CN110660025A - 一种基于gan网络的工业监控视频图像清晰化方法 - Google Patents
一种基于gan网络的工业监控视频图像清晰化方法 Download PDFInfo
- Publication number
- CN110660025A CN110660025A CN201910711032.5A CN201910711032A CN110660025A CN 110660025 A CN110660025 A CN 110660025A CN 201910711032 A CN201910711032 A CN 201910711032A CN 110660025 A CN110660025 A CN 110660025A
- Authority
- CN
- China
- Prior art keywords
- image
- definition
- model
- generator
- images
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000003707 image sharpening Methods 0.000 title claims description 24
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 230000000694 effects Effects 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000005286 illumination Methods 0.000 claims description 12
- 239000002131 composite material Substances 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 8
- 239000000428 dust Substances 0.000 claims description 6
- 239000000779 smoke Substances 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 description 6
- 229910000831 Steel Inorganic materials 0.000 description 4
- 239000010959 steel Substances 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
一种基于GAN网络的工业监控视频图像清晰化方法,包括以下步骤:步骤一,对原始工业视频图像进行采集;步骤二,图像数据预处理;步骤三,检测是否含有训练好的模型;步骤四,搭建GAN网络;步骤五,模型训练;步骤六,模型测试,得到相对应的高清晰度图像;步骤七,检查测试效果,若模型能够根据测试图像生成高清晰度的图像,则模型训练较好,可以满足实际应用要求;若测试效果不佳,则重新开始步骤一增加训练样本,重新进行训练;具有训练过程简单,模型小,效果好,且计算效率高,非常适合复杂工业环境下对监控图像的恢复和清晰化处理。
Description
技术领域
本发明涉及计算机视觉方法领域,具体涉及一种基于GAN网络的工业监控视频图像清晰化方法。
背景技术
随着我国工业迅速稳健发展,企业对于生产流程中的智能监控是保证人员生命安全、产品质量和效率十分重要的一环。但在实际的工业环境中,由于灰尘、烟雾、光照变化导致监控视频模糊、光照不足、像素损失导致画面不清晰,影响监控效果。需要经常进行镜头清洁,导致维护工作量较大。
图像清晰化或称为图像超分辨率重建是计算机视觉领域中的一种重要处理方式。其能够根据输入的低清晰度图像恢复为高清晰度的图像,在不提升硬件成本的基础上改善图像效果上有十分重要的意义。基于GAN网络(生成对抗网络)的工业监控视频图像清晰化对于镜头受污严重、需要经常清洗的复杂工业监控环境可以很好的提升图像的清晰度,节约人力维护成本,也减少因维护设备停运造成的损失,延长使用和维护的时间。
发明内容
为克服上述现有技术的不足,本发明的目的是提供一种基于GAN 网络的工业监控视频图像清晰化方法,以解决在工业监控中由于灰尘、烟雾、光照变化导致监控视频模糊、光照过强或过暗、像素损失等画面不清晰的问题,具有方法简单、图像清晰、成本低、延长了使用和维护时间的特点。
为实现上述目的,本发明所采用的技术方案为:
一种基于GAN网络的工业监控视频图像清晰化方法,包括以下步骤:
