CN111078565A - 基于hog特征提取和svm多分类器的软件测试结果的分析方法 - Google Patents
基于hog特征提取和svm多分类器的软件测试结果的分析方法 Download PDFInfo
- Publication number
- CN111078565A CN111078565A CN201911320583.5A CN201911320583A CN111078565A CN 111078565 A CN111078565 A CN 111078565A CN 201911320583 A CN201911320583 A CN 201911320583A CN 111078565 A CN111078565 A CN 111078565A
- Authority
- CN
- China
- Prior art keywords
- classifier
- picture
- training
- svm
- feature extraction
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3692—Test management for test results analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于HOG特征提取和SVM多分类器的软件测试结果的分析方法,包括如下步骤:S1:采集训练图片,并对训练图片进行标注;S2:对训练图片进行HOG特征提取;S3:将训练图片的标注与图片的HOG特征对SVM分类模型进行训练得到SVM多分类器;S4:获取需要分析的用例执行结果的图片进行HOG特征提取;S5:将提取的HOG特征输入SVM多分类器,分析出图片所属的类型;S6:将目标图片所属的类型作为该用例的执行结果的分析结论。本发明通过对测试结果图片的智能分类,从而判断出用例的执行情况,减少人工重跑用例的耗时,降低测试结果问题的分析定位难度,减少了人工干预,提高测试效率。
Description
技术领域
本发明涉及软件测试领域,尤其涉及一种基于HOG(方向梯度直方图)特征提 取和SVM(支持向量机)多分类器的软件测试结果的分析方法。
背景技术
软件测试作为一种软件质量的保障手段已经得到了普遍的应用。在进行软件测试执行时,对测试结果的分析即判定本次测试是否成功,以及用例失败原因的原因 定位。目前主流的解决方式有以下几种:
1)人工判别:依据测试人员对系统的熟悉以及以往的经验,通过识别页面展 示是否完整,关键信息是否生成并且展示。若测试不通过则对异常的测试结果根据 历史经验进行分析定位,得出引起异常的原因。
2)根据系统日志分析判别:在编写工程代码时,在工程代码中注入日志输出 字节码,当运行包含所述工程代码的测试脚本时,进入测试脚本的每个方法前通过 所述日志输出字节码记录方法调用日志,并根据方法调用日志形成方法调用层次的 日志文件;根据所述日志文件中的方法调用层次分析运行失败的测试脚本,定位运 行失败的原因。
3)自动化脚本关键元素检测:对测试结果展示的部分元素进行结果校验,自 动检查这些元素是否出现,若能够完整展现则用例成功,如果未出现目标元素则用 例执行失败。
以上现有方法分别存在以下的缺点:
1)人工判别:在对异常用例进行失败原因定位需要人工定位,需要测试人员 对系统有深入的了解,同时熟悉系统各个功能的操作方法。并且对系统的报错有一 定的阅读能力。此方法对测试人员的依赖较高,需要测试人员对系统十分了解,且 定位问题耗时较长。
2)根据系统日志分析判别:对开发人员要求高,开发代码必须规范,埋点需 要十分完整。且可能会对工程代码造成一定影响,因为工程代码和测试输出代码的 耦合,导致测试代码若有问题,可能会导致整个工程出现缺陷。
3)自动化脚本部分元素检测:该方法只能对部分页面元素进行校验,如果进 行全量页面元素校验则会大大增长自动化测试耗时,降低自动化测试效率。同时该 方法只能检测目标元素是否出现,而导致未出现的原因有很多如页面变化、页面卡 顿等,无法进一步对问题进行分析。
因此,现有技术有待改进。
发明内容
本发明要解决的技术问题是提供一种基于HOG特征提取和SVM多分类器的软件 测试结果的分析方法,解决上述问题。
