CN111291778B - 深度分类模型的训练方法、曝光异常检测方法以及装置 - Google Patents
深度分类模型的训练方法、曝光异常检测方法以及装置 Download PDFInfo
- Publication number
- CN111291778B CN111291778B CN201811497818.3A CN201811497818A CN111291778B CN 111291778 B CN111291778 B CN 111291778B CN 201811497818 A CN201811497818 A CN 201811497818A CN 111291778 B CN111291778 B CN 111291778B
- Authority
- CN
- China
- Prior art keywords
- image
- exposure
- model
- abnormal
- detected
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
Abstract
本申请公开了一种深度分类模型的训练方法、曝光异常检测方法以及装置,曝光异常检测方法包括:获取到待检测图像,将待检测图像输入到HSV直方图模型中;通过HSV直方图模型对待检测图像进行初步曝光检测,得到曝光异常图像、曝光正常图像以及疑似曝光异常图像;将疑似曝光异常图像输入到深度分类模型中,通过深度分类模型判断疑似曝光异常图像是否为曝光异常图像;输出检测结果。通过上述方式,能够快速准确的判断出图像是否曝光异常。
Description
技术领域
本申请涉及到图像识别技术领域,特别是涉及一种深度分类模型的训练方法、曝光异常检测方法以及装置。
背景技术
生活中,很多时候需要对拍摄的图片进行曝光异常检测。现有的对照片曝光异常的检测方式一般是先通过Photoshop或者相机的灰度直方图功能形成该图片的灰度直方图,再通过用户人工观察直方图判断是否出现异常。
上述方式虽然是利用了机器辅助,但是判别方式由人工来完成,准确度依赖于人工经验,准确率并不高。而且传统的基于灰度直方图的判断方式也很难反映出照片的局部高亮部分,因而容易导致人工的误判。
发明内容
本申请主要解决的技术问题是提供一种深度分类模型的训练方法、曝光异常检测方法以及装置,能够快速准确的判断出图像是否曝光异常。
为解决上述技术问题,本申请采用的第一个技术方案是:提供一种深度分类模型的训练方法,包括:
将已标注的图像输入到深度学习模型中,其中,所述已标注的图像为对所述图像为曝光正常图像或曝光异常图像的类型进行标注的图像;
通过所述深度学习模型对所述图像是否曝光进行预测;
基于预测结果与所述图像的标注类型对应的损失函数确定对所述深度学习模型是否进行再训练,并将训练完成的所述深度学习模型确定为所述深度分类模型。
为解决上述技术问题,本申请采用的第二个技术方案是:提供一种曝光异常检测方法,曝光异常检测方法基于曝光异常检测模型,所述曝光异常检测模型包括相互级联的HSV直方图模型以及深度分类模型,其中,所述深度分类模型是利用对图像为曝光正常图像或曝光异常图像的类型进行标注的图像对深度学习模型训练而得到的;
所述曝光异常检测方法包括:
获取到待检测图像,将所述待检测图像输入到所述HSV直方图模型中;
通过所述HSV直方图模型对所述待检测图像进行初步曝光异常检测,得到曝光异常图像、曝光正常图像以及疑似曝光异常图像;
将所述疑似曝光异常图像输入到所述深度分类模型中,通过所述深度分类模型判断所述疑似曝光异常图像是否为曝光异常图像;
输出检测结果。
为解决上述技术问题,本申请采用的第三个技术方案是:提供一种借贷场景照片的曝光异常检测方法,包括:
获取到所述借贷场景照片;
将所述借贷场景照片输入到曝光异常检测模型的HSV直方图模型中;通过所述HSV直方图模型对所述待检测图像进行初步曝光异常检测,得到曝光异常图像、曝光正常图像以及疑似曝光异常图像;
输出所述曝光异常图像、曝光正常图像的检测结果,并将所述疑似曝光异常图像输入到所述曝光异常检测模型的深度分类模型中;其中,所述深度分类模型与所述HSV直方图模型级联;
通过所述深度分类模型判断所述疑似曝光异常图像是否为曝光异常图像;
输出检测结果。
为解决上述技术问题,本申请采用的第四个技术方案是:提供一种深度分类模型的训练装置,包括:图像输入模块、预测模块以及训练模块,
所述图像输入模块用于将已标注的图像输入到深度学习模型中,其中,所述已标注的图像为对图像为曝光正常图像或曝光异常图像的类型进行标注的图像;
所述预测模块用于通过所述深度学习模型对所述图像是否曝光异常进行预测;
基于预测结果与所述图像的标注类型对应的损失函数确定对所述深度学习模型是否进行再训练,并将训练完成的所述深度学习模型确定为所述深度分类模型。
为解决上述技术问题,本申请采用的第五个技术方案是:提供一种曝光异常检测装置,曝光异常检测装置包括曝光异常检测模型,所述曝光异常检测模型包括相互级联的HSV直方图模型以及深度分类模型,其中,所述深度分类模型是利用对图像为曝光正常图像或曝光异常图像的类型进行标注的图像对深度学习模型训练而得到的;
所述曝光异常检测装置包括图像获取模块、初步检测模块、深度检测模块以及输出模块;
所述图像获取模块用于获取到待检测图像,将所述待检测图像输入到所述HSV直方图模型中;
所述初步检测模块用于通过所述HSV直方图模型对所述待检测图像进行初步曝光异常检测,得到曝光异常图像、曝光正常图像以及疑似曝光异常图像;
所述深度检测模块用于将所述疑似曝光异常图像输入到所述深度分类模型中,通过所述深度分类模型判断所述疑似曝光异常图像是否为曝光异常图像;
所述输出模块用于输出检测结果。
为解决上述技术问题,本申请采用的第六个技术方案是:提供一种智能装置,包括:图像获取模块、初步检测模块、深度检测模块以及输出模块;
所述图像获取模块用于获取到所述借贷场景照片;
所述初步检测模块用于将所述借贷场景照片输入到曝光异常检测模型的HSV直方图模型中;通过所述HSV直方图模型对所述待检测图像进行初步曝光异常检测,得到曝光异常图像、曝光正常图像以及疑似曝光异常图像;