步骤一,对原始工业视频图像进行采集,采集至少两组视频数据作为训练集;一组为实际工业环境下受灰尘、烟雾、光照变化导致监控视频模糊、光照不足、像素损失导致画面不清晰的低清晰度视频图像;一组作为监督学习标签的镜头经过清洗后采集的高清晰度视频图像;采集的低清晰度图像多于高清晰度图像;
步骤二,图像数据预处理:将两组视频按帧保存为图像,按照图像清晰化GAN网络输入图像的格式调整为一张拼接的合成图像,低清晰度的图像与高清晰度的图像分别为合成图像的左半张与右半张,即左边为低清晰度图像,右边为高清晰度图像;若改变两张图像的位置,其位置相应的代码也需要改变;
步骤三,检测是否含有训练好的模型:如果已经有训练好的模型,则进入步骤五直接进行模型的测试;如果没有检测到模型,则进入步骤四进行模型的搭建和训练;
步骤四,搭建GAN网络:GAN网络包括两个主要组成模块:生成器和判别器;低清晰度图像输入生成器生成伪高清晰度图像,判别器被训练判别图像为生成器生成的高清晰图像还是真实高清晰图像,损失函数用于调节网络层级间的权重;最终的图像清晰化GAN网络能根据输入的低清晰度图像生成高清晰度的图像;
步骤五,模型训练:输入一张合成图像,左边图像输入生成器生成伪高清晰度图像与右边真实的高清晰度图像比较,误差传入生成器和判别器调整其网络层级之间的权重;训练至损失值不再下降即可终止训练,该GAN网络生成器生成的图像越近似高分辨率图像,判别器被训练能够区分图像的真伪;
步骤六,模型测试:测试图像按照步骤二的将待处理的低清晰度的图像输入训练好的图像清晰化GAN网络,网络自动调用最后一次保存的模型,即可得到相对应的高清晰度图像;
步骤七,检查测试效果:若模型能够根据测试图像生成高清晰度的图像,则模型训练较好,可以满足实际应用要求;若测试效果不佳,则重新开始步骤一增加训练样本,重新进行训练。
步骤二所述的图像清晰化,采用人为添加噪音使变为低清晰度的图像,然后再通过算法或神经网络来进行图像的恢复。
步骤四所述的图像清晰化GAN网络的搭建,具体做法是:
1)GAN是生成模型,条件GAN学习从输入图像x和随机噪声向量z到y的映射,G:{x,z}→y,生成器G被训练生成不能通过判别器D 区分的图像,判别器D被训练尽可能地检测发生器的假图像;
2)GAN网络目标:条件GAN的目标可以表示为:
其中x为输入图像,y为输出图像,G为生成器,D为判别器,即D(x,y)判别输入图像x与监督图像y,Ex,y[logD(x,y)]为判别器对于x 和y的期望,G(x,y)为根据输入图像x与监督图像y训练后生成的图像, D(x,G(x,y))为判别输入图像与生成器生成图像,Ex,z[log(1-D(x,G(x,y)))] 为生成器生成的图像不被判别器区分的期望;
生成器与判别器同时训练:固定判别器,调整G的参数使得 log(1-D(x,G(x,y)))的期望最小化;固定生成器,调整D的参数使得 logD(x,y)+log(1-D(x,G(x,y)))的期望最大化,这个优化过程可以归结为极小极大博弈问题。
与现有技术相比,本发明的有益效果是:
本发明使用GAN网络,训练集有50000对轧钢工业监控图像,调用vgg16模块进行了10次迭代后损失值基本不变,且模型能够重建出清晰度较高的监控图像。
本发明通过对低清晰度的工业监控图像进行恢复和清晰化处理,得到重建的高清晰度图像,在不提高设备硬件成本和人力维护的前提下,提高了工业监控视频的图像分辨率,能够根据已有的低清晰度图像获得更有辨识度、细节更丰富的高清晰图像,用于辅助提高监控的效果。
所述的一种基于GAN网络的工业监控视频图像清晰化方法,图像清晰化处理或图像超分辨重建过程中对图像数据的预处理一般采用人为添加噪音使变为低清晰度的图像,然后再通过算法或神经网络来进行图像的恢复。因此低清晰度图像与高清晰度图像是一一对应的,而本发明中使用的GAN网络并不需要进行图像模糊处理的对应的低清晰化图像,采集两组不同状态的图像就可满足训练的要求。本发明训练好的图像清晰化模型更贴切工业场景,具有实际应用价值。
本发明通过不断的对抗学习,上述网络能够根据输入的低清晰度的图像生成高清晰度的工业监控图像;本发明使用两组轧钢监控视频作为训练集对网络进行离线训练,不需要进行图像模糊处理,即可实现对监控图像进行图像清晰化处理;该方法以真实的工业监控环境为训练对象,且具有训练过程简单,模型小,效果好,且计算效率高,非常适合复杂工业环境下对监控图像的恢复和清晰化处理。
附图说明
图1是本发明的实现流程框架图。
图2是本发明监控视频的低清晰度图像。
图3是本发明监控视频的高清晰度图像。
图4是本发明经过训练后重建的高清晰度图像。
具体实施方式
下面结合附图和实施例对本发明作进一步详细说明。
一种基于GAN网络的工业监控视频图像清晰化方法,使用深度学习网络中的GAN网络架构中生成器与判别器的对抗关系,对于输入的低清晰度图像进行特征提取和重建,引入符合人眼视觉效果的感知损失函数使生成的图像与真实高清晰度图像进行对比,来调节生成网络与判别网络的权重,使得判别器能够很好的区分图像的真伪,生成器能够生成逼真的高清晰度的重建图像,具体包括以下步骤:
步骤一,对原始工业视频图像进行采集,采集至少两组视频数据作为训练集;一组为实际工业环境下受灰尘、烟雾、光照变化导致监控视频模糊、光照不足、像素损失导致画面不清晰的低清晰度视频图像;一组作为监督学习标签的镜头经过清洗后采集的高清晰度视频图像;采集的低清晰度图像多于高清晰度图像;
步骤二,图像数据预处理:将两组视频按帧保存为图像,按照图像清晰化GAN网络输入图像的格式调整为一张拼接的合成图像,低清晰度的图像与高清晰度的图像分别为合成图像的左半张与右半张,即左边为低清晰度图像,右边为高清晰度图像;若改变两张图像的位置,其位置相应的代码也需要改变;
步骤三,检测是否含有训练好的模型:如果已经有训练好的模型,则进入步骤五直接进行模型的测试;如果没有检测到模型,则进入步骤四进行模型的搭建和训练;
步骤四,搭建GAN网络:GAN网络包括两个主要组成模块:生成器和判别器;低清晰度图像输入生成器网络生成伪高清晰度图像,判别网络被训练判别图像为生成器生成的高清晰图像还是真实高清晰图像,损失函数用于调节网络层级间的权重;最终的图像清晰化GAN 网络能根据输入的低清晰度图像生成高清晰度的图像;
步骤五,模型训练:输入一张合成图像,左边图像输入生成器生成伪高清晰度图像与右边真实的高清晰度图像比较,误差传入生成器和判别器调整其网络层级之间的权重;训练至损失值不再下降即可终止训练,该GAN网络生成器生成的图像越近似高分辨率图像,判别器网络被训练能够区分图像的真伪;
步骤六,模型测试:测试图像按照步骤二的将待处理的低清晰度的图像输入训练好的图像清晰化GAN网络,网络自动调用最后一次保存的模型,即可得到相对应的高清晰度图像;
步骤七,检查测试效果:若模型能够根据测试图像生成高清晰度的图像,则模型训练较好,可以满足实际应用要求;若测试效果不佳,则重新开始步骤一增加训练样本,重新进行训练。
步骤二所述的图像清晰化,采用人为添加噪音使变为低清晰度的图像,然后再通过算法或神经网络来进行图像的恢复。
步骤四所述的图像清晰化GAN网络的搭建,具体做法是:
1)GAN是生成模型,条件GAN学习从输入图像x和随机噪声向量z到y的映射,G:{x,z}→y,生成器G被训练生成不能通过判别器D 区分的图像,判别器D被训练尽可能地检测发生器的假图像;
2)GAN网络目标:条件GAN的目标可以表示为:
其中x为输入图像,y为输出图像,G为生成器,D为判别器,即D(x,y)判别输入图像x与监督图像y,Ex,y[logD(x,y)]为判别器对于x 和y的期望,G(x,y)为根据输入图像x与监督图像y训练后生成的图像, D(x,G(x,y))为判别输入图像与生成器生成图像,Ex,z[log(1-D(x,G(x,y)))] 为生成器生成的图像不被判别器区分的期望;
生成器G与判别器D同时训练:固定判别器D,调整G的参数使得log(1-D(x,G(x,y)))的期望最小化;固定生成器G,调整D的参数使得logD(x,y)+log(1-D(x,G(x,y)))的期望最大化。这个优化过程可以归结为极小极大博弈问题。
本发明方法虽然以带钢监控视频为例,但方法应用不限于带钢监控,可以推广应用于所有具有同样特性的视频处理。
实施例:
如图1所示,一种基于GAN网络的工业监控视频图像清晰化方法,过程如下:
1)采集视频图像,选取了50000张图片作为模型的训练数据集,训练图像为输入网络的低清晰度图像和作为监督学习的高清晰度图像拼接的合成图像。
2)将训练样本输入到GAN网络中进行训练,该网络包含生成模块和判别模块,生成模块根据输入的低清晰度图像生成伪高清晰度图像,判别器鉴别图像的真伪。其具体过程如下:
步骤一:对原始工业视频图像进行采集,采集至少两组视频数据作为训练集。一组为实际工业环境下受灰尘、烟雾、光照变化导致监控视频模糊、光照不足、像素损失导致画面不清晰的低清晰度视频图像,一类作为监督学习标签的镜头经过清洗后采集的高清晰度视频图像。采集的低清晰度图像多于高清晰度图像。
步骤二:图像数据预处理:将两组视频按帧保存为图像,按照图像清晰化GAN网络输入图像的格式调整为一张拼接的合成图像,本方法中低清晰度的图像与高清晰度的图像分别为合成图像的左半张与右半张,即左边为低清晰度图像,右边为高清晰度图像。若改变两张图像的位置,其位置相应的代码也需要改变。
步骤三:检测是否含有训练好的模型:如果已经有训练好的模型,则进入步骤五直接进行模型的测试;如果没有检测到模型,则进入步骤四进行模型的搭建和训练。