本发明为解决上述技术问题而采用的技术方案是提供一种基于HOG特征提取 和SVM多分类器的软件测试结果的分析方法,包括如下步骤:S1:采集训练图片, 并对训练图片进行标注;S2:对训练图片进行HOG特征提取;S3:将训练图片的标 注与图片的HOG特征作为训练集导入SVM分类模型,将图片的标注作为分类类型对 SVM分类模型进行训练得到有效的SVM多分类器;S4:获取需要分析的用例执行结 果的图片,将图片作为目标图片进行HOG特征提取;S5:将提取的HOG特征输入 SVM多分类器,分析出目标图片所属的分类类型;S6:将目标图片所属的类型作为 该用例的执行结果的分析结论。
进一步的,所述S1具体包括:S11:采集已经完成测试并得到用例执行结果 分析结论的用例执行结果的图片,作为训练图片;S12:将测试用例结果分析的结 论作为对应的训练图片的标签,标签的内容包括该用例执行的结果是成功还是失 败,如果执行的结果是失败还包括失败的原因;S13:将标签标注到对应的训练图 片。
进一步的,所述提取HOG特征具体包括:S21:对图片中每个像素点的红、 绿、蓝三个色彩值取平均作为该像素点的灰度值,对灰度值做归一化处理,得到归 一化后的图像矩阵为G;S22:对G中每个像素值G(x,y)进行Gamma校正,定义校 正值为u,计算出校正后图像矩阵G'中的每一个像素值G'(x,y)=G(x,y)u;其 中,G(x,y)代表图像矩阵G在第x行、第y列的元素对应的像素值;S23:计算经 Gama校正后图像矩阵G'中每个像素值G'(x,y)在水平方向和垂直方向的梯度,获 得G'(x,y)的梯度方向值和梯度方向;S24:将图像矩阵G'分成若干个单元格,每 个单元格包含m*m个像素点,为每个单元构建梯度方向直方图,统计每个单元格的 梯度信息;S25:提取图像的每一个单元格特征,将单元特征进行串联得到图像的整体特征。
进一步的,所述步骤S23具体包括:S231:计算G'(x,y)的水平方向梯度 dx(x,y)=G'(x,y+1)-G'(x,y);S232:计算G'(x,y)的垂直方向梯度dy(x, y)=G'(x+1,y)G'(x,y);S233:计算G'(x,y)的梯度方向值 和梯度方向
进一步的,所述步骤S24中统计每个单元格的梯度信息具体包括:S241:将 360度的梯度方向分成18个方向块f1,f2,…,f18,则第1个方向块f1的梯度 方向范为[0,1/18),梯度方向的计算公式为[(i-1)*360)/k,(i*360)/k),其中i 表示第i个方向块;S242:对单元格中的每个像素进行判断,若像素值G'(x,y)的 梯度方向α(x,y)属于fi,则αi=αi+d(x,y),αi代表第i个方向上的梯度的 数量的变量,统计得出每个单元格的梯度信息。
进一步的,所述步骤S25具体包括:S251:将3*3个单元格定为一个区域大 块,将每个单元格18个方向快的梯度数量进行串联,得到一个维数为3*3*18的多 维向量,作为该区域的局部体征;S252:将每个大区块的局部特征进行首尾相连, 组成一个新的多维向量,作为图像的整体特征。
进一步的,所述步骤S3具体包括:S31:定义目标函数计算出β={β1,β2,…,βi}使得Q(β)函 数最大,同时满足条件S32:通过计算出的β值计算的到SVM分类模 型的判别函数,判别函数计算公式为f(x)=sgn(W*X)+b,其中,权值向量 偏置值b=1-W*X;S33:将训练图片的HOG特征值与对应标注合成 一组训练样本(A1,B1),(A2,B2),…,(Ai,Bi),Ai表示第i个样本图像特征值, Bi表示该图像体征值对应的图片的标注;S34:通过训练样本进行多分类器训练, 得到多分类器。
进一步的,所述步骤S34具体包括:S341:根据标注将样本分为N类,其中 包括成功样本和N-1类错误失败原因样本,每类挑选M张,其中前M/2张用于SVM 分类器的训练,后M/2用于分类器的测试;S242:将N类互不相同的样本两两组合 对SVM分类模型进行训练并测试,得到(N*(N-1))/2个分类器,即为SVM多分类 器。
进一步的,所述步骤S5具体包括:将目标图片的特征向量值输入到所有训练 的分类器中,对每个分类器得出的结果进行计数,将得票最高的类别作为待测图片 的分类结果。
本发明对比现有技术有如下的有益效果:本发明提供的基于HOG特征提取和 SVM多分类器的软件测试结果的分析方法,通过HOG特征值提取方式对测试结果图 片进行分析,减少了对测试人员的依赖,提高了测试结果的准确性;通过对历史测 试结果图片的智能分类,智能对测试结果进行分析,从而判断出用例的执行情况, 减少人工重跑用例以及人工定位问题的耗时;降低了测试结果问题的分析定位难 度,减少了人工干预以及人工的耗时,提高测试效率。