所述输出模块用于输出所述曝光异常图像、曝光正常图像的检测结果;
深度检测模块用于将所述疑似曝光异常图像输入到所述曝光异常检测模型的深度分类模型中;通过所述深度分类模型判断所述疑似曝光异常图像是否为曝光异常图像;其中,所述深度分类模型与所述HSV直方图模型级联;
所述输出模块还用于输出检测结果。
为解决上述技术问题,本申请采用的第七个技术方案是:提供一种智能终端,智能终端包括相互耦接的人机交互控制电路、处理器及可在处理器上运行的计算机程序,处理器执行计算机程序时上述深度分类模型的训练方法、上述任一实施方式的曝光异常检测方法或借贷场景照片的曝光异常检测方法的步骤。
为解决上述技术问题,本申请采用的第八个技术方案是:提供一种存储装置,存储装置上存储有程序数据,程序数据被处理器执行时实现上述深度分类模型的训练方法、任一实施方式的曝光异常检测方法或借贷场景照片的曝光异常检测方法。
本申请的有益效果是:本实施方式中,通过HSV直方图模型对待检测图像进行初步曝光异常检测后,将疑似曝光异常图像输入到深度分类模型中进行深度判断,确定该疑似曝光异常图像是否为曝光异常图像。经过级联的HSV直方图模型以及深度分类模型相互配合实现对图像是否曝光进行检测的方式,使判断结果更加准确。另外由于HSV直方图模型的计算量远小于深度分类模型的前向运算量,通过HSV直方图模型先对图像进行初始判断,确定出曝光异常图像以及曝光正常图像,深度分类模型只需要对疑似曝光异常图像进行判断,能够使判断时间以及系统消耗量远低于通过传统的直方图判断方式以及单纯的深度模型判断方式。并且深度分类模型处理的疑似曝光异常图像的数量并不会很多,有利于降低深度模型计算的复杂度,也减小了深度分类模型即曝光异常检测模型的体积。
附图说明
图1是本申请深度分类模型的训练方法一实施方式的流程示意图;
图2是本申请曝光异常检测方法一实施方式的流程示意图;
图3是本申请借贷场景照片的曝光异常检测方法一实施方式的流程示意图;
图4是本申请深度分类模型的训练装置一实施方式的结构示意图;
图5是本申请曝光异常检测装置一实施方式的结构示意图;
图6是本申请智能装置一实施方式的结构示意图;
图7是本申请智能终端一实施方式的结构示意图;
图8是本申请存储装置一实施方式的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,均属于本申请保护的范围。
日常生活中,经常需要根据照片来作为一些佐证使用。例如,在一个借贷场景中,需要顾客与工作人员在店面进行合影拍照来作为借贷交易审核的必要补充,以佐证贷款资金的用途或去向是否与借贷申请项目吻合。由于借贷场景合影的作用比较大,因此,对借贷场景合影的照片的质量要求也非常高。而人工审计照片质量的重要指标之一就在于对拍摄的借贷场景图像的曝光是否出现异常进行判断,即确定照片是否为曝光异常图像。如果为曝光异常图像,则该图像不能使用。
本申请是利用曝光异常检测模型,在不需要人工参与前提下,快速准确的实现对图片的曝光异常检测。
本申请的曝光异常检测模型包括相互级联的HSV直方图模型以及深度分类模型,其中,HSV直方图模型对待检测图像进行初始检测,确定出曝光异常图像、曝光正常图像以及疑似曝光异常图像。在通过深度分类模型对疑似曝光异常图像进行进一步判断分类,确定该疑似曝光异常图像为曝光异常图像或曝光正常图像。
具体地,该深度分类模型是以深度学习模型为初始模型,通过标注图像进行训练后得到的。其中,该深度学习模型可以为Inception,VGG16,DenseNet,MobileNet,ShuffleNet等深度模型,优选地,该深度学习模型为深度残差网络模型。具体地,如图1所示,该深度分类模型的训练方法包括如下步骤:
步骤101:将已标注的图像输入到深度学习模型中。
其中,已标注的图像为对所述图像是否曝光异常进行标注的图像。即对图像为曝光异常图像或曝光正常图像的类型进行标注。
一般情况下,比如借贷合影中的图像样本数量并不是很大。并且由于拍摄设备的逐渐完善,曝光异常图像的数量也并非很多。为了保证样本数量,提高模型训练质量。本实施方式中,在确定样本数量不够时,通过颜色微调、图像角度随机旋转以及重新裁剪尺寸的方式获取到更多的图像样本,在此不做限定。
步骤102:通过所述深度学习模型对所述图像是否曝光进行预测。
其中,该深度学习模型是根据判断图像是否曝光的目标任务进行微调后的模型。其输出为图像为曝光异常图像或曝光正常图像。
在将已标注的图像样本输入到该微调后的深度学习模型后,通过该深度学习模型对所述图像是否曝光进行预测。
步骤103:基于预测结果与所述图像的标注类型对应的损失函数确定对所述深度学习模型是否进行再训练,并将训练完成的所述深度学习模型确定为所述深度分类模型。
由于深度学习模型本身的功能是可以实现对图像进行分类,但是可能并不具有很完善的曝光异常检测功能。因此,需要根据深度学习模型的输出的预测结果是否与图像的标注类型相同的判断结果确定是否进行模型再优化。
在本实施方式中,通过对预测结果与所述图像的标注类型对应的损失函数的优化来实现对该深度学习模型的优化。具体地,将当前损失值为最小损失值所对应的所述损失函数的参数确定为所述损失函数的当前优化参数,并对该深度学习模型进行再训练。至当前损失值的变化小于预设范围时,将当前的损失函数参数确定为当前述深度学习模型的模型参数,并将该模型参数确定为深度分类模型的模型参数。
区别于现有技术,本实施方式对图像是否为曝光异常图像进行类型标注,并通过标注后的图像对深度学习模型进行训练,将训练好的模型确定为深度分类模型。通过标注图像进行模型训练,不仅能够准确的判断出图像是否曝光,而且通过现有的深度学习模型作为模型原型进行训练的方式,能够有效的节省模型训练时间,并且将复杂的图像识别技术简化为二分类任务,节省研发成本和人力成本,且可移植性强,商用范围更加广泛。
参阅图2,图2是本申请曝光异常检测方法一实施方式的流程示意图。本实施方式的曝光异常检测方法基于曝光异常检测模型,该曝光异常检测模型包括相互级联的HSV直方图模型以及深度分类模型。该深度分类模型是利用对图像为曝光异常图像或曝光正常图像的类型进行标注的图像对深度学习模型训练而得到的。具体是通过图1及其文字描述的任一实施方式的训练方法训练而得到的,在此不做限定。