步骤四:搭建GAN网络:GAN网络包括两个主要组成模块:生成器和判别器。低清晰度图像输入生成器网络生成伪高清晰度图像,判别网络被训练判别图像为生成器生成的高清晰图像还是真实高清晰图像,损失函数用于调节网络层级间的权重。最终本方法的图像清晰化GAN网络能根据输入的低清晰度图像生成高清晰度的图像。
步骤五:模型训练:输入一张合成图像,左边图像输入生成器生成伪高清晰度图像与右边真实的高清晰度图像比较,误差传入生成器和判别器调整其网络层级之间的权重。训练至损失值不再下降即可终止训练,该GAN网络生成器生成的图像越近似高分辨率图像,判别器被训练能够区分图像的真伪。本发明对全部图像进行了10次以上的迭代,获得了较好的重建模型。
步骤六:模型测试:测试图像按照步骤二的将待处理的低清晰度的图像输入训练好的图像清晰化GAN网络,网络自动调用最后一次保存的模型,即可得到相对应的高清晰度图像;
步骤七:检查测试效果:若模型能够根据测试图像生成高清晰度的图像,则模型训练较好,可以满足实际应用要求;若测试效果不佳,则重新开始步骤一增加训练样本,重新进行训练。
Claims (3)
1.一种基于GAN网络的工业监控视频图像清晰化方法,其特征在于,包括以下步骤:
步骤一,对原始工业视频图像进行采集,采集至少两组视频数据作为训练集;一组为实际工业环境下受灰尘、烟雾、光照变化导致监控视频模糊、光照不足、像素损失导致画面不清晰的低清晰度视频图像;一组作为监督学习标签的镜头经过清洗后采集的高清晰度视频图像;采集的低清晰度图像多于高清晰度图像;
步骤二,图像数据预处理:将两组视频按帧保存为图像,按照图像清晰化GAN网络输入图像的格式调整为一张拼接的合成图像,低清晰度的图像与高清晰度的图像分别为合成图像的左半张与右半张,即左边为低清晰度图像,右边为高清晰度图像;若改变两张图像的位置,其位置相应的代码也需要改变;
步骤三,检测是否含有训练好的模型:如果已经有训练好的模型,则进入步骤五直接进行模型的测试;如果没有检测到模型,则进入步骤四进行模型的搭建和训练;
步骤四,搭建GAN网络:GAN网络包括两个主要组成模块:生成器和判别器;低清晰度图像输入生成器生成伪高清晰度图像,判别器被训练判别图像为生成器生成的高清晰图像还是真实高清晰图像,损失函数用于调节网络层级间的权重;最终的图像清晰化GAN网络能根据输入的低清晰度图像生成高清晰度的图像;
步骤五,模型训练:输入一张合成图像,左边图像输入生成器生成伪高清晰度图像与右边真实的高清晰度图像比较,误差传入生成器和判别器调整其网络层级之间的权重;训练至损失值不再下降即可终止训练,该GAN网络生成器生成的图像越近似高分辨率图像,判别器网络被训练能够区分图像的真伪;
步骤六,模型测试:测试图像按照步骤二的将待处理的低清晰度的图像输入训练好的图像清晰化GAN网络,网络自动调用最后一次保存的模型,即可得到相对应的高清晰度图像;
步骤七,检查测试效果:若模型能够根据测试图像生成高清晰度的图像,则模型训练较好,可以满足实际应用要求;若测试效果不佳,则重新开始步骤一增加训练样本,重新进行训练。
2.根据权利要求1所述的一种基于GAN网络的工业监控视频图像清晰化方法,其特征在于,步骤二所述的图像清晰化,采用人为添加噪音使变为低清晰度的图像,然后再通过算法或神经网络来进行图像的恢复。
3.根据权利要求1所述的一种基于GAN网络的工业监控视频图像清晰化方法,其特征在于,步骤四中的图像清晰化GAN网络的搭建,具体做法是:
1)GAN是生成模型,条件GAN学习从输入图像x和随机噪声向量z到y的映射,G:{x,z}→y,生成器G被训练生成不能通过判别器D区分的图像,判别器D被训练尽可能地检测发生器的假图像;
2)GAN网络目标:条件GAN的目标可以表示为:
其中x为输入图像,y为输出图像,G为生成器,D为判别器,即D(x,y)判别输入图像x与监督图像y,Ex,y[logD(x,y)]为判别器对于x和y的期望,G(x,y)为根据输入图像x与监督图像y训练后生成的图像,D(x,G(x,y))为判别输入图像与生成器生成图像,Ex,z[log(1-D(x,G(x,y)))]为生成器生成的图像不被判别器区分的期望;
生成器与判别器同时训练:固定判别器,调整G的参数使得log(1-D(x,G(x,y)))的期望最小化;固定生成器,调整D的参数使得logD(x,y)+log(1-D(x,G(x,y)))的期望最大化,这个优化过程可以归结为极小极大博弈问题。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910711032.5A CN110660025B (zh) | 2019-08-02 | 2019-08-02 | 一种基于gan网络的工业监控视频图像清晰化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910711032.5A CN110660025B (zh) | 2019-08-02 | 2019-08-02 | 一种基于gan网络的工业监控视频图像清晰化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110660025A true CN110660025A (zh) | 2020-01-07 |