附图说明
图1为本发明实施例中基于HOG特征提取和SVM多分类器的软件测试结果的分 析方法流程图;
图2为本发明实施例中HOG特征提取流程图;
图3为本发明实施例中SVM多分类器改造流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步的描述。
图1为本发明实施例中基于HOG特征提取和SVM多分类器的软件测试结果的分 析方法流程图。
请参见图1,本发明实施例的基于HOG特征提取和SVM多分类器的软件测试结 果的分析方法,主要包括图片采集、HOG特征值提取和SVM分类模型训练。
图片采集主要是通过目前已有的自动化脚本,将每次用例执行的截图进行收集并且将该图片打上对应分类的标签。如该用例执行成功,则将该截图打上成功的标 签。若该分用例执行失败包括失败的原因,如导致失败原因为系统中心化权限接口 异常则将该图片打上该分类标签。每种分类对应的图片不少于10张,图片越多分 类模型得到结果越准确。
方向梯度直方图HOG(Histogram of Oriented Gradient)特征是一种在计算 机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部 区域的梯度方向直方图来构成特征。通过该方法获取图片特征能够比较精确得提取 出该图片的特征值。
支持向量机SVM(Support Vector Machine)是常见的一种判别方法。在机器学 习领域,是一个有监督的学习模型,通常用来进行模式识别、分类以及回归分析。 SVM分类模型训练主要是获取包含同类型错误以及成功的图片作为训练样本,然后 提取出样本图片的HOG特征,将HOG特征投入SVM分类器进行训练,通过一定数量 的样本图片训练之后得到有效的SVM分类器。
下面是对HOG特征值提取以及SVM图片分类模型训练实现方式的详细说明:
1、HOG特征提取,如图2所示,主要包括:
1)图片进行归一化处理:为了调节图像颜色的对比度,对样本测试结果图片 中每个像素点的红、绿、蓝三个色彩值取平均作为图像的灰度值,对灰度化后的图 像中的每一个像素值做归一化处理,得到归一化的图像矩阵为G。
2)Gamma校正:为了降低图像局部的阴影和光照变化所造成的影响,同时可以 抑制噪音的干扰,定义校正值为u,对G中每个像素值G(x,y)进行Gamma校正, 计算出校正后图像矩阵G'中的每一个像素值G'(x,y)=G(x,y)u;其中,G(x,y) 代表图像矩阵G在第x行、第y列的元素对应的像素值。
3)计算像素梯度:为了捕获轮廓信息,同时进一步弱化光照的干扰。计算经 Gama校正后图像矩阵G'中每个像素值G'(x,y)在水平方向和垂直方向的梯度,并 据此计算G'(x,y)的梯度方向值和梯度方向,其中,G'(x,y)代表G'在第x行、 第y列的元素对应的像素值,具体步骤如下:
计算G'(x,y)的水平方向梯度dx(x,y)=G'(x,y+1)-G'(x,y)。
计算G'(x,y)的垂直方向梯度dy(x,y)=G'(x+1,y)G'(x,y)
4)为每个单元构建梯度方向直方图:为让局部图像区域提供一个编码,同时 能够保持对图像中人体对象的姿势和外观的弱敏感性。将图像矩阵G'分成若干个单 元格,每个单元格包含m*m(如8*8)个像素,统计每个单元格的梯度信息,具体 如下:
将360度的梯度方向分成18个方向块f1,f2,…,,f18,即第1个方向块 f1的梯度方向范为[0,1/18),梯度方向计算公式为[((i-1)*360)/k,(i*360)/k)。 i表示第几个方向块。
对单元格中的每个像素进行判断,若像素值G(x,y)的梯度方向α(x,y) 属于fi,则αi=αi+d(x,y),αi代表第i个方向上的梯度的数量的变量。如此运 算可以得出每个单元格的梯度信息。
5)提取局部特征,获取整体特征:提取图像的每一个单元格特征,将单元特 征进行串联得到图像的整体特征,具体步骤如下:
将3*3个单元格定为一个区域大块,将每个单元格18个方向快的梯度数量 进行串联,得到一个维数为3*3*18的多维向量,作为该区域的局部体征。
将每个大区块的局部特征进行首尾相连,组成一个新的多维向量,作为图像 的整体特征。
2、SVM分类器训练,主要包括:
1)样本特征计算:通过HOG特征算法将测试结果样本图片进行特征值提取, 将特征值与对应的预期错误类型合成一组训练样本(A1,B1),(A2,B2),…,(Ai, Bi)。Ai表示第i个样本图像特征值,Bi表示改图像体征值对应的错误原因类型。
2)对SVM分类器进行训练:定义一个目标函数
由于SVM分类算法,更适合二分类的判别,要进行多分类的判别,需要对SVM 分类器进行改造,从而实现投票形式对未知测试图片分类结果进行投票,得票者高 的为分类最终结果,从而实现多分类。
3、SVM多分类器改造,如图3所示,主要包括:
1)多分类器训练:根据标注将样本分为N类,其中包括成功样本和N-1类错 误失败原因样本,每类挑选M张,其中前M/2张用于SVM分类器的训练,后M/2用 于分类器的测试将N类互不相同的样本两两组合对SVM分类模型进行训练并测试, 得到(N*(N-1))/2个分类器,即为SVM多分类器。
2)得到分类结果:将待测试的图片根据HOG特征值提取,得到特征向量值, 将特征向量值输入到所有训练的分类器中,对每个分类器得出的结果进行计数,得 票最高的类别即为待测图片的分类结果,从而得到该图片对应的用例的执行结果的 分析结论。
综上所述,本发明提供的基于HOG特征提取和SVM多分类器的软件测试结果的 分析方法,通过HOG特征值提取方式对测试结果图片进行分析,减少了对测试人员 的依赖,提高了测试结果的准确性;通过对历史测试结果图片的智能分类,智能对 测试结果进行分析,从而判断出用例的执行情况,减少人工重跑用例以及人工定位 问题的耗时;降低了测试结果问题的分析定位难度,减少了人工干预以及人工的耗 时,提高测试效率。
虽然本发明已以较佳实施例揭示如上,然其并非用以限定本发明,任何本领域 技术人员,在不脱离本发明的精神和范围内,当可作些许的修改和完善,因此本发 明的保护范围当以权利要求书所界定的为准。
Claims (9)
1.一种基于HOG特征提取和SVM多分类器的软件测试结果的分析方法,其特征在于,包括如下步骤:
S1:采集训练图片,并对训练图片进行标注;
S2:对训练图片进行HOG特征提取;
S3:将训练图片的标注与图片的HOG特征作为训练集导入SVM分类模型,将图片的标注作为分类类型对SVM分类模型进行训练得到有效的SVM多分类器;
S4:获取需要分析的用例执行结果的图片,将图片作为目标图片进行HOG特征提取;
S5:将提取的HOG特征输入SVM多分类器,分析出目标图片所属的分类类型;
S6:将目标图片所属的类型作为该用例的执行结果的分析结论。
2.如权利要求1所述的基于HOG特征提取和SVM多分类器的软件测试结果的分析方法,其特征在于,所述S1具体包括:
S11:采集已经完成测试并得到用例执行结果分析结论的用例执行结果的图片,作为训练图片;
S12:将测试用例结果分析的结论作为对应的训练图片的标签,标签的内容包括该用例执行的结果是成功还是失败,如果执行的结果是失败还包括失败的原因;
S13:将标签标注到对应的训练图片。
3.如权利要求1所述的基于HOG特征提取和SVM多分类器的软件测试结果的分析方法,其特征在于,所述提取HOG特征具体包括:
S21:对图片中每个像素点的红、绿、蓝三个色彩值取平均作为该像素点的灰度值,对灰度值做归一化处理,得到归一化后的图像矩阵为G;
S22:对G中每个像素值G(x,y)进行Gamma校正,定义校正值为u,计算出校正后图像矩阵G'中的每一个像素值G'(x,y)=G(x,y)u;其中,G(x,y)代表图像矩阵G在第x行、第y列的元素对应的像素值;
S23:计算经Gama校正后图像矩阵G'中每个像素值G'(x,y)在水平方向和垂直方向的梯度,获得G'(x,y)的梯度方向值和梯度方向;
S24:将图像矩阵G'分成若干个单元格,每个单元格包含m*m个像素点,为每个单元构建梯度方向直方图,统计每个单元格的梯度信息;
S25:提取图像的每一个单元格特征,将单元特征进行串联得到图像的整体特征。
5.如权利要求4所述的基于HOG特征提取和SVM多分类器的软件测试结果的分析方法,其特征在于,所述步骤S24中统计每个单元格的梯度信息具体包括:
S241:将360度的梯度方向分成18个方向块f1,f2,…,f18,则第1个方向块f1的梯度方向范为[0,1/18),梯度方向的计算公式为[(i-1)*360)/k,(i*360)/k),其中i表示第i个方向块;
S242:对单元格中的每个像素进行判断,若像素值G'(x,y)的梯度方向α(x,y)属于fi,则αi=αi+d(x,y),αi代表第i个方向上的梯度的数量的变量,统计得出每个单元格的梯度信息。