本实施方式的曝光异常检测方法包括如下步骤:
步骤201:获取到待检测图像,将所述待检测图像输入到所述HSV直方图模型中。
其中,HSV直方图模型即HSV颜色模型,是根据颜色的直观特性创建的颜色空间,该HSV直方图模型中颜色参数分别为色调(H)、饱和度(S)以及亮度(V)。其中,色调(H)用角度度量,取值范围为0°-360°,从红色开始按逆时针方向计算,红色为0°,绿色为120°,蓝色为240°。饱和度(S)表示颜色接近光谱色的程度。一种颜色,可以看成是某种光谱色与白色混合的结果。光谱色所占的比例愈大,颜色接近光谱色的程度就愈高,颜色的饱和度也就愈高。饱和度高,颜色则深而艳。亮度(V)表示颜色明亮的程度,通常取值范围为0%(黑)到100%(白)。
相比于传统的RGB直方图模型,本实施方式中采用HSV直方图模型的曝光异常检测效果更佳。
具体地,智能终端在获取到待检测图像后,将待检测图像输入到所述HSV直方图模型中。具体地,智能终端可通过拍照或扫描的方式获取到待检测的图像,在此不做限定。
步骤202:通过所述HSV直方图模型对所述待检测图像进行初步曝光异常检测,得到曝光异常图像、曝光正常图像以及疑似曝光异常图像。
通过HSV直方图模型对该待检测图像进行特征检测,即进行色调(H)、饱和度(S)或亮度(V)中的至少一种参数特征进行获取,并根据该参数特征对待检测图像是否曝光进行初步检测,确定该待检测图像为曝光异常图像、曝光正常图像以及疑似曝光异常图像。
在一个可选的实施方式中,通过HSV直方图模型对所述待检测图像的色彩或/和饱和度进行检测,根据所述待检测图像的色调或/和饱和度,以及亮度在对应预设灰阶区间内的比值和/或所述亮度的均值的加权值确定每一幅待检测图像为曝光异常图像、曝光正常图像以及疑似曝光异常图像。其中,亮度在对应预设灰阶区间内的比值和/或所述亮度的均值的权重大于所述待检测图像的色彩或/和饱和度的权重,且色彩或/和饱和度的权重可以为0。
例如,在确定一幅待检测图像是否为曝光异常图像时,可将该待检测图像的色调对应的是否为曝光异常图像的判断结果的权重设定为20%,将该待检测图像的亮度在对应预设灰阶区间内的比值和/或亮度的均值对应的是否为曝光异常图像的结果的权重设定为80%,通过二者的加权值来确定该待检测图像是否为曝光异常图像。或者,将检测到的该待检测图像的色调对应的是否为曝光异常图像的判断结果的权重设定为15%,将该待检测图像的饱和度对应的是否为曝光异常图像的判断结果的权重设定为15%,将该待检测图像的亮度在对应预设灰阶区间内的比值和/或亮度的均值对应的是否为曝光异常图像的结果的权重设定为70%,通过三者得到加权值来确定该待检测图像为曝光异常图像、曝光正常图像以及疑似曝光异常图像。
在一个优选的实施方式中,通过HSV直方图模型对待检测图像的亮度进行检测,并根据亮度在对应预设灰阶区间内的比值和/或亮度的均值确定所述待检测图像是否曝光。
具体地,首先根据该HSV直方图模型获取到待检测图像的亮度值,并经过转换,将该亮度值对应到[0,255]灰度区间内。分别获取到该亮度值在所述预设灰阶区间[250,255]、[254,255]、[0,30]、[0,60]、[0,90]的比值h1、h2、w1、w2、w3,在另一个实施方式中,进一步获取到该亮度值在灰度区间[0,254]均值。利用比值和/或均值通过预设判断条件确定所述图像为曝光异常图像、曝光正常图像或疑似曝光异常图像。
例如,可将亮度值在预设灰阶区间[250,255]的比值h1>0.18,或亮度值在预设灰阶区间[254,255]的比值h2>0.24,或亮度值在预设灰阶区间[254,255]的比值h2>0.10且亮度值在预设灰阶区间[0,30]的比值w1<0.01,确定为待检测图像为曝光异常图像的预设判断条件。
或者也可以将亮度值在预设灰阶区间[254,255]的比值h2>0.13且亮度值在预设灰阶区间[0,60]的比值w2>0.15,或均值fm<40且亮度值在预设灰阶区间[0,90]的比值w3>0.40,或亮度值在预设灰阶区间[0,30]的比值w1>0.3,确定为待检测图像为曝光异常图像的预设判断条件。
将亮度值在预设灰阶区间[250,255]的比值h1>0.07,且亮度值在预设灰阶区间[250,255]的比值与亮度值在预设灰阶区间[254,255]的比值之差即h2-h1<0.01,确定为待检测图像为疑似曝光异常图像的预设判断条件。
将不满足上述条件的待检测图像确定为曝光正常图像。
例如,当亮度值在预设灰阶区间[250,255]的比值h1为0.2时,大于0.18,确定该待检测图像为曝光异常图像。当亮度值在预设灰阶区间[254,255]的比值h2为0.15且亮度值在预设灰阶区间[0,60]的比值w2为0.18时,确定该待检测图像为疑似曝光异常图像。
需要说明的是,上述预设判断条件以及预设灰阶区间仅为举例,而非限制,在其他实施方式中,还可以设定为其他区间或判断方式,只要通过本实施方式的通过设定特定筛选条件,比如能够识别判断出图像是否曝光异常的其他灰阶区间以及判断条件的设定都属于本申请的保护范围,在此不做穷举。
步骤203:将所述疑似曝光异常图像输入到所述深度分类模型中,通过所述深度分类模型判断所述疑似曝光异常图像是否为曝光异常图像。
在一个可选的实施方式中,先通过HSV直方图模型将已经确定的曝光异常图像以及曝光正常图像进行输出。
进一步地将通过HSV直方图模型确定为疑似曝光异常图像的图像输入到深度分类模型中,由于该深度分类模型经过有监督训练,能迅速的识别出该疑似曝光异常图像为曝光正常图像还是曝光异常图像。
步骤204:输出检测结果。
输出深度分类模型的判断结果。