CN110660025B CN110660025B (zh) | 2023-01-17 |
Family
ID=69036383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910711032.5A Active CN110660025B (zh) | 2019-08-02 | 2019-08-02 | 一种基于gan网络的工业监控视频图像清晰化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110660025B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111402159A (zh) * | 2020-03-13 | 2020-07-10 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置、电子设备及计算机可读介质 |
CN111723521A (zh) * | 2020-06-12 | 2020-09-29 | 杭州电子科技大学 | 基于gan网络的有限口径数据恢复为全口径数据的方法 |
CN113688694A (zh) * | 2021-08-03 | 2021-11-23 | 上海交通大学 | 基于非配对学习的提升视频清晰度的方法及装置 |
CN113781366A (zh) * | 2021-11-03 | 2021-12-10 | 四川大学 | 一种基于深度学习的眼部oct图像清晰化方法 |
CN113822194A (zh) * | 2021-09-22 | 2021-12-21 | 华能国际电力股份有限公司上海石洞口第二电厂 | 一种火电厂作业个人防护用品的智能监测方法及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180075581A1 (en) * | 2016-09-15 | 2018-03-15 | Twitter, Inc. | Super resolution using a generative adversarial network |
CN109801215A (zh) * | 2018-12-12 | 2019-05-24 | 天津津航技术物理研究所 | 基于对抗生成网络的红外超分辨率成像方法 |
CN109978762A (zh) * | 2019-02-27 | 2019-07-05 | 南京信息工程大学 | 一种基于条件生成对抗网络的超分辨率重建方法 |
-
2019
- 2019-08-02 CN CN201910711032.5A patent/CN110660025B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180075581A1 (en) * | 2016-09-15 | 2018-03-15 | Twitter, Inc. | Super resolution using a generative adversarial network |
CN109801215A (zh) * | 2018-12-12 | 2019-05-24 | 天津津航技术物理研究所 | 基于对抗生成网络的红外超分辨率成像方法 |
CN109978762A (zh) * | 2019-02-27 | 2019-07-05 | 南京信息工程大学 | 一种基于条件生成对抗网络的超分辨率重建方法 |
Non-Patent Citations (2)
Title |
---|
于波等: "基于深度卷积神经网络的图像重建算法", 《计算机系统应用》 * |
何剑华等: "基于改进的CycleGAN模型非配对的图像到图像转换", 《玉林师范学院学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111402159A (zh) * | 2020-03-13 | 2020-07-10 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置、电子设备及计算机可读介质 |
CN111402159B (zh) * | 2020-03-13 | 2021-05-18 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置、电子设备及计算机可读介质 |