6.如权利要求5所述的基于HOG特征提取和SVM多分类器的软件测试结果的分析方法,其特征在于,所述步骤S25具体包括:
S251:将3*3个单元格定为一个区域大块,将每个单元格18个方向快的梯度数量进行串联,得到一个维数为3*3*18的多维向量,作为该区域的局部体征;
S252:将每个大区块的局部特征进行首尾相连,组成一个新的多维向量,作为图像的整体特征。
8.如权利要求7所述的基于HOG特征提取和SVM多分类器的软件测试结果的分析方法,其特征在于,所述步骤S34具体包括:
S341:根据标注将样本分为N类,其中包括成功样本和N-1类错误失败原因样本,每类挑选M张,其中前M/2张用于SVM分类器的训练,后M/2用于分类器的测试;
S242:将N类互不相同的样本两两组合对SVM分类模型进行训练并测试,得到(N*(N-1))/2个分类器,即为SVM多分类器。
9.如权利要求8所述的基于HOG特征提取和SVM多分类器的软件测试结果的分析方法,其特征在于,所述步骤S5具体包括:将目标图片的特征向量值输入到所有训练的分类器中,对每个分类器得出的结果进行计数,将得票最高的类别作为待测图片的分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911320583.5A CN111078565A (zh) | 2019-12-19 | 2019-12-19 | 基于hog特征提取和svm多分类器的软件测试结果的分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911320583.5A CN111078565A (zh) | 2019-12-19 | 2019-12-19 | 基于hog特征提取和svm多分类器的软件测试结果的分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111078565A true CN111078565A (zh) | 2020-04-28 |
Family
ID=70315930
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911320583.5A Pending CN111078565A (zh) | 2019-12-19 | 2019-12-19 | 基于hog特征提取和svm多分类器的软件测试结果的分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111078565A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111949961A (zh) * | 2020-07-20 | 2020-11-17 | 上海淇馥信息技术有限公司 | 一种基于动作提示的人脸认证交互方法、系统和电子设备 |
CN113344102A (zh) * | 2021-06-23 | 2021-09-03 | 昆山星际舟智能科技有限公司 | 基于图像hog特征与elm模型的目标图像识别方法 |
CN114445925A (zh) * | 2022-04-11 | 2022-05-06 | 深圳市润璟元信息科技有限公司 | 一种能够自动载入和删除的面部识别智能考勤系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107066958A (zh) * | 2017-03-29 | 2017-08-18 | 南京邮电大学 | 一种基于hog特征和svm多分类器的人脸识别方法 |
CN110544246A (zh) * | 2019-09-02 | 2019-12-06 | 武汉光庭信息技术股份有限公司 | 一种自动化测试方法、装置及存储介质 |
-
2019
- 2019-12-19 CN CN201911320583.5A patent/CN111078565A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107066958A (zh) * | 2017-03-29 | 2017-08-18 | 南京邮电大学 | 一种基于hog特征和svm多分类器的人脸识别方法 |
CN110544246A (zh) * | 2019-09-02 | 2019-12-06 | 武汉光庭信息技术股份有限公司 | 一种自动化测试方法、装置及存储介质 |
Non-Patent Citations (1)
Title |
---|
高远;尚雷;何永辉;: "基于支撑向量机的软件测试方法" * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111949961A (zh) * | 2020-07-20 | 2020-11-17 | 上海淇馥信息技术有限公司 | 一种基于动作提示的人脸认证交互方法、系统和电子设备 |
CN113344102A (zh) * | 2021-06-23 | 2021-09-03 | 昆山星际舟智能科技有限公司 | 基于图像hog特征与elm模型的目标图像识别方法 |
CN113344102B (zh) * | 2021-06-23 | 2023-07-25 | 昆山星际舟智能科技有限公司 | 基于图像hog特征与elm模型的目标图像识别方法 |
CN114445925A (zh) * | 2022-04-11 | 2022-05-06 | 深圳市润璟元信息科技有限公司 | 一种能够自动载入和删除的面部识别智能考勤系统 |
CN114445925B (zh) * | 2022-04-11 | 2022-07-22 | 深圳市润璟元信息科技有限公司 | 一种能够自动载入和删除的面部识别智能考勤系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102496001B (zh) | 一种视频监控目标自动检测的方法和系统 | |
CN111078565A (zh) | 基于hog特征提取和svm多分类器的软件测试结果的分析方法 | |
CN114549522A (zh) | 基于目标检测的纺织品质量检测方法 | |
CN107818322A (zh) | 一种用于车辆年检的车辆vin码篡改检测系统及方法 | |
CN108830332A (zh) | 一种视觉车辆检测方法及系统 | |
CN109978872B (zh) | 基于白质纤维束的白质微结构特征筛选系统及方法 | |
CN110533654A (zh) | 零部件的异常检测方法及装置 | |
CN117523214A (zh) | 一种智能识别图片修改痕迹反欺诈的方法 | |
CN111753877B (zh) | 一种基于深度神经网络迁移学习的产品质量检测方法 | |
CN115019294A (zh) | 一种指针式仪表读数识别方法及系统 | |
CN112102280B (zh) | 铁路货车小部件承挡键螺母松动和丢失故障检测方法 | |
CN109190451B (zh) | 基于lfp特征的遥感图像车辆检测方法 | |
CN109376738A (zh) | 基于车辆vin码起止符类型的篡改检测方法 | |
CN115311611A (zh) | 一种用于装配式建筑预制构件生产的钢筋计数方法 | |
CN105488532B (zh) | 一种车牌筛选方法及装置 | |
CN115249319A (zh) | 一种用于检测全日面图像中太阳暗条的方法 | |
CN113963230A (zh) | 一种基于深度学习的车位检测方法 | |
CN113781469A (zh) | 基于yolo改进模型的安全头盔佩戴检测的方法及系统 | |
CN112508946A (zh) | 一种基于对抗神经网络的电缆隧道异常检测方法 | |
Tao et al. | A hybrid approach to detection and recognition of dashboard information in real-time | |
CN117496274B (zh) | 一种基于液滴图像的分类计数方法、系统和存储介质 | |
CN111414819B (zh) | 基于非平衡数据分类框架的火点智能检测和分类方法 | |
CN116563770B (zh) | 车辆颜色的检测方法、装置及设备和介质 | |
CN114239753B (zh) | 可迁移的图像识别方法及装置 | |
CN118097386A (zh) | 一种电表照片可信度验证方法 |
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 |