区别于现有技术,本实施方式中,通过HSV直方图模型对待检测图像进行初步曝光异常检测后,将疑似曝光异常图像输入到深度分类模型中进行深度判断,确定该疑似曝光异常图像是否为曝光异常图像。由于HSV直方图模型的计算量远小于深度分类模型的前向运算量,通过HSV直方图模型先对图像进行初始判断,确定出曝光异常图像以及曝光正常图像,深度分类模型只需要对疑似曝光异常图像进行判断,并且,由于HSV直方图模型能较有效的判断图像是否曝光,会极大的减少深度分类模型处理疑似曝光异常图像的数量,使判断时间以及系统消耗量远低于单纯的深度模型判断方式。通过深度分类模型对疑似曝光异常图像进行进一步处理,也能够有效弥补单纯通过HSV直方图判断精确度不高的问题,二者级联相互配合,能够在降低整个模型计算量的前提下,提高了图像异常曝光检测的准确率。
参阅图3,图3是本申请借贷场景照片的曝光异常检测方法一实施方式的流程示意图。包括如下步骤:
步骤301:获取到所述借贷场景照片。
获取到顾客与工作人员在店面进行合影拍照得到的待检测图像。
步骤302:将所述借贷场景照片输入到曝光异常检测模型的HSV直方图模型中;通过所述HSV直方图模型对所述待检测图像进行初步曝光异常检测,得到曝光异常图像、曝光正常图像以及疑似曝光异常图像。
具体地,对借贷场景照片的判断方式与步骤202中对待检测图像是否曝光异常的初步判断方式相同,具体请参阅步骤202的相关文字描述,在此不再赘述。
步骤303:输出所述曝光异常图像、曝光正常图像的检测结果。
即输出通过HSV直方图模型确定的借贷场景照片中的曝光异常图像、曝光正常图像。
步骤304:将所述疑似曝光异常图像输入到所述曝光异常检测模型的深度分类模型中;通过所述深度分类模型判断所述疑似曝光异常图像是否为曝光异常图像;其中,所述深度分类模型与所述HSV直方图模型级联。
其中,本实施方式中对借贷场景照片中的疑似曝光异常图像是否为曝光异常的判断方式与步骤203相同,具体请参阅步骤203的相关文字描述,在此不再赘述。
步骤305:输出检测结果。
即输出通过深度分类模型确定的借贷场景照片中的曝光异常图像、曝光正常图像。
通过上述方式,由于HSV直方图模型的计算量远小于深度分类模型的前向运算量,通过HSV直方图模型先对图像进行初始判断,确定出曝光异常图像以及曝光正常图像,只需要通过深度分类模型对疑似曝光异常图像进行判断,并且,由于HSV直方图模型能较有效的判断图像是否曝光,会极大的减少深度分类模型处理疑似曝光异常图像的数量,使判断时间以及系统消耗量远低于单纯的深度模型判断方式。通过深度分类模型对疑似曝光异常图像进行进一步处理,也能够有效弥补单纯通过HSV直方图判断精确度不高的问题,二者级联相互配合,能够在降低整个模型计算量的前提下,提高了图像异常曝光检测的准确率。
参阅图4,图4是本申请深度分类模型的训练装置一实施方式的结果示意图。本实施方式的训练装置包括图像输入模块401、预测模块402以及训练模块403。
其中,图像输入模块401用于将已标注的图像输入到深度学习模型中。
其中,已标注的图像为对所述图像是否曝光异常进行标注的图像。即对图像为曝光异常图像或曝光正常图像的类型进行标注。
一般情况下,比如借贷合影中的图像样本数量并不是很大。并且由于拍摄设备的逐渐完善,曝光异常图像的数量也并非很多。为了保证样本数量,提高模型训练质量。本实施方式中,图像输入模块401在确定样本数量不够时,通过颜色微调、图像角度随机旋转以及重新裁剪尺寸的方式获取到更多的图像样本,在此不做限定。
预测模块402用于通过所述深度学习模型对所述图像是否曝光异常进行预测。
其中,该深度学习模型是根据判断图像是否曝光的目标任务进行微调后的模型。其中,该深度学习模型可以为Inception,VGG16,DenseNet,MobileNet,ShuffleNet等深度模型,优选地,该深度学习模型为深度残差网络模型。其输出为图像为曝光异常图像或曝光正常图像即正常图像。
预测模块402在将已标注的图像样本输入到该微调后的深度学习模型后,通过该深度学习模型对所述图像是否曝光进行预测。
训练模块403用于基于预测结果与所述图像的标注类型对应的损失函数确定对所述深度学习模型是否进行再训练,并将训练完成的所述深度学习模型确定为所述深度分类模型。
由于深度学习模型本身的功能是用以对图像进行分类的,即使根据曝光异常检测的目标任务进行过微调,可能并不具有很完善的曝光异常检测功能。因此,需要根据深度学习模型的输出的预测结果是否与图像的标注类型相同的判断结果确定是否进行模型再优化。
在本实施方式中,训练模块403通过对预测结果与所述图像的标注类型对应的损失函数的优化来实现对该深度学习模型的优化。具体地,将当前损失值为最小损失值所对应的所述损失函数的参数确定为所述损失函数的当前优化参数,并对该深度学习模型进行再训练。至当前损失值的变化小于预设范围时,将当前的损失函数参数确定为当前述深度学习模型的模型参数,并将该模型参数确定为深度分类模型的模型参数。
区别于现有技术,本实施方式对图像是否为曝光异常图像进行类型标注,并通过标注后的图像对深度学习模型进行训练,将训练好的模型确定为深度分类模型。通过标注图像进行模型训练,不仅能够准确的判断出图像是否曝光,而且通过现有的深度学习模型作为模型原型进行训练的方式,能够有效的节省模型训练时间,并且将复杂的图像识别技术简化为二分类任务,节省研发成本和人力成本,且可移植性强,商用范围更加广泛。
参阅图5,图5是本申请曝光异常检测装置一实施方式的结构示意图。本实施方式的曝光异常检测装置包括相互级联的HSV直方图模型以及深度分类模型,其中,所述深度分类模型是利用对图像为曝光异常图像或曝光正常图像的类型进行标注的图像对深度学习模型训练而得到的;具体是通过图1及其文字描述的任一实施方式的训练方法训练而得到的,在此不做赘述。
曝光异常检测装置包括图像获取模块501、初步检测模块502、深度检测模块503以及输出模块504。
图像获取模块501用于获取到待检测图像,将所述待检测图像输入到所述HSV直方图模型中。
其中,HSV直方图模型即HSV颜色模型,是根据颜色的直观特性创建的颜色空间,该HSV直方图模型中颜色参数分别为色调(H)、饱和度(S)以及亮度(V)。其中,色调(H)用角度度量,取值范围为0°-360°,从红色开始按逆时针方向计算,红色为0°,绿色为120°,蓝色为240°。饱和度(S)表示颜色接近光谱色的程度。一种颜色,可以看成是某种光谱色与白色混合的结果。光谱色所占的比例愈大,颜色接近光谱色的程度就愈高,颜色的饱和度也就愈高。饱和度高,颜色则深而艳。亮度(V)表示颜色明亮的程度,通常取值范围为0%(黑)到100%(白)。
相比于传统的RGB直方图模型,本实施方式中采用HSV直方图模型的曝光异常检测效果更佳。
具体地,图像获取模块501在获取到待检测图像后,将待检测图像输入到所述HSV直方图模型中。具体地,智能终端可通过拍照或扫描的方式获取到待检测的图像,在此不做限定。
初步检测模块502用于通过所述HSV直方图模型对所述待检测图像进行初步曝光异常检测,得到曝光异常图像、曝光正常图像以及疑似曝光异常图像。
初步检测模块502通过HSV直方图模型对该待检测图像进行特征检测,即进行色调(H)、饱和度(S)或亮度(V)中的至少一种参数特征进行获取,并根据该参数特征对待检测图像是否曝光进行初步检测,确定该待检测图像为曝光异常图像、曝光正常图像以及疑似曝光异常图像。
在一个可选的实施方式中,初步检测模块50通过HSV直方图模型对所述待检测图像的色彩或/和饱和度进行检测,根据所述待检测图像的色调或/和饱和度,以及亮度在对应预设灰阶区间内的比值和/或所述亮度的均值的加权值确定每一幅待检测图像为曝光异常图像、曝光正常图像以及疑似曝光异常图像。其中,亮度在对应预设灰阶区间内的比值和/或所述亮度的均值的权重大于所述待检测图像的色彩或/和饱和度的权重,且色彩或/和饱和度的权重可以为0。
例如,在确定一幅待检测图像是否为曝光异常图像时,可将该待检测图像的色调对应的是否为曝光异常图像的判断结果的权重设定为20%,将该待检测图像的亮度在对应预设灰阶区间内的比值和/或亮度的均值对应的是否为曝光异常图像的结果的权重设定为80%,通过二者的加权值来确定该待检测图像是否为曝光异常图像。或者,将检测到的该待检测图像的色调对应的是否为曝光异常图像的判断结果的权重设定为15%,将该待检测图像的饱和度对应的是否为曝光异常图像的判断结果的权重设定为15%,将该待检测图像的亮度在对应预设灰阶区间内的比值和/或亮度的均值对应的是否为曝光异常图像的结果的权重设定为70%,通过三者得到加权值来确定该待检测图像为曝光异常图像、曝光正常图像以及疑似曝光异常图像。
在一个优选的实施方式中,初步检测模块502通过HSV直方图模型对待检测图像的亮度进行检测,并根据亮度在对应预设灰阶区间内的比值和/或亮度的均值确定所述待检测图像是否曝光。
具体地,初步检测模块502首先根据该HSV直方图模型获取到待检测图像的亮度值,并经过转换,将该亮度值对应到[0,255]灰度区间内。分别获取到该亮度值在所述预设灰阶区间[250,255]、[254,255]、[0,30]、[0,60]、[0,90]的比值h1、h2、w1、w2、w3,在另一个实施方式中,进一步获取到该亮度值在灰度区间[0,254]均值。利用比值和/或均值通过预设判断条件确定所述图像为曝光异常图像、曝光正常图像或疑似曝光异常图像。
例如,可将亮度值在预设灰阶区间[250,255]的比值h1>0.18,或亮度值在预设灰阶区间[254,255]的比值h2>0.24,或亮度值在预设灰阶区间[254,255]的比值h2>0.10且亮度值在预设灰阶区间[0,30]的比值w1<0.01,确定为待检测图像为曝光异常图像的预设判断条件。
或者也可以将亮度值在预设灰阶区间[254,255]的比值h2>0.13且亮度值在预设灰阶区间[0,60]的比值w2>0.15,或均值fm<40且亮度值在预设灰阶区间[0,90]的比值w3>0.40,或亮度值在预设灰阶区间[0,30]的比值w1>0.3,确定为待检测图像为曝光异常图像的预设判断条件。
将亮度值在预设灰阶区间[250,255]的比值h1>0.07,且亮度值在预设灰阶区间[250,255]的比值与亮度值在预设灰阶区间[254,255]的比值之差即h2-h1<0.01,确定为待检测图像为疑似曝光异常图像的预设判断条件。
将不满足上述条件的待检测图像确定为曝光正常图像。
例如,初步检测模块502确定亮度值在预设灰阶区间[250,255]的比值h1为0.2时,大于0.18时,确定该待检测图像为曝光异常图像。在亮度值在预设灰阶区间[254,255]的比值h2为0.15且亮度值在预设灰阶区间[0,60]的比值w2为0.18时,确定该待检测图像为疑似曝光异常图像。
需要说明的是,上述预设判断条件以及预设灰阶区间仅为举例,而非限制,在其他实施方式中,还可以设定为其他区间或判断方式,只要通过本实施方式的通过设定特定筛选条件,比如能够识别判断出图像是否曝光异常的其他灰阶区间以及判断条件的设定都属于本申请的保护范围,在此不做穷举。
深度检测模块503用于将所述疑似曝光异常图像输入到所述深度分类模型中,通过所述深度分类模型判断所述疑似曝光异常图像是否为曝光异常图像。
在一个可选的实施方式中,输出模块504用于将先通过HSV直方图模型将已经确定的曝光异常图像以及曝光正常图像进行输出。
进一步地,深度检测模块503将通过HSV直方图模型确定为疑似曝光异常图像的图像输入到深度分类模型中,由于该深度分类模型经过有监督训练,能迅速的识别出该疑似曝光异常图像为曝光正常图像还是曝光异常图像。
输出模块504用于输出检测结果。
区别于现有技术,本实施方式中,由于HSV直方图模型的计算量远小于深度分类模型的前向运算量,通过HSV直方图模型先对图像进行初始判断,确定出曝光异常图像以及曝光正常图像,深度分类模型只需要对疑似曝光异常图像进行判断,并且,由于HSV直方图模型能较有效的判断图像是否曝光,会极大的减少深度分类模型处理疑似曝光异常图像的数量,使判断时间以及系统消耗量远低于单纯的深度模型判断方式。通过深度分类模型对疑似曝光异常图像进行进一步处理,也能够有效弥补单纯通过HSV直方图判断精确度不高的问题,二者级联相互配合,能够在降低整个模型计算量的前提下,提高了图像异常曝光检测的准确率。
参阅图6,图6是本申请智能装置一实施方式的结构示意图。本实施方式的智能装置包括图像获取模块601、初步检测模块602、深度检测模块603以及输出模块604。
图像获取模块601用于获取到所述借贷场景照片。
图像获取模块601获取到顾客与工作人员在店面进行合影拍照得到的待检测图像。
初步检测模块602用于将所述借贷场景照片输入到曝光异常检测模型的HSV直方图模型中;通过所述HSV直方图模型对所述待检测图像进行初步曝光异常检测,得到曝光异常图像、曝光正常图像以及疑似曝光异常图像。
具体地,初步检测模块602对借贷场景照片的判断方式与图5中的初步检测模块502对待检测图像是否曝光异常的初步判断方式相同,具体请参阅图5中对初步检测模块502工作方式的相关文字描述,在此不再赘述。
输出模块604用于输出所述曝光异常图像、曝光正常图像的检测结果。
即输出通过HSV直方图模型确定的借贷场景照片中的曝光异常图像、曝光正常图像。
深度检测模块603用于将所述疑似曝光异常图像输入到所述曝光异常检测模型的深度分类模型中;通过所述深度分类模型判断所述疑似曝光异常图像是否为曝光异常图像;其中,所述深度分类模型与所述HSV直方图模型级联。
其中,本实施方式深度检测模块603对借贷场景照片中的疑似曝光异常图像是否为曝光异常的判断方式与图5深度检测模块503的工作方式相同,具体请参阅图5中对深度检测模块503工作方式的相关文字描述,在此不再赘述。
输出模块604还用于输出检测结果。
即输出通过深度分类模型确定的借贷场景照片中的曝光异常图像、曝光正常图像。
通过上述方式,由于HSV直方图模型的计算量远小于深度分类模型的前向运算量,通过HSV直方图模型先对图像进行初始判断,确定出曝光异常图像以及曝光正常图像,只需要通过深度分类模型对疑似曝光异常图像进行判断,并且,由于HSV直方图模型能较有效的判断图像是否曝光,会极大的减少深度分类模型处理疑似曝光异常图像的数量,使判断时间以及系统消耗量远低于单纯的深度模型判断方式。通过深度分类模型对疑似曝光异常图像进行进一步处理,也能够有效弥补单纯通过HSV直方图判断精确度不高的问题,二者级联相互配合,能够在降低整个模型计算量的前提下,提高了图像异常曝光检测的准确率。
参阅图7,图7是本申请智能终端一实施方式的结构示意图。其中,本实施方式的智能终端70包括人机交互控制电路702以及与该人机交互控制电路耦接的处理器701。该处理器701上可运行的计算机程序。处理器701在执行计算机程序时能够实现图1及其相关文字描述的任一实施方式的深度分类模型的训练方法,或者执行图2及其相关文字描述的任一实施方式的曝光异常检测方法方法,或者执行图3及其相关文字描述的借贷场景照片的曝光异常检测方法。
请参与图8,本申请还提供一种存储装置的实施例的结构示意图。本实施例中,该存储装置80存储有处理器可运行的计算机指令81,该计算机指令81用于执行图1及其相关文字描述的任一实施方式的深度分类模型的训练方法,或者执行图2及其相关文字描述的任一实施方式的曝光异常检测方法方法,或者执行图3及其相关文字描述的借贷场景照片的曝光异常检测方法的步骤。
该存储装置80具体可以为U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory,)、磁碟或者光盘等可以存储计算机指令81的介质,或者也可以为存储有该计算机指令81的服务器,该服务器可将存储的计算机指令81发送给其他设备运行,或者也可以自运行该存储的计算机指令81。
在本申请所提供的几个实施例中,应该理解到,所揭露的方法和装置,可以通过其它的方式实现。例如,以上所描述的装置实施方式仅仅是示意性的,例如,单元或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (9)
1.一种曝光异常检测方法,其特征在于,所述曝光异常检测方法基于曝光异常检测模型,所述曝光异常检测模型包括相互级联的HSV直方图模型以及深度分类模型,其中,所述深度分类模型是利用对图像为曝光正常图像或曝光异常图像的类型进行标注的图像对深度学习模型训练而得到的;
所述曝光异常检测方法包括:
获取到待检测图像,将所述待检测图像输入到所述HSV直方图模型中;
通过所述HSV直方图模型对所述待检测图像进行初步曝光检测,得到曝光异常图像、曝光正常图像或疑似曝光异常图像;其中,所述HSV直方图模型的计算量小于所述深度分类模型的运算量;
将所述疑似曝光异常图像输入到所述深度分类模型中,通过所述深度分类模型判断所述疑似曝光异常图像是否为曝光异常图像;
输出检测结果。
2.根据权利要求1所述的曝光异常检测方法,其特征在于,所述通过所述HSV直方图模型对所述待检测图像进行初步曝光异常检测,得到曝光异常图像、曝光正常图像或疑似曝光异常图像的步骤具体包括:
通过所述HSV直方图模型对所述待检测图像的亮度进行检测,并根据所述亮度在对应预设灰阶区间内的比值和/或所述亮度的均值确定所述待检测图像是否曝光异常。
3.根据权利要求2所述的曝光异常检测方法,其特征在于,所述通过所述HSV直方图模型对所述待检测图像的亮度进行检测,并根据所述亮度在对应预设灰阶区间内的比值和/或所述亮度的均值确定所述待检测图像是否曝光的步骤具体包括:
分别获取到所述亮度在所述预设灰阶区间[250,255]、[254,255]、[0,30]、[0,60]、[0,90]的比值和/或所述亮度在灰阶区间[0,254]的均值;
利用所述比值和/或所述均值通过预设判断条件确定所述图像为曝光异常图像、曝光正常图像或疑似曝光异常图像。
4.根据权利要求2~3任一项所述的曝光异常检测方法,其特征在于,所述通过所述HSV直方图模型对所述待检测图像进行初步曝光异常检测,得到曝光异常图像、曝光正常图像或疑似曝光异常图像的步骤还包括:
通过所述HSV直方图模型对所述待检测图像的色彩或/和饱和度进行检测,根据所述待检测图像的色调或/和饱和度,以及亮度在对应预设灰阶区间内的比值和/或所述亮度的均值的加权值确定每一幅所述待检测图像为所述曝光异常图像、所述曝光正常图像或所述疑似曝光异常图像;
其中,所述亮度在对应预设灰阶区间内的比值和/或所述亮度的均值的权重大于所述待检测图像的色彩或/和饱和度的权重。
5.根据权利要求1所述的曝光异常检测方法,其特征在于,所述将所述疑似曝光异常图像输入到所述深度分类模型中,通过所述深度分类模型判断所述疑似曝光异常图像是否为曝光异常图像的步骤还包括:
输出所述曝光异常图像、所述曝光正常图像的检测结果。
6.一种借贷场景照片的曝光异常检测方法,其特征在于,所述曝光异常检测方法包括:
获取到所述借贷场景照片;
将所述借贷场景照片输入到曝光异常检测模型的HSV直方图模型中;通过所述HSV直方图模型对所述借贷场景照片进行初步曝光异常检测,得到曝光异常图像、曝光正常图像或疑似曝光异常图像;
输出所述曝光异常图像、曝光正常图像的检测结果;
将所述疑似曝光异常图像输入到所述曝光异常检测模型的深度分类模型中;通过所述深度分类模型判断所述疑似曝光异常图像是否为曝光异常图像;其中,所述曝光异常检测模型是所述深度分类模型与所述HSV直方图模型的级联模型;所述HSV直方图模型的计算量小于所述深度分类模型的运算量;
输出检测结果。
7.一种曝光异常检测装置,其特征在于,所述曝光异常检测装置包括曝光异常检测模型,所述曝光异常检测模型包括相互级联的HSV直方图模型以及深度分类模型,其中,所述深度分类模型是利用对图像为曝光正常图像或曝光异常图像的类型进行标注的图像对深度学习模型训练而得到的;
所述曝光异常检测装置包括图像获取模块、初步检测模块、深度检测模块以及输出模块;
所述图像获取模块用于获取到待检测图像,将所述待检测图像输入到所述HSV直方图模型中;
所述初步检测模块用于通过所述HSV直方图模型对所述待检测图像进行初步曝光异常检测,得到曝光异常图像、曝光正常图像或疑似曝光异常图像;其中,所述HSV直方图模型的计算量小于所述深度分类模型的运算量;
所述深度检测模块用于将所述疑似曝光异常图像输入到所述深度分类模型中,通过所述深度分类模型判断所述疑似曝光异常图像是否为曝光异常图像;
所述输出模块用于输出检测结果。
8.一种智能终端,其特征在于,所述智能终端包括相互耦接的人机交互控制电路、处理器及可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现权利要求1~5任一项所述的曝光异常检测方法或权利要求6所述的借贷场景照片的曝光异常检测方法的步骤。
9.一种存储装置,其特征在于,所述存储装置上存储有程序数据,所述程序数据被处理器执行时实现如权利要求1~5任一项所述的曝光异常检测方法或权利要求6所述的借贷场景照片的曝光异常检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811497818.3A CN111291778B (zh) | 2018-12-07 | 2018-12-07 | 深度分类模型的训练方法、曝光异常检测方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811497818.3A CN111291778B (zh) | 2018-12-07 | 2018-12-07 | 深度分类模型的训练方法、曝光异常检测方法以及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111291778A CN111291778A (zh) | 2020-06-16 |
CN111291778B true CN111291778B (zh) | 2021-07-06 |
Family
ID=71029997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811497818.3A Active CN111291778B (zh) | 2018-12-07 | 2018-12-07 | 深度分类模型的训练方法、曝光异常检测方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111291778B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560970A (zh) * | 2020-12-21 | 2021-03-26 | 上海明略人工智能(集团)有限公司 | 基于自编码的异常图片检测方法、系统、设备及存储介质 |
CN115311283B (zh) * | 2022-10-12 | 2023-01-24 | 山东鲁玻玻璃科技有限公司 | 一种玻璃拉管缺陷检测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106056129A (zh) * | 2016-05-16 | 2016-10-26 | 西安邮电大学 | 一种融合多种特征的监控视频图像过曝光区域检测方法 |
US9900519B2 (en) * | 2015-03-26 | 2018-02-20 | Skr Labs, Llc | Image capture by scene classification |
CN108881740A (zh) * | 2018-06-28 | 2018-11-23 | Oppo广东移动通信有限公司 | 图像方法和装置、电子设备、计算机可读存储介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5790690A (en) * | 1995-04-25 | 1998-08-04 | Arch Development Corporation | Computer-aided method for automated image feature analysis and diagnosis of medical images |
US6014452A (en) * | 1997-07-28 | 2000-01-11 | R2 Technology, Inc. | Method and system for using local attention in the detection of abnormalities in digitized medical images |
US9554744B2 (en) * | 2013-12-19 | 2017-01-31 | International Business Machines Corporation | Mining social media for ultraviolet light exposure analysis |
CN104658014B (zh) * | 2015-02-10 | 2017-09-22 | 重庆金山科技(集团)有限公司 | 一种检测活体内色度异常的方法 |
US20170213576A1 (en) * | 2016-01-22 | 2017-07-27 | Artur Nugumanov | Live Comics Capturing Camera |
US20180241927A1 (en) * | 2017-02-23 | 2018-08-23 | Motorola Mobility Llc | Exposure Metering Based On Depth Map |
DE102017207438B4 (de) * | 2017-05-03 | 2020-07-09 | Volkswagen Aktiengesellschaft | Verfahren, Vorrichtung und deren Verwendung zur Ermittlung des Knickwinkels eines Gespanns |
CN107705334B (zh) * | 2017-08-25 | 2020-08-25 | 北京图森智途科技有限公司 | 一种摄像机异常检测方法及装置 |
CN107491790B (zh) * | 2017-08-25 | 2021-04-02 | 北京图森智途科技有限公司 | 一种神经网络训练方法及装置 |
-
2018
- 2018-12-07 CN CN201811497818.3A patent/CN111291778B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9900519B2 (en) * | 2015-03-26 | 2018-02-20 | Skr Labs, Llc | Image capture by scene classification |
CN106056129A (zh) * | 2016-05-16 | 2016-10-26 | 西安邮电大学 | 一种融合多种特征的监控视频图像过曝光区域检测方法 |
CN108881740A (zh) * | 2018-06-28 | 2018-11-23 | Oppo广东移动通信有限公司 | 图像方法和装置、电子设备、计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
Image Exposure Assessment: A Benchmark and a Deep Convolutional Neural Networks Based Model;Lijun Zhang等;《IEEE Xplore》;20181011;第1-6页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111291778A (zh) | 2020-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8385638B2 (en) | Detecting skin tone in images | |
CN107209935B (zh) | 用于测量移动文档图像质量的系统及方法 | |
WO2021218119A1 (zh) | 图像调色增强方法和图像调色增强神经网络训练方法 | |
EP2323418A1 (en) | Image processing apparatus, method and program | |
CN110675368B (zh) | 一种融合图像分割与分类的细胞图像语义分割方法 | |
US20140133744A1 (en) | Image Adjustment | |
CN105608700B (zh) | 照片的筛选方法及系统 | |
CN101983507A (zh) | 自动红眼检测 | |
CN107911625A (zh) | 测光方法、装置、可读存储介质和计算机设备 | |
WO2019037739A1 (zh) | 图像处理参数获取方法、可读存储介质和计算机设备 | |
CN109089041A (zh) | 拍摄场景的识别方法、装置、电子设备和存储介质 | |
CN111291778B (zh) | 深度分类模型的训练方法、曝光异常检测方法以及装置 | |
JP2021531571A (ja) | 証明書画像抽出方法及び端末機器 | |
CN106709916A (zh) | 图像质量评估方法及装置 | |
CN103150717B (zh) | 图像高亮区域的检测方法、内容检测方法及内容检测装置 | |
CN112819017B (zh) | 基于直方图的高精度色偏图像识别方法 | |
CN108769543B (zh) | 曝光时间的确定方法及装置 | |
JP2018084861A (ja) | 情報処理装置、情報処理方法、及び情報処理プログラム | |
CN116703909B (zh) | 一种电源适配器生产质量智能检测方法 | |
CN114519689A (zh) | 图像篡改检测方法、装置、设备及计算机可读存储介质 | |
CN115292722B (zh) | 基于不同色彩空间的模型安全检测方法和装置 | |
CN112883762A (zh) | 一种活体检测方法、装置、系统及存储介质 | |
CN112836759B (zh) | 一种机选图片评价方法、装置、存储介质及电子设备 | |
CN111046899B (zh) | 身份证真伪识别方法、装置、设备及存储介质 | |
CN110310341B (zh) | 颜色算法中默认参数的生成方法、装置、设备和存储介质 |
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 |