CN111723521A (zh) * | 2020-06-12 | 2020-09-29 | 杭州电子科技大学 | 基于gan网络的有限口径数据恢复为全口径数据的方法 |
CN111723521B (zh) * | 2020-06-12 | 2023-12-08 | 杭州电子科技大学 | 基于gan网络的有限口径数据恢复为全口径数据的方法 |
CN113688694A (zh) * | 2021-08-03 | 2021-11-23 | 上海交通大学 | 基于非配对学习的提升视频清晰度的方法及装置 |
CN113688694B (zh) * | 2021-08-03 | 2023-10-27 | 上海交通大学 | 基于非配对学习的提升视频清晰度的方法及装置 |
CN113822194A (zh) * | 2021-09-22 | 2021-12-21 | 华能国际电力股份有限公司上海石洞口第二电厂 | 一种火电厂作业个人防护用品的智能监测方法及设备 |
CN113781366A (zh) * | 2021-11-03 | 2021-12-10 | 四川大学 | 一种基于深度学习的眼部oct图像清晰化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110660025B (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110660025B (zh) | 一种基于gan网络的工业监控视频图像清晰化方法 | |
CN111383209A (zh) | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 | |
CN113160123B (zh) | 一种基于YOLOv5的皮革缺陷检测方法、系统及装置 | |
CN107633272B (zh) | 一种基于小样本下压缩感知的dcnn纹理疵点识别方法 | |
CN113129272A (zh) | 一种基于去噪卷积自编码器的缺陷检测方法及装置 | |
CN111091109A (zh) | 基于人脸图像进行年龄和性别预测的方法、系统和设备 | |
CN110472566B (zh) | 一种高精度的模糊人脸识别方法 | |
CN111709888B (zh) | 一种基于改进的生成对抗网络的航拍图像去雾方法 | |
CN109670398A (zh) | 一种猪只图像的分析方法及设备 | |
CN104198498A (zh) | 基于自适应正交小波变换的布匹疵点检测方法及装置 | |
CN111860143B (zh) | 一种面向巡检机器人的火焰实时检测方法 | |
CN108416391A (zh) | 基于视觉皮层处理机制及脉冲监督学习的图像分类方法 | |
CN111079539A (zh) | 一种基于异常追踪的视频异常行为检测方法 | |
CN114187203A (zh) | 注意力优化的深度编解码去雾生成对抗网络 | |
Chen et al. | An intelligent sewer defect detection method based on convolutional neural network | |
CN114120093A (zh) | 一种基于改进YOLOv5算法的煤矸目标检测方法 | |
CN116416237A (zh) | 基于改进YOLOv5与模糊图像增强的输电线路缺陷检测方法 | |
CN116309483A (zh) | 基于ddpm的半监督变电设备表征缺陷检测方法及系统 | |
CN110009601A (zh) | 基于hog的大型装备不规则外形表面缺陷检测方法 | |
CN116862867A (zh) | 基于改进AnoGAN的小样本变电站设备视觉缺陷检测方法及系统 | |
CN116363411A (zh) | 一种基于事件相机的隔离开关分合闸状态判别的方法及装置 | |
CN112861681B (zh) | 一种基于云端处理的管廊视频智能分析方法及系统 | |
CN113971774A (zh) | 一种输水结构表面淡水壳菜空间分布特征识别方法 | |
Li et al. | Context convolution dehazing network with channel attention | |
Lil et al. | Tire Defect Detection Based on Improved DeepLabv3+ |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |