以根据环境亮度自动切换模型，而不是全天使用同一个模型。
   参考逻辑：
   ```python
   def select_model_by_light(lux_value):
   if lux_value < 10:

    return night_model
   

   elif lux_value < 50:

    return low_light_model
   

   else:

    return day_model
   

```6. 参考方向
可参考：
《Low-Light Vision AI on Qualcomm IoT Devices》
《Camera Tuning for Edge AI Applications》
《Robust Object Detection in Low-Light Conditions》
这类问题的优化重点是：
先让图像变得更容易识别，再让模型适应夜间特征